多时间窗车辆路径问题的数学模型及算法.docVIP

多时间窗车辆路径问题的数学模型及算法 1引言 车辆路径问题(VRP)是Dantzig和Ramser于1959年首次提出的，1985年Savelsbergh证明了车辆路径问题是NP难问题，此后关于该问题的研究主要集中在两个方面，一是设计求解车辆路径问题各种近似算法，二是研究车辆路径问题的各种扩展情况及在实际中的应用。传统车辆路径问题的常用算法有:节约算法;扫描算法;禁忌搜索算法等[21。车辆路径问题的扩展情况则包括:带时窗限制的车辆路径问题(VRPTW);带车容量限制的车辆路径问题;需求不确定的车辆路径问题；道路信息不确定的车辆路径问题等。其中，带时间窗限制的车辆路径问题由于在实际中具有广泛应用而吸引了一大批学者进行研究，研究成果主要集中在求解带时间窗限制的车辆路径问题的各种算法上，其中包括:禁忌搜索算法％蚁群算法遗传算法[51,模拟退火算法^等。目前文献中研究的带时间窗限制的车辆路径问题大多数只考虑了单时间窗限制，对于带多时间窗的车辆路径问题(VRPMTW)的研究并不多17八本文在综合考虑车容量及行驶距离等限制的前提下，建立了多时间窗车辆路径问题的整数线性规划模型，并分别设计了求解该模型的精确算法及遗传算法。 2多时间窗车辆路径问题的数学模型 多时间窗车辆路径问题VRPMTW可描述为:一个配送中心拥有若干辆车，为n个客户提供配送服务，已知每个客户的需求量、每辆车的最大装载量及任意两个客户或配送中心之间的距离，每个客户均有多个互不重叠的服务时间窗。每辆车均从配送中心出发，为若干个客户提供配送服务，最后再回到配送中心。假设每个客户只能由一辆车提供配送服务，并且车辆必须在客户的某一个给定时间窗内到达并完成配送服务；每辆车为每个客户提供配送服务的时间(装卸货时间） 3求解多时间窗车辆路径问题的算法 3.1精确算法 利用求解整数线性规划问题的软件Lingo进行编程，可以得到问题的精确最优解。 3.2遗传算法 由于对于大规模问题，可以按照以下规则设计求解该问题的遗传算法。 (1)编码方法。采用自然数编码方法表示解的结构 (2)解码方法。由于在编码过程中省略了配送中心，在解码过程中，我们采用安排尽可能少的配送车辆依次为序列中的客户提供服务的思想进行解码。 (3)初始种群。设{1，2,…，n}为n个客户的序号，根据设定的种群规模M，随机产生M个1,2,…，n的全排列，形成初始种群。 (4)适应度函数。 (5)选择:采用轮盘赌法进行个体选择，优先选择适用度函数值较大的个体进人下一代。同时引人最佳保留方法，以保证遗传算法终止时得到的最后结果是历代出现过的适应度函数值最大的个体。 (6)交叉。采用部分匹配交叉法。在父代中随机生成两个交叉点，交换两个父代个体中交叉点之间的基因序列，并形成交叉映射关系，再按照交叉映射关系对其它位点的基因进行变换，得到两个新个体;不设置交叉率参数，而是在每代种群中,优先在不同的个体中进行交叉，以便扩大种群的多样性。 (7)变异:采用逆转变异方法，在选定的个体中随机产生两个逆转点,把两个逆转点之间的基因序列逆转，得到新的个体;不设置变异率参数，而是按照下列规则对交叉后的种群进行分析，决定是否对该种群的部分个体进行变异操作。 如果交叉后种群整体质量（可以用种群适用度平均值表示)优于交叉前(上代）的种群，则不进行变异操作’直接进入下一代。如果交叉后种群整体质量低于交叉前(上代)种群,则按顺序对适应度值没有超过交叉前种群适应度平均值的个体进行变异，若对某个个体进行变异后种群整体质量优于交叉前种群整体质量，则对该个体执行变异操作后直接进人下一代;如果对某个体变异若干次(本文设置次数为10)后其适应度值还是低于交叉前(上代)种群适应度的平均值，则淘汰该个体，并用交叉前(上代)的最优个体替换该个体;如果替换后种群总体质量还是不如交叉前(上一代），则对下一个适应度值低于交叉前(上代)种群适用度平均值的个体再进行变异,依次类推，直到变异后种群整体质量优于交叉前(上代）的种群,进人下一代。 (8)终止规则。采用一定的进化代数N作为终止规则。 4实例及求解 有一配送中心为10个客户提供货物配送服务。配送中心共有6辆同型号的车辆，每辆车的最大装载量均为Q=90t，每辆车的最长行驶距离均为D=200km,动用每辆车的固定成本均为50元，每辆车行驶每公里的成本均为20元，配送中心及各个需求点之间的距离，车辆在配送中心及各个需求点之间的行驶时间,各个需求点的需求量、服务时间及可利用的时间窗等均已知(本文略)。为了使总配送成本达到最少，需要安排多少辆车完成配送任务？每辆车的配送路径是什么？ 对于以上问题，本文首先用Lingo软件编写程序，求解整数线性规划模型，得到精确最优解，共需要动用3辆配送车。 5结论 本文研究了带车容量和行驶路程限制的多时间窗车辆