正文
2017 年 12 月，成立出行事业部。（与外卖的组织层级相同）
近期，准备在七个城市试运营。
滴滴反击，2017 年底，招募外卖骑手，并选南京为首站。
第一层解剖
将外卖、打车“解剖”到技术层面，你会发现，其实它们在解决同一类问题。
下图来自 Uber 的技术博客：
eng.uber.com
改变对象与目标，外卖也可套用：
这实则是一个旅行推销员问题（TSP）：
-
给定一系列城市，以及每对城市间的距离，
-
为一个旅行推销员做决策优化，
-
求解他访问每座城市一次并回到起始城市的最短回路。
当然，在外卖、打车的实际场景中，决策优化问题比 TSP 复杂百倍。
以外卖为例：
-
算法指派时，未来订单信息不确定。如，决策前，没有 TSP 的确定“城市”点，美团须用机器学习研究闲时运力调度。
-
每笔订单有一定数量骑手备选，同时，骑手身上还有若干订单正在配送。实则是为动态的多个对象做决策。
-
每笔订单有预计到达时间（ETA）、商户出餐速度等多条件约束，不能只考虑最短回路。ETA、预估出餐时间，同在机器学习的研究范围内。
-
另外，还需考虑特殊情况，如，空闲时将订单派给不熟练的骑手锻炼，火锅订单只给特定骑手，订单改派等。
所以，在外卖里，简化的 TSP 会升级为带有若干复杂约束的 DVRP 问题（Dynamic Vehicle Routing Problem），如下图所示：
tech.meituan.com
用数学方法优化决策问题，一般包括三要素：决策变量（做什么决策），约束条件（决策的限制因素），优化目标。
美团的外卖模型可简化为：
根据官方信息制作
略加修改，你会发现，它也可用于打车平台：
所以，当阅读美团和 Uber 的技术博客时，你会发现他们在目标描述上的惊人相似：
