交通运输系统管理02.pptVIP

基本PSO算法(续) 粒子群初始位置和速度随机产生，然后按公式(1)(2)进行迭代，直至找到满意的解。目前，常用的粒子群算法将全体粒子群(Global)分成若干个有部分粒子重叠的相邻子群，每个粒子根据子群(Local)内历史最优Pl调整位置，即公式(2)中Pgd换为Pld。 Particle Swarm研究热点 IEEE TRANSACTION ON EVOLUTIONARY COMPUTION于2004年出版了第3卷：SPECIAL ISSUE ON PSO。Russell C.Eberhart, Yuhui Shi在卷首语中指出了当前PSO研究的几个主要方向及热点： 1。算法分析； 2。粒子群拓扑结构； 3。参数选择与优化； 4。与其他演化计算的融合； 5。应用。 车辆路径问题 车辆路径问题(Vehicle Routing Problem，VRP)由Dantzig和Ramser于1959年首次提出的，它是指对一系列发货点(或收货点)，组成适当的行车路径，使车辆有序地通过它们，在满足一定约束条件的情况下，达到一定的目标(诸如路程最短、费用最小，耗费时间尽量少等)，属于完全NP问题，在运筹、计算机、物流、管理等学科均有重要意义。 带时间窗车辆路径问题 带时间窗的车辆路径问题(Vehicle Routing Problem with Time Windows, VRPTW)是在VRP问题上加了客户要求访问的时间窗口。 许多问题都可以归结为VRPTW问题来处理(如邮政投递、火车及公共汽车的调度等)，所以对它的研究越来越受到人们的重视。先后出现了一般启发式算法和神经网络、遗传算法、禁忌搜索和模拟退火等现代启发式算法。 带时间窗车辆路径问题（续） 时间窗车辆路径问题一般描述为： （1）有一个中心仓库，拥有K辆车，有L个发货点运输任务需要完成。 （2）第k辆车的最大载重量为qk (k=1,..,K)； （4）第i个发货点的货运量为gi (i=1,…,L)，( max(gi)≤max(qi) )， （5）完成发货点i任务需要的时间(装贷或卸货)表示为Ti，且任务i必须在时间窗口[ETi , LTi]完成，其中ETi为任务i的允许最早开始时间，LTi为任务i的允许最迟开始时间。如果车辆到达发货点i的时间早于ETi，则车辆需在i处等待；如果车辆到达时间晚于LTi，任务i将被延迟进行。 （6）求满足货运要求的运行费用最少的车辆行驶线路。 VRPTW的整数规划描述： VRPTW模型的退化 这个模型通用性很强，经过参数的不同设定，可以将其转换为其他组合优化问题的数学模型： （1）若(1)中ETi=0, LTi→∞，则VRPTW模型就变成了普通的VRP模型； （2）若仅有一个车辆被利用，则该问题就变成了TSP问题； （3）若去掉约束(2)，则变成了m－TSPTW问题。 带时间窗车辆路径问题（续） 如何找到一个合适的表达方法，使粒子与解解向量对应，是实现算法的关键问题之一。构造一个2L维的空间对应有L个发货点任务的VRP问题，每个发货点任务对应两维：完成该任务车辆的编号k，该任务在k车行驶路径中的次序r。为表达和计算方便，将每个粒子对应的2L维向量X分成两个L维向量：Xv (表示各任务对应的车辆)和Xr(表示各任务在对应的车辆路径中的执行次序)。 例如，设VRP问题中发货点任务数为7，车辆数为3，若某粒子的位置向量X为： 发货点任务号: 1 2 3 4 5 6 7 Xv ： 1 2 2 2 2 3 3 Xr ： 1 4 3 1 2 2 1 则该粒子对应解路径为： 车1：0 ? 1 ? 0 车2：0 ? 4 ?5 ? 3? 2? 0 车3：0 ? 7? 6? 0 粒子速度向量V与之对应表示为Vv和Vr。 该表示方法的最大优点是使每个发货点都得到车辆的配送服务，并限制每个发货点的需求仅能由某一车辆来完成，使解的可行化过程计算大大减少。 虽然该表示方法的维数较高，但由于PSO算法在多维寻优问题有着非常好的特性，维数的增加并未增加计算的复杂性，这一点在实验结果中可以看到。 VRP问题为0-1整数规划问题，因此在PSO算法实现过程中要作相应修改。具体实现步骤如下： Step1：初始化粒子群。 1.1 粒子群划分成若干个两两相互重叠的相邻子群； 1.2 每个粒子位置向量Xv的每一维随机取1～K（车辆数）之间的整数，Xr的每一维随机取1～L(发货点任务数)之间的实数； 1.3 每个速度向量Vv的每一维随机取-(K-1