【CVRP&VRPTW】Python+Gurobi求解运输问题建模实践二

最新推荐文章于 2024-04-01 15:40:29 发布
最新推荐文章于 2024-04-01 15:40:29 发布
阅读量1.2w 收藏 166
点赞数 28
分类专栏： Python调用Gurobi建模实践 车辆路径规划问题 文章标签： python CVRP VRPTW Gurobi
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/python_n/article/details/123736288
版权

采用Python+Gurobi实现车辆路径规划问题建模求解【CVRP&VRPTW】

目录

今天以经典CVRP和VRPTW为例，讲解如何采用python+gurobi编程求解。个人认为采用求解器求解数学模型的关键在于拿到一个正确的数学模型！本人在求解CVRP时，通过文献库搜索了很多文章，限于个人能力，无法采用gurobi对其模型进行求解。最后借用了微信博文中提到的数学模型。（文末给出链接）

往期资料

1. CVRP

1.1 适用场景

  • 求解CVRP
  • python+gurobi

1.2 数学模型

后续代码所对应的数学模型源自以下文章：

https://mp.weixin.qq.com/s/DYh-5WkrYxk1gCKo8ZjvAw

1.3 数据结构

采用.xlsx文件储存数据文件，共包含两个sheet，命名为：node，link。
在 ‘node’ sheet中内容如下：
在这里插入图片描述

在 ‘link’ sheet中内容如下：
在这里插入图片描述

1.4 编程实现

（1）读取文件

def readXlsxFile(filename):
    df=pd.read_excel(filename,sheet_name=None)
    "读取节点信息"
    df_node=df['node']
    depot=df_node['id'][0]
    N = [depot]
    C = []
    Q = {}
    for i in range(df_node.shape[0]):
        id=df_node['id'][i]
        demand=df_node['demand'][i]
        N.append(id)
        C.append(id)
        Q[id]=int(demand)
    N = tuplelist(N)
    C = tuplelist(C)
    Q=tupledict(Q)

    "读取网络弧信息"
    Cost={}
    df_link=df['link']
    for i in range(df_link.shape[0]):
        from_node_id=df_link['from_node_id'][i]
        to_node_id=df_link['to_node_id'][i]
        cost=df_link['link_cost'][i]
        Cost[from_node_id,to_node_id]=cost
    Cost=tupledict(Cost)
    return depot,C,N,Q,Cost

（2）模型构建与求解

def solveCVRPModel(depot,C,N,Q,Cost,n_vehicles=20,CAP=100):
    """
    :param depot: 车场索引
    :param C: 需求点集合
    :param N: 所有点集合
    :param Q: 需求集合
    :param Cost: 弧运输成本集合
    :param n_vehicles: 最大车辆数量
    :param CAP: 车辆容量
    :return:
    """
    "构建车队"
    K=tuplelist([f'v'+str(k) for k in range(n_vehicles)])
    "实例化模型"
    model=Model('cvrp')
    "添加变量"
    X=model.addVars( N,N,K,vtype=GRB.BINARY,name='X[i,j,k]')
    Y=model.addVars( K,N,vtype=GRB.BINARY,name='Y[k,i]')
    U=model.addVars( K,N,vtype=GRB.CONTINUOUS,name='U[k,i]')
    "目标函数：最小化路径成本"
    z1=quicksum( Cost[i,j]*X[i,j,k] for i in N for j in N for k in K if i!=j)
    model.setObjective(z1,GRB.MINIMIZE)
    "约束：需求覆盖约束"
    model.addConstrs( quicksum( Y[k,i] for k in K ) ==1 for i in C )
    "约束：车辆数量约束"
    model.addConstr( quicksum( Y[k,depot] for k in K) == n_vehicles )
    "约束：流平衡"
    model.addConstrs( quicksum( X[i,j,k] for j in N ) == quicksum( X[j,i,k] for j in N ) for i in N for k in K )
    "约束：决策变量关联"
    model.addConstrs( quicksum( X[i,j,k] for j in N ) == Y[k,i] for i in N for k in K )
    "约束：容量限制"
    model.addConstrs( quicksum( Q[i]*Y[k,i] for i in C ) <= CAP for k in K )
    "约束：破除子环"
    model.addConstrs( U[k,i]-U[k,j]+CAP*X[i,j,k] <= CAP-Q[i] for i in C for j in C for k in K )
    model.addConstrs( Q[i] <= U[k,i] for k in K for i in C )
    model.addConstrs( U[k,i] <= CAP for k in K for i in C)
    "求解"
    model.Params.TimeLimit = 300 # 设置求解时间上限
    model.optimize()
    if model.status == GRB.Status.OPTIMAL or model.status == GRB.Status.TIME_LIMIT:
        for k in K:
            for i in N:
                for j in N:
                    if i!=j :
                        if X[i,j,k].x>0:
                            print("X[{},{},{}]=1".format(i,j,k))
        print("obj:{}".format(model.objVal))
    else:
        print("no solution")

