遺傳算法求解帶時間窗的車輛路徑規劃問題

遺傳算法求解帶時間窗的車輛路徑規劃問題

1.遺傳算法

遺傳算法簡介

 

遺傳算法（Genetic Algorithm，簡稱GA）是一類借鑑生物界的進化規律（適者生存，優勝劣汰遺傳機制）演化而來的基於種羣的隨機化搜索方法。它是由美國的J.Holland教授1975年首先提出，其主要特色是直接對結構對象進行操做，不存在求導和函數連續性的限定；具備內在的隱並行性和更好的全局尋優能力；採用機率化的尋優方法，能自動獲取和指導優化的搜索空間，自適應地調整搜索方向，不須要肯定的規則。遺傳算法的這些性質，已被人們普遍地應用於組合優化、機器學習、信號處理、自適應控制和人工生命等領域。遺傳算法是現代智能計算中的關鍵技術之一。

遺傳算法基本思想

在現實生活中，生物的染色體經過基因控制了生物的性狀，而生物的性狀決定了生物在環境中的適應度，適應度高的生物，其基因更容易流傳下來，隨着時間的不斷流逝，整個種羣的適應度隨之提升。

遺傳算法和現實很是相似，首先將問題的解經過必定的方法，編碼到染色體中，經過適應度函數，獲得每一個個體的適應度，經過選擇，將適應度高的個體保留到下一代中，不斷迭代，便可得到滿意解。

遺傳算法流程

 

2.帶時間窗的車輛路徑規劃問題介紹

車輛路徑規劃問題介紹

車輛路徑規劃問題，通過60年來的研究與發展，研究的目標對象，限制條件等均有所變化，已經從最初的簡單車輛安排調度問題轉變爲複雜的系統問題。最初的車輛路徑規劃問題能夠描述爲：有一個起點和若干個客戶點,已知各點的地理位置和需求,在知足各類約束的條件下,如何規劃最優的路徑,使其能服務到每一個客戶點,最後返回起點。經過施加不一樣的約束條件，改變優化的目標，能夠衍生出不一樣種類的車輛路徑規劃問題。同時車輛路徑規劃問題屬於典型的NP-hard問題，其精確算法能求解的規模很小，故啓發式算法也就成了研究熱點。

VRPTW簡介

VRPTW(Vehicle routing problem with time windows)即帶時間窗的車輛路徑規劃問題，其對於每一需求點加入了時間窗的約束，即對於每個需求點，設定服務開始的最先時間和最晚時間，要求車輛在時間窗內開始服務顧客。

需求點的時窗限制能夠分爲兩種，一種是硬時間窗(Hard Time Window)，即要求車輛必須在時間窗內開始服務顧客，早到必須等待，遲到就拒收，另外一種是軟時間窗(Soft Time Window)，不必定要在時間窗內開始服務顧客，可是在時間窗外開始服務必需要懲罰，以懲罰代替等待與拒收是軟時間窗和硬時時間窗的最大的區別。

VRPTW的數學模型以下：

 

（2.2）保證了每一個顧客只被訪問1次

（2.3）保證了裝載的貨物不超過容量

（2.4）（2.5）（2.6）確保了每輛車從depot出發最後回到depot

（2.7）（2.8）確保在時間窗內開始服務

在乾貨 | 十分鐘掌握禁忌搜索算法求解帶時間窗的車輛路徑問題(附C++代碼和詳細代碼註釋)中詳解介紹瞭如何用禁忌搜索（Tabu Search）算法求解VRPTW。

3.算法具體實現

染色體設計

在論文：A simple and effective evolutionary algorithm for the

*vehicle routing problem *中，做者提出了在用GA解決VRP時的幾點注意事項，以下圖所示：

 

簡單來講染色體的設計能夠遵循如下兩點：

1. 使用和TSP問題中相似的染色體、編碼，沒有分隔符

   2. 使用split方法將染色體轉化爲問題的解

在使用GA求解VRPTW的過程當中，常見的問題就在於交叉後產生的大量不可行解，這裏採用分割的思想，一個染色體所存的解是split函數操做後所產生的最優分割。這樣所獲得的解都爲可行解，大大減小了無效搜索。

 

在全部分割裏，能最小化目標函數的即爲最優分割。其實這就是一個編碼和解碼的過程。

下面咱們來具體介紹一下這個split方法:

你們可能會以爲得到最優分割是一個很困難的事情，其實引入圖論的思想，利用Bellman-Ford算法，在O(n^2)內就能得到最優分割。

 

image

上面兩個圖展現瞭如何把原問題轉化爲一個圖論中的問題：

將每一個基因位設爲一個點，假如將i到j鏈接，其路徑知足容量約束和時間窗約束，則視爲從i到j存在一條權值爲路徑長度的邊。則最優分割即爲從染色體開頭的基因的點到結尾的基因的點的最短路。利用Bellman-Ford算法，可在O(n^2)中求出最優分割。

流程圖以下：

 

image

羣體多樣性

遺傳算法中常見的問題就是早熟，過早收斂。爲了不這種狀況的發生，就要保證子代個體中各個個體的不一樣。

如何判斷個體之間是否相同有不少算法，小編這裏採用經過適應度的不一樣來判斷的方法：

 

image

即兩個個體的適應度相差大於一個值，即視爲不一樣的個體。

crossover

crossover，即交叉操做，這裏使用實數編碼中經常使用的OX（Order Crossover）交叉算子。

OX 交叉算子的過程如圖：

 

image

1. 隨機選擇兩個點i,j，其中0<=i<=j<=N,N爲染色體長度。

2. 將親代P1從i到j的基因填入子代相同的位置。

3. 將親代P2的基因不重複地依次填入子代中。

交換p1,p2,便可產生兩個子代。

4

mutation

mutation，即突變操做，這裏簡單地隨機交換染色體中的兩個基因，過程以下圖：

 

image

5

selection

選擇的方法有不少，這裏使用二進制錦標賽選擇，每次從親代中選擇兩個個體進行比較，將適應度大的個體保留到親代中便可。

 

4.代碼

 

代碼由小編獨立完成，有不周到之處還請多指教！

分爲如下幾個類：

 

image

Chromosome類爲染色體類，提供了和Solution類的相互轉換，即編碼和解碼過程，Customer類儲存了具體的顧客，Conf類是參數的設定，Solution類儲存瞭解，GA_Stategy中實現了遺傳算法用的函數。

運行結果如圖：

 

image

參考文獻：

[1]Anderson E, Phillips C, Sicker D, et al. A simple and effective evolutionary algorithm for the vehicle routing problem. Computers & Operations Research, 2004, 31(12):1985-2002.**

[2]Solomon M M. Algorithms for the Vehicle Routing and Scheduling Problems with Time Window Constraints. Operations Research, 1987, 35(2):254-265.**

有問題歡迎交流：郵箱 1642940680@qq.com