1. 引言
近年来，卡车---无人机协同配送（Truck-Drone Collaborative Routing）已成为物流与运筹优化领域的研究热点。无人机凭借其灵活性与空中续航优势，能够突破地面交通拥堵的限制，与卡车形成互补。然而，实际场景中的时变交通、动态需求、天气变化、道路受损等因素，使得该问题的建模与求解面临巨大挑战。
本文选读八篇近期发表的前沿论文，围绕地面拥堵、配送期限、动态订单、飞行敏感区域、途中作业、跨车作业、灾后应急、道路受损等主题，梳理各论文的核心问题、建模方法与求解算法，为相关研究者提供系统性的文献参考。
2. 地面拥堵与空中续航
论文 01： Truck-drone routing problem under time-dependent traffic congestion: A novel variable neighborhood search metaheuristic
中文题目： 考虑时变交通拥堵的卡车---无人机路径问题：一种新的变邻域搜索元启发式算法
核心问题： 地面交通拥堵随时间动态变化，卡车在高峰时段的行驶速度显著下降，而无人机可借助空中航线规避拥堵。该论文将时变交通拥堵引入卡车---无人机路径问题（TDRP），构建了更贴近现实的路网模型。
建模要点： 将道路通行时间建模为时间的函数，卡车行驶时间随出发时刻变化；无人机飞行时间相对稳定，从而体现"地面拥堵、空中续航"的互补优势。
求解方法： 提出一种新的变邻域搜索（VNS）元启发式算法，通过多种邻域结构在解空间中高效搜索，在合理时间内获得高质量近似解。
研究价值： 为城市配送中"地面堵、空中通"的现实场景提供了建模与求解范式，是后续时变TDRP研究的重要基础。
3. 配送期限与行程波动
论文 02： Stochastic and robust truck-and-drone routing problems with deadlines: A Benders decomposition approach
中文题目： 具有配送期限的随机与鲁棒卡车---无人机路径问题：一种Benders分解方法
核心问题： 配送期限（deadline）是物流服务的硬约束，而行程时间受交通、天气等因素影响存在不确定性。该论文同时考虑随机性与鲁棒性，构建了带期限约束的卡车---无人机路径问题。
建模要点： 分别建立随机规划模型与鲁棒优化模型，刻画行程时间的不确定性；配送期限作为约束条件，确保服务时效。
求解方法： 采用Benders分解方法，将复杂问题分解为主问题与子问题，通过迭代生成割平面加速求解。
研究价值： 为不确定环境下带期限的协同配送提供了两种互补的建模思路（随机 vs. 鲁棒），并给出了高效的精确求解框架。
4. 动态订单与天气变化
论文 03： Dynamic truck-drone collaborative routing with stochastic requests under changing weather conditions
中文题目： 天气变化与随机需求下的动态卡车---无人机协同路径规划
核心问题： 实际配送中订单是动态到达的，且无人机飞行受天气（如风速、降雨）影响显著。该论文同时考虑随机需求与变化的天气条件，构建动态协同路径规划模型。
建模要点： 需求以随机过程到达，需在线的动态决策；天气条件影响无人机飞行速度与能耗，进而影响路径可行性。
求解方法： 采用动态规划或滚动时域（rolling horizon）策略，结合启发式算法应对实时决策需求。
研究价值： 将"动态需求"与"天气变化"两个现实因素同时纳入模型，提升了模型对真实配送环境的刻画能力。
5. 飞行敏感区域与配送效率
论文 04： Electric truck--drone routing problem with flight-sensitive zones and partial truck recharging: A multi-objective optimization framework
中文题目： 考虑飞行敏感区域与卡车部分充电的电动卡车---无人机路径问题：多目标优化框架
核心问题： 城市中存在无人机飞行敏感区域（如机场、军事区、人口密集区），无人机需绕行；同时电动卡车续航有限，需考虑部分充电策略。该论文构建了多目标优化框架。
建模要点： 引入飞行敏感区域约束，限制无人机飞行路径；电动卡车支持部分充电（partial recharging），在途中补充电量。
求解方法： 采用多目标优化方法（如NSGA-II或基于分解的多目标进化算法），在配送成本、时间、能耗等目标间寻求Pareto最优解。
研究价值： 首次将"飞行敏感区域"与"电动卡车部分充电"结合，兼顾安全性与配送效率，为绿色物流提供了多目标决策支持。
6. 途中起降与异构无人机
论文 05： Heterogeneous drone-truck routing problem with En-route operations
中文题目： 考虑途中作业的异构无人机---卡车路径问题
核心问题： 传统模型中无人机通常从卡车出发并返回同一卡车，而该论文允许无人机在途中（en-route）起降，即无人机可在卡车行驶过程中起飞与降落，且机队为异构（不同型号、不同性能）。
建模要点： 支持途中作业，卡车无需停车即可完成无人机的发射与回收；异构无人机具有不同的速度、载重与续航能力。
求解方法： 设计针对异构机队与途中作业特性的启发式或元启发式算法，优化协同路径。
研究价值： 突破了"定点起降"的限制，显著提升了协同配送的灵活性与效率，更贴近实际作业场景。
7. 跨车作业与机位限制
论文 06： Truck-drone collaborative routing with flexible cross-truck operations and slot constraints
中文题目： 考虑灵活跨车作业与机位约束的卡车---无人机协同路径规划
核心问题： 传统模型中无人机与卡车一一绑定，而该论文允许无人机在不同卡车之间转移（cross-truck operations），同时考虑卡车上无人机机位（slot）数量限制。
建模要点： 引入跨车作业，无人机可在途中更换搭载的卡车；每辆卡车可搭载的无人机数量有限（slot constraints）。
求解方法： 构建混合整数规划模型，并设计高效的求解算法处理跨车分配与机位约束的耦合。
