人工免疫多目标进化算法在动态车辆路径优化中的应用.docVIP

人工免疫多目标进化算法在动态车辆路径优化中的应用 　　摘要：建立了动态车辆路径优化问题的数学模型，提出了一种基于聚集密度的人工免疫多目标进化算法。该算法首先计算群体中每个个体的聚集密度，再根据目标函数值和聚集密度定义一个偏序集，然后采用比例选择原则依次从偏序集中选择个体，更新精英集。实验结果表明，该算法是解决动态车辆路径问题的有效方法。 　　关键词关键词：动态车辆路径优化；多目标进化算法；人工免疫算法；聚集密度DVRP 　　中图分类号：TP311.5 　　文献标识码：A 文章编号文章编号2014）004002503 　　基金项目基金项目：安徽省教育厅自然科学基金项目（2012kb236） 　　作者简介作者简介：马春连（1988-），男，安徽理工大学理学院硕士研究生，研究方向为智能计算；许峰（1963-），男，安徽理工大学理学院教授，研究方向为波谱学、智能计算。 　　0 引言 　　车辆路径优化问题（vehicle routing problem，VRP）是一个具有多个约束条件的经典NP完全难题，是运筹学中的一个重要分支。VRP源于现实的公路交通运输，最早于1959年由著名学者Dantzig和Ramser提出。由于VRP在社会各个领域的广泛应用，使得国内外学者对该问题的研究更加深入，因此产生了求解该问题的各类智能优化算法，如遗传算法、免疫算法、蚁群算法等。 　　随着社会的不断进步，现实社会中不确定性的随机因素越来越多。先前确定性的静态车辆路径优化问题 　　（SVRP）的模型、算法理论和方法已经不能解决现实生活中各类动态信息需求的实时问题，因此需要建立一套新的与SVRP相对应的动态车辆路径优化问题（DVRP）的模型和算法理论体系。DVSP是20世纪80年代由Psaraftis首先提出的。本文提出了一种基于聚集密度的人工免疫算法来解决动态车辆路径优化问题。 　　1 动态车辆路径优化问题的数学模型 　　本文所研究的动态车辆路径优化问题可描述为：一个配送中心用K辆车对N个客户进行货物配送。每辆车的载重为q，客户i的需求量为gi（i=1，2，…，N），并且giq，在使用尽可能少的车辆前提下，求满足需求的所需路程最短的车辆行驶路径[3]。设配送中心的编号为0，客户编号为1，2，…，N。变量参数定义：O表示一个配送中心；N为服务的顾客数目；K为配送中心的车辆数；q表示车辆的最大负荷量；gi表示顾客点i的货物需求量（i=1，2，…，N），且giq；tij表示车辆从顾客i行驶到顾客j所需的时间（i，j=1，2，…，N）；cij表示顾客i与顾客j间的距离（i，j=1，2，…，N）；si表示顾客i到顾客j所需的费用；xijk表示在顾客点i的服务时间，i∈{1，2，…，N}。 　　xijk=10（1） 　　车辆k从顾客i行驶到顾客j；否则式（1）车辆到达顾客j的时间为： 　　tj=∑Ni=0∑Kk=1xijk（ti+tij+si），j∈1，2，…，N（2） 　　目标函数： 　　min∑Ni=0∑Nj=0∑kK=1dijxijk，min∑Ni=0∑Nj=0∑kK=1cijxijk，min∑Ni=0∑Kk=0xijk（3） 　　其中最少车辆数决定条件是： 　　min∑Nj=0∑Kk=1xijk=∑Ni=1qi/q，i=0（4） 　　约束条件为： 　　min∑Nj=0∑Nk=1xijk≤K i=0（5） 　　式（5）表示所有配送的车辆数不能超过配送中心的所有车辆数。 　　∑Nj=1xijk=∑NJ=1xijk≤1 i=0；K∈{1，2，…，k}（6） 　　式（6）表示车辆从配送中心出发，完成任务后再返回配送中心。 　　∑Nj=0∑Kk=1xijk=1 i∈{1，2，…，N}=0（7） 　　∑Ni=0∑Kk=1xijk=1 j∈{1，2，…，N}=0（8） 　　式（7）、（8）可以保证每个顾客得到一辆车的一次服务。 　　∑Ni=0gi∑Nj=0xijk≤q k∈{1，2，…，N}（9） 　　式（9）表示每辆车所有载重量不能超过车辆的最大荷载重量。 　　2 基于聚集密度的人工免疫多目标进化算法 　　算法流程如下：步骤1：给定最大迭代代数gmax，抗体群规模N，克隆规模R；初始化抗体群： 　　A（0）={a1（0），a2（0），…，aN（0）}∈IN；设定初始代数it=0。 　　步骤2：对抗体群A（it）实施免疫克隆操作：A′（it）=RPC（A（it））。 　　步骤3：对抗体群A′（it）以概率pm实施免疫基因操作：A″（it）=RCm（A′（it））。 　　步骤4：对抗体群A″（it）实施克隆选择操作：A（it）=RSC（A″（it））。 　　（1）对于A″（it）中的