本文的主要贡献在于提出了两种新的数学模型和高效的分支定价算法，首次实现了对中等规模2E-VRPTW问题的精确求解。未来研究方向包括：设计启发式方法以处理更大规模的实例；扩展模型以考虑更多实际约束，如动态需求或不确定性；进一步优化算法，提升求解效率。本文的研究为城市物流中的路径优化问题提供了重要的理论支持和实用工具。

在第一届INFORMS TSL数据驱动研究挑战中，TSL和美团合作为全球研究人员和从业人员提供对美团运营级别的外卖配送数据的访问权限。参赛者需要利用美团提供的真实数据，开发数据驱动的优化模型，以解决下述的一些问题，或者探索美团感兴趣的其他问题。2025年8月1日：入围决赛者在2025年INFORMS年会上进行最终比赛演讲的注册截止日期(注:这也是2025年INFORMS年会演讲者注册截止日期)20

图1提供了TDRP-SD的一个描述性示例。场景中有13个需要服务的客户，每个客户的需求在卡车到达时才会揭示（图中用罗马数字表示）。卡车和无人机的最大容量分别为X和III单位。系统使用两辆各配备一架无人机的卡车和一架单机无人机来服务这13个客户。图1 TDRP-SD的描述性示例卡车1的配送过程从仓库满载出发，服务客户1和2后货物耗尽，返回仓库补货从客户2前往客户3时，剩余货物为VIII单位服务客户3

编者按：本文发表于2015年，是卡车无人机路径研究的开山之作。作者针对单车辆单无人机的配送场景，首次提出了两种带无人机的旅行商问题变体：卡车与无人机串联协作的FSTSP和并行协作的PDSTSP。文章明确给出了基于弧的混合整数线性规划（MILP）模型，并通过设计基于成本节约的大邻域搜索算法，对10至20个节点的实例进行了数值计算。其建模思路对后续一系列相关研究产生了深远影响，尤其在当前低空经济快速发

b)刚性网络，采用结构简单的网络，使用最少的连接以满足需求，但同时却又有适应性差的问题，一旦需求波动，效率会急剧下降。事实上，一般的非凸优化问题大概率是NP-hard的，所以，除非P=NP，否则想要用通用的求解方法来在有限时间内求解，几乎是不可能的。事实上，这个松弛实际上符合正半定规划(Semidefinite Programming,SDP)的形式，而SDP正是CP问题的一个特例，因此这个松弛的

1. 简介对于无约束的非凸优化问题，算法复杂度的下界为Ω(1/ϵ2)\Omega(1/\epsilon^2)Ω(1/ϵ2)；在目标函数光滑时，这个下界可以通过标准梯度下降算法来取到. 对于带约束的非凸优化问题，这个下界依旧适用；到这里，我们自然会提出疑问：它是否也能通过某个一阶算法来取到？对此，本文[1]^{[1]}[1]作出了回答. 文中介绍了一种简单的一阶算法——光滑化近似点增广拉格朗日方法（

DRoC 框架通过一种新颖的检索增强生成（RAG）方法整合外部知识，对 VRP 约束进行分解，分别检索与各约束相关的信息，并将内部和外部知识协同结合，以优化解决 VRPs 的程序生成。主要使用 ChatGPT（gpt-4o 和 gpt-3.5-turbo）作为 LLM，OR - tools 作为优化求解器，并在其他 LLM（如 claude3.5 和 llama3.1）和求解器（如 Gurobi）

本文提出了一种全新的、自我改进式经验库学习框架AlphaOPT，用于自动构建优化模型。AlphaOPT 能够仅依赖最优解进行学习，并在分布外泛化方面显著优于微调类方法。同时，它生成的知识结构化、可解释、可审计，适用于真实工业场景中的人工干预与验证需求。展望未来，有三个方向值得进一步探索：（1）面向推理的测试时规模扩展：优化任务具有天然的可验证性，因此在推理层面的扩展潜力更大；（2）构建更大规模、覆

本文围绕“自然语言运行需求 → 可执行电力系统优化模型/代码”的自动化建模目标，构建了面向专业电力优化建模的评测体系：通过ProOPF-D提供可训练的多层级样本，并以ProOPF-B给出端到端、可执行的严格评测协议。实验结果显示，主流大模型在通用优化建模基准上表现优异，但在电力工程级场景（尤其是语义参数推断与结构扩展的组合挑战）上仍存在显著差距；而基于 ProOPF-D 的监督微调能够有效提升整体

本文介绍的这项工作由多伦多大学团队完成，并发表于 2025 年的 Manufacturing & Service Operations Management (MSOM)，给出了一个颇具启发性的答案：将机器学习嵌入大规模双层优化模型之中，在优化过程中同时控制预测误差，并在严格的理论框架下分析最优性差距。它不是单纯的机器学习应用，也不是传统的随机规划近似技巧，而是在优化模型内部构造一个“可控的近似机