车辆路径问题的混合遗传粒子群算法.pdf

车辆路径问题的混合遗传—粒子群算法 ——HFUT 论文翻译作业 摘要：通常的遗传算法，具体的解并不在他们的生命周期内进化：它们被创建，评估，可 能被选作为新解决方案的父代，然后被销毁。然而对 Memetic 算法和基因局部搜索的研究 表明，如果解能够被允许在其生命周期内进行演化，性能可能会提高。我们建议，解的提 高可以通过对父代解的知识存储来获取帮助，以有效地让父代教他们的后代如何改善适应 性。本文中，具体解通过应用粒子群算法来进化，即每个解都要按照 PSO 的基本原则进行 物理运动，直到被要求去作为一个父代。因此，每个父代的知识，特别是一个非常适合父 代，就有可能被转移到其后代以及整个群体的子代中去，通过这种方式提出的算法有可能 更有效的搜索解空间。这种想法被应用到一个经典的组合优化问题，即车辆路径问题，当 应用于两个经典的基准实例集合时具有很好的效果。 1.简介 在过去的十几年中，由于先进的信息系统设计智能范例利用，自然启发智力变得越来 越流行。其中最流行的自然启发方法是对动物和微生物的团队行为的表示，如群智能（鸟 群或鱼群启发粒子群优化）、人工免疫系统、蜂群的性能优化、蚁群等等。但自然启发方法 最流行的是遗传算法，它的应用十分广泛，在遗传算法和更普遍的进化计算的背景下，也 实现了许多新的思想。 通常的遗传算法，我们有一些离散的阶段，即群的初始化，父代的选择，交叉算子， 变异算子和每一代的更换。但两代之间又发生什么呢？如果我们想有一个完整的进化算法， 我们将要观察每个个体在其生命周期内的行为。在父代试图帮助他们的子女来学习和发展， 而使其变得更具有竞争性，并有更多的可能性生存，来成为下一代的父代。有许多不同的 方法可以用来完成一个进化算法，一种方法是独立的观察每个个体，个体间无任何交流与 影响。在遗传算法的情况下，其实现是使用单一或更复杂的局部搜索策略。另一种方法是 让个体之间有一个相互作用。在本文中，这种互动利用粒子群优化算法来实现。在每一代 中，所有的个体（父代和子女）被视为一个单一的群体，他们通过向群的最优部分运动来 努力提高自己的解决方案（即后代学习他们的父代）。因此，在本文中我们着重于每个个体 如何利用粒子群来进化。在每次的粒子群优化阶段结束时，整个群适者生存，并转移到下 一阶段的遗传算法，即遗传算法的父代选择阶段。在算法的进化部分应用 PSO 算法的优势 是，与其他超启发式算法相比 ，对于群体中的每个个体只有两种变量在迭代中需要计算， 即位置和速度。 经常用 Memetic 算法（带有局部搜索阶段的遗传算法）来代替典型的遗传算法使用的 原因是，纯粹的遗传算法很难有效的探索解空间。全局优化算法与局部优化算法的结合往 往能够提高算法的性能。在本文中，我们用了一个全局搜索算法即 PSO 代替局部搜索算法 来分别改进每个个体。因此每个个体并不通过自身来改善解，而是利用整个群体的解的知 识。我们的另一个目标是在较短的计算时间内得到进可能好的结果。这个目标使我们使用 两个不同的程序，一是加速技术（扩张邻域搜索-ENS ），另一个用于产生尽可能好的初始解 （ MPNS-GRASP ）。因此，遗传算法和一个非常快的局部搜索策略的PSO 算法相结合，如 扩大邻域搜索策略（[Marinakis 等，2005]和[Marinakis 等，2005 年），将产生非常快速和有 效的算法，并将减少解决大规模的车辆路径算法的计算时间，以及更多的困难的组合优化 问题。本文下面的组织结构为：下一节将具体描述车辆路径问题，第三部分中，算法hybrid genetic – PSO – GRASP – ENS (HybGENPSO)被提出并详细描述。实验结果将在第四部分展 示和分析，最后一部分得出结论以及对未来的展望。 2.车辆路径问题 VRP 和 CVRP 问题经常被描述为，车辆基于中心仓库，要求到达地理位置不同客户以满足 客户的需求。令 G=(V,E) 表示一个图， 其中 V={i ,i ,…i } 表示定点集合， (i1 代表仓 1 2 n 库客户位置表示为 i2,…,in) ，E={(il,im):il,im V}表示边的集合。每个客户必须被分配一个 确切的车辆，每辆车分配的载量不能超过其容量（Q ），如果每辆车都是同质的则容量相等