基于聚类混合多目标遗传算法在车辆路径问题中应用.docVIP

基于聚类混合多目标遗传算法在车辆路径问题中应用 　　摘 要：建立了有时间窗口的车辆路径问题多目标优化模型，提出了一种基于聚类的混合多目标优化遗传算法。该算法采用并列选择方法，用擂台赛法则构造非支配集，并用聚类方法缩小非支配集，避免了求解非凸解的困难，提高了遗传算法搜索速度及避免了“早熟”等不足。实验结果表明，该算法为解决车辆数不确定的时间窗车辆路径问题提供了一个较为有效的求解方法。 　　 　　?? 　　关键词：车辆路径问题；多目标遗传算法；聚类方法；擂台赛法则?? 　　中图分类号：TP301.6 文献标识码：A 文章编号：1672-7800（2011）06-0042-03?お? 　　?? 　　 　　0 引言?? 　　 车辆路径优化问题（Vehicle Routing Problem VRP）最早是由 Dantzig提出的，是现代物流系统中关键的一环，也是运筹学中的一个重要分支，时间窗的车辆路径问题（Vehicle Routing Problem with Time Window, VRPTW）是由一般车辆路径问题演化而来，它是对简单车辆路径问题VRP 的进一步扩展，目前，国内外关于 VRPTW 的研究很多，如 Braysy O、KIT M、Joe、李军和朗茂祥等。本文提出一种基于聚类的遗传算法，采用AP法构造Pareto 解以及混合并行选择算子，从而克服了遗传算法搜索速度慢，局部搜索能力差以及“早熟”的先天性不足。?? 　　1 数学模型的建立?? 　　 VRPTW问题的描述：设配送中心有m辆车，车辆集合用V表示，V={k}，其中??k=1,2,…，m，??m为待定车辆数，车辆k的载重能力均为T；??顾客i的货物需求量为q\-i，q\-0=0；要为??n??个顾客服务，顾客集为Q={i}，i=0,1,…,n，i=0时为配送中心；从客户i到客户j的距离为d\-\{ij\}行驶时间为t\-\{ij\}；且顾客允许服务的时间窗口为\[a\-i,b\-i\]；设c\-\{ij\}为车辆k到达顾客i的时间，则c\-\{ij\}∈\[a\-i,b\-i\]。如何规划运输线路，使得分派的车辆数??m??最少，且总行车路程最短。?? 　　 　　 　　其中，式(2)表示要求总行车路程最短，式(3)表示要求车辆数最少，式(4)表示每个顾客被访问且只被访问1次，式 (5)表示车辆不能超载。式 (6)～(8)表示每辆车都从配送中心0出发，经过若干不重复的客户后，最后返回配送中心，式(9)表示若车辆k正在从顾客i到顾客j的途中，它不能先于时间c\-\{ik\}+t\-\{ij\}到达顾客j（K是个大系数），式(10)表示时间窗口。若在约束条件中，不包括对时间约束的式(9)和(10) ，或a\-i=0、b\-i=M(M为一大数)，则问题还原为??VRP。?? 　　2 构建VRPTW问题的多目标遗传算法?? 　　2.1 染色体编码及初始群体的构造?? 　　 本文染色体采用自然数编码方式。染色体中每一个基因代表着一个客户点，基因间的自然数顺序代表车辆到达客户点的顺序，即染色体??V={v\-i}(i=1,2,…,n)，v\-i表示染色体的基因，对应于第i个客户的编号。如V={4,3,1,5,2}就是一条染色体，染色体中没有路线分界点的基因位??。?? 　　 初始群体个体初始化时，为了得到可行个体并加快算法的收敛速度，先应用前向插入启发式算法(Push-Forward Insertion Heuristic，PFIH)生成一个好的可行个体，然后在此个体的邻域内生成部分个体。这些个体数占初始群体规模的十分之一，余下的十分之九的个体随机产生。?? 　　2.2 路径译码及适应度函数?? 　　 当路径编码时，考虑到VRPTW带有多个约束条件，致使随机产生的个体多为不可行个体，本文使用了一种基于贪婪构造的路径译码算子，即只需按序尽可能地将基因位表示的顾客点插入到路径中去。当一个点违背时间窗口或载重约束时，就开辟一条新的路径并将这个点插入到该路径中。 　　 　　 针对总行车路程和车辆数这两个目标，适应度函数分别是其对应的目标函数，如式(2)和式(3)所示。 ?? 　　2.3 混合并行遗传算法?? 　　 多目标优化问题的遗传算法的选择操作有并列选择法、排序选择法和共享函数法等多种方法，各种方法都有自己的优缺点。为了取长补短，本文采用一种混合并列选择法，其选择过程如下：①并列选择过程。按所求多目标优化问题的子目标函数的个数，将整个群体均等划分为一些子群体，各个子目标函数在相应的子群体中产生其下一代群体；②保留 Perato 最优个体过程。在每一代的过程中，对于各个子群体中的 Perato 最优个体，不让其参与个体的交叉和变异运算