MFF-HVPP: 基于多特征融合的异构车辆路径规划框架

倪静 谭云洁

上海理工大学

本代码库为谭云洁毕业论文，实现了论文《基于多特征融合的异构车辆路径规划问题》中提出的MFF-HVPP框架。该框架通过深度强化学习，结合多特征融合编码器和基于注意力机制的通道特征扩展模块（CAE），实现了异构车辆路径规划的高效求解，支持min-max（均衡负载）和min-sum（总成本）双目标优化。

核心创新点

• 多特征融合编码器：整合节点位置、需求特征与车辆状态
• 基于注意力机制的通道特征扩展模块CAE：通过通道维度特征扩展解决传统注意力机制的梯度消失问题
• 分层解码策略：解耦车辆选择与节点选择的序列决策过程
• 动态状态更新：基于LSTM的车辆状态实时追踪机制
• 双模态奖励函数：同时适配min-max和min-sum优化目标

主要性能

场景	客户节点	Gap	计算时间	优化目标
Min-Max HCVRP	120	1.31%	8.66s	最大行程时间
Min-Sum HCVRP	160	1.07%	13.77s	总行程时间

环境依赖

• Python >= 3.8
• PyTorch >= 1.10
• numpy >= 1.21
• tensorboard_logger
• tqdm

快速开始

安装

pip install -r requirements.txt

训练示例-训练120节点min-max场景

CUDA_VISIBLE_DEVICES=0,1 python train.py
--problem hcvrp
--graph_size 120
--optim_target minmax
--n_vehicles 5
--embed_dim 256
--trans_cfe_layers 4
--batch_size 512
--max_epoch 200

评估160节点min-sum场景

python evaluate.py
--ckpt pretrained/min_sum_160.pt
--val_dataset datasets/hcvrp_160_test.pkl
--val_m 8
--temperature 0.1
--n_vehicles 7

#代码结构

MFF-HVPP/
├── core/
│   ├── encoder/            # 多特征融合编码器
│   │   ├── trans_cfe.py    # TransCAE模块
│   │   └── cpe.py         # 循环位置编码
│   ├── decoder/            # 分层解码器
│   └── agent.py            # 强化学习智能体
├── datasets/               # 预生成数据集
├── pretrained/             # 预训练模型
├── utils/
│   ├── vrplib.py           # VRP数据工具
│   └── visualize.py        # 可视化工具
└── train.py                # 主训练脚本

###关键特性 ###1. 异构车辆配置 ####支持不同容量/速度的车辆混合调度：

vehicle_config = [
    {'capacity': 20, 'speed': 1.2},  # 类型A
    {'capacity': 35, 'speed': 1.0},  # 类型B
    {'capacity': 50, 'speed': 0.8}   # 类型C
]

####2. 动态需求支持

节点特征维度 [x, y, demand, dynamic_flag]
node_feats = torch.tensor([
    [0.5, 0.3, 4.0, 0],   # 静态需求
    [0.2, 0.7, 2.5, 1],   # 动态需求
])

####3. 多目标切换 通过--optim_target参数指定优化目标：

minmax: 最小化最大车辆行程时间

minsum: 最小化总行程时间

##引用 若本项目对您的研究有帮助，请引用我们的论文：

@article{tan2025mff,
  title={基于多特征融合的异构车辆路径规划问题},
  author={谭云洁 and 倪静},
  journal={建模与仿真},
  volume={14},
  number={3},
  pages={694--715},
  year={2025}
}