双层次车辆路径问题（Two-Echelon Vehicle Routing Problem,简称2E-VRP）是城市物流的研究热点。传统方法中的精确算法更多地适用于求解小规模问题,启发式算法受限于其终止条件的不确定性,求解效率有待提高。针对简单的组合优化问题,已有学者提出基于深度学习的直接求解方法,但双层次车辆路径问题存在复杂耦合约束,难以直接使用深度学习求解。为了提高求解效率,本文将双层车辆路径问题建模为多序列模型,研究模拟玩家决策求解问题,并提出基于决策数据建模的双层次车辆路径问题求解算法。本文中的主要研究工作和创新点如下:第一、本文研究求解双层次车辆路径问题的严肃游戏玩家决策模型与模拟方法。由于人机交互挖掘图中蕴含丰富的潜在启发式信息可用于求解2E-VRP,本文提出了一种模拟玩家决策的2E-VRP求解方法,通过严肃游戏的形式展示问题信息,实现人机交互求解双层次车辆路径问题;将双层次车辆路径问题重新建模为多序列模型,考虑玩家决策所考虑的潜在信息,以自动生成决策序列的方式实现了玩家决策的模拟。实验采用公开测试集,通过对比算法生成的解与游戏数据中决策序列的相似性,从统计意义上验证了所提出的算法能够模拟玩家决策求解双层次车辆路径问题。第二、本文研究基于学习优化的双层次车辆路径规划算法。该研究提出考虑当前客户节点状态的注意力层,实现选择服务中转站的方法,解决同层中的耦合约束冲突;将2E-VRP的中转站需求拆分交付问题建模为带约束的矩阵生成问题,利用拉格朗日乘子法将其转换为无约束连续优化问题。通过学习模拟玩家决策的2E-VRP算法的优化结果,提高了2E-VRP中两层之间的耦合约束冲突下的求解效率。在同类问题实例上,所提出的算法能够解决不同规模的实例。与对比算法相比较,在最优的情况下所求解的适应值的平均值差距在0.5%之内。本文提出了基于两种决策数据建模的双层次车辆路径问题求解算法,第一种是积累玩家求解2E-VRP的游戏数据以提取决策信息,设计算法模拟玩家决策来达到减少求解同类组合优化问题的算力消耗的目的;第二种是利用上述算法产生的数据进行深度学习训练,验证深度学习能够学习先进算法来求解同类组合优化问题的算力。本文以求解双层次车辆路径问题为案例,提供一种利用深度学习求解组合优化问题的新思路。