基于python语言,实现经典离散粒子群(DPSO)对带有时间窗的车辆路径规划问题( VRPTW )进行求解。
往期优质资源
- python实现6种智能算法求解CVRP问题
- python实现7种智能算法求解MDVRP问题
- python实现7种智能算法求解MDVRPTW问题
- Python版MDHFVRPTW问题智能求解算法代码【TS算法】
- Python版MDHFVRPTW问题智能求解算法代码【SA算法】
- Python版MDHFVRPTW问题智能求解算法代码【GA算法】
- Python版MDHFVRPTW问题智能求解算法代码【DPSO算法】
- Python版MDHFVRPTW问题智能求解算法代码【DE算法】
- Python版MDHFVRPTW问题智能求解算法代码【ACO算法】
- Python版HVRP问题智能求解算法代码【GA算法】
- Python版HVRP问题智能求解算法代码【DPSO算法】
1. 适用场景
- 求解VRPTW
- 车辆类型单一
- 车辆容量不小于需求节点最大需求
- 车辆路径长度或运行时间无限制
- 需求节点服务成本满足三角不等式
- 节点时间窗至少满足车辆路径只包含一个需求节点的情况
- 单一车辆基地
- 各车场车辆总数满足实际需求
2. 求解效果
(1)收敛曲线
(2)车辆路径
)
3. 代码分析
应用DPSO算法求解MDVRPTW时保留了已有代码的架构与思路,为能够求解带有时间窗的(多车场)车辆路径规划问题,这里参考既有文献对路径分割算法进行了改进("splitRoutes"函数),在分割车辆路径时不仅考虑了车辆容量限制,还考虑了节点的时间窗约束,以此使得分割后的路径可行。在此改进下继承了大量原有代码,降低了代码改进量。
4. 数据格式
以csv文件储存数据,其中demand.csv文件记录需求节点数据,共包含需求节点id,需求节点横坐标,需求节点纵坐标,需求量;depot.csv文件记录车场节点数据,共包含车场id,车场横坐标,车场纵坐标,车队数量。需要注意的是:需求节点id应为整数,车场节点id任意,但不可与需求节点id重复。 可参考github主页相关文件。
5. 分步实现
(1)数据结构
定义Sol()类,Node()类,Model()类,其属性如下表:
- Sol()类,表示一个可行解
属性 | 描述 |
---|---|
obj | 优化目标值 |
node_id_list | 需求节点id有序排列集合 |
cost_of_distance | 距离成本 |
cost_of_time | 时间成本 |
action_id | 解所对应的算子id,用于禁用算子 |
route_list | 车辆路径集合,对应MDVRPTW的解 |
timetable_list | 车辆节点访问时间集合,对应MDVRPTW的解 |
- Node()类,表示一个网络节点
属性 | 描述 |
---|---|
id | 物理节点id,需唯一 |
x_coord | 物理节点x坐标 |
y_coord | 物理节点y坐标 |
demand | 物理节点需求 |
depot_capacity | 车辆基地车队规模 |
start_time | 最早开始服务(被服务)时间 |
end_time | 最晚结束服务(被服务)时间 |
service_time | 需求节点服务时间 |
- Model()类,存储算法参数
属性 | 描述 |
---|---|
best_sol | 全局最优解,值类型为Sol() |
sol_list | 可行解集合,值类型为Sol() |
demand_dict | 需求节点集合(字典),值类型为Node() |
depot_dict | 车场节点集合(字典),值类型为Node() |
depot_id_list | 车场节点id集合 |
demand_id_list | 需求节点id集合 |
distance_matrix | 节点距离矩阵 |
time_matrix | 节点旅行时间矩阵 |
number_of_demands | 需求节点数量 |
opt_type | 优化目标类型,0:最小旅行距离,1:最小时间成本 |
vehicle_cap | 车辆容量 |
vehicle_speed | 车辆行驶速度,用于计算旅行时间 |
pl | 可行解历史最优位置 |
pg | 全局最优解历史最优位置 |
v | 可行解更新速度 |
Vmax | 最大速度 |
w | 惯性权重 |
c1 | 学习因子 |
c2 | 学习因子 |
(2)文件读取
def readCSVFile(demand_file,depot_file,model):
with open(demand_file,'r') as f:
demand_reader=csv.DictReader(f)
for row in demand_reader:
node = Node()
node.id = int(row['id'])
node.x_coord = float(row['x_coord'])
node.y_coord = float(row['y_coord'])
node.demand = float(row['demand'])
node.start_time=float(row['start_time'])
node.end_time=float(row['end_time'])
node.service_time=float(row['service_time'])
model.demand_dict[node.id] = node
model.demand_id_list.append(node.id)
model.number_of_demands=len(model.demand_id_list)
with open(depot_file, 'r') as f:
depot_reader = csv.DictReader(f)
for row in depot_reader:
node = Node()
node.id = row['id']
node.x_coord = float(row['x_coord'])
node.y_coord = float(row['y_coord'])
node.depot_capacity = float(row['capacity'])
node.start_time=float(row['start_time'])
node.end_time=float(row['end_time'])
model.depot_dict[node.id] = node
model.depot_id_list.append(node.id)
(3)计算距离&时间矩阵
def calDistanceTimeMatrix(model):
for i in range(len(model.demand_id_list)):
from_node_id = model.demand_id_list[i]
for j in range(i + 1, len(model.demand_id_list)):
to_node_id = model.demand_id_list[j]
dist = math.sqrt((model.demand_dict[from_node_id].x_coord - model.demand_dict[to_node_id].x_coord) ** 2
+ (model.demand_dict[from_node_id].y_coord - model.demand_dict[to_node_id].y_coord) ** 2)
model.distance_matrix[from_node_id, to_node_id] = dist
model.distance_matrix[to_node_id, from_node_id] = dist
model.time_matrix[from_node_id,to_node_id] = math.ceil(dist/model.vehicle_speed)
