基于混合粒子群算法车辆路径优化问题研究.docVIP

基于混合粒子群算法车辆路径优化问题研究 　　摘要：设计了一种引入了量子和遗传算法思想的粒子群算法，该算法结合了粒子群优化算法的快速寻优能力和量子算法可以同时处理多个目标的优点，避免了基本粒子群算法易陷入局部最优的缺点，提高了求解速度。该算法用于解决车辆路径问题，通过实验表明了这种算法具有较好的性能。 　　关键词：粒子群算法；量子；遗传算法；车辆路径问题 　　中图分类号：U116.2文献标识码：A 　　文章编号：1002-3100(2008)09-0026-04 　　Abstract: The proposed particle swarm optimization(PSO)algorithm combines the fast optimum search ability of original PSO with the virtue of disposing many objects at the same time of quanta algorithm. It can avoid trapping to local minima as compared with original PSO and improve the speed of solution. The proposed algorithm was applied to the vehicle routing problem. The experimental results of QPSO on vehicle routing problem show the efficiency of the new algorithm. 　　Key words: particle swarm optimization; quantum; genetic algorithm; vehicle routing problem 　　 　　0引言 　　 　　物流配送是物流企业日常生产中一个非常重要的环节，其效率高低直接影响物流企业的运作效益，同时也是电子商务活动不可缺少的内容。在配送管理中，经常需要决策的一个问题就是如何寻找一组费用最小的车辆径路，将货物配送到每个客户手中，也即所谓的车辆路线问题（Vehicle Routing Problem，VRP）。自1959 年由Dantzing 和Ramser 首次提出VRP 以来, 很快引起运筹学、应用数学、网络分析、图论及计算机应用等学科的专家与运输计划制定者和管理者的极大重视。因为配送路线是否合理，对加快配送速度、降低配送成本、提高服务质量及增加总体经济效益影响较大。因此，采用科学合理的方法确定配送线路是配送业务中一项非常重要的工作。 　　VRP一般定义为：对一系列发货点或收货点，组织适当的行车路线，使车辆有序地通过它们，在满足一定的约束条件（如货物需求量、发送量、交发货时间、车辆容量限制、行驶里程限制及时间限制等）下，达到一定的目标（如路程最短、费用最小、时间尽量少及使用车辆尽量少等）。配送路径安排是一个NP-hard问题，很难找到此问题的精确解，常用的一类启发式算法有：一般启发式算法、神经网络、遗传算法、禁忌搜索及模拟退火等智能化启发式算法。 　　粒子群优化算法是一种模拟鸟群飞行的群体智能算法，具有个体数目少，计算简便，容易实现等优点，在连续空间的优化上取得了非常好的效果，由于VRP问题是一个离散的问题，因此本文设计了一种混合粒子群算法，通过实验证明这种方法在解决VRP问题时有较好的效果。 　　 　　1VRP问题的数学模型 　　 　　VRP问题在现实中的一个物流系统可由这几部分组成：服务区、仓库、分布在服务区内的服务点。要把这样的一个经典的VRP问题抽象成一个数学模型，需要设定一些前提：只有一个仓库，所有车辆从这里装载货物出发，运送完货物返回仓库；所有的车辆的运输能力都是一样的；每一个服务点只能由一辆车提供服务。 　　设配送中心需向L个客户送货，每个客户的货物需求量是g，每辆车的载重量是q，cij表示从i点到j点的运输成本，其含义可以是距离、费用、时间等，设配送中心编码为0，客户编码为1,2,…,L，数学模型如下。 　　其中，目标式（1）保证了总成本Z 最小；式（2）为车辆的容量约束；式（3） 保证了每个客户点的运输任务仅由一辆车来完成，而所有的运输任务则由K 辆车共同完成；式（4）和式（5）保证每个客户能且只能被一辆车服务一次。 　　 　　2粒子群算法简介 　　 　　2.1基本的粒子群算法 　　粒子群算法采用的是速度一位置搜索模型。在PSO 系统中，每个备选解被称为一个粒子，多个粒子共存、合作寻优，每个粒子根据它自身的经验和相邻群体的最佳经验在问题空间向更好的位置飞行，直至搜索