Enterprise/reproduction_plan.md

T-ALNS-RRD 论文复现完整计划

0. 文档概要

论文标题: Optimizing urban last mile delivery efficiency through dynamic vehicle routing heuristics and traffic flow analysis
作者: Lu Liu, Tianxia Wang (Yibin Vocational and Technical College)
发表: 2025, Scientific Reports
复现类型: 基于合成数据的算法机制复现 (Methodological Reproduction)

---

1. 复现目标体系

1.1 核心目标

复现论文提出的 T-ALNS-RRD 框架的核心算法链：

Static-VRPTW → TA-VRPTW-Greedy → ALNS-Base → T-ALNS → T-ALNS-RRD

1.2 验证目标 (5 个量化趋势)

#	趋势	预期方向
1	交通感知成本降低拥堵暴露	TA-Greedy CES < Static CES
2	ALNS 相比贪婪算法进一步降低总成本	ALNS TotalCost < TA-Greedy
3	Tabu memory 减少重复搜索，提高解稳定性	T-ALNS σ < ALNS σ
4	RRD 实时调度减少突发事件下的延误	T-ALNS-RRD Delay < T-ALNS Delay
5	各模块叠加后整体表现优于静态规划	T-ALNS-RRD 全指标最优

1.3 成功标准

1. 生成可重复的合成数据集
2. 运行至少 4 个算法版本 (Static, TA-Greedy, ALNS, T-ALNS)
3. 输出统一评价指标
4. 展示逐模块改进趋势
5. 优先级: 先完成 Static → TA-Greedy → ALNS → T-ALNS 四个版本
6. RRD 作为增强实验，可用简化交通事故案例展示

---

2. 数据集设计 (与论文 Table 2 对齐)

2.1 基本规模参数

参数	值	来源
客户数 n	47	论文 §4.2
仓库	1 (node 0)	论文 §4.2
车辆数 m	4	论文 §4.2
车辆容量 Q	120 kg	论文 §4.2
服务时间 s_i	4 min/customer	论文 §4.2
时间窗口	3 类 (morning/afternoon/evening)	论文 §4.2
运营时间	6:00-18:00 (12 hours)	论文 §4.3
时间段 H	12 (1h each)	论文 §4.3
区域范围	8 km × 10 km	论文 §4.1
路网规模	48 nodes, 2256 arcs	论文 Table 2

2.2 客户数据生成

每个客户属性：

customer_id, x (km), y (km), demand (kg), service_time (min),
earliest_time, latest_time, priority

生成规则：

• x ∈ [0, 8] km, y ∈ [0, 10] km
• demand ∈ [3, 12] kg (均匀或带簇偏差)
• service_time = 4 min
• 时间窗口分 3 类：
  • Morning: 9:00-12:00
  • Afternoon: 13:00-16:00
  • Evening: 17:00-20:00

空间分布: 生成 3 个客户簇 (住宅区/商业区/办公区)，增加路径优化意义

2.3 路网与弧数据

初版方案: 完全图 (complete graph)，每对节点一条弧

每条弧属性：

from_node, to_node, distance (欧氏), base_travel_time,
road_type (arterial/collector/residential)

道路速度:

Road Type	Speed
Arterial	45 km/h
Collector	30 km/h
Residential	20 km/h

升级方案 (Phase 2+): 使用 networkx 生成网格路网模拟真实道路

2.4 时间依赖交通矩阵 (3 个张量)

为每个 (i, j, h) 组合计算，其中 h ∈ {0, 1, ..., 11}:

travel_time[i, j, h]   # 行驶时间
congestion[i, j, h]    # 拥堵权重 γ ∈ [0, 1]
uncertainty[i, j, h]   # 可靠性不确定性 η

交通拥堵乘子 (论文 §3.2):

时间段	时段	拥堵乘子
6:00-7:00	早间	1.0
7:00-9:00	早高峰	1.6
9:00-11:00	上午	1.2
11:00-13:00	午间	1.0
13:00-16:00	午后	1.2
16:00-18:00	晚高峰	1.7

行驶时间计算:

t_ij^(h) = base_time_ij × traffic_multiplier_h × road_noise

拥堵权重 (论文 Eq.9):

ρ_ij(T_i) = θ × γ_ij^(h), if T_i ∈ τ_h

风险调整时间 (论文 Eq.10):

t'_ij^(h) = t_ij^(h) + β × η_ij^(h)

