改进遗传算法

改进遗传算法

相较于传统的遗传算法，主要的改进为添加了自适应灾变，使得不会局限于局部最优解。另外，该算法中包括了添加改进的自适应灾变+锦标赛选择方法+最大保留交叉算法+逆转变异+异质车辆。可适用于异质车辆配送路径规划，考虑了碳排放和满意度（包含时间窗）。代码中考虑的目标包括了时间、顾客满意度、运输成本和收益、碳排放量等。自适应度公式可参考代码中的计算方式，也可以后续修改。

算法流程图

目前解决多目标路径规划问题最常用的求解方法包括2种：精确算法和启发式算法。精确算法适用于解决规模较小的线性规划问题，但当遇到计算规模较大的问题时，精确解难以获得且代价太高，而启发式算法能够在较短时间内获得大规模非线性问题的较优解，对于本文研究的问题具有较强的适应性，因此本文设计改进遗传算法对模型进行求解。
在传统遗传算法的结构中，变异操作在交叉操作基础上进行，强调的是交叉作用，认为变异只是一个生物学背景机制。同时，外卖员配送的时效性具有严格要求，路径规划算法需要在短时间内提供最优的结果，而该情形下骑手接受订单数量是有限的，算法中的种群数目较少，容易出现局部最优的情况。为有效解决以上问题，本文首先将变异操作从交叉操作中分离出来，使其成为并列于交叉的独立寻优操作。而后，本文创新性地引入“灾变操作”，模拟自然界中灾难发生的情况，保留最优个体，在其他个体随机化的条件下不断迭代更新。

编码与解码匹配

本文采用随机编码算法，保证了遗传算法搜索空间的广度和深度。将 个目的地转化为从1至 的自然数，然后通过排列组合形成染色体。在解码匹配的过程中，本文解码匹配车辆过程遵循“避闲优载”的方法，即在初始染色体的基础上，计算在同一配送路径上两种车型的实际运载量，选择闲置载量最低的车辆优先进行配送。

自适应

通过采用自动变化的交叉概率和变异概率控制遗传操作，当寻优结果出现停滞状态并且持续时间超过一定阈值时，算法会自动增大交叉概率和变异概率，增加算法对新的搜索空间的开辟能力，帮助算法跳出局部解。

交叉

本文采用最大保留交叉方法。

变异

本文使用逆转变异操作。

灾变

本文首先设置初始值R和初始的计数器C=0，每迭代一次，计数器C的值就增加1，若出现了新的最优解，则计数器的值归零。当计数器 的值超过了 时，本文认为产生了局部最优解，此时进行灾变操作，即生成新的个体。通过灾变操作，可以使得当前远离极值的个体充分得到进化，防止陷入局部最优解。

代码

后续补充代码及相关注释