近年来，随着深度学习和人工智能的飞速发展，以ChatGPT为代表的大语言模型已成为科学界的焦点。语言模型的设计初衷是解决自然语言处理相关的问题，例如语音识别和机器翻译，它将人类语言视为受特定语法规则约束的单词序列。基于此种思路，除了自然语言之外，任何可以映射为可学习序列的实体也可以通过语言模型解析。例如，蛋白质结构与人类语言存在许多相似之处，其中氨基酸可被视为“字母”，不同的氨基酸组合可以类比为“单词”。同样地，人类行为也可通过类似的方式来描述。例如，乘客的出行可被表示为一个由出发时间、起终点坐标以及出行模式组成的“句子”。类似的，在本文研究的现实世界中配送路线优化问题中，配送路线被抽象为“句子”，配送点则可类比为“单词”，且此“句子”必须遵循由各种现实世界的约束所设定的“语法规则”以确保路线的合理性和效率。通过这种方式，语言模型能够为解决现实世界中的配送路线优化问题提供有力的支持。

在实际的配送路线优化任务中，必须考虑现实世界中动态变化的各种复杂因素，例如实时的交通状况和司机的个性化偏好，然而这些因素在运筹学模型中往往被忽视。这种差异使得具有丰富经验的司机常常会偏离理论模型事先优化的路径。

本研究旨在提供一种创新视角来理解和优化配送路线，其核心思想源于几何深度学习中的基于字符表征的学习方法。首先，使用实际配送路线构建了一系列的“句子”，以准确地反映司机的实际行为模式。然后，通过无监督模型学习这些“句子”中的“单词”的向量表示。最后，利用实体之间的功能相似性——可通过它们在词嵌入空间中的映射和接近程度推断——设计一个定制算法来推断完整的配送序列。

本文构建了一个混合方法：借助语言模型提取司机关于最优配送模式的隐性知识，这些知识在运筹学模型中通常难以明确体现。语言模型为我们提供了一个与司机直觉偏好相协调的区域序列。获得区域序列后，将每个区域内的配送任务视为具有特定起终点的旅行商问题。本文方法最终呈现了一条理论上高效，并且贴合司机实际经验和偏好的配送路线。通过在亚马逊的真实配送数据上进行实验，验证了本方法的有效性。实验结果展现了本方法与纯运筹学方法相比，在可行性、效率和潜在适应性方面具有显著优势。

在真实的配送路线优化任务中，司机往往会根据实际交通情况、基础设施状况和个人驾驶偏好，自主地“重新优化”预定的路线，而非严格遵循运筹学方法得到的最优路线。为此，我们构建了一个混合模型，将语言模型与运筹学模型结合，以解决仅依赖运筹学方法难以解决的现实世界中的配送路线优化问题。我们的方法也有望拓展到多个领域，例如智能交通、智慧城市和自动驾驶等，这些领域的核心任务本质上是理解按特定“语法规则”构建的系统。

责任编辑

郝   翔    浙江大学

梅清清    浙江大学

作者简介