混合启发式算法在汽车调度中的运用.docVIP

车站车辆路径问题是直接关系到客运汽车公司的效率 与效益、服务质量和企业形象的关键问题，一直是运筹学、 管理学、计算机科学等领域的研究热点问题，在生活中有着 广泛的应用价值，对该类问题的研究主要集中在能否找到在 较短的时间内给出较优解的算法o Dethloff提出了带有参数 的插入法，Crispim提出了基于禁忌的混合启发算法，但求 解质量还有较人的改进空间。 蚁群算法蚁群算法(ant colony optimization, ACO), 又称蚂蚁算法，是一种用来在图中寻找优化路径的机率型算 法。它由Marco Dori go于1992年在他的博士论文中提出， 其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。蚁群 算法是一种模拟进化算法，初步的研究表明该算法具有许多 优良的性质。针对PID控制器参数优化设计问题，将蚁群算 法设计的结果与遗传算法设计的结果进行了比较，数值仿真 结果表明，蚁群算法具有一种新的模拟进化优化方法的有效 性和应用价值。 1车辆路径的描述 本研究利用有向带权图G描述车辆调度路径问题。假设 G 二(V, A, C),其中,V=｛i|i=0, 1,…,n｝是顶点集；A=｛(i, j) i, jWV｝是连接各顶点的弧集;C二｛cij| (i,j) WA｝是权 重矩阵，cij表示从站点i到站点j的距离。任意站点i （i=l, 2,n）都有一定的上车di与下车需求pio满足以 下条件并使得总行程长度最短： （1） 每辆车都从仓库岀发，并最终返回仓库。 （2） 每个客户都只被1辆车服务，且仅被服务1次。 （3） 任1车辆在行程过程中，载重始终不能超过Q。 设s={ri | i={l, 2, —, k}}是问题的一个解,其中，ri 对应1条车辆路径。由上面问题描述要求可以知道，s作为 问题的1个可行解的重要条件是：对任意ri都满足以下条 件： （1） ri上所有站点的总上车需求D （x）不超过Q。 （2） ri上所有站点的总下车需求P （x）不超过Q。 （3） 车辆承载ri上的任何客户之后人员都不超过Q。 若以“都满足条件（1）、（2）、（3）,则称s满足 强可行条件，是强可行解；若都满足条件（1）、（2）, 从陷中选择站点并将它插入到当前路径「上的节点 i与j之间。这里是指满足以下条件的站点节点的 集合M尚未被访问?假若加入厂仍能保证「满足弱可 行性条件n a)h的定义：04= max {|丁1鬥7?卩鬥?它决定了站 (ij) UF 点被选中的可能性的大小。其中和j是当前路径厂 上的2个相邻的节点；丁貝=(丁*+巧)/2右,丁》和巧是插入 后新增的2条瓠仏灯和(AJ)上的值E是删去的弧(心) 上的值：7}补是启发式fd息.巧* = Cqi-(C + S + C?),其中，第 一项考虑了站点与调度中心之间的距离?以避免距离仓 库较远的站点插入较晚■从而增加额外的代价。第二项 表示将站点斤插入到当前路径上站点i与站点j之间时 增加的路径长度；a 增加的路径长度；a、0是*貝和如的柑对影响因子。 不满足条件 (3),则称s满足弱可行性条件，是弱可行解。由Mosheiov[7] 已经证明，如果D (x)和P (x)都不超过车辆容量限制, 则ri 一定可以通过某种方式转化成可行路径。 2混合启发式算法ACS_VND 2.1初始化信息素 首先使用最近邻启发式构造一个强可行解sO,并且根据 t O=l/n?f (sO)设定信息索的初值，其中n是站点数量。 则最近邻启发式算法构造解的步骤如下： 从尚未访问的节点中选择距离调度中心最小的站 点，开始一条新的车辆路径G 若V0不为空，则从中选择距离r上最后1个站点 最近的站点，作为下一个访问的节点；否则，转步骤(1), 直到所有站点都已经被访问。这里，将V0定义为尚未被访问，且加入r后，使得r仍能约束强可行性条件的所有站点 节点的集合。 2. 2构建可行解 由于弱可行性条件检查比较简单，因此在算法ACS_VND 的构建阶段，首先产生一组弱可行解，然后转化成强可行解。 在ACS_VND中应使用一种基于插入的启发式方法构造弱可行 解。首先，从调度中心0出发，随机选择1个站点，开始1 条新的路径口然后，根据如下伪随机比例规则： arg maxS.其他0,其他 arg max S.其他 0,其他 从16中选择站点人?并将它插入到当前路径厂上的节点i与丿?之间。这里?儿是指满足以下条件的站点节点*的集合M尚未被访问?假若R加入厂仍能保证厂满足弱可行性条件=叫 的定义：^=max {|丁1$|7^鬥?它决定了站 UJ）— 点人?被选中的可能性的大小。其中和/是当前路径r上的2个相邻的节点；丁尸仏+巧）/2右,丁*和岛是插入A后新增的2条瓠仏A）和仏J）上的值?右是删去的瓠（订）上的值；存