Project CFLP

 
  本次项目使用两种算法完成，一为遗传算法，二为贪婪算法。以下分别阐述两种算法的框架和实验结果。

---

 

遗传算法

• 约定

  • $N$ 表示顾客（customer） 总数
  • $M$ 表示设施（facility） 总数
  • $c_{ij}$ 表示将 $i$ 号顾客分配到 $j$ 号设施的 cost
  • $C_j$ 表示开放 $j$ 号设施的 cost
  • $d_i$ 表示 $i$ 号顾客的 demand
  • $D_j$ 表示 $j$ 号设施的 capacity

• 编码方式
    使用长度为 $N$ 的一维数组 $X$ 来表示一个可能的解，第 $i(i=0,1,\cdots ,N-1)$ 位数字 $X_i$ 表示 $i$ 号顾客被分配到设施 $X_i$ ($X_i\le M-1)$ 。

• 适应度函数
  $$f(X)=G-(C(X)+\sum _{j=0}^{M-1}{P}_j(X))\text{\hspace{1em}(1)}$$
    其中，$G$为一个足够大的常数，$C(X)$为目标函数，即总的 cost，$P_j(x)$为设施 $j$ 容积超出的惩罚函数。两个函数定义如下：
  $$C(X)=\sum _{i=0}^{N-1}{c}_{i{X}_i}\text{\hspace{1em}(2)}$$
  $$P_j(X)=\{\begin{array}{ll}\alpha (D_j^{\prime }-D_j)v_j^{\prime },& \text{当Dj′>Dj(Dj′ 为 j 设施中实际的总demand)}\\ 0,& \text{当Dj′≤Dj}\end{array}\text{\hspace{1em}(3)}$$
    这里的 $\alpha$ 为惩罚系数；$v_j^{\prime }$ 为每个设施已分配的顾客中，$\frac{cost}{demand}$最大的值。
    另外，$(1)$ 式若计算结果为负数，则 $f(X)$ 为0。

• 初始化种群
    首先，计算出每个顾客到每个设施的一个比例 $v_{ij}=\frac{c_{i}j}{d_i}$，即 $\frac{cost}{demand}$ 的值。
    从种群的多样性考虑，将种群的大小设为设施数 $M$ 的 $\beta (\beta \ge 2)$ 倍，并且设计让每一个设施在初始种群中开放的次数至少为 $\beta$ 次（让每个设施都有开放的机会）。
    通过循环，生成初始种群中的每一个个体。在第 $k(k=1,2,\cdots ,\beta \times M)$ 次循环中：

  • 首先开放第一个设施 $t$，$t=\lfloor \frac{k-1}{\beta }\rfloor$ ，然后在 $t$ 号设施的前 3 个最小的 $v$ 中随机选择一个分配到该设施（贪心），并开始记录当前已开放的设施的总 capacity 。
  • 遍历分配每一个未被分配的顾客到一个设施中。
    • 设置一个概率 $p$ ，表示接下来的一个顾客将要被分配到的设施是从已开放的设施中选择还是从全体设施中选择，以此获取一个候选列表。概率 $p$ 根据当前已开放的设施的总 capacity 是否大于总体顾客的 demand 来设置。
    • 对要分配的顾客 $i$，从候选列表中选出一个设施 $j$，使得 $v_{ij}$ 对于候选列表中的那些可容纳该顾客的设施是最小的，将顾客 $i$ 分配到设施 $j(X_i=j)$（贪心）。若顾客 $i$ 不能被分配到候选列表中的任何一个设施，则随机分配到候选列表以外的一个设施中（新开一个设施）。

  这样，初始种群中的每一个个体都是合法的，并在初始化种群中应用一些贪心策略，可能会得到更好的结果。

• 选择
    采用锦标赛策略（Tournament Selection），随机选择的个体数设为 2 。

• 交叉
    交叉操作设计得较为简单，即随机在两个个体中选择一段进行交换。

• 变异
    随机选择 $n(n=1,2,\cdots ,\lfloor \frac{N}{2}\rfloor )$ 个顾客，按照各50%的概率将他们分别分配到已开放的设施之一或是全体设施之一。

• 产生下一代种群
    将父代产生的后代和父代一起组成一个候选池，采用锦标赛策略（Tournament Selection）从候选池中一个个地选择出个体作为下一代，随机选择的个体数设为 $\lfloor \frac{\beta \times M}{3}\rfloor$ ，即种群数的三分之一。