研究价值： 打破了"机---车绑定"的刚性约束，通过灵活的资源调配提升整体配送效率，是协同路径规划的重要拓展。
8. 动态变化的灾后需求
论文 07： Multi-agent deep reinforcement learning-based truck-drone collaborative routing with dynamic emergency response
中文题目： 基于多智能体深度强化学习的动态应急响应卡车---无人机协同路径规划
核心问题： 灾后应急场景中，需求动态变化且时效要求极高。该论文采用多智能体深度强化学习（MADRL）方法，实现动态应急响应下的协同路径规划。
建模要点： 将卡车与无人机建模为多个智能体，通过集中训练、分散执行（CTDE）框架学习协同策略；需求动态到达，需实时响应。
求解方法： 采用多智能体深度强化学习算法（如MADDPG、QMIX等），在动态环境中学习最优协同策略。
研究价值： 将深度强化学习引入灾后应急协同配送，为高动态、强时效场景提供了数据驱动的智能决策方案。
9. 道路受损与动态需求
论文 08： Truck-drone collaborative routing under road damage and dynamic demand for humanitarian logistics
中文题目： 面向人道主义物流、考虑道路受损与动态需求的卡车---无人机协同路径规划
核心问题： 人道主义物流中，灾害可能导致道路受损、通行中断，同时救援需求动态变化。该论文构建了面向人道主义场景的协同路径规划模型。
建模要点： 道路受损导致部分路段不可通行，卡车需绕行；无人机可飞越受损区域完成救援任务；需求动态更新。
求解方法： 结合鲁棒优化与动态决策方法，在道路不确定性与需求动态性下生成可行且高效的救援路径。
研究价值： 聚焦人道主义物流的特殊约束，为灾害救援中的空地协同配送提供了针对性的建模与求解方案。
10. 研究脉络总览
八篇论文从基础 TDRP 出发，沿「不确定性建模」「作业灵活性」「应急场景」三条主线不断拓展，整体研究脉络如下：
#mermaid-svg-dXHW7IY9u1bBtGt8{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-dXHW7IY9u1bBtGt8 .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-dXHW7IY9u1bBtGt8 .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-dXHW7IY9u1bBtGt8 .error-icon{fill:#552222;}#mermaid-svg-dXHW7IY9u1bBtGt8 .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-dXHW7IY9u1bBtGt8 .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-dXHW7IY9u1bBtGt8 .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-dXHW7IY9u1bBtGt8 .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-dXHW7IY9u1bBtGt8 .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-dXHW7IY9u1bBtGt8 .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-dXHW7IY9u1bBtGt8 .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-dXHW7IY9u1bBtGt8 .marker{fill:#333333;stroke:#333333;}#mermaid-svg-dXHW7IY9u1bBtGt8 .marker.cross{stroke:#333333;}#mermaid-svg-dXHW7IY9u1bBtGt8 svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-dXHW7IY9u1bBtGt8 p{margin:0;}#mermaid-svg-dXHW7IY9u1bBtGt8 .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-dXHW7IY9u1bBtGt8 .cluster-label text{fill:#333;}#mermaid-svg-dXHW7IY9u1bBtGt8 .cluster-label span{color:#333;}#mermaid-svg-dXHW7IY9u1bBtGt8 .cluster-label span p{background-color:transparent;}#mermaid-svg-dXHW7IY9u1bBtGt8 .label text,#mermaid-svg-dXHW7IY9u1bBtGt8 span{fill:#333;color:#333;}#mermaid-svg-dXHW7IY9u1bBtGt8 .node rect,#mermaid-svg-dXHW7IY9u1bBtGt8 .node circle,#mermaid-svg-dXHW7IY9u1bBtGt8 .node ellipse,#mermaid-svg-dXHW7IY9u1bBtGt8 .node polygon,#mermaid-svg-dXHW7IY9u1bBtGt8 .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-dXHW7IY9u1bBtGt8 .rough-node .label text,#mermaid-svg-dXHW7IY9u1bBtGt8 .node .label text,#mermaid-svg-dXHW7IY9u1bBtGt8 .image-shape .label,#mermaid-svg-dXHW7IY9u1bBtGt8 .icon-shape .label{text-anchor:middle;}#mermaid-svg-dXHW7IY9u1bBtGt8 .