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 ] [a_i,b_i] [a