遗传算法解决路线规划问题(Vehicle Routing Problem based on GA)

I.问题描述

车辆路径问题(Vehicle Routing Problem,VRP),车辆路径问题是一种组合优化问题,它由Dantzig 和 Ramser在1959年共同提出。VRP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。VRP在交通、分配资源和后勤补给方面有很重要的应用。由此定义不难看出,旅行商问题(Traveling Saleman Problem,TSP)是VRP的特例,由于Gaery[2]已证明TSP问题是NP难题,因此,VRP也属于NP难题。

 

                                                        VRP问题及其一个解

                                                                                                  VRP问题及其一个可行解

II.车辆路径问题的类型

一般而言车辆路线问题大致可以分为以下三种类型(Ballou,1992):
1.相异的单一起点和单一终点。
2.相同的单一起点和终点。
3.多个起点和终点。

 

III.程序代码示例

下面这段代码描述的是使用遗传算法解决相同的单一起点和终点的类型问题的方法。

 

package com.mnmlist.vrp;

/**
 * @author mnmlist@163.com
 * @date 2015/09/26
 * @time 22:24
 */

import java.util.Arrays;
import java.util.Random;

public class VehicleRoutingProblem {
    static int max = 101;
    static int maxqvehicle = 1024;
    static int maxdvehicle = 1024;
    Random ra = new Random();
    int K;// 最多使用车数目
    int KK;// 实际使用车数
    int clientNum;// 客户数目,染色体长度
    double punishWeight;// W1, W2, W3;//惩罚权重
    double crossRate, mutationRate;// 交叉概率和变异概率
    int populationScale;// 种群规模
    int T;// 进化代数
    int t;// 当前代数
    int[] bestGhArr;// 所有代数中最好的染色体
    double[] timeGhArr;// 所有代数中最好的染色体
    double bestFitness;// 所有代数中最好的染色体的适应度
    int bestGenerationNum;// 最好的染色体出现的代数
    double decodedEvaluation;// 解码后所有车辆所走路程总和、
    double[][] vehicleInfoMatrix;// K下标从1开始到K,0列表示车的最大载重量,1列表示车行驶的最大距离,2列表示速度
    int[] decodedArr;// 染色体解码后表达的每辆车的服务的客户的顺序
    double[][] distanceMatrix;// 客户距离
    double[] weightArr;// 客户需求量
    int[][] oldMatrix;// 初始种群,父代种群,行数表示种群规模,一行代表一个个体,即染色体,列表示染色体基因片段
    int[][] newMatrix;// 新的种群,子代种群
    double[] fitnessArr;// 种群适应度,表示种群中各个个体的适应度
    double[] probabilityArr;// 种群中各个个体的累计概率
    double[] x1;
    double[] y1;

    // 初始化函数
    void initData() {
        int i, j;
        decodedEvaluation = 0;// 解码后所有车辆所走路程总和
        punishWeight = 300;// 车辆超额惩罚权重
        clientNum = 20;// 客户数目,染色体长度
        K = 5;// 最大车数目
        populationScale = 100;// 种群规模
        crossRate = 0.9;// 交叉概率
        mutationRate = 0.09;// 变异概率,实际为(1-Pc)*0.9=0.09
        T = 3000;// 进化代数
        bestFitness = 0;// 所有代数中最好的染色体的适应度
        vehicleInfoMatrix = new double[K
                + 2][3];// K下标从1开始到K,0列表示车的最大载重量,1列表示车行驶的最大距离,2列表示速度
        bestGhArr = new int[clientNum];// 所有代数中最好的染色体
        timeGhArr = new double[clientNum];// 所有代数中最好的染色体
        decodedArr = new int[clientNum];// 染色体解码后表达的每辆车的服务的客户的顺序
        distanceMatrix = new double[clientNum + 1][clientNum + 1];// 客户距离
        weightArr = new double[clientNum + 1];// 客户需求量
        oldMatrix = new int[populationScale][clientNum];// 初始种群,父代种群,行数表示种群规模,一行代表一个个体,即染色体,列表示染色体基因片段
        newMatrix = new int[populationScale][clientNum];// 新的种群,子代种群
        fitnessArr = new double[populationScale];// 种群适应度,表示种群中各个个体的适应度
        probabilityArr = new double[populationScale];// 种群中各个个体的累计概率
        x1 = new double[clientNum + 1];
        y1 = new double[clientNum + 1];
        // 车辆最大载重和最大行驶
        vehicleInfoMatrix[1][0] = 8.0;
        vehicleInfoMatrix[1][1] = 50.0;
        vehicleInfoMatrix[2][0] = 8.0;
        vehicleInfoMatrix[2][1] = 50.0;
        vehicleInfoMatrix[3][0] = 8.0;
        vehicleInfoMatrix[3][1] = 50.0;
        vehicleInfoMatrix[4][0] = 8.0;
        vehicleInfoMatrix[4][1] = 50.0;
        vehicleInfoMatrix[5][0] = 8.0;
        vehicleInfoMatrix[5][1] = 50.0;
        vehicleInfoMatrix[6][0] = maxqvehicle;// 限制最大
        vehicleInfoMatrix[6][1] = maxdvehicle;

