我们有一个配送中心（仓库），我们实时获得订单，其距离仓库和其他订单位置的时间/距离是已知的。
时间矩阵=
W O1 O2 O3
W 0 5 20 2
O1 5 0 21 7
O2 20 21 0 11
O3 2 7 11 0
订单时间O1 = 10:00 AM
订单时间O2 = 10:20 AM
O3的订购时间=上午10:25
我想订购尽可能多的订单，以便任何订单的交货时间不超过订单时间的2小时。因此，问题是减少旅行次数（旅行是在送货代理人送货时）。
我正在尝试为此提出算法。
时有两个相互竞争的因素我们可以按顺序组合顺序中的所有订单，直到它在订购时间的2小时内满足订单交付的约束。
我们可以修改上述方法来找到瓶颈订单（由于我们现在无法在方法1中订购更多订单）。并将它从trip1中取出并使其成为行程2（新订单）的一部分并等待其他订单以trip1或trip2取决于它。
所有订单都是实时发送的。什么是征服这种情况的最佳方法。如果您需要更清楚，请告诉我。
答案 0 :(得分：0)
非常安全且简单的算法，保证不超过订单的最长等待时间：
让TSP()成为一个函数，它返回访问给定位置所花费的时间估计值。估计是悲观的，即实际的骑行时间可以更短或等于估计，但不会更长。为了良好的开端，您可以非常轻松地以贪婪的方式实施TSP()：从每个地方前往最近的地方。您可以减去从W出来的较长边的长度以获得更好的估计（因此汽车将始终从W出来的较短边缘）。如果TSP()碰巧是最优的，那么这里给出的整个算法也是最优的。整体算法与TSP()实现一样好，它在很大程度上取决于良好的估计。
让earliestOrderTime成为最早未处理订单的时间。
每分钟重复一次：
如果有新订单：如果s为空，请将earliestOrderTime设置为当前时间。将其添加到集s。计算t = TSP(s + W)。
如果（当前时间+ t＆gt; = earliestOrderTime + 2小时）：发送一辆汽车进行TSP(s + W)行程。将s设为空集。
对于您的示例性数据，它将如下工作：
10:00。 earliestOrderTime = 10:00。 s = {O1}。 t = TSP({01, W}) = 10 - 5 = 5。
10:00 + 0:05＆lt; 10:00 + 2:00，所以我们还没发车，我们等。
...
10:20。 s = {O1, O2}。 t = 46 - 20 = 26。
10:20 + 0:26＆lt; 10:00 + 2:00，所以我们等。
...
10:25。 s = {O1, O2, O3}。 t = 2 + 7 + 21 + 20 - 20 = 30。
10:25 + 0:30＆lt; 10:00 + 2:00，所以我们等。
...
11.30
11:30 + 0:30＆gt; = 10:00 + 2:00，我们发送汽车前往O3，O1，O2并返回{ {1}}。他在11：32,1：39,12：00访问订单，并在12:20回来。等待67分，99分钟和100分钟的人。