VRPTW算法性能评测来啦！

累计运行6135432秒，只为做出更全面的评测。

往期优质资源

     经过一年多的创作，目前已经成熟的代码列举如下，如有需求可私信联系 ，原创不宜，有偿获取。

VRP问题	GA	ACO	ALNS	DE	DPSO	QDPSO	TS	SA
CVRP	√	√	√	√	√	√	√	√
VRPTW	√	√	√	√	√	√	√	√
MDVRP	√	√	√	√	√	√	√	√
MDHVRP	√	√	√	√	√	√	√	√
MDHVRPTW	√	√	√	√	√	√	√	√
SDVRP	√	√	√	√	√	√	√	√
SDVRPTW	√	√	√	√	√	√	√	√

     对于VRPTW系列算法，大家最关心的问题可归结为以下两点：

• 哪个算法性能最好？
• 算法的最优参数如何设置？

     今天，小编将通过累计运行 【6135432秒≈102257分钟≈1704小时≈71天】 的实验来回答以上问题。也许你只需要花费1分钟完成本文的阅读，但只要能帮助到大家就值得！

1. VRPTW标准数据集

     本次测评采用的是Transportation Optimization Portal （TOP）网站提供的数据集。

     小编选取了C101、C105、C201、C205、R101、R105、RC101、RC201。参与测评的8个数据集的最优解信息如下。

     以上8组数据集中，C101-C105为一组，C201-C205为一组，R101-R105为一组，RC101-RC201为一组，其需求点的坐标相同，但时间窗不同。具体数据分布如下：








以上数据中C101-C105，C201-C205，R101-R105，RC101-RC201两两为一组，需求点的坐标相同，但时间窗不同。

2 实验准备

2.1 计算机配置

     本次采用Python3.8编程实现，电脑配置为 Intel® Core™ i7-9700F CPU @ 3.00GHz 3.00 GHz，24G内存。

2.2 调参方法

     继续采用贝叶斯调参方法，具体实现见上一篇帖子，这里不再赘述。

2.3 参数设定

     不同算法在不同算例上的参数搜索空间基本一样，但由于ALNS算法在大规模算例上的求解较为耗时，因此部分算例上做了缩小，这里仅给出其一种搜索空间。

2.4 实验方法

     由于元启发式算法具有很大的随机性，相同的参数设置也可能跑出不同的结果，因此设定每组“算法-参数-算例”组合均运行3次，取最好的一组用于反馈贝叶斯。
     为了加快进度，早一点分享给大家，这里同时运行三组代码，因此可能会对解的质量及求解时间产生干扰。

小编实现的VRPTW代码对于时间窗的要求是：车辆必须在时间窗内到达且完成服务，即节点最早开始时刻+节点服务时长 <= 节点最晚结束时刻。但目前普遍数据集对于时间窗的要求是：车辆在时间窗内到达即可，因此在进行代码测试时，对时间窗约束进行了微调。

3 实验结果

3.1 最优解统计

3.1.1 总体求解情况：目标函数值

     可以看出，ALNS算法在各个数据集上的表现均是最佳的，且与最优解的gap保持在2.7%~9.5%之间。ACO算法的表现要差一些，GA与DPSO、DE的表现大致在同一梯队，QDPSO与SA、TS的表现在同一梯队。

3.1.2 各数据集上的算法性能对比

3.2 调参时间统计

3.2.1 总体求解情况：求解时间

由于实验耗时工作量大、耗时长，因此实验期间使用电脑同步办公，因此不同实验不同实验受干扰程度不同，各实验测评时间仅供参考。

注意：测评时间包括算法求解过程和贝叶斯调参过程，此外每组参数组合需独立运行3次。因此测评时间不等于算法单次运行时间。

可以看出，ALNS算法需要消耗大量的时间资源来逼近最优解；SA和TS算法耗时最短，但找到的局部最优解的质量最差；ACO和DE耗时基本相当。

3.2.2 各数据集上的运算时间对比

3.3 最优参数统计

3.3.1 ACO

3.3.2 ALNS

3.3.3 DE

3.3.4 DPSO

3.3.5 GA

3.3.6 QDPSO

3.3.7 SA

3.3.8 TS

3.4 最优解路径

3.4.1 C101数据集

3.4.1 C105数据集

3.4.1 C201数据集

3.4.1 C205数据集

3.4.1 R101数据集

3.4.1 R105数据集

3.4.1 R101数据集

3.4.1 R101数据集

4 需求调查

     大家还想了解哪类VRP扩展问题的优化算法，欢迎留言。