应急场景下的车辆路径规划问题中,车辆在有限资源的情况下,同时满足客户优先级、实时规划、车载容量等约束,以合理的路径访问客户以使配送收益最大化,研究该问题可以有效的整合既有资源,减少人员和财物损失,对真实的应急情况具有理论指导意义。本文研究了应急场景下资源受限带有优先级的车辆路径问题和应急场景下不确定需求的实时路径规划问题。在第一类问题中,提出了一种指针神经网络框架,并采用遗传算法、差分进化算法进行对比以验证算法的有效性。首先分别在不同规模的实例下测试两类算法中各类参数的敏感性,之后以最优的参数配置在不同实例规模下生成的验证集上进行多次实验,比较三种算法的求解性能。在第二类问题中,基于第一类问题的基础继续考虑不确定需求的情况,以可变长度的任务和可变容量的车辆训练指针神经网络,并生成多种规模的验证数据集,在该数据集下与遗传算法进行对比,验证指针神经网络算法对于随机出现需求时的响应速度和求解结果的性能。在应急场景下的两类车辆路径问题中,本文提出的指针神经网络的求解时间远低于遗传算法和差分进化算法,对于随机出现需求时的响应速度更快,且在中大规模的实例下有更好的求解结果。因此,该方法可以在极短时间内为决策者提供高效的决策方案,对应急情况下的车辆规划具有重要意义,且为车辆路径问题的变种问题提供了新的解决思路。