1016带时间窗车辆路径问题的混合蚁群算法求解汇编.doc

带时间窗的配送车辆路径问题混合蚁群算法求解 摘要：带时间窗的物流配送车辆路径优化问题是一个非确定性多项式算法（nondeterministic polynomial，NP）难题，本文主要采用遗传算法与蚁群算法相结合，求解带时间窗的配送VRP问题，应用遗传算法算出若干组初始优化解，并将其转变为蚁群算法运行所需要的信息素，然后利用蚁群算法的正反馈性和收敛速度快的优势获得最优解，这样，发挥蚁群算法和遗传算法各自的优势，有效的改善遗传算法运行中出现的早熟收敛现象和蚁群算法运行初期搜索速度慢的缺陷，提高解决问题的能力。 关键词：配送车辆路径问题；时间窗； 混和蚁群算法 0 引言 车辆路径问题（Vehicles Routing Problems, VRP）由G. Dantzing和J. Ramser于1959年提出，随着我国现代流通机制的建立，是物流配送过程中的一个热点和难点问题，它可以简单的描述为：已知配送终端网络的终端客户数量和客户位置、客户需求、配送车辆的额定载荷，已知物流配送中心的位置，要求在满足约束的前提下制定出合理的配送路线，能够将客户所需的货物快速、经济、准时地送到客户手中，达到一定的目标，如运输路径最短、成本最低、作业时间最少，提高客户的满意度。从本质上来说，这是优化问题，也是决策问题。 带时间窗的车辆路径问题（Vehicles Routing Problem with Time Windows ，VRPTW）是VRP的扩展，它在VRP的基础上增加客户的时间窗口的约束，即对于每个客户配送服务，必须限制在一个时间范围。现实生活中的许多问题都可以归结为VRPTW问题来处理，例如，邮政投递、火车调度、公共汽车调度、电子商务中网上货物配送等。由于VRPTW是一个NP问题，目前，所有的研究成果主要集中在构造启发式算法上，如模拟退火算法、遗传算法、蚁群算法、粒子群算法等智能启发式算法。 1 带时间窗配送车辆路径问题描述及数学模型 VRPTW在VRP的基础之上加入时间窗，配送车辆需在客户要求的时间范围内将货物送达，否则客户可以拒收或者向配送公司索要早到或迟到惩罚VRPTW和软时间窗VRPTW，硬时间窗VRPTW指每一项都必须在规定要求的时间范围内完成，不满足时间窗约束时，为不可行解软时间窗VRPTW指如果某项任务不能在规定要求的时间范围内完成，则给辆配送车，每辆车的额定载货为；对个客户进行配送服务，其中每个客户的需求为， ；完成客户的配送服务需要的时间（装货或卸货）为，且配送服务必须在时间窗口完成，为任务允许的最早开始时间，为任务的允许最迟完成时间。若车辆在之前到达点，车辆等待，增加了时间成本；若车辆在之后到达点，配送服务被延迟，须支付一定的罚金成本，优化满足配送业务要求的运行成本最低的车辆行驶路径。设配送中心配送总量，为客户到的时间，且包含了等待的时间，表示客户到的运输成本，表示等待损失的单位机会成本，表示车辆在延迟到达客户的单位惩罚值，则带时间窗的车辆路径问题的数学模型为: （1） s.t. （2） （3） （4） （5） （6） 并且，有 （7） （8） （9） 模型中，式-1为目标函数；式-2～式9为具体约束条件，式-2式为对车辆额定载货的约束；式-3式为配送服务客户对配送服务唯一的约束；式-4、式-5为同一车辆多次经过同一客户节点的约束，保证所选择的路线能形成回路；式-6为时间窗约束；式-7、式-8为配送服务是否产生；式-9为配送服务到达客户的时间。 3 混合蚁群求解算法 本论文提出了一种混合蚁群算法Hybrid Ant Colony Optimization，HACO），对蚁群算 （1）遗传编码 染色体的编码是采用对客户节点序号进行从1到N的N个自然数表示，配送中心的编号用0表示，客户节点有N个，用数字0作为各个路线的分隔符，对满足条件的染色体段插入0。如有5个客户节点，G 1 2 3 4 5，当1 2 3客户和4 5客户可由一辆车配送且成本最小，则G变成G’ 0 1 2 3 0 4 5 0所表示的配送线路为： 线路1：配送中心→客户1→客户2→客户3→配送中心 线路2：配送中心→客户4→客户5→配送中心 随机产生N个客户点排列，根据车辆容量和各客户点需求量约束条件来控制配送中心0的插入，搜索一次就判断一次，直到所有客户点遍历完。由此就构成了一条染色体，然后重复几次，直到满足种群数目的要求为止。 当种群的规模确定以后，就要确定一个比较优秀的适应度函数来使遗传算法向更优方向进化，一个个体的适应度函数值越大，说明其性能就越好。每个染色体根据公式（4）计算目标函数值，记为。若染色体对应的解为不可行解，则将它的目标函数值设为一个非常大的数，就能在构造解的过程中把它舍弃，加快寻找可行解的速度。每个染色体的适应度值由下面公式进行计算