蚁群算法求解需求可拆分车辆路径问题（SDVRP）

蚁群算法求解需求可拆分车辆路径问题（SDVRP）

**作者简介：**本人擅长运筹优化建模及算法设计，包括各类车辆路径问题、生产车间调度、二三维装箱问题，熟悉CPLEX和gurobi求解器
**微信公众号：**运筹优化与学习
​​​

前言

今天给大家介绍SDVRP(split delivery vehicle routing problem，需求可拆分的车辆路径问题)，同时介绍蚁群优化算法求解SDVRP。

话不多说，我们直接开始。

问题简介

传统的VRP通常假设车辆载重大于客户需求。如果车辆载重小于顾客的实际需求，就需要多辆车来服务一个顾客，由此衍生出了SDVRP。

SDVRP，即需求可拆分的车辆路径问题，是车辆路径问题的变体，它在VRP的基础之上增加了一个条件：每个顾客的需求可以拆分并分配给不同的车辆配送，而不是必须由一个车辆在一条路径中满足。

定义SDVRP在一个无向完全网络$G=(V,E)$，其中 V = { 0 , 1 ， ⋯   , n } V=\left\{0,1，\cdots, n\right\} V={0,1，⋯,n}为所有的顶点集， E = { ( i , j ) : i , j ∈ V , i ≠ j } E=\left\{(i,j):i,j\in V, i\ne j\right\} E={(i,j):i,j∈V,i=j}为边集。节点$0$表示配送中心，每个客户 i ∈ { 1 , 2 , ⋯   , n } i\in \left\{1,2,\cdots, n\right\} i∈{1,2,⋯,n}需求为$q_i$，车辆最大载重为$Q$。

求解思路

蚁群算法原理

（1）状态转移函数

初始状态下，每条路径上的信息素数量是相同的。同时，初始状态下，每只蚂蚁会通过随机寻找路径的方式前行，信息素释放的数量与搜索路径的目标函数值成反比。随后，搜索过程中，每只蚂蚁根据路径上残留的信息素，计算蚂蚁前往每一个节点的概率，并基于概率选择下一个访问的节点。其中，第$t$次迭代蚂蚁$k$从节点$i$前往节点$j$的概率$P_{ij}^k(t)$的计算表达式如下：

表达式中，${\tau }_{ij}(t)$表示第$t$次迭代从节点$i$前往节点$j$残留的信息素数量，${\eta }_{ij}(t)$表示节点$i$前往节点$j$的距离长度的倒数，$J_k$表示蚂蚁$k$还没有访问过的节点的集合。同时，$a$表示信息素因子，$b$表示启发函数因子，这两个参数为蚁群优化算法的关键参数。

（2）更新信息素

在初始状态下，每条路径的信息素数量均设置为0。在搜索过程中，部分信息素会随着时间流逝而挥发，信息素挥发快慢通过参数信息素挥发因子$c$进行控制。信息素的更新计算表达式如下：

表达式中，$\Delta {\tau }_{ij}^k$蚂蚁$k$遍历过的路径总长度的倒数，${\tau }_{ij}(t)$表示第$t$次迭代从节点$i$前往节点$j$残留的信息素数量。

求解步骤

1. 蚂蚁从配送中心（节点0）出发；
2. 根据状态转移函数，选择前往的下一个节点，判断当前车辆载重是否超出；若当前节点需求量超出车辆最大载重，则进行需求拆分，同时车辆返回配送中心；
3. 局部更新车辆走过路径的信息素；
4. 判断车辆是否已完成所有客户配送，否则返回步骤2；
5. 当车辆对所有客户配送完毕之后，计算所有车辆行驶的路径长度之和，对信息素进行整体更新
6. 如果迭代次数达到最大次数要求,则算法结束，输出最短路径的总长度和最优配送路线；否则返回步骤1,继续迭代。

部分代码展示

##  主函数
def main():
    bestSolution = None
    vertices, edges, capacityLimit, demand, feromones, optimalValue = generateGraph() # 读取数据

    for i in range(iterations): 
        solutions = list()
        for _ in range(ants):
            solution = solutionOfOneAnt(vertices.copy(), edges, capacityLimit, demand.copy(), feromones)
            solutions.append((solution, rateSolution(solution, edges)))
        bestSolution = updateFeromone(feromones, solutions, bestSolution)
        print(str(i) + "/" + str(iterations) + ": " + str(bestSolution[1]), end='\r', flush=True)
    return bestSolution

小规模算例结果展示

参考文献

[1]姜婷.求解需求可拆分车辆路径问题的人工蜂群算法[J].四川理工学院学报(自然科学版),2017,30(03):6-9.