        // 客户坐标
        x1[0] = 14.5;
        y1[0] = 13.0;
        weightArr[0] = 0.0;
        x1[1] = 12.8;
        y1[1] = 8.5;
        weightArr[1] = 0.1;
        x1[2] = 18.4;
        y1[2] = 3.4;
        weightArr[2] = 0.4;
        x1[3] = 15.4;
        y1[3] = 16.6;
        weightArr[3] = 1.2;
        x1[4] = 18.9;
        y1[4] = 15.2;
        weightArr[4] = 1.5;
        x1[5] = 15.5;
        y1[5] = 11.6;
        weightArr[5] = 0.8;
        x1[6] = 3.9;
        y1[6] = 10.6;
        weightArr[6] = 1.3;
        x1[7] = 10.6;
        y1[7] = 7.6;
        weightArr[7] = 1.7;
        x1[8] = 8.6;
        y1[8] = 8.4;
        weightArr[8] = 0.6;
        x1[9] = 12.5;
        y1[9] = 2.1;
        weightArr[9] = 1.2;
        x1[10] = 13.8;
        y1[10] = 15.2;
        weightArr[10] = 0.4;
        x1[11] = 6.7;
        y1[11] = 16.9;
        weightArr[11] = 0.9;
        x1[12] = 14.8;
        y1[12] = 7.6;
        weightArr[12] = 1.3;
        x1[13] = 1.8;
        y1[13] = 8.7;
        weightArr[13] = 1.3;
        x1[14] = 17.1;
        y1[14] = 11.0;
        weightArr[14] = 1.9;
        x1[15] = 7.4;
        y1[15] = 1.0;
        weightArr[15] = 1.7;
        x1[16] = 0.2;
        y1[16] = 2.8;
        weightArr[16] = 1.1;
        x1[17] = 11.9;
        y1[17] = 19.8;
        weightArr[17] = 1.5;
        x1[18] = 13.2;
        y1[18] = 15.1;
        weightArr[18] = 1.6;
        x1[19] = 6.4;
        y1[19] = 5.6;
        weightArr[19] = 1.7;
        x1[20] = 9.6;
        y1[20] = 14.8;
        weightArr[20] = 1.5;

        double x = 0, y = 0;
        // 客户之间距离
        int endIndex = clientNum + 1;
        for (i = 0; i < endIndex; i++) {
            for (j = 0; j < endIndex; j++) {
                x = x1[i] - x1[j];
                y = y1[i] - y1[j];
                distanceMatrix[i][j] = Math.sqrt(x * x + y * y);
            }
        }

    }

    // 染色体评价函数,输入一个染色体,得到该染色体评价值
    double caculateFitness(int[] Gh) {
        // 染色体从下标0开始到L-1;
        int i, j;// i车的编号,j客户编号
        int flag;// 超额使用的车数
        double cur_d, cur_q, evaluation;// 当前车辆行驶距离,载重量,评价值,即各车行驶总里程

        cur_d = distanceMatrix[0][Gh[0]];// Gh[0]表示第一个客户,
        cur_q = weightArr[Gh[0]];

        i = 1;// 从1号车开始,默认第一辆车能满足第一个客户的需求
        evaluation = 0;// 评价值初始为0
        flag = 0;// 表示车辆数未超额

        for (j = 1; j < clientNum; j++) {
            cur_q = cur_q + weightArr[Gh[j]];
            cur_d = cur_d + distanceMatrix[Gh[j]][Gh[j - 1]];

