青海农业网站建设公司,多语种网站建设方案,网站的留言功能,网站设计建设维护0 引言 国内外有关 #xff36;#xff32;#xff30;#xff33;#xff30;#xff24;的文献较多#xff0c;求解目标多以最小化车辆行驶距离为主#xff0c;但现实中可能存在由租赁费用产生的单次派出成本#xff0c;需要综合考 虑单次派车成本和配送路径成本。… 0 引言 国内外有关 的文献较多求解目标多以最小化车辆行驶距离为主但现实中可能存在由租赁费用产生的单次派出成本需要综合考 虑单次派车成本和配送路径成本。虽然少数文献增加了车辆数目方面的分析但缺乏对总配送成本、车辆数目、车辆行驶距离等多种目标的系统性分析。 历史成绩 等以 最 小 化 车 辆 行 驶 距 离为 目 标提出一种基于遗传算法的方法来求解并利用 标 准 数 据 集 部 分 算 例进行 验 证结 果 证 明 该 方 法 较 数 学 规 划 工 具 具有更好的稳定性。 等提出采用插入式启发式方法求解单个多个车场的带回程车辆路径问题并设计了包含 问题在内的类标准数据集。柳毅等提出采用改进人工鱼群算法求解相同目标问题并利用 标准数据集中的组算例进行仿真分析结果证明该算法虽然计算时间较长但寻优性能较文献的插入式启发式算法更加优越。彭春林等在求解问题时增加了派出车辆数目标但对算法的性能分析只针对 标准数据集中的两组算例算法验证缺乏普适性。龙 磊 等针 对 相同目标问题提出采用一种粗粒度并行遗传算法进 行求解并以 标准数据集中的组算例进行验证证明该算法在大部分实例上超过了已知最优解。 等以最小化车辆数目、最小化车辆行驶距离为目标提出采用一种基于局域迭代搜索的禁忌搜索算法进行求解并以多个标 准测试集进行了算法准确性和 有效性的验证。 等提出一种能自动调节禁忌长度的自适应禁忌搜索算法结果表明该算法性能在绝大部 分 算 例 上 优 于 文 献 的 禁 忌 搜 索 算 法。 等以最 小 化 总 配 送 成 本、最 小 化 车 辆数目、最小化车辆行驶距离为目标并考虑时间窗约束提出采用联合进化遗传算法进行求解结果表明该方法较基 本遗传算法和数学规划工具具有更好的寻优性能。 上述研究表明 问题的优化目标多以配送距离为主部分文献考虑了配送车辆数目几乎没有文献将配送距离、车辆数目及配送成本进行系统性分析求解算法大多集中在以经典 节约法为基础的启发式方法和以群体智能为基础 的 元 启 发 方 法。 遗 传 算 法 作为一种 鲁 棒 性 较 强 的 元 启 发 方 法在许多车辆路径与调度问题的求解应用中已被证明具有良好的优化性能。 在搜索处理后期容易出现两难窘境要么收敛速度较慢耗时长要么早熟收敛陷入局部最优因此必须在进化过程中改善种群的多样性和优良基因的遗传性以提高 算 法 整 体 搜 索 性 能。受 到 该 思 想的启发本文将包含多样性种群和高质量种群的双种群并行策略引入基本遗传算法提出一种自适 应 并 行 遗 传 算 法 求 解 包 含 多 种 目 标 的 问题并通过算例仿真和结果对比验证所提算法的可行性和有效性。 1. 问题描述 问题可以描述如下物流中心拥有一定数量的相同车辆车辆从配送中心出发在一定时间内完成确定数量客户集的送货与取货后返回物流中心。每个客户的送货与取货由同一车辆同时完成。要求合理安排车辆配送路线在派出车辆数目最小、车辆行驶距离最短的情况下实现总配送成本最小。 采用符号体系描述如下假设 物流中心共有 个客户采用 i , j i,j i,j 表示客户编号 ( … ) (…) (…)表示物流中心 为总配送成本 客户的送货量和取货量分别为 i , i _i,_i i​,i​ 客户之间的距 离 为 c i j c_{ij} cij​物 流 中 心 到 客 户 i i i 的 距 离 为 c o i c_{oi} coi​ 车辆单位距离行驶成本为 g g g单车指派成本为 f f f最大装载量为 Q Q Q 车辆总数为 K K K车辆 k ( … ) k(…) k(…)离开客户 i i i时车上载重量为 U i k U_{ik} Uik​车辆的最大行驶距离为 L L L。 