2. VRPTW

2.1 适用场景

  • 求解VRPTW
  • python+gurobi

2.2 数学模型

后续代码所对应的数学模型源自以下文章：

https://mp.weixin.qq.com/s/tF-ayzjpZfuZvelvItuecw

2.3 数据结构

采用.csv文件格式储存数据文件，分别为：node.csv 和link.csv
在 ‘node.csv’ 中内容如下：
在这里插入图片描述
在 ‘link.csv’ 中内容如下：
在这里插入图片描述

2.4 编程实现

（1）读取文件

def readCsvFile(node_file,link_file):
    """
    :param node_file: 节点文件，
    :param link_file: 网络弧文件
    :return:
    """
    N=[] #所有节点
    Q={} #节点需求
    TT={} #节点旅行时间
    ET={} #节点最早开始服务时间
    LT={} #节点最晚结束服务时间
    ST={} #节点服务时间
    Cost={}
    with open(node_file,'r') as f:
        node_reader=csv.DictReader(f)
        for row in node_reader:
            node_id = row['id']
            demand = float(row['demand'])
            start_time = float(row['start_time'])
            end_time = float(row['end_time'])
            service_time = float(row['service_time'])
            N.append(node_id)
            Q[node_id] = demand
            ET[node_id] = start_time
            LT[node_id] = end_time
            ST[node_id] = service_time
    with open(link_file,'r') as f:
        link_reader = csv.DictReader(f)
        for row in link_reader:
            from_node_id = row['from_node_id']
            to_node_id = row['to_node_id']
            travel_time = float(row['travel_time'])
            travel_cost = float(row['link_cost'])
            TT[from_node_id,to_node_id] = travel_time
            Cost[from_node_id,to_node_id] = travel_cost
    return N,Q,TT,ET,LT,ST,Cost

（2）模型构建与求解

def solveVRPTWModel(N,Q,TT,ET,LT,ST,Cost,CAP,K):
    """
    :param N: 所有节点集合，其中N[0]为车场
    :param Q: 节点需求集合
    :param TT: 旅行时间
    :param ET: 节点最早开始服务时间
    :param LT：节点最晚结束服务时间
    :param ST: 节点服务时间
    :param CAP: 车辆容量
    :param Cost: 旅行费用
    :param K: 车队数量
    :return:
    """
    C=tuplelist(N[1:]) #需求节点
    N=tuplelist(N)
    Q=tupledict(Q)
    TT=tupledict(TT)
    E=tupledict(ET)
    L=tupledict(LT)
    S=tupledict(ST)
    K=tuplelist([f'v'+str(i) for i in range(K)])
    M=10**5
    depot = N[0]
    "创建模型"
    model=Model()
    "添加变量"
    X=model.addVars(N,N,K,vtype=GRB.BINARY,name='X(i,j,k)')
    T=model.addVars( N,K,vtype=GRB.CONTINUOUS,lb=0,name='T[i,k]')
    "设置目标函数"
    z1=quicksum( Cost[i,j]*X[i,j,k] for i in N for j in N for k in K if i!=j)
    model.setObjective(z1,GRB.MINIMIZE)
    "车辆起点约束"
    model.addConstrs(quicksum(X[depot, j, k] for j in N) == 1 for k in K)
    "车辆路径连续约束"
    model.addConstrs( quicksum(X[i,j,k] for j in N if j!=i)==quicksum(X[j,i,k] for j in N if j!=i) for i in C for k in K)
    "车辆终点约束"
    model.addConstrs(quicksum(X[j, depot, k] for j in N) == 1 for k in K)
    "需求服务约束"
    model.addConstrs( quicksum(X[i,j,k] for k in K for j in N if j!=i)==1 for i in C)
    "车辆容量约束"
    model.addConstrs( quicksum(Q[i]*X[i,j,k] for i in C for j in N if i!=j)<=CAP for k in K )
    "时间窗约束"
    model.addConstrs( T[i,k]+S[i]+TT[i,j]-(1-X[i,j,k])*M<=T[j,k] for i in C for j in C for k in K if i!=j )
    model.addConstrs( T[i,k] >= E[i] for i in N for k in K)
    model.addConstrs( T[i,k] <= L[i] for i in N for k in K)
    "设置模型参数"
    model.Params.TimeLimit = 300 # 规模较大时可设置求解时间限制
    # model.setParam('OutputFlag', 0) #是否输出求解日志
    "模型求解"
    model.optimize()
    "判断求解状态"
    if model.status == GRB.Status.OPTIMAL or model.status == GRB.Status.TIME_LIMIT:
        print('obj={}'.format(model.objVal))
        res=[]
        for k in K:
            for i in N:
                for j in N:
                    if i!=j:
                        if X[i,j,k].x>0:
                            print("X[{},{},{}]=1".format(i,j,k))
                            res.append([i,j,k,T[i,k].x,T[j,k].x])
        saveFile(res)
    else:
        print("no solution")