需要满足 FIFO 一致性 (论文 Eq.11):

T_i^1 ≤ T_i^2 ⇒ T_i^1 + t_ij(T_i^1) ≤ T_i^2 + t_ij(T_i^2)

---

3. 问题建模与目标函数

3.1 DVRPTW-TA 形式化 (论文 §3.1)

在完全图 G=(N, A) 上建模，N = {0, 1, ..., 47}，A ⊆ N × N。

3.2 复合成本函数 (论文 Eq.1)

Cost = Σ_k Σ_(i,j) x_ijk [t_ij(T_i) + λ₂ρ_ij(T_i)] + λ₁ Σ_j δ_j

其中:
  δ_j = max{0, S_j - l_j}  - 迟到惩罚 (论文 Eq.2)
  t_ij(T_i)  - 时间依赖行驶时间
  ρ_ij(T_i) - 拥堵惩罚
  λ₁ - 迟到惩罚权重
  λ₂ - 拥堵暴露权重

3.3 约束条件

1. 每个客户服务一次 (Eq.3): Σ_k Σ_j x_ijk = 1, ∀i ∈ N\{0}
2. 车辆容量 (Eq.4): Σ_i d_i Σ_j x_ijk ≤ Q, ∀k
3. 时间可行性 (Eq.5): A_j ≥ T_i + t_ij(T_i), S_j ≥ max{A_j, e_j}
4. 软时间窗 (Eq.6): S_j ≤ l_j + ε_j, ε_j ≥ 0
5. 子回路消除 (Eq.7): MTZ 约束

---

4. 算法实现详细设计

4.1 Baseline 1: Static-VRPTW

特点: 不考虑时间变化、不考虑拥堵惩罚 方法: Greedy insertion heuristic 输入: 固定 base_travel_time 输出: 车辆路径方案

Algorithm:
1. 所有车辆从 depot 出发
2. 对每个未分配客户，计算插入各车辆当前路径各位置的最小边际成本
3. 选择边际成本增量最小的 (customer, vehicle, position)
4. 满足容量和时间窗约束则插入
5. 重复直到所有客户分配完毕

4.2 Baseline 2: TA-VRPTW-Greedy

特点: 考虑 time-dependent travel time + congestion penalty，但不使用 ALNS 方法: 与 Static 相同框架，但使用 t_ij(T_i) 和 ρ_ij(T_i)

与 Static 的关键差异: 边际成本计算使用 time-dependent travel time

4.3 Baseline 3: ALNS-Base (论文 §3.3.1 + Algorithm 1)

核心组件:

Destroy Operators (论文 §3.3.1):
  - Random Removal: 均匀随机移除 α×n 个客户
  - Worst Removal: 移除造成最大延迟/拥堵成本的客户
  - Relatedness Removal: 移除地理或时间特征相似的客户
  移除数量: |C| = ⌊α × n⌋, α ∈ [0.1, 0.4] (论文 Eq.15)

Repair Operators:
  - Greedy Insertion: 最小化边际成本 (论文 Eq.16-17)
  - Regret-2 Insertion: 最小化最优和次优插入位置差距
  - Time-Window-Aware Insertion: 最小化时间窗违规

Acceptance: Simulated Annealing (论文 Eq.20-21)
  P_accept = 1 if f(S') < f(S)
           = exp(-(f(S') - f(S)) / τ_t) otherwise
  τ_{t+1} = γ × τ_t, γ ∈ (0, 1)

Adaptive Operator Weights (论文 Eq.18-19):
  p_h(t) = ω_h(t) / Σ ω_j(t)
  ω_h(t+1) = (1-ξ) ω_h(t) + ξ × θ_r
  奖励等级:
    σ₁: 找到全局最优解
    σ₂: 改善当前解
    σ₃: 被接受但未改善
    σ₄: 被拒绝

终止条件:
  max_iter = 1000 (论文 §4.8)
  time_limit = 600s
  stall: 连续 T_stall 代无改进

插入成本计算 (论文 Eq.16-17):

Δf_ijk(T_j) = t_ji(T_j) + s_i + t_ik(T_j + t_ji + s_i) - t_jk(T_j)
            + λ₁ × δ_i(T_i) + λ₂ × ρ_ji(T_j)

ΔF_jik = Δf_jik^local + Σ_(u,v)∈Asuffix [t_uv(T') + λ₁δ_v + λ₂ρ_uv]
       - Σ_(u,v)∈Asuffix_old [t_uv + λ₁δ_v + λ₂ρ_uv]