自适应并行遗传算法 双种群并行策略 为解决 在搜索过程中出现的两难窘境本文提出一种包含多样性种群和高质量种群的双种群并行策略其中多样性种群以改善种群多样性为主要目的高质量种群以强化寻优能力为主要目的。双种群并行策略框架结构见图。该策略通过对双种群同时执行不同的遗传操作针对多样性种群执行多样性交叉变异操作、针对高质量种群执行自适应交叉变异操作并针对双种群中最优个体执行特殊变异和后优化的局域搜索使得算法在扩大搜索空间的同时能够进行深度搜索并保持优良基因的遗传性状从而有效避免陷入局部最优。扩大搜索空间--避免陷入局部最优 深度搜索优良基因---缓解耗时慢的特性 编码及解码 染色体结构为 个 之间互不重复的自然数排列 为客户总数以客户数而不包含车辆数进行编码该排列是一条以自然数 序 列 表 示 客 户 服 务 顺 序 的 无 分 段 大 路径。染色体解码 采用基于深度优先搜索的大路径分割 方 法考 虑 车 辆 装 载 能 力、最 大 行驶里程等约束。 种群初始化 由于初始解质量对遗传算法求解的速度和质量影响 较 大本 文 以 节 约 法 为 基 础设 计种基于双重需求的启发式种群初始化方法并采用大部分个体随机生成、部分优良个体采用种群初始化方法生成的方式得到初始种群 。随机产生方法遵循两条原则 1️⃣第一不允许产生相同个体 2️⃣第二随机产生个体与已产生个体的目标值之差应不小于某一数值Δ。 这里的部分个体随机生成一个是降低耗时量另一个扩大搜索空间呢。 基于双重需求的最低成本插入法 节约法 根 据 待 插 入 位 置 所 能 带 来 的 成本或距离节约值中的最大值来决定最佳插入位置。为降低车辆超载率并提 高车辆装载率客户服 务 排 序 须 考 虑 集 货 量 与 送 货 量之间的关系通常将具有较大配送需求、较小取货需求的客户提前安排或将具有较大取货需求、较小送货需求的客户延后安排。本文设计了一种基于双重需求的最低成本插入法简称 PDCW 法新的节约值根据取货量与送货量之间的关系对客户在不同插入点产生的空间效益差异影响进行定义其计算公式为 根据C-W节约法猜测 S i j S_{ij} Sij​的形成。 第一种路线仓库-节点i-仓库-节点j-仓库 c 0 i c i 0 c 0 j c j 0 2 c 0 i 2 c 0 j c_{0i}c_{i0}c_{0j}c_{j0}2c_{0i}2c_{0j} c0i​ci0​c0j​cj0​2c0i​2c0j​修改后的路线仓库-节点i-节点j-仓库 c 0 i c i j c j 0 c 0 i c i j c 0 j c_{0i}c_{ij}c_{j0}c_{0i}c_{ij}c_{0j} c0i​cij​cj0​c0i​cij​c0j​节约值为 S i j c 0 i c 0 j − c i j S_{ij}c_{0i}c_{0j}-c_{ij} Sij​c0i​c0j​−cij​ PDCW即在 S i j S_{ij} Sij​的基础上考虑 送货量( d i d_i di​)和取货量( q i q_i qi​)的差值其中 φ \varphi φ是影响因子即决定这个差值所占的影响。 基于双重需求的多参数最低成本插入法 法虽然考虑了客户需求量对改进节约值的不同影响但未考虑不同节点之间运输费率或运 输 距 离 对 节 约 值 的 权 重 影 响。等提出了一种改进 节约值的多参数最低成本插入准则插入点的成本节约值受到 插入点与其紧前、紧后节点之间成本或距离的权重影响。