model.time_matrix[to_node_id,from_node_id] = math.ceil(dist/model.vehicle_speed)
for _, depot in model.depot_dict.items():
dist = math.sqrt((model.demand_dict[from_node_id].x_coord - depot.x_coord) ** 2
+ (model.demand_dict[from_node_id].y_coord - depot.y_coord) ** 2)
model.distance_matrix[from_node_id, depot.id] = dist
model.distance_matrix[depot.id, from_node_id] = dist
model.time_matrix[from_node_id,depot.id] = math.ceil(dist/model.vehicle_speed)
model.time_matrix[depot.id,from_node_id] = math.ceil(dist/model.vehicle_speed)
(4)目标值计算
适应度计算依赖" splitRoutes "函数对有序节点序列行解分割得到车辆行驶路线,同时在得到各车辆形式路线后在满足车场车队规模条件下分配最近车场,之后调用 " calTravelCost "函数确定车辆访问各路径节点的到达和离开时间点,并计算旅行距离成本和旅行时间成本。
def calTravelCost(route_list,model):
timetable_list=[]
cost_of_distance=0
cost_of_time=0
for route in route_list:
timetable=[]
for i in range(len(route)):
if i == 0:
depot_id=route[i]
next_node_id=route[i+1]
travel_time=model.time_matrix[depot_id,next_node_id]
departure=max(0,model.demand_dict[next_node_id].start_time-travel_time)
timetable.append((departure,departure))
elif 1<= i <= len(route)-2:
last_node_id=route[i-1]
current_node_id=route[i]
current_node = model.demand_dict[current_node_id]
travel_time=model.time_matrix[last_node_id,current_node_id]
arrival=max(timetable[-1][1]+travel_time,current_node.start_time)
departure=arrival+current_node.service_time
timetable.append((arrival,departure))
cost_of_distance = cost_of_distance + model.distance_matrix[last_node_id,current_node_id]
cost_of_time += model.time_matrix[last_node_id,current_node_id] + current_node.service_time\
+max(current_node.start_time-timetable[-1][1]+travel_time,0)
else:
last_node_id = route[i - 1]
depot_id=route[i]
travel_time = model.time_matrix[last_node_id,depot_id]
departure = timetable[-1][1]+travel_time
timetable.append((departure,departure))
cost_of_distance +=model.distance_matrix[last_node_id,depot_id]
cost_of_time+=model.time_matrix[last_node_id,depot_id]
timetable_list.append(timetable)
return timetable_list,cost_of_time,cost_of_distance
def calObj(sol,model):
node_id_list=copy.deepcopy(sol.node_id_list)
num_vehicle, sol.route_list = splitRoutes(node_id_list, model)
sol.timetable_list,sol.cost_of_time,sol.cost_of_distance =calTravelCost(sol.route_list,model)
if model.opt_type == 0:
sol.obj=sol.cost_of_distance
else:
sol.obj=sol.cost_of_time
(5)生成初始粒子群
def genInitialSol(model,popsize):
demand_id_list=copy.deepcopy(model.demand_id_list)
best_sol=Sol()
best_sol.obj=float('inf')
for i in range(popsize):
seed = int(random.randint(0, 10))
random.seed(seed)
random.shuffle(demand_id_list)
sol=Sol()
sol.node_id_list= copy.deepcopy(demand_id_list)
calObj(sol,model)
model.sol_list.append(sol)
model.v.append([model.Vmax]*len(model.demand_id_list))
model.pl.append(sol.node_id_list)
if sol.obj<best_sol.obj:
best_sol=copy.deepcopy(sol)
model.best_sol=best_sol
model.pg=best_sol.node_id_list
(6)速度及位置更新
def updatePosition(model):
w=model.w
c1=model.c1
c2=model.c2
pg = model.pg
for id,sol in enumerate(model.sol_list):
x=sol.node_id_list
v=model.v[id]
pl=model.pl[id]
r1=random.random()
r2=random.random()
new_v=[]
for i in range(len(model.demand_id_list)):
v_=w*v[i]+c1*r1*(pl[i]-x[i])+c2*r2*(pg[i]-x[i])
if v_>0:
new_v.append(min(v_,model.Vmax))
else:
new_v.append(max(v_,-model.Vmax))
new_x=[min(int(x[i]+new_v[i]),len(model.demand_id_list)-1) for i in range(len(model.demand_id_list)) ]
new_x=adjustRoutes(new_x,model)
