完整版本遗传算法求解VRP问题的技术报告总结.docVIP

遗传算法求解 VRP 问题的技术报告 摘要： 本文通过遗传算法解决基本的无时限车辆调度问题。采用车辆和客户对应排列编码的遗传算法，通 过种群初始化，选择，交叉，变异等操作最终得到车辆配送的最短路径。通过 MA TLAB 仿真结果可知， 通过遗传算法配送的路径为 61.5000km, 比随机配送路径 67km 缩短了 5.5km 。此结果表明遗传算法可以有 效的求解 VRP 问题。 一、 问题描述 1.问题描述 车辆调度问题（ Vehicle Scheduling/Routing Problem,VSP/VRP ）的一般定义为 [1] ：对一系列送货点和 / 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，送发货时间、车辆容量限制、行驶里程限制、时间限制等）下，达到一定的目标（如路程最短、费用 极小、时间尽量少、使用车辆数尽量少等）。问题描述如下 [2] ：有一个或几个配送中心 D i (i 1,..., n) ，每 个配送中心有 K 种不同类型的车型， 每种车型有 n 辆车。有一批配送业务 R (i 1,..., n) ，已知每个配送业 i 务需求量 qi (i 1,..., n) 和位置或要求在一定的时间范围内完成，求在满足不超过配送车辆载重等的约束条 件下，安排配送车辆在合适的时间、最优路线使用成本最小。 2.数学模型 设配送中心有 K 台车，每台车的载重量为 Qk (k 1,2,..., K ) ，其一次配送的最大行驶距离为 D k ，需 要向 L 个客户送货，每个客户的货物需求量为 qi (i 1,2,..., L ) ，客户 i 到 j 的运距为 dij ，配送中心到各个 客户的距离为 d0 j (i, j 1,2,..., L) ，再设 nk 为第 K 台车配送的客户数（ nk =0 表示未使用第 K 台车），用 集合 Rk 表示第 k 条路径，其中 rki 表示客户 rki 在路径 k 中的顺序为 （不包括配送中心） ，令 rk 0 表示配 送中心，若以配送总里程最短为目标函数，则可建立如下数学模型： K nk min Z [drk (i 1) rki drknk rk 0 ? sign (nk )] k 1 i 1 k qrki Qk i 1 k drk (i 1 )rki drknk rk 0 ? sign (nk ) D k  (1) (2) (3) i 1 0 nk L (4) Page 1 of 9 K nk L k 1 Rk{ rki rki {1,2,..., L}, i 1,2,...,nk } Rk1 Rk 2 , k1 k 2 1nk 1 sign (nk ) 0其他 上述模型中，式（ 1）为目标函数，即要求配送里程最短；式（  (5) （6） （7） （8） 2）保证每条路径上各个客户的货物需 求量之和不超过配送车的载重；式（ 3）保证每条配送路径的长度不超过配送车的最大行驶距离；式（ 4） 表明每条路径上的客户数不超过总客户数；式（ 5）表明每个客户都得到配送服务；式（ 6）表示每条路径 的客户组成；式（ 7）限制每个客户仅能由一台配送车送货；式（ 8）表示当第 k 辆车服务的客户数大于 等于 1 时，说明该台车参加了配送，则 sign(n) 的值取 1，否则为 。 0 二、 研究现状 车辆调度问题在目标和范围方面有很大差别，主要是研究的目标和限定条件不同。在研究目标方面有 的是最短路线， 有的是最短时间， 有的是客户的方便程度等等。 在限定条件方面， 有配送中心方面的区别，和有单配送中心的，有多配送中心；有配送车辆的数量、种类方面的区别，如车辆数有限、无限、单一车 型和多种车型；在业务种类方面，有的是集货任务，有的是送货业务，有的是集送一体化业务，有的是各种业务混合情况。有时间窗的车辆调度问题是最为普通的问题，以成为研究热点。 遗传算法在搜索过程中能够自动获取和积累有关搜索空间的知识，并能利用问题固有的知识来缩小搜 索空间， 自适应地控制搜索过程， 动态有效地降低问题的复杂度， 从而求得原问题的真正最优解或满意解， 因此我来选用遗传算法来求解 VSP 问题。 三、 解决方法 遗传算法的流程图如下： Page 2 of 9 初始化群体 个体评价 终止 N tT? Y 选择 交叉 变异 基于车辆和客户对应排列编码的遗传算法的基本步骤： （ 1） 编码：采用车辆和客户对应排列的编码方法，其基本思路是：用车辆数间的任意自然数（可重 复）的排列表示车辆排列， 用客户数间的互不重复的自然数排列表示客户排列， 两者相对应， 构成一个解， 并对应一个配送路径方