受此启发本文设计了一种基于双重需求的多参数最低成本插入法PDMPCW通过同时考虑客户需求量及新弧对节约值的影响程度来改进成本节约值。改进后的成本节约值计算公式为 与上一节不同的事 S i j ′ S_{ij} Sij′​的事MESTER节约值而不是CW节约值了。计算方法不同了。整体思想没有变。 MESTER节约值如何计算呢 MESTER启发式旨在通过计算插入一个节点顾客点到现有路径中的潜在成本节约来优化路径。 MESTER节约值 的计算是基于路径上节点之间的距离。具体地当你考虑将节点i插入到现有路径中的某个位置时你需要计算由于这次插入而产生的总距离变化。这涉及到考虑从当前路径上的某个节点j到节点i的距离以及从节点i到路径上下一个节点k的距离。 MESTER节约值的计算步骤如下 对于每个现有路径中的节点j计算从起点到j的总距离记作( D j D_j Dj​)。对于每个现有路径中的节点j计算从j到路径中下一个节点k的距离记作( d j k d_{jk} djk​)。计算将节点i插入到j和k之间或者作为路径的第一个或最后一个节点时的额外距离这将是( D j d j k − d j i − d i k D_j d_{jk} - d_{ji} - d_{ik} Dj​djk​−dji​−dik​)其中( d j i d_{ji} dji​)是从j到i的距离( d i k d_{ik} dik​)是从i到k的距离。找到所有可能插入位置中额外距离最小的那个这个最小的额外距离就是插入节点i时的MESTER节约值。对所有待插入的节点重复上述步骤并选择具有最大MESTER节约值的节点进行插入。 基于双重需求的多参数随机最低成本插入法 为了在搜索空间中产生多个较为分散且质量优良的初始染色体本文提出基于双重需求的多参数随机最低成本插入法PDMPRCW 法。该方法以 PDMPCW 法 为 基 础先 将 染 色 体 前 面个客户固定后 面 个 客 户 采 用 PDMPCW 法根据最大成本节约值准则插入。 的取值根据客户总 数 按 一 定 百 分 比 可 以 取 不 同 的 整 数值如 时 按… 进行向上 取 整将 分 别 得 到 固 定 前 、、、、、、个客户的条染色体。 适应度值 总配送成本 同时受到车辆派出数量和配送路径距离的影响。相比具有较低车辆派出数量的父代优良子代更容易从具有较短配送距离的父代染色体中遗传优良基因 。为有效避免早熟收敛并体现不同染色体的配送路径距离在整个种群中的影响本文采用配送路径距离在整个种群中的评级同时考虑种群大小的方式确定适应度值。适应度值的计算公式为 F i t V ( x ) P s − R a n k ( x ) (14) FitV(x)P_s-Rank(x) \quad \text{(14)} FitV(x)Ps​−Rank(x)(14) 其 中 F i t V ( x ) FitV(x) FitV(x)表 示 染 色 体 的 适 应 度 值 P s P_s Ps​表 示 种 群 大 小 表 示 染 色 体 的 配 送路 径 距 离 在 整 个 种 群 中 的 评 级即 配 送 路 径 距离 在 种 群 中 按 从 小 到 大 排 序 后 的 级 别。 如 染色 体 的 配 送 路 径 距 离 在 种 群 中 的 排 序 为 则 。 交叉操作 交叉操作是产生新个体并将优良基因遗传给子代 的 主 要 方 法是决定算法收敛性能的关键。针对多样性种群本文采用传统的部分匹配交叉方式partially mapped crossedPMX为大程度地提高种群多样性直接以父代染色体作为交叉对象。针对高质量种群本文采用边重组交叉算子和 片段交叉算子。 《遗传算法中几种交叉算子小结》 选择父代染色体起止位置(位置相同)交换这两组基因的位置 做冲突检测。