车辆路径优化问题（VRP）变体及数学模型

车辆路径优化问题（Vehicle Routing Problem，VRP）是一种非常常见的优化问题，在给定一组客户点、车辆容量、车辆数量、起始点和终点，目标是找到使得所有客户点都被访问一次的最短路径方案。VRP有很多变体：

• 旅行商问题（Travelling salesman problem，TSP） the classic routing problem in which there is just one vehicle.
• 车辆路径问题（Vehicle Routing Problem，VRP）， a generalisation of the TSP with multiple vehicles.
• VRP with capacity constraints, in which vehicles have maximum capacities for the items they can carry.
• 带时间窗的车辆路径规划问题（VRP with time windows，VRPTW），where the vehicles must visit the locations in specified time intervals.
• VRP with resource constraints, such as space or personnel to load and unload vehicles at the depot (the starting point for the routes).
• VRP with dropped visits, where the vehicles aren’t required to visit all locations, but must pay a penalty for each visit that is dropped.

一、旅行商问题（Travelling salesman problem，TSP）

最经典的的车辆路径优化问题是旅行商问题（Travelling salesman problem，TSP），给定一系列城市和每对城市之间的距离，求解访问每一座城市一次并回到起始城市的最短回路。

TSP问题数学模型

刘兴禄 -《运筹优化常用模型、算法及案例实战：Python+Java实现》总结了TSP问题共有3种数学模型：

1. Dantzig-Fulkerson-Johnson model，DFJ模型（本文采用）
2. Miller-Tucker-Zemlin model，MTZ模型
3. 1-tree模型

DFJ模型，也是最常见的模型如下：

min ⁡ ∑ i ∈ V ∑ j ∈ V d i j x i j subject to ∑ j ∈ V x i j = 1 , ∀ i ∈ V , i ≠ j ∑ i ∈ V x i j = 1 , ∀ j ∈ V , i ≠ j ∑ i ∈ S ∑ j ∈ S x i j ≤ ∣ S ∣ − 1 , 2 ≤ ∣ S ∣ ≤ N − 1 , S ⊂ V x i j ∈ { 0 , 1 } , ∀ i , j ∈ V \begin{align} \min \quad & \sum_{i \in V}{}\sum_{j \in V} d_{ij}x_{ij}\\ \text{subject to} \quad &\sum_{j \in V} x_{ij} = 1, \quad \forall i \in V,i \neq j \\ &\sum_{i \in V}{x_{ij}} =1,\quad \forall j \in V ,i \neq j\\ & \textcolor{red}{\sum_{i\in S}\sum_{j \in S}{x_{ij}} \leq |S|-1,\quad 2\leq |S| \leq N-1, S \subset V}\\ &x_{ij} \in \{0,1\}, \quad \forall i,j \in V \end{align} minsubject to​i∈V∑​j∈V∑​dij​xij​j∈V∑​xij​=1,∀i∈V,i=ji∈V∑​xij​=1,∀j∈V,i=ji∈S∑​j∈S∑​xij​≤∣S∣−1,2≤∣S∣≤N−1,S⊂Vxij​∈{0,1},∀i,j∈V​​

这个subtour-elimination的约束，是一个枚举的约束，我们不能在建模的时候就直接全枚举，这样的话有复杂度的情况。等到把这些约束枚举完，黄花菜都凉了。 啰嗦几句，subtour-elimination的思路就是相当于cutting plane。在原来前两个约束的基础上，加上这个约束。但是如果你要在求解步骤model.optimize()之前就想全枚举，把subtour-elimination所有可能的
个约束全加上去，其他的不论，就只是加约束所耗费的时间，别人TSP早都解完去写Paper了，你这边约束还没加完。得不偿失，因此不能硬钢去枚举。

那怎么办呢？业内一般采用Gurobi或者CPLEX求解器中提供的callback(回调函数)的方法来动态的添加subtour-elimination约束。总的来讲，就是在branch and bound tree迭代的过程中，根据当前结点的松弛后的线性规划模型(relaxed LP)的解，来检查该解是否有存在子环路 subtour，如果有，我们就把执行subtour-elimination时候产生的破圈约束加到正在求解的模型中去; 如果没有，我们就直接接着迭代算法。

TSP问题求解

• TSP中两种不同消除子环路的方法及callback实现
• 基于蚁群算法的TSP问题建模求解（Python）
• 基于模拟退火算法的TSP问题建模求解（Python）
• 基于自适应遗传算法的TSP问题建模求解（Java）
• 基于禁忌搜索的TSP问题建模求解（Java）

二、车辆路径问题（Vehicle Routing Problem，VRP）

基本车辆路径问题（Vehicle Routing Problem，VRP）的数学模型可以使用整数线性规划（Integer Linear Programming，ILP）来表示。

