本發(fā)明涉及現(xiàn)代啟發(fā)式算法
技術(shù)領(lǐng)域：
，特別是涉及求解有時間窗的車輛路徑問題的優(yōu)化算法。
背景技術(shù)：
：有時間窗的車輛路徑問題(VehicleRoutingProblemsWithTimeWindows，VRPTW)是典型的組合優(yōu)化問題，廣泛存在于我們的日常生產(chǎn)生活中，如商場配貨、投遞員派送快遞、通信公司對線路節(jié)點(diǎn)巡檢以及飛機(jī)、火車、公交車調(diào)度等，然而VRPTW是NP-hard問題，想要精確求解十分不易。此類問題因其蘊(yùn)藏的巨大科研價值、經(jīng)濟(jì)價值和實(shí)際應(yīng)用價值而吸引著世界上眾多科學(xué)家投入畢生精力潛心研究。在VRPTW求解方法中，分枝界限法、割平面法、動態(tài)規(guī)劃法、網(wǎng)絡(luò)流法等精確式求解法隨著VRPTW問題客戶點(diǎn)數(shù)量增加會存在指數(shù)爆炸問題，已逐漸被淘汰。節(jié)約算法、插入算法、掃描算法、兩階段法等傳統(tǒng)啟發(fā)式算法因算法本身使用限制條件較多，尤其是當(dāng)客戶規(guī)模較大時算法效率急劇下降，也面臨諸多局限。當(dāng)前，VRPTW求解方法的研究主要轉(zhuǎn)到模擬退火算法、蟻群算法、遺傳算法、人工蜂群算法等現(xiàn)代啟發(fā)式算法上來，但上述原始型算法也各有不足，主要表現(xiàn)為：如初始解波動幅度較大、鄰域開采能力欠佳、后期收斂速度較慢、和容易陷入局部最優(yōu)解等。因此希望有一種求解有時間窗的車輛路徑問題的優(yōu)化算法可以克服或至少減輕現(xiàn)有技術(shù)的上述缺陷。技術(shù)實(shí)現(xiàn)要素：本發(fā)明的目的在于提供一種求解有時間窗的車輛路徑問題的優(yōu)化算法來克服現(xiàn)有技術(shù)中存在的上述問題。為實(shí)現(xiàn)上述目的，本發(fā)明提供一種求解有時間窗的車輛路徑問題的優(yōu)化算法，所述求解有時間窗的車輛路徑問題的優(yōu)化算法是對油料保障VRPTW實(shí)例進(jìn)行求解，所述油料保障VRPTW具體模型如下：minf(x)＝{∑i∑j∑kvi,jxj,j,∑j∑kx0,j,k}i,j∈Z,k∈K(1)約束條件公式為：∑i,j∈z∑k∈Kxi,j,k＝1(2)Σi=1Zqi≤Q---(3)]]>Σi=1Zx0,i,k=1---(4)]]>∑i,m∈Z∑k∈Kxi,m,k＝∑m,j∈z∑k∈Kxm,j,k(5)Σj=1Zxj,0,k=1---(6)]]>Eti≤Sei≤Lti(7)Eti≤Sli≤Lti(8)Etj,k≤Sli,k+ti,j,k+t0≤Ltj,k(9)Etj,k≤Slj,k≤Ltj,k(10)Lk100×23≤Qk---(11)]]>xi,j,k∈{0,1}；yi,k∈{0,1}i,j∈Z,k∈K(12)，上述各公式中符號的具體含義如下：其特征在于，所述油料保障VRPTW的求解步驟包括：⑴設(shè)定算法參數(shù)：種群大小coloneysize，工作蜂數(shù)量Ef(Employed)，跟隨蜂數(shù)量Ff(Follower)、局部最大搜索次數(shù)limit、全局最大迭代次數(shù)Maxcycles、每次程序運(yùn)行次數(shù)runtime、需加油的坦克數(shù)量tank-number、最多能使用的加油車數(shù)量vehicle-number、最少使用數(shù)量Min_Use_Vehicle_Num、加油車最大載重量max_load、車速speed和交叉概率cross_rate。