因为proto-child 1中又两个1、2、9.获得最终结果 边重 组 交 叉 算 子 是 由 等提出的一种强化父代路径上边之间邻接关系遗传性状的个体交叉方式具有较好的基因继承特性。文献曾提出一种改进边重组交叉算子并将其用于求解 VRPSPD该算子采用概率方式选择邻接节点在强化子代遗传性状的同时保证了种群多样性。本文采用该改进边重组交叉算子以染色体解码后的路径集合为父体产生对应邻接表依次随机选择染色体中的客户节点从邻接表中选择其前继节点及或后继节点最终形成新的染色体。 由于两个交叉父体可能相同本文设 计 一 种PTL片段交叉使相同序列交叉后得到不同的新序列。不同于直接以染色体交叉 的 两 点 交叉PTL片段交叉以父体分割后的路径集合为交叉对象随机地选择属于某一路径的客户作为交叉片段交叉时将所选片段分别置于对方的前面消去与交叉片段相同的客户节点形成新的子代个体。具体交叉过程见图。 随机选择某一路经作为交叉片段(例如黄色片段) 交叉并将片段置于对方前面。(交叉后注意看到有重复的数字) 冲突检测消去相同客户。 变异操作 为扩大个体搜索空间并在其附近进行深度探索算法对染色体执行特殊变异。特殊变异包含两部分内容去除重插入变异、两点互换变异。特殊变异本质上是对个体进行局域深度搜索算法中主要用于高质量种群中的精英个体。 去除重插入变异是一种较大程度上的变异。变异时先将父代染色体解码后的路径集合去除部分客户然后 以Osman最 大 成 本 插 入 准 则 依次重新插入所去除客户后形成的子代染色体。 两点互换变异以染色体分割后的两条路径为父体分别随机选择一定数量的节点形成多个节点对针对各节点对以 Osman最 大 成 本 插 入 准 则 为依据进行交换最终选择具有最大成本节约值的节点对执行变异并形成子代个体。 Osman最大成本节约插入准则的基本思想是在构建车辆路径时选择能够产生最大成本节约的插入点。具体来说对于给定的一个路径和一个待插入的顾客点该准则计算将该顾客点插入到路径中每个可能位置所带来的成本节约并选择节约最大的位置进行插入。 这个准则的实现过程如下 1. 对于每个待插入的顾客点计算将其插入到路径中每个可能位置的成本节约。成本节约可以通过比较插入前后的路径总成本来计算。 2. 在所有可能的插入点中选择节约最大的位置进行插入。 3. 重复步骤1和2直到所有顾客点都被插入到路径中或达到其他终止条件如最大迭代次数、时间限制等。 选择操作 分级选择法是一种防止早熟收敛而设计的适应度值比例选择法。精英保留选择法将种群中最优个体保留直接进入下一代可以有效保证算法寻优性能。算法在两个种群中同时采用精英保留选择法和分级选择法确保在扩大搜索空间、加快搜索速度的同时提高全局搜索质量。 自适应策略 遗传算法搜 索 性 能 很 大 程 度 上 受 到 交 叉 概率和变异 概 率 的 影 响取 值 过 大 容 易 破 坏 群 体中的优良 模 式取 值 过 小 容 易 导 致 产 生 新 个 体的能力 变 差导 致 过 早 收 敛。本 文 采 用 一 种 自适应策略调整高 质 量 种 群 的 交 叉 概 率 和 变 异 概率以寻求 保 护 种 群 优 秀 性 状 得 以 遗 传 与 避 免早 熟 收 敛 两 者 之 间 的 平 衡其 交 叉 概 率 P c P_c Pc​ 和 变异概率 P m P_m Pm​分别为 为有效避免陷入局部最优通常 k 1 , k 3 k_1,k_3 k1​,k3​ 取 值 相 对 较 大 k 2 , k 4 k_2,k_4 k2​,k4​的取值根据实际情况确定。 算法整体流程 自适应并行遗传算法试图从搜索空间的广度及深度两个维度进行扩大搜索通过引入多样性种群和高质量种群的双种群并行策略并针对高质量种群中的个体进行自适应遗传操作以进一步提高高质量种群的寻优性能。