4.4 Baseline 4: T-ALNS (论文 §3.3.2 + Algorithm 2)

在 ALNS 基础上增加三层 Tabu Memory:

Move-Based Tabu (论文 Eq.22-23)

存储: (C_removed, h_d, h_r, t_iter) 元组
判定: 如果存在记录 (Ĉ, ĥ_d, ĥ_r, ť) 满足:
  |C_removed ∩ Ĉ| ≥ μ × min(|C_removed|, |Ĉ|)
  AND t_current - ť ≤ τ_move
  则为 Tabu

自适应 tenure (论文 Eq.32):
  τ_move(t+1) = min(τ_move+1, τ_max)  if no improvement in τ_stall
              = max(τ_move-1, τ_min)  if improvement found

Solution-Based Tabu (论文 Eq.23-24)

哈希函数: H(S) = Σ_k Σ_i φ(v_ki, v_k(i+1)) mod P
存储: H(S') 作为环形缓冲区 (最大 1000 或 2^⌈log₂(n)⌉)
Tabu: 如果 H(S') ∈ T_sol 且在最近 τ_sol 代内记录

Frequency Memory (论文 Eq.24-26)

客户-车辆分配频率: F^cv_ik(t+1) = F^cv_ik(t) + 1_[i∈R_k(S)]
时间位置频率: F^tp_ij(t+1) = F^tp_ij(t) + Σ_k 1_[v_kj = i]
拥堵加权 (Eq.33):
  F^cv_ik(t+1) = F^cv_ik(t) + 1_[i∈R_k] × (1 + Σ_j ρ_ji(T_j))
定期归一化 (Eq.32): F ← ⌊F/κ⌋ 每 ν 代

多样化强度控制 (论文 Eq.26-28)

δ(t) = ω₁ × (t - t_last_best)/T_max
     + ω₂ × |T_move|/|T_move|_max
     + ω₃ × σ(F^cv)

if δ(t) > δ_max: 切换到多样化模式
  p'_h(t) = η × p_h(t) + (1-η) × div_h(t)/Σ div_j(t)

赦免准则 (论文 Eq.29-31)

1. 全局最优赦免: f(S') < f(S*)
2. 低频赦免: min F^cv_ik < β × F̄^cv (鼓励未用分配)
3. 交通适应赦免: 拥堵成本显著降低

4.5 Proposed: T-ALNS-RRD (论文 §3.3.3 + Algorithm 3)

事件检测与分类

事件类型 (论文 §3.3.3):
  E1: 关键交通事故 (道路封闭/事故/严重拥堵)
  E2: 紧急订单插入 (高优先级、紧时间窗)
  E3: 容量违规 (需求波动超过车辆容量)
  E4: 服务时间违规 (累计延迟威胁时间窗)

紧急度评分 (论文 Eq.35):
  Ψ(e,t) = α_e × (t_deadline - t_current)/t_horizon
          + β_e × impact(e) + γ_e × cost_increase(e)

候选动作空间

E1 - 局部改道: K_s=5 条 FIFO 一致的 k-shortest-time 绕行
              预算 Δ_max=8 min
E1 - 客户重分配: 3km 范围内、≤10min ETA 差的车辆
              每车 top-2 regret 位置
E2 - 紧急插入: top-r 插入位置 (Eq.16)
              延迟变体: ≤30min 偏移，惩罚 λ₁δ_j
              全部不可行则 subcontract
E3 - 负载重分配: 最小可行子集转移，最多 3 次
E4 - 加速/放宽: 局部 2-opt 重排
             不可行则临时容差 ϵ_tolerance
最大动作数 |A_e| ≤ 20

Rollout 仿真 (论文 Eq.36-39)

价值函数 (Eq.36):
  V^rollout(s,a,H) = E[ Σ_h Σ_k Σ_(i,j)∈A^h_k
                       [t_ij + λ₂ρ_ij] + λ₁ Σ_j δ_j(S^h_j) ]

交通演化 (Eq.38):
  t^rollout_ij(T_i + s) = t^(r)_ij + s/Δt × (t^(r+1)_ij - t^(r)_ij)

Tabu 调整价值 (Eq.39):
  V^adjusted = V^rollout - τ_penalty × 1_[Tabu(a)]
             + τ_bonus × Diversification(a)