后方油庫(車場)數(shù)量1和單車使用成本140為定值；⑵初始化種群，隨機(jī)排列客戶序列后插入加油車，生成coloneysize/2個初始解xi,j(i＝1,2,3，…，M；j＝1,2,3,…,N)，將其暫記為A，計(jì)算各初始解的fit(xn)值；⑶設(shè)置全局迭代次數(shù)cycle＝1；⑷設(shè)置局部搜索次數(shù)limit＝1；⑸將A進(jìn)行“動態(tài)交叉”操作，增加其種群多樣性，生成新的種群B；⑹工作蜂采用改進(jìn)后的動態(tài)鄰域搜索策略勘探種群B的鄰域，存優(yōu)汰劣，得到新解vn,j種群，將其暫記為C，計(jì)算C的fit(xn)值；⑺若解未得到優(yōu)化，令limit＝limit+1，搜索繼續(xù)；若解得到更新，則重置limit后繼續(xù)進(jìn)行鄰域搜索；⑻跟隨蜂根據(jù)改進(jìn)后的強(qiáng)制保留精英錦標(biāo)賽策略和“排序法”跟隨策略，對C進(jìn)行跟隨開采，同樣存優(yōu)汰劣；⑼若解未得到優(yōu)化，令limit＝limit+1，搜索繼續(xù)；若解得到更新，則重置limit后繼續(xù)進(jìn)行鄰域搜索；⑽第⑺步和第⑼步中的limit達(dá)到最大限制次數(shù)后，工作蜂拋棄局部最優(yōu)解轉(zhuǎn)換為偵察蜂，根據(jù)設(shè)定的公式再次隨機(jī)產(chǎn)生新解或根據(jù)改進(jìn)后的初始解策略生成新解，此時完成一次全局迭代，新解產(chǎn)生后重復(fù)第⑸步至第⑼步；⑾記錄當(dāng)前已知最優(yōu)解，令cycle＝cycle+1；⑿判斷全局搜索迭代次數(shù)cycle，如cycle＜Maxcycles，則算法繼續(xù)搜索；如cycle＞Maxcycles，算法終止迭代，記錄當(dāng)前最小值，minf(x)越小，意味著算法求解效果越好。優(yōu)選地，所述求解有時間窗的車輛路徑問題的優(yōu)化算法從保留蜂群“記憶效應(yīng)”角度出發(fā)，將達(dá)到最大limit限制次數(shù)后“隨機(jī)生成初始解”改為“選擇擬拋棄解的鄰域解予以替換”。優(yōu)選地，所述求解有時間窗的車輛路徑問題的優(yōu)化算法采用隨機(jī)選擇初始解子序列進(jìn)行倒置后互換、隨機(jī)倒置子序列、隨機(jī)插入子序列和隨機(jī)互換順置、倒置子序列四種方法相結(jié)合對鄰域搜索策略進(jìn)行優(yōu)化，并采用了動態(tài)鄰域搜索策略(DynamicNeighborhoodOperation)展開研究驗(yàn)證工作。優(yōu)選地，所述求解有時間窗的車輛路徑問題的優(yōu)化算法借鑒遺傳算法的“交叉”策略對初始種群進(jìn)行“交叉”操作，采用“動態(tài)交叉”策略對算法進(jìn)一步優(yōu)化。優(yōu)選地，所述求解有時間窗的車輛路徑問題的優(yōu)化算法在跟隨蜂跟隨策略上，分別采用了改進(jìn)后的強(qiáng)制保留精英錦標(biāo)賽策略跟隨和“排序法”跟隨策略進(jìn)一步優(yōu)化改進(jìn)算法。本發(fā)明將現(xiàn)代啟發(fā)式算法中的遺傳算法和人工蜂群算法有機(jī)融合起來并加以改進(jìn)，開發(fā)出一種改進(jìn)的人工蜂群算法用于求解VRPTW問題。附圖說明圖1是原始人工蜂群算法運(yùn)行20次求解油料保障VRPTW的最優(yōu)值及車輛路徑示意圖。圖2是改進(jìn)人工蜂群算法運(yùn)行20次求解油料保障VRPTW的最優(yōu)值及車輛路徑示意圖。圖3是原始人工蜂群算法和改進(jìn)人工蜂群算法求解油料保障VRPTW的收斂曲線對比圖。具體實(shí)施方式為使本發(fā)明實(shí)施的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行更加詳細(xì)的描述。在附圖中，自始至終相同或類似的標(biāo)號表示相同或類似的元件或具有相同或類似功能的元件。所描述的實(shí)施例是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。