（3）保存结果

def saveFile(data):
    outfile = open('results.csv', 'w', newline='', errors='ignore')
    write = csv.writer(outfile)
    write.writerow(['from_node_id', 'to_node_id', 'vehicle','Ti','Tj'])
    for v in data:
        write.writerow(v)
    outfile.close()

3. 完整代码

如有错误，欢迎交流。
代码和数据文件可从github主页免费获取：

https://github.com/PariseC/modeling_examples_using_gurobi_in_python

可关注微信公众号，及时获取新内容（推送内容正在准备中）：

Python助力交通

参考

  1. https://mp.weixin.qq.com/s/DYh-5WkrYxk1gCKo8ZjvAw
  2. https://mp.weixin.qq.com/s/tF-ayzjpZfuZvelvItuecw
  3. http://www.gurobi.cn/pic.asp?bigclassname=%D1%A7%CF%B0%D7%CA%C1%CF
Better.C
关注
  • 28
    点赞
  • 踩
  • 166
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 5
    评论
专栏目录
关于CVRP问题的研究
ellsom的博客
03-19 2846
# Routing-problem--CVRP # 项目准备阶段 # 准备相关论文，设计准备数据集，最终决定采用CVRPLIB (opens new window)上的标准数据集作为实验用数据。 # 项目第一阶段 # 参考论文用各种元启发式算法求解CVRP问题 # 采取的算法主要有： # 贪心 (opens new window)、遗传 (opens new window)、蚁群 (op...
三维装载与CVRP 联合多目标优化问题的模型及算法
01-13
提出三维装载与CVRP 联合多目标优化问题(3LCVRPMO) 模型, 该模型在三维装载约束下的CVRP 问题(3LCVRP) 的基础上, 考虑了配送车辆数目及路径总距离两个目标函数. 在权衡装箱和路径优化两个优化过程的基础上, 构建了多阶段/两层混合算法架构(MSOTLH) 及其算法, 并对路径优化偏好的3LCVRPMO 问题进行求解. 基于3LCVRP 问题相关算例的数据实验结果表明, 所提出的3LCVRPMO 模型及MSOTLH 算法是有效的.
软件工具 | Python调用运筹优化求解器（一）：以CVRP&VRPTW为例
Better.C的博客
05-08 4166
以CVRP & VRPTW问题为例，介绍Python调用Gurobi，COPT，SCIP的方法。
运筹学经典问题（八）：CVRP和VRP-TW
最新发布
JESSIENOTCAR的博客
04-01 1115
给定一个图，图上的点代表客户，边代表客户之间的路线，边的权重代表客户之间的距离，点上的数字代表每个用户的需求量。如果只是上面的模型，可能会出现下图这种解，： 假设我们的问题是车辆去客户那里取货，需要一个约束去消除这种不包含仓库的子环。这也是VRP建模的一个略难的约束。会有图上的哪些边被选中，形成。没有约束车辆的容量限制！
数学建模——运输问题（Python实现）
weixin_46039719的博客
12-13 1万+
目录 1、概述 （1）运输问题 （2）基本思想 （3）表上作业法求解运输问题步骤 2、知识点细讲 （1）运输问题及其数学模型 ​（2）表上作业法求解运输问题——思想 （3）表上作业法求解运输问题——寻找基可行解 （4）表上作业法求解运输问题——解的最优检验 （5）表上作业法求解运输问题——解的改进 （6）产销不平衡的运输问题 ​（7）有转运的运输问题 ​​​​​3、案例分析1——沃格尔法（寻找初始基可行解） （1）案例分析 （2）Python实现...
【运筹优化】带时间窗约束的车辆路径规划问题（VRPTW）详解 + Python 调用 Gurobi 建模求解
热门推荐
知不足而奋进，望远山而前行