算法流程框图见图详细步骤如下。 PDCW, PDMPCW, PDMPRCW, 随机生成—》插入的方法 初始化 种 群 参 数 、交 叉 概 率 、变 异 概率 、最大迭 代 次 数、全 局 极 值 连 续 未 更 新最大次数 采用节的种群初始化方法产生初始 种群种群数目为 将上述初始种群复制两个分别命名为多 样性种群 和高质量种群 令迭代次数 如果 迭 代 次 数 不 超 过 最 大 迭 代 次 数 或连续未更 新 次 数 不 超 过 最 大 次 数 执 行 以 下操作 ① 针对多样性种群 a. 计算种群的目标函数值、适应度值 b. 采用精英 保 留 策 略将 种 群 中 目 标 函 数 值最小的个体bestChromOne 保存并复制给高质量种群ChromTwo c. 对种群执行多样性交叉变异操作 交叉和两点互换变异 d. 更 新 多 样 性 种 群即 将 原 精 英 个 体加入交叉操作后的种群得到多样性种群子代此时该种群大小为 e. 计算多样 性 种 群 子 代 的 目 标 函 数 值、适 应度值 f. 采用分级 选 择 法从 新 种 群 中 选 择 个个体加 上 原 精 英 个 体bestChromOne形 成 新的多样性种群 ②针对高质量种群 计算种群的目标函数值、适应度值 采用精英 保 留 策 略将 种 群 中 目 标 函 数 值最小的个体 保存 对种群所 有 个 体 执 行 自 适 应 交 叉 操 作改进边重组交叉或 片段交叉 对交叉后的种群所有个体执行自适应两点互换变异操作 对两个种 群 的 原 精 英 个 体、 执行特殊变异 将经过步骤后得到的两个新精英个体加入经过步骤后得到的种群中得到高质量种群子代此时该种群大小为 计算高质量种群子代的目标函数值及适应度值找出目标函数值最小的精英 个 体更 新 采用分级选择法从高质量种群子代中选择个个体加上精英个体最终形成新的高质量种群。 ③对于两个种群中的精英个体、分别 执 行 特 殊 变 异 的 后 优 化 操作如果后 优 化 操 作 使 得 该 精 英 个 体 的 目 标 函数值进一步降低则 更 新 该 精 英 个 体否 则 不 更新。选择目标函数 值 较 小 的 精 英 个 体 作 为 全 局最优个体。 ④←转步骤①。 输出全局最优个体及其目标函数值以及 最优路径集合。 算例测试与比较 为验证算法寻优性能选取个算例 进 行 寻优测试。算 法 采 用 编 程 语 言实现微机运行环境为 主 频内存。 算例选取及参数设置 算例选取 参数设置 结果分析 算例分析 算例分析 算法性能分析 为进一步分析双种群并行策略、种群 初 始 化方法及自适应交叉变异操作对算法性能的影响选取算例中 作为对 比 分 析 对 象以 种 群大小为、最大迭代次数为、交叉概率为、变异 概 率 为 的 组 合 参 数独 立 运 算 次选取最优近似解进行分析。 采用双种群并行策略与采用单一种群时的对比情况见图。选取两种单一种群方式与双种群并行策略进行对比一种为舍弃多样性种群、保留高质量种群的单一种群方式另一种为包含小部分高质量个体、大部分多样性个体的单一种群方式图中分别采用 、 表示双种群并行策略采用 表示。由 图 可 见单 纯 采 用 高 质量种群可以获取比较好的初始解但在搜索过程中由于搜索空间变小很容易陷入局部最优包含部分高质量个体、大部分多样性个体的单一种群方式虽然扩大了搜索空间在一定程度上改善了种群多样性但仍然无法跳出局部最优。而双种群并行策略却能以较少的迭代次数取得更小的行驶距离说明本文提出的双种群并行策略在遗传算法求解 问题时不仅能有效帮助算法在有限迭代次数内进行广度与深度的同步探索而且能有效避免陷入局部最优最终以较短时间快速寻找到近似最优解。 