基于客户分类时间窗车辆路径问题多种群遗传算法.docVIP

基于客户分类时间窗车辆路径问题的多种群遗传算法 　　[摘要] 本文从顾客差异化的角度出发，利用聚类分析对客户分类，提出了基于客户分类时间窗约束的车辆配送路径数学模型，该模型克服了传统时间窗车辆配送模型对各个客户不加区分的不合理性。根据此模型，本文设计了多种群并行遗传算法进行求解。实验结果表明，该算法相对于标准遗传算法，有效地克服容易早熟收敛的缺点，其结果更加接近最优解。 　　[关键词] 客户分类 时间窗 车辆路径问题 多种群并行遗传算法 　　 　　一、引言 　　 　　车辆路径问题（VRP）是1959年由Dantzig GB等首次提出，它是个NP难问题，只有当客户和路段较少时，才能求得精确解。启发式算法成了求解该问题的重要方向，国内外学者已经提出了多种求解该问题的启发式算法，如禁忌搜索算法、节约算法、蚁群算法、模拟退火算法、神经网络算法以及混合启发式算法。但是这些算法都只能求出该问题的某一特殊类型或规模较小时的近似最优解或最优解。由于VRP问题的特殊性，利用遗传算法的搜索能力解决此类问题是很自然的想法。 　　可是传统的标准遗传算法有两个严重的缺点：容易早熟收敛以及在进化后期搜索效率较低。为此，本文提出一种改进的遗传算法――多种群并行遗传算法。在大多数情况下，相比较于单种群遗传算法，多种群遗传算法得以实现多种群的协同进化，具有更好的全局搜索能力，有效地避免了早熟收敛。 　　本文从顾客差异化的角度出发，利用聚类分析对客户进行分类，研究基于客户分类的时间窗约束的车辆配送路径问题，根据其特点，构造了求解该问题的数学模型，该模型克服了传统时间窗车辆配送模型对各个客户不加区分，进行同等处理的不合理性，并使用多种群的并行遗传算法进行计算。通过实验计算，证明了该算法的良好寻优性能。 　　 　　二、基于客户分类的带时间窗VRP问题的数学模型 　　 　　有时间窗的车辆路径问题描述为:一个配送中心，拥有一定数量容量为q的车辆，负责对N个客户进行货物配送工作，客户i的货物需求为gi，且giq。车辆必须在一定的时间范围[ETi，LTi]内到达，早于ETi到达将产生等待损失，迟于LTi到达将处以一定的惩罚，求使配送费用最小的车辆行驶路径。以d表示车辆在任务点处等待的单位时间的机会成本损失，以e表示车辆在要求的最迟时间之后到达单位时间所处以的罚值，则车辆在ETi之前到达点i发生的机会成本损失为d(ETi-ti)，在LTi之后到达点i必须支付的罚值为e(ti-Lti)。 　　在以上的做法中，处理时间约束时，对于所有的客户来说，都是同等处理，这显然不符合实际情况。不同的客户对于时间限制有不同的要求，而对于配送方来说，对于不同的客户，也应采取不同的配送优先级别。在这里，根据客户的订货量，货物对于客户的重要性，客户的业务需求拓展潜力等因素，利用聚类分析的方法将客户分成三类，第一类是优先客户，货物必须在规定的时间范围内到达，配送方如果违反规定，将很可能失去此客户或者支付极高的违约金;第二类是重要客户，他们的要求没有优先客户高，允许配送时间偶尔超出规定的时间范围；第三类是一般客户，他们对时间限制的要求相对是最低的。 　　根据以上的分类，分别对不同类别的客户调整时间窗的约束范围。对于第一类客户，必须严格遵守时间窗范围的约束;对于第二类客户，允许在原有时间窗范围的基础上，进行一定的调整（允许偶尔延迟若干小时）；对于第三类客户，则不考虑其时间约束。 　　设配送中心编码为0。客户编码为1，2，……，n。其中第一类客户的编码为1，2，……，h;第二类客户的编码为h+1，h+2，……m;第三类客户的编码为m+1，m+2，……，n。定义变量 　　 　　其中:s为车辆数目;n为客户数目;cij为车辆单位运距从i到j的运费;d和e为惩罚系数，第二类客户的时间窗约束允许在原来基础上分别调整u和v个小时；gi为客户i的货物需求量;q为车辆的容量:tij为连接客户i和客户j的行驶时间;ti为到达客户i处的时间;ETi为到达客户i处的规定最早到达时间;LTi为到达客户i处的规定最晚到达时间;wi为客户i处的服务时间。在上述模型中，式(2)表示目标函数;式(3)表示每辆车的配送量不超过其相应的容量约束;式(4)和(5)表示每个客户只能被一辆车服务一次;式(6)表示车辆从仓库出发并且最后回到仓库;式(7)表示车辆到达客户j的时间的计算公式;式(8)表示时间约束。 　　 　　三、求解带时间窗的VRP问题的多种群并行遗传算法 　　 　　由于标准遗传算法具有容易过早收敛以及在进化后期搜索效率较低的缺点，本文引入多种群并行遗传算法。其基本思想是：用多个子种群代替单一种群，每个子种群按一定的进化策略，遗传算子并行进化，用多个子种群代替原始种群在可行解空间进行搜索。不