车辆优化调度问题的算法之启发式算法.pptx

物流人工智能技术技能培训;任务十二 车辆优化调度问题的算法之启发式算法;;【教学目标】;通常精确算法的计算量随着车辆优化调度问题规模的增大呈指数增长，所以它不适合求解车辆优化调度问题，并且车辆路径规划是具有NP难的组合优化问题，很难找到精确解，因此寻找近似解是必要的。;用启发式算法解决问题常常可以得到满意解，通过迭代过程进行实现时，需要一套解的搜索规则和评价标准。;首先确定目标函数，也就是建立运输总成本函数，目的是使总成本取得最小值；然后求解，先求初始解，从以后的求解过程中，依次得到接近最小成本的解。;;某配送中心P向10个客户A~J配送货物，其道路网如图1所示。图中连线上的数字表示两节点间的距离（km），各客户点旁括号内的数字表示该客户的需求量（t）。配送中心有载重量为2t和4t的两种车辆可供使用，但车辆一次巡回的行驶距离不能超过30km。试制定最优的配送线路。;第一步：根据给出的相邻节点间的距离，求出配送中心至各客户点、各客户点间的最短距离。如表所示。;第三步：将所有的节约值Sij按从大到小的顺序排列，如表所示。;对每一个客户分别单独派车送货，如图所示。形成了10条初始配送线路。;按照节约值Sij的大小顺序，连接A~B、A~J。如图所示;如图4所示，此时该线路的总需求量为3.6t，线路长度为27km。按照Sij的大小顺序，现在应考虑是否将C~D连接到配送线路I。但若将C~D连接到该线路，线长度将超过30km，不可行。;（4）然后，连接D~E，开始构造配送线路Ⅱ。重复该步骤，直到没有可合并的线路为止。;扫描算法是用于求解车辆数目不限制的车辆路径规划的一种启发式算法。;以起始点（配送中心）作为极坐标的原点，并以图中的任意一客户点和极点（配送中心）的连线定义为角度零，建立极坐标系，然后对所有的客户所在的位置进行极坐标系的变换，把所有客户点全部都转换为极坐标系下的点。;从最小角度的两个客户开始，建立一个组，按逆时针或者顺时针方向，将客户逐个加入到组中，直到客户需求总量超过了车辆负载限制时，结束该条线路。;建立一个新的组，继续按照逆时针或者顺时针方向，将客户继续逐个加入到组中，生成新的线路，直到所有的客户点都被分到某个组为止。;对各个分组内的客户群就是一个个单独的TSP问题（其中，各组的起点都是极点）求解TSP，得到优化线路。;例如某配送中心P向客户点配送货物。图中各客户点旁括号内的数字表示该客户的需求量（t）。配送中心有载重量为2t的车辆可供使用。试制定其最优的配送线路。;显然，根据扫描算法，可以把客户点分为不同的两组，分别为：（A,B,C,D），（F, G,H，I）。分组完成后，即可对组内的客户点进行路径优化。如图7所示。;这种方法首先构造一条或几条很长的线路（通常不可行），它包括了所有需求对象，然后再把这些很长的线路划分成一些短而可行的线路。;这种方法先把节点和（或）弧的需求进行分组或划群，然后对每一组设计一条经济的线路。;都属于改进启发式算法，都是从初始解开始，通过对当前的解进行反复的局部扰乱，以达到较好的解。;启发式搜索算法包括：;（1）爬山算法;以目标函数最小为例，使用爬山算法求解组合优化问题的步骤如下。;第四步：输出计算结果，停止。;在爬山算法中，第一步的初始解可以采用随机方法产生，也可用一些经验方法得到，还可采用其他方法得到初始解。在第二步中，其他停止运算准则是指除P≠0以外的其他准则，这些准则一般取决于人们对算法的计算时间、计算结果的要求。;（2）禁忌搜索算法;在禁忌搜索算法中，首先按照随机方法产生一个初始解作为当前解，然后在当前解的邻域中搜索若干个解，取其中的最好解作为新的当前解。;实现步骤：;实现步骤：;禁忌搜索算法的第二步中，的邻域中满足禁忌要求的解包括两类，一些是那些没有被禁忌的解，一些是可以被解除禁忌的解。;（3）模拟退火算法;退火是一种物理过程，一种金属物体在加热到一定温度后，它的所有分子在其状态空间中自由运动。;模拟退火算法是一种基于上述退火原理建立的随机搜索算法。组合优化问题与金属物体的退火过程可进行如下类比：;实现步骤：;实现步骤：;【课后小结】;【课后作业】;谢谢观赏