RSB-CWS算法解决CVRP问题.doc

RSB-CWS算法解决CVRP问题摘要： RSB-CWS算法结合了蒙特卡洛模拟和CWS节省算法，利用蒙特卡洛模拟对CWS算法节省列表中顾客对间的边进行模拟，模拟过程中采用基于类几何分布的直接抽样方法进行路径采样。对模拟得到的边序列应用CWS算法，所得解的质量能达到或者优于当前最优解.与其他CVRP问题算法相比具有高效、高质量的特点，且可以解决规模较大的CVRP问题。 Abstract: RSB-CWS algorithm combined MCS with CWS was proposed for the capacitated vehicle routing problem, it employ MCS algorithm to simulate the edges between customers of CWS algorithm, during the simulation, a quasi-geometric distribution is used to do the edge sampling. Apply CWS algorithm on the new edge sequences and get equal or better solutions. Compared to other CVRP algorithms, RSB-CWS algorithm is more efficent and getting better solutions, at the same time, RSB-CWS algorithm can also solve larger CVRP problem easily. 关键词： 有容量约束的车辆路径问题；蒙特卡洛模拟；节省算法；路径模拟 Key words: Capacited Vehicle Routing Problem；Monte Carlo Simulation；Saving Algorithm；Route Simulation 中图分类号：TP18 文献标识码：A 文章编号：1006-4311（2012）20-0221-02 0 引言 有容量约束的车辆路径问题（Capacitated Vehicle Routing Problem, CVRP）于1959年提出[1，2]，是一个NP难问题，也是运筹学与组合优化领域的前沿问题，因其在物流配送及车辆调度领域的实用价值[3]，且其可用来测试新算法及新优化方法的性能，因此CVRP问题被广为研究。 目前解决CVRP的方法有精确方法、启发式算法、元启发式算法[3]。近年来以启发式算法为基础而设计的元启发式算法也很流行，节省算法（Clarke Wright’s Savings Algorithm, CWS）[4]可以得到良好的结果，常与其他启发式算法结合得到新的元启发式算法，本文提出基于路径模拟的CWS算法（Route Simulation Based CWS, RSB-CWS），使用基于类几何分布的蒙特卡洛模拟（Monte Carlo Simulation, MCS）算法对顾客对之间边的序列进行模拟，得到若干CWS节省序列，然后在这些序列之上应用CWS算法，从而得到不同的CVRP解。 1 RSB-CWS算法设计 1.1 CWS算法 CWS算法采用节省的原理，在CVRP解创建的过程中，初始情况下假设每位顾客由一辆只属于自己的车来服务，如果两位顾客的总需求不大于一辆车的容量约束，且顾客对i，j中只有一个已加入某条路径，同时这个已加入的点不是其所在路径上的内部节点（在一条路径中，如果一个结点和仓库结点不相邻，那么这个结点为这条路径上的内部节点），这时即可将i，j两个结点所在的两条路径合并，即两位顾客被同一辆车服务。相比路径合并前，能够带来路径总长度的节省[4]。可见某条边在节省列表中的位置决定了这条边所依附的两个顾客结点会加入哪条路径，以及这两点在相应路径中出现的顺序。 1.2 RSB-CWS路径模拟算法设计 CWS算法中的节省序列直接按照节省值降序排序，所得到的解是一个局部最优解。RSB-CWS算法则是结合MCS，对CWS算法节省序列中的边（即顾客对之间的路径）进行MCS模拟，在模拟过程中为每条边赋予一个被选择的概率，这个概率与其节省值相关联，节省值越大则这个概率越大。通过MCS算法对模拟产生的多个新的CWS节省序列重新计算得到多个CWS解，从而跳出原始CWS节省序列所得的局部最优解，去寻求全局最优解。 如上所述，在解创建过程中，每次都要从节省列表未被访问的边中选一条边，直到模拟得到一个完整的节省列表。一个类几何分布公式决定了当前选边步骤中每条边被选择的概率。在当前选边步骤中未被