下面通過參考附圖描述的實(shí)施例是示例性的，旨在用于解釋本發(fā)明，而不能理解為對本發(fā)明的限制?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。下面結(jié)合附圖對本發(fā)明的實(shí)施例進(jìn)行詳細(xì)說明。在本發(fā)明一寬泛實(shí)施例中：求解有時間窗的車輛路徑問題的優(yōu)化算法，所述求解有時間窗的車輛路徑問題的優(yōu)化算法是對油料保障VRPTW實(shí)例進(jìn)行求解，所述油料保障VRPTW具體模型如下：minf(x)＝{∑i∑j∑kvi,jxi,j,∑j∑kx0,j,k}i,j∈Z,k∈K(1)約束條件公式為：∑i,j∈Z∑k∈Kxi,j,k＝1(2)Σi=1Zqi≤Q---(3)]]>Σi=1Zx0,i,k=1---(4)]]>∑i,m∈Z∑k∈Kxi,m,k＝∑m,j∈Z∑k∈Kxm,j,k(5)Σj=1Zxj,0,k=1---(6)]]>Eti≤Sei≤Lti(7)Eti≤Sli≤Lti(8)Etj,k≤Sli,k+ti,j,k+t0≤Ltj,k(9)Etj,k≤Slj,k≤Ltj,k(10)Lk100×23≤Qk---(11)]]>xi,j,k∈{0,1}；yi,k∈{0,1}i,j∈Z,k∈K(12)，上述各公式中符號的具體含義如下：其特征在于，所述油料保障VRPTW的求解步驟包括：⑴設(shè)定算法參數(shù)：種群大小coloneysize，工作蜂數(shù)量Ef(Employed)，跟隨蜂數(shù)量Ff(Follower)、局部最大搜索次數(shù)limit、全局最大迭代次數(shù)Maxcycles、每次程序運(yùn)行次數(shù)runtime、需加油的坦克數(shù)量tank-number、最多能使用的加油車數(shù)量vehicle-number、最少使用數(shù)量Min_Use_Vehicle_Num、加油車最大載重量max_load、車速speed和交叉概率cross_rate。后方油庫(車場)數(shù)量1和單車使用成本140為定值；⑵初始化種群，隨機(jī)排列客戶序列后插入加油車，生成coloneysize/2個初始解xi,j(i＝1,2,3，…，M；j＝1,2,3,…,N)，將其暫記為A，計(jì)算各初始解的fit(xn)值；⑶設(shè)置全局迭代次數(shù)cycle＝1；⑷設(shè)置局部搜索次數(shù)limit＝1；⑸將A進(jìn)行“動態(tài)交叉”操作，增加其種群多樣性，生成新的種群B；⑹工作蜂采用改進(jìn)后的動態(tài)鄰域搜索策略勘探種群B的鄰域，存優(yōu)汰劣，得到新解vn,j種群，將其暫記為C，計(jì)算C的fit(xn)值；⑺若解未得到優(yōu)化，令limit＝limit+1，搜索繼續(xù)；若解得到更新，則重置limit后繼續(xù)進(jìn)行鄰域搜索；⑻跟隨蜂根據(jù)改進(jìn)后的強(qiáng)制保留精英錦標(biāo)賽策略和“排序法”跟隨策略，對C進(jìn)行跟隨開采，同樣存優(yōu)汰劣；⑼若解未得到優(yōu)化，令limit＝limit+1，搜索繼續(xù)；若解得到更新，則重置limit后繼續(xù)進(jìn)行鄰域搜索；⑽第⑺步和第⑼步中的limit達(dá)到最大限制次數(shù)后，工作蜂拋棄局部最優(yōu)解轉(zhuǎn)換為偵察蜂，根據(jù)設(shè)定的公式再次隨機(jī)產(chǎn)生新解或根據(jù)改進(jìn)后的初始解策略生成新解，此時完成一次全局迭代，新解產(chǎn)生后重復(fù)第⑸步至第⑼步；⑾記錄當(dāng)前已知最優(yōu)解，令cycle＝cycle+1；⑿判斷全局搜索迭代次數(shù)cycle，如cycle＜Maxcycles，則算法繼續(xù)搜索；如cycle＞Maxcycles，算法終止迭代，記錄當(dāng)前最小值，minf(x)越小，意味著算法求解效果越好。