平均最优信息粒子群算法在车辆调度中应用.docVIP

平均最优信息粒子群算法在车辆调度中应用 　　摘 要：针对标准粒子群算法在求解车辆调度问题中存在的易陷入局部最优、早熟等缺陷，从粒子群算法本身出发，引入粒子个体与群体的平均信息，提出一种基于平均最优信息的粒子群算法（AVGPSO），该算法利用粒子个体最优信息和全局最优信息的平均值来提高全局搜索能力。将该算法应用到车辆调度问题中，并与标准粒子群算法进行比较。实验结果表明，该算法在解决车辆调度问题中表现出了更优的性能，是解决车辆调度问题的有效方法。 关键词：车辆调度问题；粒子群算法；平均最优信息；组合优化 中图分类号：U116.2 文献标识码：A 车辆调度问题（Vehicle Routing Problem， VRP）是一个层次目标优化问题，最早由学者Dantzig和Ramser于1959年提 出[1]，自提出以来一直都是组合优化领域的热点和前沿问题。车辆调度问题是典型的NP-hard问题，当问题所涉及的规模很小时可采用精确算法进行求解，但随着问题规模的增大，精确算法的计算量呈指数增长，实际应用范围非常有限。因此，如何通过少量计算并以较快速度得到一个相对满意的解成为学者们研究的重点内容。在解决大规模VRP时通常采用启发式算法或现代优化算法，现阶段已有不少研究将启发式算法应用到车辆调度问题中，其中神经网络、模拟退火算法、蚁群算法以及遗传算法尤为居多[2-5]。但这些算法均存在一定的局限性，如遗传算法在寻优过程中早熟且收敛慢；禁忌搜索全局性差；模拟退火搜索速度慢等。因此寻求性能更优的启发式算法，对于解决VRP具有十分重要的意义。 粒子群优化算法（Particle Swarm Optimization，PSO）[6]是目前国内外研究的热点，它在大规模问题寻优过程中表现出比其他经典启发式算法更大的优势和可行性[7-8]。PSO算法虽具有自身优势，但在实际寻优过程中仍会出现陷入局部最优值，早熟停滞进化现象。针对这些不足，本文利用基于粒子个体最优值与全局最优值的均值信息，将平均粒子群算法（Average PSO，AVGPSO）应用到车辆调度问题中。通过仿真实验，验证了该算法的有效性，并与标准粒子群算法进行性能对比，实验结果表明改进的算法在解决车辆调度问题中表现出了更优的性能。 1 车辆调度问题描述 式（1-4）是容量约束，限制每条路线上的客户需求量之和不超过车辆的最大承载量； 式（1-5）表示每个客户需求点被访问一次并且只能被访问一次； 式（1-6）、（1-7）表示每个客户需求点的需求只能由一辆车完成； 式（1-8）表示所有配送车辆均从配送中心出发，最后返回到配送中心； 式（1-9）、（1-10）为变量取值约束。 2 粒子群优化算法及改进 2.1 标准粒子群算法 2.2 基于平均最优信息的粒子群算法（AVGPSO） 标准粒子群算法中，速度更新公式中的第二项和第三项分别利用了粒子的个体极值和全局极值。该算法虽然在解决车辆路径问题上已表现出较好的性能，但由于算法自身的粒子间信息共享机制可能会导致粒子在寻优过程中过分集中而易陷入局部最优值，从而过早地成熟收敛。文献[9]在标准粒子群算法的基础上引入了粒子个体极值的平均值，提出一种改进的粒子群优化算法，即在标准粒子 AVGPSO 算法过程如表2-1所示： 3 基于AVGPSO的车辆调度问题 3.1 构造粒子编码 车辆调度问题是组合优化问题，其编码方式和初始解的设定对问题的求解都有很大影响。本文根据文献[10]的编码思想，采用一种基于实数向量的编码方式，即在不增加维数的前提下，将车辆和车辆中客户的排序在编码中表示出来。对于有N个客户的VRP问题，粒子的状态由N维的实数向量X表示。对于向量的每一维，其整数部分表示客户所在的车辆，整数部分相同的，表示在同一辆车中；其小数部分表示客户在该车辆中配送的次序。假设有8个客户的VRP问题，需要的车辆数为3，采用该编码方式表示如下： 客户编号： 1 2 3 4 5 6 7 8 X ：2.1 3.09 1.51 1.34 1.21 1.76 3.35 3.17 按照上述描述的编码思想，先将X取整，整数部分相同的划为一个组，即得到如下三组：2.1，1.51，1.34，1.21，1.76，3.09，3.35，3.17。在得到的三组数中，按照小数部分的值从小到大进行排序，即有：2.1，1.21，1.34，1.51，1.76，3.09，3.17，3.35。将上述粒子的状态映射成对应的客户，即得到车辆的配送路径： 车辆1：0-5-4-3-6-0 车辆2：0-1-0 车辆3：0-2-8-7-0 在该编码方式中，粒子的维数与客户