复合决策分数 (Eq.40):
  Σ(a,e,s) = ω₁ × V^adjusted + ω₂ × Stability(a,s) + ω₃ × Recovery(a,s)

稳定性 (Eq.41):
  Stability(a,s) = Σ_k |R^a_k ∩ R^s_k| / |R^a_k ∪ R^s_k|

恢复性 (Eq.42):
  Recovery(a,s) = -Σ_k Σ_i |OptimalPosition(i) - CurrentPosition(i,a)|

自适应资源分配 (论文 Eq.43-44)

H_rollout = max(H_min, H_max - α_urgency × Ψ(e,t))
N_sim = max(N_min, ⌊(T_available - T_overhead) / T_sim⌋)

---

5. 评价指标体系 (论文 §4.4)

5.1 主要指标

指标	定义	公式
Total Cost	综合运营成本	Eq.1
Travel Time Cost	总行驶时间成本	Σ t_ij(T_i)
Delay Penalty	迟到惩罚	λ₁ Σ δ_j
Congestion Cost	拥堵成本	Σ ρ_ij(T_i)
OTDR	准时送达率	N_ontime / (n-1) (Eq.45)
Average Delay	平均迟到时间	Σ δ_j / n_late
Max Delay	最大迟到时间	max δ_j
Late Customers	迟到客户数	count(S_j > l_j)
CES	拥堵暴露分数	Σ ρ_ij(T_i) (Eq.47)
Average Route Duration	平均路线时长	(1/m) Σ (T_k^end - T_k^start) (Eq.46)

5.2 算法性能指标

指标	定义
Computation Time	算法运行时间
Iterations to Best	找到最优解的迭代次数
Convergence Rate	收敛速度 (improvements/iteration)
Solution Stability (σ)	解的稳定性 (标准差)

5.3 RRD 专属指标

指标	定义
Event Response Rate	事件响应成功率
Avg Response Time	平均响应时间 (ms)
Cost Reduction via RRD	RRD 带来的成本降低
Adaptation Success Rate	自适应成功率

---

6. 实验设计 (论文 §5)

6.1 实验一: 主对比实验 (对应论文 Table 5-7, Fig 8-10)

算法: Static / TA-Greedy / ALNS-Base / T-ALNS / T-ALNS-RRD

配置:

• 30 个随机种子 (论文 §5.1: seeds 1-30)
• max_iter = 1000
• time_limit = 600s (可缩短)
• 实验结果求均值 ± 标准差

输出表格:

Algorithm | TotalCost | TravelTime | DelayPenalty | Congestion | OTDR | CES | CompTime

6.2 实验二: 消融实验 (对应论文 Table 11, Fig 13)

配置:

Base ALNS
+ Move Tabu Only
+ Solution Tabu Only
+ Frequency Memory Only
Full T-ALNS
+ Traffic Events Only
+ Urgent Delivery Only
+ All RRD Events (Full T-ALNS-RRD)

6.3 实验三: 交通不确定性鲁棒性实验 (对应论文 Table 14, Fig 15)

配置:

σ ∈ {0.1, 0.2, 0.3, 0.5}
每组重复 30 次

输出指标: 各 σ 下的 TotalCost、OTDR、CES、Robustness Index

6.4 实验四: 参数敏感性实验 (对应论文 Table 3)

维度:

参数	取值
客户数	30, 40, 47, 60
车辆数	2, 3, 4, 5, 6
车辆容量 (kg)	80, 100, 120, 140, 160

6.5 实验五: 实时事件响应实验 (对应论文 Table 8, Fig 11)

事件类型 (最低实现 3 类):

1. Traffic incident: 某边 travel_time 临时 × 2-3
2. Urgent order: 中途新增一个客户
3. Time-window risk: 预测某客户即将迟到

输出: Event Type | Frequency | Success Rate | Cost Reduction | Response Time

6.6 收敛性分析 (对应论文 Table 9-10, Fig 12)

记录 epoch-level 的 cost 下降:

Epoch 5, 10, 15, ..., 50
绘制 ALNS-Base vs T-ALNS vs T-ALNS-RRD 收敛曲线

---

7. 可视化要求 (论文 Fig 7-16)

图编号	内容	类型
Fig 1	路线图: 仓库、47 客户、4 条路径	空间散点 + 连线
Fig 2	算法框架图: ALNS → Tabu → RRD	流程图
Fig 3	主实验: Total Cost / OTDR / CES 柱状图	分组柱状图
Fig 4	收敛曲线: ALNS vs T-ALNS vs T-ALNS-RRD	折线图
Fig 5	消融实验: 各模块贡献瀑布图	柱状图
Fig 6	RRD 示例: 扰动前后路线变化对比	双面板空间图

