变量邻域下降法(Variable Neighborhood Descent, VND)

简介

变量邻域下降法(Variable Neighborhood Descent, VND)是由Mladenovic和Hansen(1997)提出的一种求解细化方法，它在求解空间中交替搜索，并系统地考虑邻域结构。
设Ns = {N1(s)，N2(s)，…，Nk(s)}是一组不同的邻域结构。VND过程的默认版本从利用N1(s)邻域开始，根据这个结构定义的搜索策略。在N1(s)的开发完成后(即没有发现任何改进方案)，开始开发N2(s)邻域。如果在N2(s)的开发结束时观察到改进，则恢复邻域开发N1(s)。否则，下一个邻域将被利用，即N3(s)邻域，以此类推。这种循环的、系统的邻居的交替过程一直持续下去，直到探索到第k个邻居结构，在现有的解决方案中没有改进，或者直到某个停止准则得到满足。

算法1总结了这种描述，其中f(s)表示发送应用于解s的目标函数，Nsk是该解利用的第k个邻域结构。在该算法的默认版本中，如果应用第k个结构提出了改进的解决方案，则change_neighborhood(k, s’, s∗)函数返回1；否则，这个函数返回k + 1。

影响因素：

1.可能的邻域开发顺序 possible orders of neighborhoods exploitation

（1）增加排列的基数顺序 increasing the cardinality order of permutations
（2）通过邻域结构变化的影响增加来定义 defined by the increasing impact of changes caused by the neighborhood structure

2.所使用的局部搜索策略 local search strategy

（1）最佳改进(Best Improvement, BI)：分析邻域结构的所有可能排列并返回最佳解；
（2）首次改进(First Improvement, FI)：以随机顺序对排列进行分析，第一个导致改进的排列立即生效并返回。

3.VND变体 Variations of VND

（1）基础变邻域下降(Basic-VND)：邻域结构将按照定义的顺序进行探索
（2）随机变邻域下降(Random-VND)：随机选择一个未探索的邻域来进行搜索
（3）联合变邻域下降(Union-VND)：分别探索了所有的邻域结构，并将结果相互比较

4.邻域结构

（1）迭代贪婪搜索邻域
图2所示的迭代贪心搜索邻域(NE.IGS)是与这里给出的其他结构最不同的结构。它是基于IGS元启发式的破坏和构建阶段。该结构由随机从解决方案s中删除rj作业组成，生成解决方案s’。这些作业可以出现在任何机器上，但必须按照移动顺序插入到列表Lrj中，如图2(a)所示。在续集中，每个作业j∈Lrj被有序地从Lrj中移除，并插入到使其延迟成本最小的s’的机器、位置中，从而产生贪婪搜索。图2(b)给出了这个动作。需要注意的是，s’可能返回一个与s相比惩罚值更大的解决方案，但是VND本身不会接受恶化的解决方案。还需要注意的是，没有办法使用涉及BI或FI的搜索策略，但是必须赋值参数rj，这可能会影响该结构的使用。

（2）交换迭代贪婪搜索邻域
交换迭代贪婪搜索邻域(Swap Iterated Greedy Search Neighborhood, NE.SIGS)也是基于IGS元启发式的破坏和构建阶段，和NE.IGS一样。因此，NE.SIGS的开发由从任何机器随机选择的rj作业组成。这些选定的作业被标记为交换作业，但与NE.IGS不同，作业并没有从解决方案中移走。然后，考虑所有可能的交换移动(内部交换-图1(b)和外部交换-图1(d))和所有其他作业，对上一步中标记的作业进行有序评估。对于每一个被标记的作业，进行排列，以获得最佳的TWT评价。
（3）…

参考文献:

Rodney Oliveira Marinho Diana and Sérgio Ricardo de Souza. Analysis of variable neighborhood descent as a local search operator for total weighted tardiness problem on unrelated parallel machines[J]. Computers and Operations Research, 2020, 117，该文献研究了带有序列、机器以来的设置时间、以最小化总拖后惩罚为目标的不相关并行机器问题，分析了用变邻域下降算法(Variable Neighborhood Descent, VND)替代局部搜索算子可以提高三种元启发式算法的性能的假设，提出了六种邻域结构。