带无人机旅行窃贼问题：联合优化装载、路径与飞行同步

在收集作业中，累积载荷会逐渐减慢车辆速度，对路线效率造成累积性惩罚。车载无人机可以通过取回外围物品来抵消这一惩罚，从而缩短完工时间并增加运营利润。然而，行驶时间仍取决于载荷，地面车辆收集的每件物品都会改变决定无人机发射和会合点的到达时间。本文介绍了带无人机的旅行窃贼问题（TTP-D），通过联合优化物品选择、车辆路线和飞行同步，最大化收集利润（扣除基于时间的租赁成本）。我们构建了一个混合整数线性规划，可最优地解决小规模实例，并为大规模实例开发了元启发式算法和基于注意力的深度强化学习（DRL）策略。我们进一步提出了一种学习者初始化的混合求解器，其中DRL策略构建初始解，随后由短时退火运行进行细化。在两个基准集上，该混合方法以极小部分计算预算恢复了元启发式基线的大部分质量，尽管最大实例仍需基线在完整预算下运行。最后，敏感性分析显示，租赁比率是盈利能力的主要驱动因素，而车队参数仅对利润产生边际影响。