---

8. 项目代码结构

t_alns_rrd_reproduction/
├── README.md
├── requirements.txt              # numpy, pandas, matplotlib, networkx, pyyaml, tqdm
├── configs/
│   ├── default.yaml             # 全局默认参数
│   ├── experiment_main.yaml     # 主对比实验配置
│   ├── experiment_ablation.yaml # 消融实验配置
│   └── experiment_robustness.yaml
├── src/
│   ├── __init__.py
│   ├── data_generator.py        # 合成数据集生成
│   ├── problem.py               # DVRPTW-TA 问题定义、Solution 数据结构
│   ├── cost.py                  # 成本函数计算 (Eq.1, Eq.16-17)
│   ├── schedule.py              # 调度评估 (时间传播)
│   ├── baselines/
│   │   ├── __init__.py
│   │   ├── static_vrptw.py      # Baseline 1: Static-VRPTW greedy
│   │   └── ta_greedy.py         # Baseline 2: TA-VRPTW-Greedy
│   ├── alns/
│   │   ├── __init__.py
│   │   ├── operators_destroy.py # Random/Worst/Relatedness Removal
│   │   ├── operators_repair.py  # Greedy/Regret-2/Time-Window-Aware Insertion
│   │   ├── acceptance.py        # Simulated Annealing
│   │   └── alns_base.py         # ALNS-Base (Algorithm 1)
│   ├── tabu/
│   │   ├── __init__.py
│   │   ├── move_tabu.py         # Move-based Tabu list (Eq.22-23)
│   │   ├── solution_tabu.py     # Solution hash memory (Eq.24)
│   │   ├── frequency_memory.py  # Frequency matrices (Eq.25-26)
│   │   └── t_alns.py            # T-ALNS (Algorithm 2)
│   ├── rrd/
│   │   ├── __init__.py
│   │   ├── event_generator.py   # 事件检测与分类 (Eq.35)
│   │   ├── candidate_actions.py # 候选动作生成
│   │   ├── rollout.py           # Rollout 仿真 (Eq.36-39)
│   │   ├── dispatch.py          # 调度决策 (Eq.40-42)
│   │   └── t_alns_rrd.py        # T-ALNS-RRD (Algorithm 3)
│   ├── experiments/
│   │   ├── run_main_comparison.py
│   │   ├── run_ablation.py
│   │   ├── run_robustness.py
│   │   ├── run_sensitivity.py
│   │   └── run_convergence.py
│   └── visualization/
│       ├── plot_routes.py        # 路线地图
│       ├── plot_convergence.py   # 收敛曲线
│       ├── plot_results.py       # 实验结果柱状图
│       └── plot_rrd.py           # RRD 前后对比图
├── data/
│   └── synthetic/               # 生成的合成数据
├── results/
│   ├── tables/
│   ├── figures/
│   └── logs/
└── tests/                       # 可选: 关键逻辑单元测试

---

9. 分阶段实施计划

阶段 1: 基础可运行 (预计 2-3 天)

目标: 数据生成 + 两个 baseline 可运行

实现内容:
  1. data_generator.py      # 生成客户、路网、交通矩阵
  2. problem.py             # Solution 数据结构、约束检查
  3. cost.py               # Eq.1 成本计算
  4. schedule.py            # 时间传播
  5. static_vrptw.py        # Static-VRPTW greedy
  6. ta_greedy.py           # TA-VRPTW-Greedy

验收标准:
  - 能生成 47 客户、4 车、12 时段的完整数据集
  - Static-VRPTW 和 TA-Greedy 能输出可行路径
  - 能计算 Total Cost, OTDR, CES
  - 两个算法的 CES 差异体现交通感知效果

阶段 2: 核心算法复现 (预计 3-4 天)

目标: ALNS + T-ALNS 可运行，产消融表、收敛图

实现内容:
  1. operators_destroy.py   # 3 种 destroy 算子
  2. operators_repair.py    # 3 种 repair 算子 (含 Eq.16-17)
  3. acceptance.py          # SA 接受准则 (Eq.20-21)
  4. alns_base.py           # ALNS 主循环 (Algorithm 1)
  5. move_tabu.py           # 移动 Tabu (Eq.22-23, 32)
  6. solution_tabu.py       # 解 Tabu (Eq.24)
  7. frequency_memory.py    # 频率记忆 (Eq.25-26, 33)
  8. t_alns.py              # T-ALNS (Algorithm 2)