参数

• $\mathcal{V}$：车辆集合， V = { 0 , 1 , ⋯   , V } \mathcal{V}=\{0,1,\cdots, V\} V={0,1,⋯,V}；
• $\mathcal{C}$：客户集合， C = { 0 , 1 , ⋯   , n } \mathcal{C}=\{0,1,\cdots, n\} C={0,1,⋯,n}；
• $\mathcal{N}$：节点集合， N = { 0 , 1 , 2 , ⋯   , n , n + 1 } \mathcal{N}=\{0,1,2,\cdots,n,n+1\} N={0,1,2,⋯,n,n+1}；
• $c_{ij}$：从$i$到$j$的行驶距离；
• $d_i$：每一个客户点$i$都有需要被满足的需求量；
• $Q$：车辆容量；
• $t_{ij}$：从$i$点到$j$点的行驶时间，以及服务$i$点的时间之和；
• $[a_i,b_i]$：访问$i$点的时间窗；
• $M_{ij}$：足够大的正数。

决策变量

• $x_{ijk}$：车辆路径决策变量，$x_{ijk}=1$，车辆$k$经过弧$(i,j)$。
• $s_{ik}$：车辆$k$服务$i$点的开始时刻；

模型构建

min ⁡ ∑ k ∈ V ∑ i ∈ N ∑ j ∈ N c i j x i j k subject to ∑ k ∈ V ∑ j ∈ N x i j k = 1 , ∀ i ∈ C ∑ j ∈ N x 0 j k = 1 , ∀ k ∈ V , ∑ i ∈ N x i h k − ∑ j ∈ N x h j k = 0 , ∀ h ∈ C , ∀ k ∈ V , ∑ i ∈ N x i , n + 1 , k = 1 ∀ k ∈ V , s i k + t i j − M i j ( 1 − x i j k ) ⩽ s j k , ∀ i , j ∈ N , ∀ k ∈ V , a i ⩽ s i k ⩽ b i , ∀ i ∈ N , ∀ k ∈ V ,  x i j k ∈ { 0 , 1 } , ∀ i , j ∈ N , ∀ k ∈ V s i k ≥ 0 , ∀ i ∈ N , ∀ k ∈ V \begin{align} \min \quad &\sum_{k \in \mathcal{V}} \sum_{i \in \mathcal{N}} \sum_{j \in \mathcal{N}} c_{i j} x_{i j k} \tag{1}\\ \text {subject to} \quad &\sum_{k \in \mathcal{V}} \sum_{j \in \mathcal{N}} x_{i j k}=1, \quad \forall i \in \mathcal{C} \tag{2}\\ &\sum_{j \in \mathcal{N}} x_{0 j k}=1, \quad \forall k \in \mathcal{V}, \tag{3}\\ &\sum_{i \in \mathcal{N}} x_{i h k}-\sum_{j \in \mathcal{N}} x_{h j k}=0 , \quad \forall h \in \mathcal{C}, \forall k \in \mathcal{V}, \tag{4}\\ &\sum_{i \in \mathcal{N}} x_{i, n+1, k}=1 \quad \forall k \in \mathcal{V}, \tag{5}\\ &s_{i k}+t_{i j}-M_{i j}\left(1-x_{i j k}\right) \leqslant s_{j k}, \quad \forall i, j \in \mathcal{N}, \forall k \in \mathcal{V}, \tag{6}\\ &a_{i} \leqslant s_{i k} \leqslant b_{i} , \quad \forall i \in \mathcal{N}, \forall k \in \mathcal{V} \text {, } \tag{7}\\ &x_{i j k} \in\{0,1\}, \quad \forall i, j \in \mathcal{N}, \forall k \in \mathcal{V} \tag{8}\\ &s_{i k} \geq 0, \quad \forall i \in \mathcal{N}, \forall k \in \mathcal{V} \tag{9}\\ \end{align} minsubject to​k∈V∑​i∈N∑​j∈N∑​cij​xijk​k∈V∑​j∈N∑​xijk​=1,∀i∈Cj∈N∑​x0jk​=1,∀k∈V,i∈N∑​xihk​−j∈N∑​xhjk​=0,∀h∈C,∀k∈V,i∈N∑​xi,n+1,k​=1∀k∈V,sik​+tij​−Mij​(1−xijk​)⩽sjk​,∀i,j∈N,∀k∈V,ai​⩽sik​⩽bi​,∀i∈N,∀k∈V, xijk​∈{0,1},∀i,j∈N,∀k∈Vsik​≥0,∀i∈N,∀k∈V​(1)(2)(3)(4)(5)(6)(7)(8)(9)​

