【CVRP物流配送车辆路径规划问题（带容量限制）】遗传模拟退火算法GASA求解

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