02-09 2万+
车辆路径规划问题(Vehicle Routing Problem，VRP)一般指的是：对一系列发货点和收货点，组织调用一定的车辆，安排适当的行车路线，使车辆有序地通过它们，在满足指定的约束条件下（例如：货物的需求量与发货量，交发货时间，车辆容量限制，行驶里程限制，行驶时间限制等），力争实现一定的目标（如车辆空驶总里程最短，运输总费用最低，车辆按一定时间到达，使用的车辆数最小等）。下图给出了一个简单的VRP的例子最基本的VRP问题叫做带容量约束的车辆路径规划问题（Capacitated Vehicle Rou
A-VRP.zip_A-VRP_CVRP问题_cvrp_vrp 数据_vrp 测试
07-13
CVRP问题数据集，可供测试CVRP问题算法
CVRP建模与求解-基于粒子群算法（python实现）
_2312
04-27 1万+
本文为单配送中心、单车型、车辆封闭、非满载、需求不可拆分的VRP场景建立数学模型，并设计粒子群算法进行求解。
基于遗传算法的CVRP建模求解（Python）
博客简介
03-08 6485
带容量约束的车辆路径优化问题，CVRP，对一系列装卸货点进行适当的路径规划，在满足约束条件（客户需求、车辆载重和容积、车型、车辆行驶里程、配送中心数量等限制）和目标最优化（路程最短、成本最低、使用车辆数最少、配送时间最快等）下，将客户的配送需求从配送中心送达客户点，或从客户点送回配送中心。
基于PSO粒子群优化算法解决CDVRP问题,CVRP问题,DVRP问题,TSP问题以及VRPTW问题+代码操作视频
05-27
内容：基于PSO粒子群优化算法解决CDVRP问题,CVRP问题,DVRP问题,TSP问题以及VRPTW问题+代码操作视频 用处：用于算法编程学习 指向人群：本科，硕士，博士等教研使用 运行注意事项： 使用matlab2021a或者更高版本...
基于ACO蚁群优化算法解决CDVRP问题,CVRP问题,DVRP问题,TSP问题以及VRPTW问题+代码操作视频
05-27
基于ACO蚁群优化算法解决CDVRP问题,CVRP问题,DVRP问题,TSP问题以及VRPTW问题+代码操作视频 运行注意事项： 使用matlab2021a或者更高版本测试，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须...
基于GA遗传优化算法解决CDVRP问题,CVRP问题,DVRP问题,TSP问题以及VRPTW问题+代码操作视频
05-27
内容：基于GA遗传优化算法解决CDVRP问题,CVRP问题,DVRP问题,TSP问题以及VRPTW问题+代码操作视频 用处：用于GA遗传优化算法编程学习 指向人群：本科，硕士，博士等教研使用 运行注意事项： 使用matlab2021a或者...
Gurobi_CVRP.zip_MATLAB CVRP_cvrp_gurobi入门matlab_gurobi求解cvrp_mat
09-25
matlab调用gurobi求解CVRP
基于SA模拟退火优化算法解决CDVRP问题,CVRP问题,DVRP问题,TSP问题以及VRPTW问题+代码操作视频
05-27
内容：基于SA模拟退火优化算法解决CDVRP问题,CVRP问题,DVRP问题,TSP问题以及VRPTW问题+代码操作视频 用处：用于SA模拟退火算法编程学习 指向人群：本科，硕士，博士等教研使用 运行注意事项： 使用matlab2021a...
手把手教你用Gurobi求解一个数学模型
旸的博客
11-26 2万+
手把手教你用Gurobi求解一个数学模型手把手教你用Gurobi求解一个数学模型带时间窗的车辆路径规划问题(Vrptw)python调用Gurobi求解Vrptw首先我们定义一下需要用到的参数：定义一个读取数据的函数，并对节点之间的距离进行计算：读取数据，并定义一些参数：调用gurobi进行模型的建立与求解：根据式(9)定义决策变量，并加入模型当中：根据式(1)定义目标函数，并加入模型当中：根据式(2)~(8)定义决策变量，并加入模型当中： 手把手教你用Gurobi求解一个数学模型 在接触Gurobi之前，
【CVRP测评篇】 算法性能如何？来测！
Better.C的博客
06-28 1039
我跨越了2100015秒的距离，为你送上更全面的算法性能评测。
VRPTW
FanSunshineboy的博客
02-20 2223
