关联运输调度问题蚁群算法.docVIP

关联运输调度问题蚁群算法【摘要】提出了改进的蚁群算法来对关联物流运输调度问题（Related Vehicle Routing Problem）求解。为了克服蚁群算法易陷入局部最优的缺陷，自适应地改变算法的挥发因子，在保证收敛速度的前提下提高解的全局性，最终提高了算法性能。实例证明该改进算法有效地解决了关联物流运输调度问题。 【关键词】关联物流运输调度；蚁群算法；挥发因子；自适应 1.引言 车辆路径问题（Vehicle Routing Problem，VRP）最早由Dantzig，Fulkerson和Johnson于1959年提出。VRP问题是一个组合优化问题，而关联物流运输调度问题（Related Vehicle Routing Problem，RVRP）也是车辆路径问题的延伸，所以也属于NP-hard问题。近年来，遗传算法、模拟退火算法、粒子群算法、蚁群算法等现代启发式算法为VRP的求解提供了极大的便利。 蚁群算法[1-3]是解决VRP问题的一种有效的元启发式方法，其中改进的蚂蚁系统[4]有带精英策略的蚂蚁系统（Ant System with elitist strategy，ASelite）、基于优化排序蚂蚁系统（Rank-Based Version of Ant System，SArank）、蚁群系统（Ant Colony System，ACS）、最大-最小蚂蚁系统（Max-Min Ant System，MMAS）以及最优-最差蚂蚁系统（Best-Worst Ant System，BWAS）。蚁群算法[5]的提出，为解决路径规划问题提供了新的思路和解决方法，但是传统蚁群算法与其他进化算法同样存在易于陷入局部最优、早熟收敛等缺陷，为了提高蚁群算法的全局搜索能力，提高其收敛速度，该文提出了保留每代最优解，并自适应改变信息素挥发因子，从而克服传统蚁群算法的不足。 2.问题描述及数学模型的建立 2.1 问题描述 关联物流运输调度问题也是车辆路径问题的延伸，所以具有相似性。问题可以简单描述为，假设给定车场信息以及客户信息（位置和货物需求量等），货物之间的关联系数，车辆信息（载重约束、里程约束和容量约束等），要求合理安排车辆和运输路线，在满足所有客户需求的前提下，使配送成本最低。 2.2 数学模型 第个客户的货运量为（=1，2，…，），需要从车场将货物运到客户手中，有车场派出载重量为的货车若干，已知。 预先对需要车辆数进行估计。可以按照式（1）确定车辆数： （1） 式中，[ ]表示不大于括号内数字的最大整数；，是对装车（或卸车）的复杂程度及约束多少的估计。 以表示为从点到点的运输成本（距离、费用、时间等），=。假设客户，之间的距离为：。车场编号为0，客户为：（=1，2，…，）。关联系数为：，表示点处的货物与点处货物的关联系数。目标为使车辆的总运输距离最短。 定义变量如下： 建立数学模型 目标函数式（4）表示总运输距离最短，以表示从点到点的运输成本并用客户与之间的距离作为取值。（5）为车辆行驶距离约束，其中表示车辆行驶了客户到的路程，是车辆服务的客户数目，最大为。（6）和（7）表示两个变量之间的关系。（8）表示车辆服务客户后直接行驶到为其服务。（9）表示每个客户只能由1辆车来服务且每个客户都能得到服务。（10）表示每辆车所运送的货物重量不能超过车辆载重量的限制。（11）表示保证每辆车的客户总数小于等于总客户数目。（12）为关联系数的取值约束，当与的货物不可用同辆车配送时，应选择其他客户的货物。 3.一种自适应蚁群算法 3.1 基本蚁群算法 设为蚂蚁数量，表示与之间的距离，表示时刻在连线上残留的信息素强度。初始时刻，各路径上信息量相等，设（为常数）。蚂蚁在运动过程中，根据各条路径上信息量决定转移方向，表示时刻蚂蚁由位置转移到的概率，如式（13）所示。 （13） 其中为蚂蚁下一步可选择的城市。为能见度因数，常取。和分别反映了蚂蚁在运动过程中所积累的信息和启发信息在蚂蚁选择路径中的相对重要性，为信息启发式因子，为期望启发式因子。 过多残留信息素会引起残留信息素覆盖启发信息，所以在每只蚂蚁走完一步或者完成对所有城市的遍历之后，要对残留信息进行更新处理。时刻在路径上的信息量可按式（14）和（15）做调整。 为信息素挥发因子，，表示本次循环中信息素增量。表示第只蚂蚁在本次循环中留下的信息素，计算方法可以根据计算模型而定，本文采用最常用的蚁周模型，如式（16）所示。 式中表示信息素强度，会影响算法的收敛速度，过大会导致局部收敛，过小会影响收敛速度。表示在本次循环中所走路径的长度。 3.2 构造状态转移