联合路由分配(JRA)优化问题同时确定项目分配给占位符和Hamiltonian循环,该周期访问每个节点对一次,目的是最小化总旅行成本。 以前的研究引入了精确的混合整数编程(MIP)求解器,以及数据集和Gurobi实现,表明虽然精确方法保证了最优性,但对大规模实例来说,它变得计算效率低下。 为了克服这一限制,提出了基于合并算法和晃动程序的精神方法,在偏离最佳方法约1%的范围内实现解决方案。 这项工作提出了一种新的和更有效的方法,为大规模的JRA问题实现高精度,近乎最优的解决方案。 所提出的方法引入了一个部分路径重建(PPR)求解器,首先标识关键项占位符对,以形成减少的子问题,从而有效地解决,以完善全局解决方案。 使用此 PJAR 框架,可以进一步改进初始的发灵论合并解决方案,将偏差减少一半。 此外,该解决方案可以通过基于PPR的求解器沿着优化路径进行迭代抛光,以产生高度准确的导览。 此外,在 JRA 模型中还引入了全局大 α 约束,以进一步提高解决方案最优性。 对n = 300,500和1000的基准数据集进行实验评估表明,建议的方法始终如一地提供几乎最佳的解决方案,在保持高计算效率的同时,平均偏离地面真理0.00%。 除了JRA问题之外,拟议的框架和方法在更广泛的应用中显示出强大的潜力。 该框架可以应用于TSP和相关优化问题。