            // 如果当前客户需求大于车的最大载重,或者距离大于车行驶最大距离,调用下一辆车
            if (cur_q > vehicleInfoMatrix[i][0]
                    || cur_d + distanceMatrix[Gh[j]][0]
                    > vehicleInfoMatrix[i][1])// 还得加上返回配送中心距离
            {
                i = i + 1;// 使用下一辆车
                evaluation =
                        evaluation + cur_d - distanceMatrix[Gh[j]][Gh[j - 1]]
                                + distanceMatrix[Gh[j - 1]][0];
                cur_d = distanceMatrix[0][Gh[j]];// 从配送中心到当前客户j距离
                cur_q = weightArr[Gh[j]];
            }
        }
        evaluation = evaluation + cur_d + distanceMatrix[Gh[clientNum
                - 1]][0];// 加上最后一辆车走的距离
        flag = i - K;// 看车辆使用数目是否大于规定车数,最多只超一辆车
        if (flag < 0)
            flag = 0;// 不大于则不惩罚

        evaluation = evaluation + flag * punishWeight;// 超额车数乘以惩罚权重
        return 10 / evaluation;// 压缩评价值

    }

    // 染色体解码函数,输入一个染色体,得到该染色体表达的每辆车的服务的客户的顺序
    void decoding(int[] Gh) {
        // 染色体从下标0开始到L-1;
        int i, j;// i车的编号,j客户编号
        double cur_d, cur_q, evaluation;// 当前车辆行驶距离,载重量,评价值,即各车行驶总里程
        cur_d = distanceMatrix[0][Gh[0]];// Gh[0]表示第一个客户,
        cur_q = weightArr[Gh[0]];
        i = 1;// 从1号车开始,默认第一辆车能满足第一个客户的需求
        decodedArr[i] = 1;
        evaluation = 0;
        for (j = 1; j < clientNum; j++) {
            cur_q = cur_q + weightArr[Gh[j]];
            cur_d = cur_d + distanceMatrix[Gh[j]][Gh[j - 1]];
            // 如果当前客户需求大于车的最大载重,或者距离大于车行驶最大距离,调用下一辆车
            if (cur_q > vehicleInfoMatrix[i][0]
                    || cur_d + distanceMatrix[Gh[j]][0]
                    > vehicleInfoMatrix[i][1]) {
                i = i + 1;// 使用下一辆车
                decodedArr[i] = decodedArr[i - 1] + 1;//
                evaluation =
                        evaluation + cur_d - distanceMatrix[Gh[j]][Gh[j - 1]]
                                + distanceMatrix[Gh[j - 1]][0];
                cur_d = distanceMatrix[0][Gh[j]];// 从配送中心到当前客户j距离
                cur_q = weightArr[Gh[j]];
            } else {
                decodedArr[i] = decodedArr[i] + 1;//
            }
        }
        decodedEvaluation = evaluation + cur_d + distanceMatrix[Gh[clientNum
                - 1]][0];// 加上最后一辆车走的距离
        KK = i;

    }

    // 初始化种群
    void initGroup() {
        int i, k;
        int randomNum = 0;
        for (k = 0; k < populationScale; k++)// 种群数
        {
            for (i = 0; i < clientNum; i++)
                oldMatrix[k][i] = i + 1;
            for (i = 0; i < clientNum; i++) {
                randomNum = ra.nextInt(clientNum);
                swap(oldMatrix[k], i, randomNum);
            }
        }

        // 显示初始化种群
        //		System.out.println("///显示初始种群开始(In initGroup method)");
        //		for (k = 0; k < populationScale; k++)
        //			System.out.println(Arrays.toString(oldMatrix[k]));
        //		System.out.println("///显示初始种群结束");
    }

    public void swap(int arr[], int index1, int index2) {
        int temp = arr[index1];
        arr[index1] = arr[index2];
        arr[index2] = temp;
    }

    // 计算种群中各个个体的累积概率,前提是已经计算出各个个体的适应度Fitness[max],作为赌轮选择策略一部分,Pi[max]
    void countRate() {
        int k;
        double sumFitness = 0;// 适应度总和

        for (k = 0; k < populationScale; k++) {
            sumFitness += fitnessArr[k];
        }

        // 计算各个个体累计概率
        probabilityArr[0] = fitnessArr[0] / sumFitness;
        for (k = 1; k < populationScale; k++) {
            probabilityArr[k] =
                    fitnessArr[k] / sumFitness + probabilityArr[k - 1];
        }
    }