下面是各个约束的具体含义：

• 目标函数(1)最小化总体行驶距离；
• 约束(2)保证了每个客户点都被访问了一次；
• 约束(3-5)分别保证了每辆车必须从始发站出发，到达并离开每个客户点，并最终回到终点站；
• 约束(6)规定了车辆k开始服务点j的时刻$s_{jk}$，不能早于开始服务点$i$的时刻$s_{ik}$+从点$i$到点$j$的行驶时间以及服务点$i$的时间之和$t_{ij}$，其中$M_{ij}$的取值下界为$b_{ij}+t_{ij}-a_j$；
• 约束(7)使得开始服务点的时刻是在规定的时间窗范围内；
• 约束(8-9)是对于决策变量的约束。

三、带容量约束的车辆路径优化问题（Capacitated Vehicle Routing Problem，CVRP）

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。

场景：
单向：纯取货 / 纯送货；
单配送中心：只有一个配送中心/车场；
单车型：只考虑一种车型，
需求不可拆分：客户需求只能有一辆车满足；
车辆封闭：完成配送任务的车辆需回到配送中心；
车辆充足：不限制车辆数量，即配送车辆需求均能满足；
非满载：任意客户点的需求量小于车辆最大载重；

要求：
优化目标：最小化车辆启动成本和车辆行驶成本之和；
约束条件：车辆行驶距离约束，重量约束；
算法输入：配送中心位置、客户点位置、客户点需求、车辆最大载重、车辆最大行驶距离、车辆启动成本、车辆单位距离行驶成本；
算法输出：每辆车的行驶路径，经过的客户点，以及总成本。

CVRP问题求解

基于遗传算法的CVRP建模求解（Python）

四、带时间窗车辆路径优化问题（Vehicle Routing Problem with Time Window，VRPTW）

问题描述
VRPTW问题定义在一队车辆$\mathcal{V}$、一组客户$\mathcal{C}$和一个有向图$\mathcal{G}$上。图由$|\mathcal{C}|+2$个点组成，其中客户由$1,2,\cdots ,n$表示，车站由$0$（始发站）和$n+1$（终点站）表示。所有节点的集合可表示为 N = { 0 , 1 , 2 , ⋯   , n , n + 1 } \mathcal{N}=\{0,1,2,\cdots,n,n+1\} N={0,1,2,⋯,n,n+1}。所有边的集合$\mathcal{A}$表示了车站与客户之间，以及客户之间的有向连接。其中没有边从$0$点终止或者从$n+1$点开始。每一条弧$(i,j),i\ne j$都对应一个成本$c_{ij}$和时间$t_{ij}$，时间可以包括在弧上$(i,j)$的行驶时间和在$i$点的服务时间。所有车辆通常是同质化的，每辆车都存在容量上限$Q$，每一个客户点$i$都有需要被满足的需求$d_i$，并且需要在时间窗$[a_i,b_i]$之内被服务[1]。待优化的问题即为，如何决策车辆访问客户的路径，使得在满足一定约束的条件下，实现最小化总成本的目标。

模型构建
参数

• $\mathcal{V}$：车辆集合， V = { 0 , 1 , ⋯   , V } \mathcal{V}=\{0,1,\cdots, V\} V={0,1,⋯,V}；
• $\mathcal{C}$：客户集合， C = { 0 , 1 , ⋯   , n } \mathcal{C}=\{0,1,\cdots, n\} C={0,1,⋯,n}；
• $\mathcal{N}$：节点集合， N = { 0 , 1 , 2 , ⋯   , n , n + 1 } \mathcal{N}=\{0,1,2,\cdots,n,n+1\} N={0,1,2,⋯,n,n+1}；
• $c_{ij}$：从$i$到$j$的行驶距离；
• $d_i$：每一个客户点$i$都有需要被满足的需求量；
• $Q$：车辆容量；
• $t_{ij}$：从$i$点到$j$点的行驶时间，以及服务$i$点的时间之和；
• $[a_i,b_i]$：访问$i$点的时间窗；
• $M_{ij}$：足够大的正数。