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-dXHW7IY9u1bBtGt8 .rough-node .label,#mermaid-svg-dXHW7IY9u1bBtGt8 .node .label,#mermaid-svg-dXHW7IY9u1bBtGt8 .image-shape .label,#mermaid-svg-dXHW7IY9u1bBtGt8 .icon-shape .label{text-align:center;}#mermaid-svg-dXHW7IY9u1bBtGt8 .node.clickable{cursor:pointer;}#mermaid-svg-dXHW7IY9u1bBtGt8 .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-dXHW7IY9u1bBtGt8 .arrowheadPath{fill:#333333;}#mermaid-svg-dXHW7IY9u1bBtGt8 .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-dXHW7IY9u1bBtGt8 .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-dXHW7IY9u1bBtGt8 .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-dXHW7IY9u1bBtGt8 .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-dXHW7IY9u1bBtGt8 .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-dXHW7IY9u1bBtGt8 .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-dXHW7IY9u1bBtGt8 .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-dXHW7IY9u1bBtGt8 .cluster text{fill:#333;}#mermaid-svg-dXHW7IY9u1bBtGt8 .cluster span{color:#333;}#mermaid-svg-dXHW7IY9u1bBtGt8 div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-dXHW7IY9u1bBtGt8 .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-dXHW7IY9u1bBtGt8 rect.text{fill:none;stroke-width:0;}#mermaid-svg-dXHW7IY9u1bBtGt8 .icon-shape,#mermaid-svg-dXHW7IY9u1bBtGt8 .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-dXHW7IY9u1bBtGt8 .icon-shape p,#mermaid-svg-dXHW7IY9u1bBtGt8 .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-dXHW7IY9u1bBtGt8 .icon-shape .label rect,#mermaid-svg-dXHW7IY9u1bBtGt8 .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-dXHW7IY9u1bBtGt8 .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-dXHW7IY9u1bBtGt8 .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-dXHW7IY9u1bBtGt8 :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 基础 TDRP
卡车---无人机协同路径问题
研究主线分支
不确定性建模
论文01：时变交通拥堵
变邻域搜索
论文02：配送期限与行程波动
Benders分解
论文03：动态订单与天气变化
动态规划/滚动时域
作业灵活性
论文04：飞行敏感区域+部分充电
多目标优化
论文05：途中起降+异构机队
启发式/元启发式
论文06：跨车作业+机位约束
混合整数规划
应急场景
论文07：灾后动态需求
多智能体强化学习
论文08：道路受损+人道主义物流
鲁棒优化+动态决策
11. 总结与展望
10. 总结与展望
八篇论文从不同维度拓展了卡车---无人机协同路径规划的研究边界：
| 论文 | 核心主题 | 关键创新 | 求解方法 |
|---|---|---|---|
| 01 | 时变交通拥堵 | 地面拥堵、空中续航 | 变邻域搜索 |
| 02 | 配送期限与不确定性 | 随机与鲁棒建模 | Benders分解 |
| 03 | 动态订单与天气 | 随机需求+天气变化 | 动态规划/滚动时域 |
| 04 | 飞行敏感区域 | 安全约束+部分充电 | 多目标优化 |
| 05 | 途中起降 | 异构机队+途中作业 | 启发式/元启发式 |
| 06 | 跨车作业 | 机位约束+灵活调配 | 混合整数规划 |
| 07 | 灾后动态需求 | 多智能体强化学习 | MADRL |
| 08 | 道路受损 | 人道主义物流 | 鲁棒优化+动态决策 |
未来研究方向： 一是将时变交通、天气、道路受损等多重不确定性因素统一纳入模型；二是探索深度强化学习在大规模实时场景中的应用；三是结合电动化与绿色物流目标，构建多目标协同优化框架；四是推动算法在实际物流平台中的落地验证。