作为夏季的研究课题，我被分配了以下问题。但是，我没能成功找到相关的问题，除了它似乎是旅行推销员和背包的组合，即使我不确定是否是这种情况。声明是：
你是一名卡车司机，赢得了一份大合同，现在你必须 提供很多包裹。每个都有N个包递送 必须在城市的某个地址（x，y）交付一个。 另外每个包裹都有一个重量Wi。
为简单起见，假设分布区域是矩形的 总是从点（0,90）开始。
您只有一辆卡车，容量有限（1000）（不包括上限） 卡车重量）。卡车底座重量为10。
要走的距离很远，所以距离应该是 计算机使用Haversine距离。
与您签约的公司将为您提供足够的燃料，因此 你可以无限制地旅行。
但是，从那以后你必须非常小心 你必须提供每一个，如果你选择 在旅途中打包，你必须交付它，不管你做什么 不能在旅途中离开他们。
因为你有点吝啬，你同意条件，但你知道 如果你不接近最佳策略，你的卡车可以 穿得太多，所以你可能会因为合同不完整而结束 这会让你起诉，没有卡车和钱就离开你。
因此，根据您的经验，您知道要最大限度地提高生存机会 你的卡车必须尽量减少以下功能：
http://goo.gl/jQxXzN（抱歉，我无法发布图片，因为我没有足够的声誉）。
其中m是tripss的数量，n是每次旅行j的包裹数量，wij是第j次旅行期间第i个礼物的重量，Dist表示两点之间的Haversine距离，Loc（i ）是第i个礼物的位置，Loc（0）和Loc（n）是（0,90）点（起点），wnj（行程的最后重量）总是卡车重量（基重） ）。
所以，基本上，这些都是我得到的研究课题的所有内容。 我一直在想，也许一些诸如蚁群或遗传算法之类的元启发式可能会有所帮助，但我必须更好地了解这个问题。任何想法或信息（纸张，书籍等）都受到欢迎。
答案 0 :(得分：0)
这听起来像容量车辆路径问题（CRVP）的变体，特别是与单车辆和单车库（但是使用非均匀包裹）。有关此问题的一些参考，请参见例如：
我认为您对元启发式的想法 - 特别是蚁群优化（ACO） - 将是一种明智的方法。请注意，对于TSP相关问题，通常ACO优先于遗传算法（GA）。
以下有些着名的文章（1）可能会让您开始研究ACO方法可能带来的好处。 （2）扩展（1）的结果。请注意，这涵盖了常规的VHP（没有容量），但它应该被证明是一个有价值的起点，至少给予灵感。
似乎还有专门的文献ACO和CVRP的主题，但我不能评论它们的质量，但我会列出它们供你自己检查。请注意，（3）是（1）的作者的扩展。
听起来像一个有趣的研究课题，祝你好运！