决策变量

• $x_{ijk}$：车辆路径决策变量，$x_{ijk}=1$，车辆$k$经过弧$(i,j)$。
• $s_{ik}$：车辆$k$服务$i$点的开始时刻；

混合整数规划模型

min ⁡ ∑ k ∈ V ∑ i ∈ N ∑ j ∈ N c i j x i j k subject to ∑ i ∈ C d i ∑ j ∈ N x i j k ⩽ Q , ∀ k ∈ V , ∑ k ∈ V ∑ j ∈ N x i j k = 1 , ∀ i ∈ C ∑ j ∈ N x 0 j k = 1 , ∀ k ∈ V , ∑ i ∈ N x i h k − ∑ j ∈ N x h j k = 0 , ∀ h ∈ C , ∀ k ∈ V , ∑ i ∈ N x i , n + 1 , k = 1 ∀ k ∈ V , s i k + t i j − M i j ( 1 − x i j k ) ⩽ s j k , ∀ i , j ∈ N , ∀ k ∈ V , a i ⩽ s i k ⩽ b i , ∀ i ∈ N , ∀ k ∈ V ,  x i j k ∈ { 0 , 1 } , ∀ i , j ∈ N , ∀ k ∈ V s i k ≥ 0 , ∀ i ∈ N , ∀ k ∈ V \begin{align} \min \quad &\sum_{k \in \mathcal{V}} \sum_{i \in \mathcal{N}} \sum_{j \in \mathcal{N}} c_{i j} x_{i j k} \tag{1}\\ \text {subject to} \quad &\sum_{i \in \mathcal{C}} d_{i} \sum_{j \in \mathcal{N}} x_{i j k} \leqslant Q, \quad \forall k \in \mathcal{V}, \tag{2}\\ &\sum_{k \in \mathcal{V}} \sum_{j \in \mathcal{N}} x_{i j k}=1, \quad \forall i \in \mathcal{C} \tag{3}\\ &\sum_{j \in \mathcal{N}} x_{0 j k}=1, \quad \forall k \in \mathcal{V}, \tag{4}\\ &\sum_{i \in \mathcal{N}} x_{i h k}-\sum_{j \in \mathcal{N}} x_{h j k}=0 , \quad \forall h \in \mathcal{C}, \forall k \in \mathcal{V}, \tag{5}\\ &\sum_{i \in \mathcal{N}} x_{i, n+1, k}=1 \quad \forall k \in \mathcal{V}, \\ &s_{i k}+t_{i j}-M_{i j}\left(1-x_{i j k}\right) \leqslant s_{j k}, \quad \forall i, j \in \mathcal{N}, \forall k \in \mathcal{V}, \\ &a_{i} \leqslant s_{i k} \leqslant b_{i} , \quad \forall i \in \mathcal{N}, \forall k \in \mathcal{V} \text {, } \\ &x_{i j k} \in\{0,1\}, \quad \forall i, j \in \mathcal{N}, \forall k \in \mathcal{V} \\ &s_{i k} \geq 0, \quad \forall i \in \mathcal{N}, \forall k \in \mathcal{V} \\ \end{align} minsubject to​k∈V∑​i∈N∑​j∈N∑​cij​xijk​i∈C∑​di​j∈N∑​xijk​⩽Q,∀k∈V,k∈V∑​j∈N∑​xijk​=1,∀i∈Cj∈N∑​x0jk​=1,∀k∈V,i∈N∑​xihk​−j∈N∑​xhjk​=0,∀h∈C,∀k∈V,i∈N∑​xi,n+1,k​=1∀k∈V,sik​+tij​−Mij​(1−xijk​)⩽sjk​,∀i,j∈N,∀k∈V,ai​⩽sik​⩽bi​,∀i∈N,∀k∈V, xijk​∈{0,1},∀i,j∈N,∀k∈Vsik​≥0,∀i∈N,∀k∈V​(1)(2)(3)(4)(5)​

下面是各个约束的具体含义：

• 目标函数(1)最小化总体行驶距离；
• 约束(2)说明车辆的载重量不能超过其容量上限；
• 约束(3)保证了每个客户点都被访问了一次；
• 约束(4-6)分别保证了每辆车必须从配送中心出发，到达并离开每个客户点，并最终回到配送中心；
• 约束(7)规定了车辆k开始服务点j的时刻$s_{jk}$，不能早于开始服务点$i$的时刻$s_{ik}$，加上从点$i$到点$j$的行驶时间以及服务点$i$的时间之和$t_{ij}$，其中$M_{ij}$的取值下界为$b_{ij}+t_{ij}-a_j$；
• 约束(8)使得开始服务点的时刻是在规定的时间窗范围内；
• 约束(9-10)是对于决策变量的约束。

VRPTW问题求解

• 考虑随机性的车辆路径规划问题详解(Stochastic VRP) 数据魔术师
• 使用Java调用Cplex求解带时间窗的车辆路径问题
• 蚁群算法求解VPRTW：https://blog.csdn.net/qq_43276566/article/details/147447603?spm=1011.2415.3001.10575&sharefrom=mp_manage_link
• 遗传算法求解VRPTW：https://blog.csdn.net/qq_43276566/article/details/147729037?spm=1011.2415.3001.10575&sharefrom=mp_manage_link

五、取送货问题数学模型（Homogeneous Multi vehicle pickup and delivery problem formulations）

数学模型

https://blog.csdn.net/qq_43276566/article/details/136423081

PDPTW问题求解

PDPTW数据集地址

https://www.sintef.no/projectweb/top/pdptw/li-lim-benchmark/