model.v[id]=new_v
new_sol=Sol()
new_sol.node_id_list=new_x
calObj(new_sol,model)
if new_sol.obj<sol.obj:
model.pl[id]=copy.deepcopy(new_x)
if new_sol.obj<model.best_sol.obj:
model.best_sol=copy.deepcopy(new_sol)
model.pg=copy.deepcopy(new_x)
model.sol_list[id]= copy.deepcopy(new_sol)
def adjustRoutes(node_id_list,model):
all_node_list=copy.deepcopy(model.demand_id_list)
repeat_node=[]
for id,node_id in enumerate(node_id_list):
if node_id in all_node_list:
all_node_list.remove(node_id)
else:
repeat_node.append(id)
for i in range(len(repeat_node)):
node_id_list[repeat_node[i]]=all_node_list[i]
return node_id_list
(7)绘制收敛曲线
def plotObj(obj_list):
plt.rcParams['font.sans-serif'] = ['SimHei'] #show chinese
plt.rcParams['axes.unicode_minus'] = False # Show minus sign
plt.plot(np.arange(1,len(obj_list)+1),obj_list)
plt.xlabel('Iterations')
plt.ylabel('Obj Value')
plt.grid()
plt.xlim(1,len(obj_list)+1)
plt.show()
(8)绘制车辆路线
def plotRoutes(model):
for route in model.best_sol.route_list:
x_coord=[model.depot_dict[route[0]].x_coord]
y_coord=[model.depot_dict[route[0]].y_coord]
for node_id in route[1:-1]:
x_coord.append(model.demand_dict[node_id].x_coord)
y_coord.append(model.demand_dict[node_id].y_coord)
x_coord.append(model.depot_dict[route[-1]].x_coord)
y_coord.append(model.depot_dict[route[-1]].y_coord)
plt.grid()
if route[0]=='d1':
plt.plot(x_coord,y_coord,marker='o',color='black',linewidth=0.5,markersize=5)
elif route[0]=='d2':
plt.plot(x_coord,y_coord,marker='o',color='orange',linewidth=0.5,markersize=5)
else:
plt.plot(x_coord,y_coord,marker='o',color='b',linewidth=0.5,markersize=5)
plt.xlabel('x_coord')
plt.ylabel('y_coord')
plt.show()
(9)输出结果
def outPut(model):
work=xlsxwriter.Workbook('result.xlsx')
worksheet=work.add_worksheet()
worksheet.write(0, 0, 'cost_of_time')
worksheet.write(0, 1, 'cost_of_distance')
worksheet.write(0, 2, 'opt_type')
worksheet.write(0, 3, 'obj')
worksheet.write(1,0,model.best_sol.cost_of_time)
worksheet.write(1,1,model.best_sol.cost_of_distance)
worksheet.write(1,2,model.opt_type)
worksheet.write(1,3,model.best_sol.obj)
worksheet.write(2,0,'vehicleID')
worksheet.write(2,1,'route')
worksheet.write(2,2,'timetable')
for row,route in enumerate(model.best_sol.route_list):
worksheet.write(row+3,0,'v'+str(row+1))
r=[str(i)for i in route]
worksheet.write(row+3,1, '-'.join(r))
r=[str(i)for i in model.best_sol.timetable_list[row]]
worksheet.write(row+3,2, '-'.join(r))
work.close()
(10)主函数
def run(demand_file,depot_file,epochs,popsize,Vmax,v_cap,opt_type,w,c1,c2):
"""
:param demand_file: demand file path
:param depot_file: depot file path
:param epochs: 迭代次数
:param popsize: 邻域规模
:param v_cap: 车辆容量
:param Vmax :最大速度
:param opt_type: 优化类型:0:最小化车辆数,1:最小化行驶距离
:param w: 惯性权重
:param c1:学习因子
:param c2:学习因子
:return:
"""
model=Model()
model.vehicle_cap=v_cap
model.opt_type=opt_type
model.w=w
model.c1=c1
model.c2=c2
model.Vmax=Vmax
readCSVFile(demand_file,depot_file,model)
calDistanceTimeMatrix(model)
history_best_obj=[]
genInitialSol(model,popsize)
history_best_obj.append(model.best_sol.obj)
for ep in range(epochs):
updatePosition(model)
history_best_obj.append(model.best_sol.obj)
print("%s/%s: best obj: %s"%(ep,epochs,model.best_sol.obj))
plotObj(history_best_obj)
plotRoutes(model)
outPut(model)
6. 完整代码
有偿,私信
参考
- A Genetic Algorithm for The Vehicle Routing Problem with Time Windows
- A simple and effective evolutionary algorithm for the vehicle routing problem