文献阅读：Efficiently Solving the Practical Vehicle Routing Problem: ANovel Joint Learning Approach

常见解决车辆路径规划问题：
1.使用（启发式）精确算法得到（接近）最优解。然而，对于实际规模的问题，即使只有几百个客户节点，这些技术也需要几天甚至几年的时间来找到最优或接近最优的解决方案。这使得它们很难在实践中实现。
2.与基于or的算法相比，基于DL模型[21,26]的训练策略可以有效地解决大规模问题（通常是在几秒钟内）。然而，这些模型只是在人工生成的问题集上进行了测试，而在现实中忽略了复杂的交通网络。

在本文中，我们提出了一个基于以节点和边缘特征作为输入和嵌入的图卷积网络（GCN）的模型。我们提出了两个独立的解码器来解码它们的嵌入。提出了一种基于递归神经网络（RNN）的序列预测解码器，以节点嵌入作为输入，输出序列作为VRP实例的求解。