• 其他细节

  • 设计总的代数为10000代。
  • 每当20代后最佳结果都没有发生改变时，增加变异概率（+0.1），以期跳出局部最优。

  当然，以上的一些参数数字还可以做各种调整以改进解的质量。以下的实验结果取 $\alpha =1$，$\beta =2$ 。（这里所写的所有算法参数使得算法可能对大规模一些的测试样例有好一点点的结果）

	Result	Time(s)
p1	9024	20.61
p2	8056	19.53
p3	9444	20.37
p4	11754	20.56
p5	9425	20.13
p6	7966	20.57
p7	10045	19.98
p8	11621	20.58
p9	8637	19.89
p10	7617	20.32
p11	9771	19.90
p12	10373	20.10
p13	9379	43.32
p14	7394	43.53
p15	9936	43.42
p16	12259	45.25
p17	9498	46.36
p18	7306	45.54
p19	9400	46.45
p20	11673	46.13
p21	8755	45.58
p22	7725	44.22
p23	9584	43.19
p24	11478	44.03
p25	12587	143.66
p26	11305	152.75
p27	14592	142.35
p28	16299	132.92
p29	13777	124.52
p30	12371	131.54
p31	14587	130.54
p32	17775	132.95
p33	13282	137.83
p34	11653	138.18
p35	13596	139.97
p36	16898	136.84
p37	12459	135.75
p38	11295	125.29
p39	13536	122.03
p40	15203	126.16
p41	7192	29.29
p42	6216	55.43
p43	5845	76.63
p44	7594	29.28
p45	6894	52.86
p46	6417	72.98
p47	6880	27.68
p48	6799	51.53
p49	6564	72.77
p50	9204	27.91
p51	8317	61.33
p52	9908	29.70
p53	9592	60.13
p54	9800	29.79
p55	8979	61.95
p56	22932	157.19
p57	29771	158.61
p58	42190	155.72
p59	33111	162.50
p60	22523	157.12
p61	29021	155.06
p62	39131	150.16
p63	31067	158.76
p64	22012	151.67
p65	27011	158.99
p66	35986	171.32
p67	30207	172.71
p68	23228	171.35
p69	27965	170.76
p70	41475	166.52
p71	31348	185.35

code
solution

 

---

 

贪婪算法

  贪婪算法的设计较为简单，主要是为了做一定程度的对比。

  首先同遗传算法一样，计算出 $v_{ij}$。按照开放的cost的升序给设施排序，按序开放设施，每开放一个设施 $k$，按照该设施对应的 $v_{ik}$ 从小到大将相应的顾客分配到该设施，直到不能再分配下一个顾客（即使在这个顾客之后可能还有顾客能够被分配到该设施）。
  当所有顾客都被分配到一个设施后，算法结束。

实验结果如下：

	Result	Time(s)
p1	16844	0.00105
p2	13644	0.00090
p3	14844	0.00097
p4	16044	0.00105
p5	13883	0.00129
p6	13459	0.00109
p7	15059	0.00202
p8	16659	0.00129
p9	14127	0.00095
p10	12251	0.00095
p11	13451	0.00090
p12	14651	0.00090
p13	13799	0.00156
p14	10640	0.00152
p15	12240	0.00174
p16	13840	0.00156
p17	13755	0.00179
p18	10808	0.00256
p19	12408	0.00220
p20	14008	0.00176
p21	16145	0.00163
p22	13764	0.00158
p23	15164	0.00151
p24	16564	0.00148
p25	52440	0.00969
p26	51533	0.00670
p27	53333	0.00838
p28	55133	0.00638
p29	38957	0.00910
p30	45784	0.00744
p31	47984	0.00737
p32	50184	0.00780
p33	64030	0.00669
p34	47576	0.00844
p35	49176	0.00675
p36	50776	0.00966
p37	102125	0.00717
p38	63723	0.00777
p39	64723	0.00695
p40	65723	0.01497
p41	10237	0.00170
p42	11890	0.00265
p43	8318	0.00481
p44	12283	0.00155
p45	11467	0.00256
p46	8900	0.00298
p47	10853	0.00163
p48	9897	0.00280
p49	8809	0.00428
p50	14969	0.00172
p51	10816	0.00310
p52	16277	0.00167
p53	16811	0.00302
p54	15030	0.00564
p55	13649	0.00349
p56	41900	0.01262
p57	46700	0.01061
p58	57900	0.01346
p59	40656	0.01292
p60	47208	0.01167
p61	50508	0.01255
p62	58208	0.01311
p63	42637	0.01151
p64	46891	0.01066
p65	49291	0.00990
p66	54891	0.00984
p67	46772	0.01119
p68	50104	0.01127
p69	53104	0.00906
p70	60104	0.00939
p71	39253	0.00981

code
solution