智能优化系列|第五期：禁忌搜索算法求解VRPTW问题（带时间窗的车辆路径规划问题）- 附python代码

经过上一篇 无形忍者-也许你和禁忌搜索算法的距离就差这一文(附python案例代码) 的概念介绍和算法核心步骤介绍，我们对禁忌搜索已经有了一定的了解。下面我们来一起复习下禁忌搜索算法的核心步骤：

1.禁忌搜索算法核心步骤

① 初始化

利用贪婪算法等局部搜索算法生成一个初始解，清空禁忌表，设置禁忌长度。

② 邻域搜索产生候选解

根据步骤①产生的初始解，通过搜索算子（search operators），如relocation、exchange、2-opt等，生成候选解(candidate solution)，并计算各个候选解的适应值（即解对应的目标函数值）。

③ 选择最好的候选解

从步骤②产生的所有候选解中选出这一轮适应值最好的候选解，将其与全局最优解进行比较，

如果优于全局最优解，那么就不考虑其是否被禁忌，用这个最好的候选解来更新全局最优解，并且作为下一个迭代的当前解，然后将对应的操作加入禁忌表；

如果不优于全局最优解，就从所有候选解中选出不在禁忌状态下的最好解作为新的当前解，并且作为下一个迭代的当前解，然后将对应的操作加入禁忌表；这时候不更新全局最优解。

④ 藐视准则

如步骤3中介绍的：如果优于全局最优解，那么就不考虑其是否被禁忌，用这个最好的候选解来更新全局最优解，并且作为下一个迭代的当前解，然后将对应的操作加入禁忌表；

⑤ 判断终止条件

若满足终止条件，则立即停止并输出当前最好解；否则继续搜索。一般终止条件为是否到达一定的迭代次数或者达到了一个时间限制。

2.带时间窗车辆路径问题（VRPTW）简介

车辆路径问题（VRP）最早是由 Dantzig 和 Ramser 于1959年首次提出，它是指一定数量的客户，各自有不同数量的货物需求，配送中心向客户提供货物，由一个车队负责分送货物，组织适当的行车路线，目标是使得客户的需求得到满足，并能在一定的约束下，达到诸如路程最短、成本最小、耗费时间最少等目的。

由于VRP问题的持续发展，考虑需求点对于车辆到达的时间有所要求之下，在车辆途程问题之中加入时窗的限制，便成为带时间窗车辆路径问题（VRP with Time Windows, VRPTW）。带时间窗车辆路径问题（VRPTW）是在VRP上加上了客户的被访问的时间窗约束。

3.VRPTW问题的建模实例

3.1问题背景

VRPTW 问题是不仅考虑CVRP的所有约束，还需要考虑时间窗约束，也就是每个顾客对应一个时间窗 ,其中 和和 分别代表该点的最早到达时间和最晚到达时间。

3.2约束条件

①每辆车必须从仓库出发，最终返回仓库；

②每个客户只被1辆车服务；

③每辆车的载重不超过总容量Q；

④每辆车的总时间不超过Dk；

⑤需要在时间窗  内服务客户i,并且需要在 时间窗内返回仓库点

3.3目标

每辆车辆的总时间最短（由于车辆速度相同，时间最短相当于路程最短）的路线。（允许不使用某些车辆）

4.利用禁忌搜索解决VRPTW问题

算法的核心步骤

首先，我们怎么去产生一个初始解？这是利用的贪心的思想为每个客户指派路径：

• 尝试将客户i加入到某条路径k中，
• 判断是否满足路径k的容量约束条件，如果不满足则新建一条路径，k=k+1;
• 然后再路径k中，任意找节点j,j+1;如果客户i满足时间窗满足 。
• 我们就将客户i分派到这条路径k,并放置在节点j,j+1之间，同时累加该路径的总长度。

然后开始禁忌搜索，在禁忌搜索的每一轮迭代的过程中，我们都需要找出一个最好的候选解，这个候选解与全局最优解进行比较，如果优于全局最优解，那么就不考虑其是否被禁忌，用这个最好的候选解来更新全局最优解，并且作为下一个迭代的当前解，然后将对应的操作加入禁忌表；如果不优于全局最优解，就从所有候选解中选出不在禁忌状态下的最好解作为新的当前解，并且作为下一个迭代的当前解，然后将对应的操作加入禁忌表；这时候不更新全局最优解。

那么我们怎么搜索最好的候选解呢？

首先我们假设每一轮迭代中的当前解为bestv，当前最好客户为bestc，当前最好路径为bestr，当前最好位置为bestp。 然后，我们对每一个客户节点i进行遍历，先找出它在当前路径中的位置ÿ