验收标准:
  - ALNS-Base 能运行 1000 代并输出最优解
  - T-ALNS 相比 ALNS-Base 有改善 (Total Cost ↓, OTDR ↑)
  - 不同 Tabu 模块可独立开关进行消融
  - 收敛曲线显示 T-ALNS 更快收敛

阶段 3: 实时调度增强 (预计 2-3 天)

目标: T-ALNS-RRD 可运行，产事件响应表

实现内容:
  1. event_generator.py     # 4 种事件检测 (Eq.35)
  2. candidate_actions.py   # 候选动作枚举 (含验证)
  3. rollout.py             # Rollout 仿真 (Eq.36-39)
  4. dispatch.py            # 复合决策 (Eq.40-42)
  5. t_alns_rrd.py          # T-ALNS-RRD (Algorithm 3)

验收标准:
  - 能模拟至少 Traffic Incident 和 Urgent Order
  - Rollout 能在 120s 内返回调度决策
  - 调度后 OTDR 相比不调度有所提升
  - 路线变化可视化 (before/after 对比)

阶段 4: 实验与可视化 (预计 2 天)

目标: 跑完全部实验，产出论文风格图表

实现内容:
  1. run_main_comparison.py
  2. run_ablation.py
  3. run_robustness.py
  4. run_sensitivity.py
  5. 6 张可视化图

验收标准:
  - 5 个实验全部可执行
  - 产出至少 5 张可放入 PPT 的图表
  - 表格数据保存在 results/tables/
  - 图保存在 results/figures/

---

10. 技术栈与依赖

Python 3.11
numpy          - 矩阵运算、随机数
pandas         - 数据管理、表格输出
matplotlib     - 可视化
networkx       - 路网建模 (Phase 2+ 可选)
pyyaml         - 配置文件
tqdm           - 进度条

---

11. 关键参数默认值 (论文参数)

参数	默认值	来源
λ₁ (lateness)	1.0	论文 Eq.1
λ₂ (congestion)	1.0	论文 Eq.1
θ (congestion scale)	1.0	论文 Eq.9
β (risk aversion)	0.3	论文 Eq.10
α (destroy ratio)	[0.1, 0.4]	论文 Eq.15
τ₀ (initial temp)	0.05 × Z(S⁰)	Algorithm 1
γ (cooling rate)	0.99975	Algorithm 1
ξ (reaction factor)	0.1	论文 Eq.19
τ_move (move tenure)	7	论文 Table 4
τ_sol (solution tenure)	15	论文 Table 4
μ (overlap threshold)	0.5	论文 Eq.23
δ_max (diversification)	0.7	论文 Eq.27
H_rollout	30-120 min	论文 Eq.43
N_sim	2-50	论文 Eq.44
ω₁, ω₂, ω₃ (composite)	0.4, 0.3, 0.3	论文 Eq.40

---

12. 风险与应对

风险	应对
完全图计算量过大 (47² = 2209 arcs × 12h × 3 params)	完全图可行，约 81000 条数据，numpy 可处理
ALNS 收敛慢	放宽 stall 条件，适当增加 max_iter
T-ALNS Tabu 逻辑复杂	先实现 Move Tabu Only，验证效果再加其他
RRD rollout 耗时	降低 H_rollout 到 30min，减少 N_sim 到 10
结果与论文差异大	这是合成数据复现，重点是趋势验证而非精确复刻

---

13. 复现声明模板

最终汇报时使用如下定位:

由于原文数据集需向作者合理请求，且目前尚未获得完整数据与代码，本项目采用与论文实验规模和数据结构相近的自定义合成数据集，复现其核心算法流程和对比实验框架。复现重点在于验证不同算法模块对总成本、准时率、拥堵暴露和实时扰动响应能力的相对影响，而非逐项复刻原文数值结果。本项目属于基于合成数据的算法机制复现 (methodological reproduction)。

---

14. 预估时间线

阶段	内容	预估时间
阶段 1	数据集 + 2 个 baseline	2-3 天
阶段 2	ALNS + T-ALNS	3-4 天
阶段 3	RRD 实时调度	2-3 天
阶段 4	实验跑全 + 可视化	2 天
总计		9-12 天