    // 复制染色体,k表示新染色体在种群中的位置,kk表示旧的染色体在种群中的位置
    void copyChrosome(int k, int kk) {
        System.arraycopy(oldMatrix[kk], 0, newMatrix[k], 0, clientNum);
    }

    // 挑选某代种群中适应度最高的个体,直接复制到子代中,前提是已经计算出各个个体的适应度Fitness[max]
    void selectBestChrosome() {
        int k, maxid;
        double maxevaluation;
        maxid = 0;
        maxevaluation = fitnessArr[0];
        for (k = 1; k < populationScale; k++) {
            if (maxevaluation < fitnessArr[k]) {
                maxevaluation = fitnessArr[k];
                maxid = k;
            }
        }

        if (bestFitness < maxevaluation) {
            bestFitness = maxevaluation;
            bestGenerationNum = t;// 最好的染色体出现的代数;
            System.arraycopy(oldMatrix[maxid], 0, bestGhArr, 0, clientNum);
        }
        // 复制染色体,k表示新染色体在种群中的位置,kk表示旧的染色体在种群中的位置
        copyChrosome(0, maxid);// 将当代种群中适应度最高的染色体k复制到新种群中,排在第一位0
    }

    // 产生随机数

    int select() {
        int k;
        double ran1;
        ran1 = Math.abs(ra.nextDouble());
        for (k = 0; k < populationScale; k++) {
            if (ran1 <= probabilityArr[k]) {
                break;
            }
        }
        return k;
    }

    // 类OX交叉算子,交叉算子不够优秀
    void oxCrossover(int k1, int k2) {
        int i, j, k, flag;
        int ran1, ran2, temp;
        int[] Gh1 = new int[clientNum];
        int[] Gh2 = new int[clientNum];
        ran1 = ra.nextInt(clientNum);
        ran2 = ra.nextInt(clientNum);
        while (ran1 == ran2)
            ran2 = ra.nextInt(clientNum);
        if (ran1 > ran2)// 确保ran1<ran2
        {
            temp = ran1;
            ran1 = ran2;
            ran2 = temp;
        }
        flag = ran2 - ran1 + 1;// 删除重复基因前染色体长度

        for (i = 0, j = ran1; i < flag; i++, j++) {
            Gh1[i] = newMatrix[k2][j];
            Gh2[i] = newMatrix[k1][j];
        }
        // 已近赋值i=ran2-ran1个基因
        for (k = 0, j = flag; j < clientNum; j++)// 染色体长度
        {
            i = 0;
            while (i != flag) {
                Gh1[j] = newMatrix[k1][k++];
                i = 0;
                while (i < flag && Gh1[i] != Gh1[j])
                    i++;
            }
        }

        for (k = 0, j = flag; j < clientNum; j++)// 染色体长度
        {
            i = 0;
            while (i != flag) {
                Gh2[j] = newMatrix[k2][k++];
                i = 0;
                while (i < flag && Gh2[i] != Gh2[j])
                    i++;
            }
        }
        System.arraycopy(Gh1, 0, newMatrix[k1], 0, clientNum);
        System.arraycopy(Gh2, 0, newMatrix[k2], 0, clientNum);
    }

    // 对种群中的第k个染色体进行变异
    void mutation(int k) {
        int ran1, ran2;
        ran1 = ra.nextInt(clientNum);
        ran2 = ra.nextInt(clientNum);
        while (ran1 == ran2)
            ran2 = ra.nextInt(clientNum);
        swap(newMatrix[k], ran1, ran2);

    }

    // 进化函数,保留最优
    void evolution() {
        int k, selectId;
        double r;// 大于0小于1的随机数
        // 挑选某代种群中适应度最高的个体
        selectBestChrosome();
        // 赌轮选择策略挑选scale-1个下一代个体
        for (k = 1; k < populationScale; k++) {
            selectId = select();
            copyChrosome(k, selectId);
        }
        for (k = 1; k + 1 < populationScale / 2; k = k + 2) {
            r = Math.abs(ra.nextDouble());
            // crossover
            if (r < crossRate) {
                oxCrossover(k, k + 1);// 进行交叉
            } else {
                r = Math.abs(ra.nextDouble());
                if (r < mutationRate) {
                    mutation(k);
                }
                r = Math.abs(ra.nextDouble());
                if (r < mutationRate) {
                    mutation(k + 1);
                }
            }
        }
        if (k == populationScale / 2 - 1)// 剩最后一个染色体没有交叉L-1
        {
            r = Math.abs(ra.nextDouble());
            if (r < mutationRate) {
                mutation(k);
            }
        }

