您的问题仍然几乎完全不清楚，但让我们做出一些猜测以取得一些进展。

最大的谜团是你的时间片：

• 你需要几个？随着更细化的时间，你会得到更多的未知数和更多的限制，并且复杂性会迅速增长。
• 当有人得到一辆车时，他们可能会用它去某个地方旅行，因此可能需要根据距离将司机分配给汽车以进行多个后续切片。这是您的描述中完全缺少的东西（所以我将忽略它）。

如前所述，您需要一个成本函数，即最小化的东西。甚至在此之前，您还需要定义变量。假设您需要二进制变量

x[t, c, e] 

这样x[t, c, e] = 1当在时间片t将汽车c分配给员工e时（否则为零）。现在，我们可以指定一些约束

• x[t, c, e] = 0对于每个t，当员工e不能开车时c
• 对于每个tand c，总和最多为 1（因为没有员工可以同时使用两辆汽车）x[t, c, e]e
• 对于每个tand e，总和最多为一（因为没有汽车可以同时使用两次）x[t, c, e]c

我可能错过了一些限制，但这没什么大不了的。我希望你有这个想法。

您的成本函数将是几个项的总和。

• 你写的关于优先级的内容我也不清楚，但你可以定义一个权重w[c, e]（或者可能只是w[c]），所以让总和w[c, e] * x[t, c, e]，t成为描述这些优先级的术语c。e
• 假设u[e]不给员工e汽车的成本。当员工在时间片没有汽车时，表达式y[t, e] = 1 - sum over all c of x[t, c, e]等于一。现在，相应的成本项可以表示为总和和。etu[e] * y[t, e]et

同样，可能还有更多。

到目前为止，我所描述的是您的问题的整数线性规划公式。将我的文本转换为 ILP 生成代码，获取 ILP 求解器，输入并运行它......

当您的问题很小时，您甚至可能获得最佳效果。否则，您将获得一些解决方案（这是有保证的）和最优的界限，因此您可以知道您可以改进多远。

这比任何启发式求解器（例如模拟退火）所能提供的要多。OTOH 使用一些启发式求解器可能会更快地得出一个好的解决方案。但这一切都无关紧要，除非你得到一个明确的问题定义。

我认为有不同的方法可以解决您提出的问题：1）它可以被视为可以通过线性规划设置解决的经典资源优化问题（强烈建议看一看，并非一切都需要 ML）。您可以在此处找到一些资源并在此处快速介绍 LP

线性规划 (LP) 是一种用于确定稀缺资源最佳分配的数学程序。LP 是一种已在几乎所有业务方面得到实际应用的程序，从广告到生产计划。运输、配送和总体生产计划问题是 LP 分析中最典型的对象。例如，在石油行业，一家大型石油公司的数据处理经理最近估计，公司 5% 到 10% 的计算机时间用于处理 LP 和类似 LP 的模型。

2) 使用深度 Q 学习网络设置为 ML 问题（可能有点矫枉过正），至少在我看来，设置更容易（可能）。可能有很多方法可以设置您的问题和环境。使用 DQN，您将为您的问题构建一个模拟环境，您可以在其中创建具有许可证要求的汽车列表（或字典）、员工及其许可证列表、另一个日程表，可以简单地声明 0 = 当时没有会议, 1 = 在那个时间开会（假设并非所有员工在所有时间都需要汽车，如果这不是真的，那么您甚至可以删除日程安排要求）。

所以 DQN 就是关于行动 -> 奖励优化。您输入一个状态，这可能是一系列变量，它会根据各自的评分旋转我们的一系列动作。对于状态列，您可以使用汽车可用性（例如每辆车一列），而操作可以是每个员工可能乘坐特定汽车的二维天气数组。您可以在环境模拟器中留下员工拥有正确许可证的天气逻辑检查。即，如果模型将员工派往错误的许可汽车，那么您可以返回负值作为惩罚作为奖励。对于正确的分配，奖励可以是分配给每个员工（固定或可变）的奖励减去汽车成本。

一旦经过训练，在发送到模型的任何给定状态下，它都应该输出一个 2D 矩阵，显示每个员工乘坐每辆车的得分。对于每辆车，您可以选择将获得最高分数的员工，因此只需 numpy 切片和切块即可。再一次，这是经过 10 分钟思考后的一个快速想法，所以要加一点盐。还有许多 DQN 风格（目标-Q、决斗-Q、经验回放、彩虹 DQN 等）

3) 使用上面的 DQN 结构，但将其简单地转化为 Q-learning 问题。动作集可以是相同的，但状态可以简单地按您的日程安排（1,2,3,4,5...）。您将大部分逻辑留给模拟环境，例如每个时期状态下的汽车可用性（例如在每个状态下，根据操作返回，您可以动态设置哪些汽车可用于下一个）。确保正确设置奖励和惩罚。在探索与利用之间建立良好的平衡，也许使用 epsilon-greedy 策略并让它运行。