多倉庫車輛路徑問題（MDVRP）是物流和供應鏈管理中的一個核心最佳化問題，廣泛應用於配送網路設計、貨物運輸規劃等實際場景。由於需要同時協調多個倉庫的車輛排程和路徑選擇，MDVRP的計算複雜度極高，屬於NP-hard問題。傳統的求解方法在面對大規模例項時往往效率低下，難以在合理時間內找到高質量解。
針對這一挑戰，來自電腦科學領域的研究人員Zhenyu Lei和Jin-Kao Hao提出了一種新穎的混合演算法，旨在高效求解一類多倉庫車輛路徑問題。該演算法融合了多種智慧最佳化技術：首先，它採用了一種學習驅動的、具有多樣性控制機制的路徑交換交叉操作，能夠有效探索解空間並避免過早收斂。其次，演算法構建了一個多倉庫支援的可行-不可行搜尋框架，該框架由多罰函式評估引導，允許在搜尋過程中暫時接受不可行解，從而更靈活地逃離區域性最優。此外，演算法還引入了兩個專門的倉庫相關區域性搜尋運算元，專門針對多倉庫場景下的特定結構進行精細最佳化。
為了進一步提升計算效率和可擴充套件性，研究團隊開發了該演算法的增強版本。該版本利用基於張量的GPU加速技術，結合新穎的多移動更新策略，使得演算法的平行計算能力得到充分發揮。GPU加速不僅大幅縮短了求解時間，還使得演算法能夠處理更大規模的問題例項。多移動更新策略則透過同時更新多個解的移動來減少迭代開銷，進一步提升了收斂速度。
研究團隊在三個標準的MDVRP變體基準例項集上進行了廣泛的計算實驗，包括帶時間窗的MDVRP、帶容量約束的MDVRP等。實驗結果表明，所提出的混合演算法在大多數例項上均能取得與當前最優方法相當或更優的結果，尤其在大型例項上展現出顯著的競爭優勢。這一成果表明，透過巧妙結合機器學習、數學規劃和平行計算，能夠大幅拓展多倉庫路徑問題的求解邊界。
該研究於2026年2月提交至arXiv，歸屬於機器人學、分散式平行計算和最佳化控制等多個領域。未來，該演算法有望進一步整合到實際物流管理系統中，助力企業降低運輸成本、提高配送效率，併為自動駕駛車輛路徑規劃等新興應用提供理論支援。