课题名称:遗传模拟退火算法GASA求解车辆路径VRP问题
版本时间:2023-01-22
模型描述:
设某配送中心有K辆车,每辆车的最大载重量为CarLoad,需要对CityNum个客户城市
进行运输配送,每辆车从中心车场出发给若干个城市配送,最终回到配送中心。
每个城市的需求量为demand(i),且demand(i)<CarLoad。记配送中心编号为0,
各城市编号为i=1,2,3……CityNum.各城市及配送中心之间的距离为distance。
求满足车辆最少,车辆行驶路程最短的运送方案。
算法流程:
模拟退火算法包含两个迭代过程:1.温度下降迭代;2.当前温度情况下迭代循环,产生新的解并进行判断是否接受
遗传模拟退火算法将遗传算法迭代过程取代当前温度下的迭代循环,并且在遗传算法迭代过程中产生新的解。
第一步:设定参数,导入实际问题数据,导入城市位置信息,并计算两两城市之间的距离矩阵
第二步:初始化种群并选择某一个个体作为初始解:对于n个城市的VRP问题,能够得到的解就是对1~n的一个排列,其中每个数字为对应城市的编号,如对14个城市的VRP问题,则 11|10|2|12|4|5|3|6|14|8|7|9|13|1|15 就是一个合法的解,采用产生随机排列的方法产生一个初始解S
第三步:使用遗传算法对当前种群进行选择,交叉、变异以及进化逆转操作,选择适应度最小的个体(路径长度最短的个体)作为新解,与当前解进行比较。
第四步:应用Metropolis准则。若路径长度函数f(s),则当前解的路径为f(s1),新解的路径为f(s2),路径插df=f(s2)-f(s1),则Metropolis准则里表示df<0,则以概率1接受新的路径,否则以某种概率接受新的路径
第五步:降温。利用降温速率q进行降温,即T=qT,若T小于结束温度,则停止迭代输出当前状态,否则继续迭代
特殊说明:
1.VRP问题算是TSP问题的进化版,不仅仅需要遍历所有城市,还需要考虑汽车的载重,城市的配送需求.
2.最终输出的路径是包含了配送中心(编号为0)
Matlab仿真结果:
遗传模拟退火算法GASA求解CVRP的仿真结果:
行驶距离随着迭代次数的变化曲线:
遗传模拟退火算法GASA求解CVRP问题的车辆配送路线图:
仿真对比与分析:相比于模拟退火算法,遗传模拟退火算法的收敛速度更快,往往能在10次以内就可以非常接近最优解。这得益于将遗传算法的收敛嵌套与退火算法中