带时间窗的VRP问题是在该基础上，还需要满足服务时间约束，即配送人员需要在一定的时间窗内到达客户需求点进行服务。带时间窗的VRP问题分为硬时间窗和软时间窗两种，硬时间窗是车辆一定要在时间窗范围内到达指定用户处，不能早于时间窗要求的最早时间，也不能晚于时间窗的最晚时间；VRP问题一般是指从物流配送中心用多辆车向多个客户需求点送货，每个客户需求点的位置和需求量是已知的，车辆的最大载质量是一定的，要求合理安排配送路线使得目标函数最优，并且满足以下条件：每个客户需求点只能被一辆车访问，并且只能访问一次；
Python+Gurobi求解cvrp问题
07-15
CVRP（车辆路径问题）是一个经典的组合优化问题，而Gurobi是一个强大的数学规划求解器。在Python中使用Gurobi求解CVRP问题可以通过以下步骤进行： 1. 安装Gurobi：首先，确保已经安装了Gurobi数学优化软件包，并获取了有效的许可证。你可以从Gurobi官方网站上下载并安装Gurobi。 2. 导入Gurobi和其他必要的库：在Python脚本中导入Gurobi和其他需要使用的库，如numpy和pandas。 ```python import gurobipy as gp from gurobipy import GRB import numpy as np import pandas as pd ``` 3. 准备数据：准备CVRP问题需要的数据，包括顾客坐标、需求量、车辆容量等。 4. 创建模型：使用Gurobi创建一个数学规划模型。 ```python model = gp.Model('CVRP') ``` 5. 创建变量：创建决策变量，表示每个顾客是否被分配给某个车辆进行服务。 ```python x = {} # x[i, j]表示顾客i是否被分配给车辆j for i in range(num_customers): for j in range(num_vehicles): x[i, j] = model.addVar(vtype=GRB.BINARY, name=f'x_{i}_{j}') ``` 6. 添加约束条件：添加问题特定的约束条件，如每个顾客只能被一个车辆服务、每个车辆的容量限制等。 ```python # 每个顾客只能被一个车辆服务 for i in range(num_customers): model.addConstr(sum(x[i, j] for j in range(num_vehicles)) == 1) # 每个车辆的容量限制 for j in range(num_vehicles): model.addConstr(sum(demand[i] * x[i, j] for i in range(num_customers)) <= vehicle_capacity) ``` 7. 添加目标函数：添加目标函数，通常是最小化总路径长度或者最小化车辆使用数量。 ```python # 最小化总路径长度 model.setObjective(sum(distance[i, j] * x[i, j] for i in range(num_customers) for j in range(num_vehicles))) ``` 8. 求解模型：调用Gurobi的求解方法求解模型。 ```python model.optimize() ``` 9. 解析结果：获取求解结果，并将其解析为可读的形式。 ```python solution = model.getAttr('x', x) routes = [] for j in range(num_vehicles): route = [i for i in range(num_customers) if solution[i, j] > 0.5] routes.append(route) ``` 这只是一个简单的示例，实际应用中可能涉及到更多的约束条件和问题特定的处理。你可以根据自己的需求对代码进行修改和扩展。希望对你有所帮助！

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 5
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Better.C

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值