如圖1-2所示，采用改進(jìn)的人工蜂群算法求解油料保障VRPTW，以各運(yùn)行20次計(jì)算，其相較于改進(jìn)前的人工蜂群算法，最小值Min由1.26312e+006降到925228(見附圖2)，減小了26.75％，平均值Mean由5.60187e+014降為940885；用于執(zhí)行保障任務(wù)的加油車由5臺減少為3臺。原始人工蜂群算法具體車輛路徑分別為：車輛1：18—12—7車輛2：16—15—13—20車輛3：6—1—19—10車輛4：9—2—14—5車輛5：8—11—4—17—3改進(jìn)人工蜂群算法具體車輛路徑分別為：車輛1：11—4—6—18—5—17—14車輛2：9—3—16—20—7—19—1—10車輛3：8—15—2—12—13如圖3所示，原始人工蜂群算法收斂曲線和改進(jìn)人工蜂群算法收斂曲線的對比顯示說明改進(jìn)的人工蜂群算法實(shí)用、有效。所述求解有時間窗的車輛路徑問題的優(yōu)化算法使用正整數(shù)和0編碼生成初始解；從保留蜂群“記憶效應(yīng)”角度出發(fā)，將達(dá)到最大limit限制次數(shù)后“隨機(jī)生成初始解”改為“選擇擬拋棄解的鄰域解予以替換”；采用隨機(jī)選擇初始解子序列進(jìn)行倒置后互換、隨機(jī)倒置子序列、隨機(jī)插入子序列和隨機(jī)互換順置、倒置子序列四種方法相結(jié)合對鄰域搜索策略進(jìn)行優(yōu)化，并按照公式：S＝(tank_number+vehicle_number)*((maxcycles-2*cycle/3)/maxcycles)采用動態(tài)鄰域搜索策略(DynamicNeighborhoodOperation)展開研究驗(yàn)證；其中，S為可變鄰域搜索空間的范圍；采用遺傳算法的“交叉”策略對初始種群進(jìn)行“交叉”操作，并依據(jù)公式cross_rate=1.0×cos(π2×cyclemaxcycles)cross_rate>0.50.5cross_rate≤0.5]]>采用“動態(tài)交叉”策略對算法進(jìn)一步優(yōu)化，有效增大了算法的種群多樣性，避免了算法落入“極值陷阱”，其中，cross_rate為交叉概率；在跟隨蜂跟隨策略上，分別采用改進(jìn)后的強(qiáng)制保留精英錦標(biāo)賽策略跟隨(將工作蜂開采出來的一組解A進(jìn)行隨機(jī)排列，而后在其中抽取三個解，選擇三個解中適應(yīng)度值最高的一個予以保留。循環(huán)往復(fù)，直至將保留下來的較優(yōu)解組成一個新的種群B。最后用種群A中適應(yīng)度值最好的解替換掉種群B中適應(yīng)度值最差的解，此時的B就是將要投入到算法循環(huán)尋優(yōu)中的解種群)和采用“排序法”跟隨(將工作蜂開采出來的解A按照適應(yīng)度值從高到低依次排序后，取其質(zhì)量較高的前50％進(jìn)行復(fù)制，重構(gòu)成新的種群B，而后把B投入到算法尋優(yōu)循環(huán)當(dāng)中求取最優(yōu)解)兩種不同的跟隨策略。最后需要指出的是：以上實(shí)施例僅用以說明本發(fā)明的技術(shù)方案，而非對其限制。盡管參照前述實(shí)施例對本發(fā)明進(jìn)行了詳細(xì)的說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：其依然可以對前述各實(shí)施例所記載的技術(shù)方案進(jìn)行修改，或者對其中部分技術(shù)特征進(jìn)行等同替換；而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實(shí)施例技術(shù)方案的精神和范圍。當(dāng)前第1頁1 2 3