    }

    public BestResult solveVrp() {
        int i, j, k;
        BestResult bestResult = new BestResult();
        // 初始化数据,不同问题初始化数据不一样
        initData();

        // 初始化种群
        initGroup();
        int[] tempGA = new int[clientNum];

        // 计算初始化种群适应度,Fitness[max]
        for (k = 0; k < populationScale; k++) {
            for (i = 0; i < clientNum; i++) {
                tempGA[i] = oldMatrix[k][i];
            }

            fitnessArr[k] = caculateFitness(tempGA);
        }

        // 计算初始化种群中各个个体的累积概率,Pi[max]
        countRate();
        for (t = 0; t < T; t++) {
            evolution();// 进化函数,保留最优
            // 将新种群newMatrix复制到旧种群oldMatrix中,准备下一代进化
            for (k = 0; k < populationScale; k++)
                System.arraycopy(newMatrix[k], 0, oldMatrix[k], 0, clientNum);
            // 计算种群适应度,Fitness[max]
            for (k = 0; k < populationScale; k++) {
                System.arraycopy(oldMatrix[k], 0, tempGA, 0, clientNum);
                fitnessArr[k] = caculateFitness(tempGA);
            }
            // 计算种群中各个个体的累积概率,Pi[max]
            countRate();
            // 进度条
        }
        // 最后种群
        //		System.out.println("//");
        //		for (k = 0; k < populationScale; k++)
        //			System.out.println(Arrays.toString(oldMatrix[k]));
        //		System.out.println("\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\t");
        // 出现代数
        System.out.println("最好的代数出现在:" + bestGenerationNum + "代");
        // 染色体评价值
        System.out.println("最好的结果为:" + (10 / bestFitness) + "或" + bestFitness);
        // 最好的染色体
        System.out.println(Arrays.toString(bestGhArr));
        // 最好的染色体解码
        decoding(bestGhArr);
        // 使用车数
        System.out.println("使用车数:" + KK);
        // 解码
        System.out.println("车辆解码:" + Arrays.toString(decodedArr));
        System.out.println("车辆行驶距离解码:" + decodedEvaluation);
        String tefa = "";
        int tek;
        int[] templ = new int[max];

        for (i = 1; i <= KK; i++) {

            templ[1] = 0;
            tefa = "0-";
            tek = decodedArr[i - 1];
            for (j = tek, k = 2; j < decodedArr[i]; j++, k++) {
                tefa = tefa + bestGhArr[j] + "-";
                templ[k] = bestGhArr[j];
            }
            templ[k] = 0;
            templ[0] = k;
            tefa = k + "-" + tefa + "0";
            System.out.println(tefa);
        }
        bestResult.setBestFitness(10 / bestFitness);
        bestResult.setBestGenerationNum(bestGenerationNum);
        return bestResult;
    }

    public static void main(String[] args) {
        VehicleRoutingProblem vehicleRoutingProblem = new VehicleRoutingProblem();
        int count = 50;
        double generationNum = 0;
        double totalFitness = 0;
        BestResult bestResult = null;
        for (int i = 0; i < count; i++) {
            System.out.println(
                    "/the " + (i + 1) + "iteration start...");
            bestResult = vehicleRoutingProblem.solveVrp();
            totalFitness += bestResult.getBestFitness();
            generationNum += bestResult.getBestGenerationNum();
            System.out.println(
                    "/the " + (i + 1) + "iteration end...");
            System.out.println();
        }
        System.out.println("平均在第" + (generationNum / count) + "代找到最有解。");
        System.out.println("平均的路成为:" + (totalFitness / count));

    }

}

class BestResult {
    private double bestFitness;
    private int bestGenerationNum;

    public int getBestGenerationNum() {
        return bestGenerationNum;
    }

    public void setBestGenerationNum(int bestGenerationNum) {
        this.bestGenerationNum = bestGenerationNum;
    }

    public double getBestFitness() {
        return bestFitness;
    }

    public void setBestFitness(double bestFitness) {
        this.bestFitness = bestFitness;
    }

}

IV. 擅长遗传算法、作业调度、路线规划,扫码进行技术咨询

 

 

 

 

已标记关键词 清除标记
相关推荐
©️2020 CSDN 皮肤主题: 编程工作室 设计师:CSDN官方博客 返回首页