用途：面向Multi-Depot Vehicle Routing Problem（MDVRP）与多设施配送优化，在多个仓库/配送中心场景下，同时决定“仓库—客户”分配与车辆路径，以降低总配送成本。适用于需从多个仓库发货、希望平衡各仓库工作量或优化最大路径长度的调度问题。
主要能力：技能先做初始评估，涵盖仓库配置（数量、容量是否相同、是否允许任意仓库服务客户、偏好分配、仓库固定成本）、车队特征（是否绑定仓库、能否异库返程、同质或异质、车队规模）、客户要求（数量、需求与约束、仓库限制、服务时间）、优化目标（总距离、车辆数、工作量均衡、最长路径）以及问题规模判断。规模小于50客户且2-3仓库可用精确方法；50-200客户用高级启发式；200客户以上需元启发式。
方法内容：给出MDVRP的数学规划形式，包括集合、参数、决策变量x_{ijk}与y_{dk}、目标函数，以及客户唯一访问、车辆同仓库起止、流守恒、容量约束、每仓库最大车辆数、子回路消除与0-1变量等约束。提供两类实现思路：一是“先聚类、后路径”启发式，用KMeans按仓库位置聚类客户，再用Clarke-Wright节约算法在单仓库内合并路径；二是基于Google OR-Tools的求解，通过RoutingIndexManager设定各车起终点为所属仓库，注册距离与需求回调，添加容量维度与禁止仓库作为中间停靠点，使用PATH_CHEAPEST_ARC初始解与GUIDED_LOCAL_SEARCH元启发式并在时限内求解，同时可输出客户—仓库分配与路径可视化。
使用方式：需准备客户坐标、仓库坐标、客户需求、车辆容量、每仓库可用车辆数等输入，安装numpy、sklearn、ortools、matplotlib等依赖后调用相应函数；命令与代码以资料为准。
限制：资料未提供该技能的具体安装命令、收费方式与平台信息；实际求解效果取决于问题规模、时限与参数设置，精确方法仅适合小规模实例，大规模需依赖元启发式且不保证最优。