基于带容量约束Memetic算法动态车辆调度问题研究.docVIP

基于带容量约束Memetic算法动态车辆调度问题研究 　　摘要：针对物流配送过程中带容量约束的动态车辆调度问题，提出一种Memetic算法，旨在最小化成本。Memetic算法中采用量子与遗传算法混合进行全局搜索，并根据搜索点目标函数变化率，设计了一种自适应量子旋转门更新方式，通过子代种群适应度变化确定量子旋转角大小与方向，明确了种群进化方向，扩展了全局搜索范围，引入了一种变异操作，使算法种群多样性得以保持，提高全局搜索宽度，采用2opt法结合swap法增强算法局部搜索能力。仿真实验验证了所提算法的有效性与优越性。 　　关键词关键词：动态车辆调度；Memetic算法；量子旋转门；全局搜索；局部搜索 　　DOIDOI：10.11907/rjdk.171984 　　中图分类号：TP319 　　文献标识码：A文章编号文章编号2017）011012904 　　0引言 　　车?v调度问题（Vehicle Scheduling Problem， VSP）是典型NPhard问题，由Dantzing与Ramser[1]于1959年提出。动态车辆调度问题是指调度中心在优化之前所有与之相关信息是随时间变化的。由于动态车辆路径问题（Dynamic Vehicle Routing Problem， DVRP）更贴近于实际生活，其模型及研究算法与静态车辆调度有很大区别，近些年引起许多专家学者青睐。 　　带容量约束的动态车辆调度问题（Capacitated Dynamic Vehicle Routing Problem，DCVRP）广泛存在于物流配送行业。例如，快递公司收发业务、出租车公司预约电话服务、外卖订取以及垃圾收集等，随时会有新客户需求或原有客户需求量变更的情况，这时配送中心需要根据配送车辆容量、运输成本以及行驶路程进行配送。另外，为尽快达到配送要求，需实时调整配送路线。这个过程就是典型带容量约束的动态车辆调度问题。其优化目标主要包括最短行车路程、最小配送成本、最快完成时间以及最少配送车辆等。由于DVRP本身模型复杂性及求解难度，在理论以及应用上都有很高研究价值。 　　目前，用于解决DVRP的主流智能优化算法主要包括遗传算法（GA）[23]、模拟退火算法[45]、蚁群算法（ACA）[78]、粒子群算法（PSO）[9]、量子进化算法[1013]等。使用智能算法求解组合优化问题，已成为智能计算领域研究热点。 　　Memetic算法（ Memetic Algorithm，MA）是近年来进化计算领域一种新兴算法，由Moscato与Norman等[14]在1992年正式提出，并成功应用于TSP求解问题。Memetic算法提出一种灵活框架，在这个框架下，采用不同搜索策略可构成不同Memetic算法。在Memetic算法框架内，进化算法（Evolutionary Algorithm，EA）算子被用于执行广域搜索，局域搜索（Local Search，LS）策略被用于对某些个体执行局部改善，使得算法能够在探索与开发能力之间保持较好平衡。Memetic算法非常适合求解静态优化问题，研究者现已在函数优化问题、组合优化问题、车间调度问题、物流与供应链、神经网络训练、模糊系统控制等领域取得了良好效果，但在动态车辆调度中应用还很少。鉴于Memetic算法具有很强自适应能力、灵活性、高效性、可移植、并行性、鲁棒性、收敛性等特点，在研究动态问题上有很大优势。所以根据不同模型特点在模因算法框架内设计合适的进化迭代策略与局部搜索，提出有效解决方案非常有意义。 　　本文全局优化算法选择量子遗传混合算法，作为一种新混合量子算法，没有遗传算法选择、交叉、变异等操作，而是通过与种群中相邻两代优秀个体进行对比，并依据变化率构造与更新调整策略，然后根据新调整策略产生新种群，从而引导算法搜索方向。相对于遗传算法等传统智能优化算法，能从更宏观角度对问题解空间进行搜索，具有较好全局搜索性能。其局部搜索是选择了针对单条线路优化的2opt法与针对多条线路优化的swap算法，对初始状态与实时状态进行优化。仿真实验与算法比较验证了算法有效性与优越性。 　　1DCVRP问题描述及数学模型 　　一个车场有K辆车对m名客户进行服务，每辆车最大载重量为Q，每个各户需求量为qi，客户间距离为cij。服务过程中，客户需求实时动态变化，表现为新客户出现及原有客户需求量变化。优化目标为最小配送成本。将问题分为2个阶段解决，即预优化阶段与实时优化阶段，针对阶段不同分别建立不同数学模型。决策变量如下： 　　swap法局部搜索：采用swap算法对2条线路进行改进。对当前解中2条不同路径中的1点相互交换。若交换后解值相较原来解更优，则以swap法形成的新路线为更优解，否则以原行车路线