采用节的种群初始化方法与不采用该方法时的 对 比 情 况 见 图。图 例、、 分别表示单独采用节、节和节中的初始化方法图例表示同时采用上述三种初始化方法。图例 表示不采用上述初 始化种群方法而以任意产生 条大路径序列方式对种群进行初始化。可见在情况下初始行 驶 距 离 较、要小 很 多但 比 、 要大一些这说明针对具有双重需求的 问题其初始解质量在单纯考虑客户需求量对插入节点节约值的影响时最差在增加考虑不同节点之间运输费率或运输距离对节约值权重影响、且不固定客户节点时最好而同时考虑种初始化方法仅处于中间状态。但是同时考虑种初始化方法在中后期收敛效果好行驶 距 离 更 小这说明初始化种群方法对本文算法求解 问题的性能具有较大影响良好的种群初始化方法能促使其收敛加快并保持良好寻优能力。 行驶距离通常指的是车辆从起始点出发按照特定的路径为客户提供服务并最终返回起始点所行驶的总距离。这个距离是优化目标之一因为减少行驶距离可以降低运输成本、提高服务效率。 在迭代过程中算法会根据某种策略如局部搜索、遗传算法、模拟退火等不断尝试寻找更好的路径。每次迭代后算法会计算当前路径的行驶距离并与之前的迭代结果进行比较。如果新的行驶距离比之前的更优即更小则接受这个新的路径作为当前最优解否则根据一定的概率或规则决定是否接受这个新的路径。 通过比较不同算法在迭代过程中行驶距离的变化可以评估它们的收敛性。如果某个算法在较少的迭代次数内就能达到一个较低的行驶距离并且这个距离在后续迭代中保持稳定或继续下降那么可以认为这个算法具有较好的收敛性。相反如果某个算法在迭代过程中行驶距离下降缓慢或波动较大那么可能需要更多的迭代次数才能达到一个较好的解这意味着该算法的收敛性可能较差。 通过比较不同算法在迭代过程中行驶距离的变化可以评估它们的收敛性。如果某个算法在较少的迭代次数内就能达到一个较低的行驶距离并且这个距离在后续迭代中保持稳定或继续下降那么可以认为这个算法具有较好的收敛性。相反如果某个算法在迭代过程中行驶距离下降缓慢或波动较大那么可能需要更多的迭代次数才能达到一个较好的解这意味着该算法的收敛性可能较差。 采用自适应交叉变异操作与交叉变异概率均恒定不变的对比情况见图图例分别为 、。由 图 可 见当 交 叉 变异概率恒定不变时算法收敛速度慢容易在阶段性收敛后产生停滞从而陷入局部最优而采用适应性变动的交叉变异操作能加快收敛速度提升收敛效果以较少的迭代次数搜索到更短的行驶距离。这说明本文提出的自适应交叉变异操作在遗传算法求解 问题时能提高进化早期的全局搜索能力以及进化后期的局部搜索能力 有效提高搜索质量。 结论 装卸一体化车辆路径问题是一类具有双重需求特征的复杂车辆路径问题因其决策目标、决策因素和限制条件较多等特征需要高求解性能的启发式方法或元启发算法。针对装卸一体化车辆路径问题本文建立了以总配送成本为优化目标的混合整数规划模型提出了求解装卸一体化车辆路径问题的自适应并行遗传算法。该算法采用种基于 的改进启发式算法产生初始种群并引入多样 性 种 群 和 高 质 量 种 群 的 双 种 群 并 行 策略同时采用保留精英及随着进化过程适应性改变交叉变异概率的自适应遗传操作实现搜索空间在广度和深度上的同步拓展。针对不同规模、不同 总 目 标分别基于两个算例进行仿真分析。仿真结果表明无论是单纯以总行驶距离为目标 的算例问题还是以总配送成本为总目标、以车辆数最少和总行驶距离最短为子目标的算例问题本文提出的自适应并行遗传算法都能以较快的收敛速度找到近似最优解且寻优性能强于已有的基于遗传算法的方法、插入式启发式算法、禁忌搜索 算 法 以 及 自 适 应 禁 忌 搜 索 算 法。由 此 可 见本文所提算法对具有较大车辆指派成本的物流配送和取货优化问题具有重要的指导意义同时对离散型组合优化问题的进一步研究也具有一 定的理论参考价值。