蚁群算法解决CVRP

蚁群算法解决CVRP

问题

​ 通过实际案例描述，根据配送点和业务需求量，进行最优路线的计算。由物流中心点出发，配送多个客户点后再回到起点，根据车辆数量，承载限制，不同车辆服务成本、运行里程限制等条件选择最优运输路径（总里程最短），使成本最小化，配送订单最大化，满载率最大化（如由一个配送中心向各个销售点配送货物，通过算法确定配送中心每辆车的配送方案，包括配送至哪个客户，配送量，下一个配送目的地）。

问题数据及说明

​ 某物流中心有5台配送车辆，车辆的最大载重均为8T,一次配送的最大行驶距离都为50KM,需要向20个客户送货，物流中心和20个客户的坐标及其客户的需求量随机产生，其中，物流中心的坐标为（14.2KM,13.1km)，要求合理安排车辆的配送路线和载重量，使配送总里程最短

客户点	横坐标x(km)	纵坐标y（km）	需求量q(t)
1	12.8	8.5	0.1
2	18.4	3.4	0.4
3	15.4	16.6	1.2
4	18.9	15.2	1.5
5	15.5	11.6	0.8
6	3.9	10.6	1.3
7	10.6	7.6	1.7
8	8.6	8.4	0.6
9	12.5	2.1	1.2
10	13.8	5.2	0.4
11	6.7	16.9	0.9
12	14.8	2.6	1.3
13	1.8	8.7	1.3
14	17.1	11	1.9
15	7.4	1	1.7
16	0.2	2.8	1.1
17	11.9	19.8	1.5
18	13.2	15.1	1.6
19	6.4	5.6	1.7
20	9.6	14.8	1.5

说明：各客户相互之间和物流中心与客户之间的距离均采用直线距离

python代码(代码不好，仅供参考)

import random
import copy
import sys
'''
ALPHA:信息启发因子，值越大，则蚂蚁选择之前走过的路径可能性就越大
      ，值越小，则蚁群搜索范围就会减少，容易陷入局部最优
BETA:Beta值越大，蚁群越就容易选择局部较短路径，这时算法收敛速度会
     加快，但是随机性不高，容易得到局部的相对最优
RH0:挥发率
Q : 每条路径上释放的信息素Q / 路径长度 
'''
(ALPHA, BETA, RHO, Q) = (0.7, 2.5, 0.20, 100.0)
# 城市数，蚁群
(city_num, ant_num) = (21, 21)
distance_x = [14.2,12.8, 18.4, 15.4,18.9,15.5,3.9,10.6,8.6,12.5,13.8,6.7,14.8,1.8,17.1,7.4,0.2,11.9,13.2,6.4,9.6]
distance_y = [13.1,8.5, 3.4, 16.6, 15.2, 11.6, 10.6, 7.6, 8.4, 2.1, 5.2, 16.9, 2.6, 8.7, 11, 1, 2.8, 19.8, 15.1, 5.6, 14.8]
need = [0,0.1,0.4,1.2,1.5,0.8,1.3,1.7,0.6,1.2,0.4,0.9,1.3,1.3,1.9,1.7,1.1,1.5,1.6,1.7,1.5] #需求量
# 城市距离和信息素
distance_graph = [[0.0 for col in range(city_num)] for raw in range