基于ortools实现考虑路程+时间等的多维度路径规划问题

需求:

给定需要经过的点，可以花费的总天数，生成行程。需要满足每天不超过 x h ， 每个点需要留下一定长度的停留时间，总的路线合理不绕路

 

思路:

通过选择合适的模型，将需要的场景转化为模型对应的变量，在优化一个总的点的情况下添加合适的约束，从而利用模型实现需要的算法场景

思路解析:

只能优化一个方向，但是可以在多个约束条件下

比如，总花费时间最少的条件下，满足各运输车辆的载重总量符合要求，在每个点放下足够的货物or需要停留一定的时间

可以将不同需求转化为相同的维度，比如都转化为对时间的优化。总距离最短相当于一定的速度下总时间最少；每个地点需要停留一定的时间可以转化为有多少“时间的货物”需要分配给每个地点；每天有多少时间可以分配可以转化为每辆车可以运输多少“时间的货物”； 需要几天去完成这些工作，可以转化为需要几辆车来运输。这样问题就全部转化到了时间的维度了，向时间最少的角度优化即可。

 

可能适用的模型：

• 带时间窗车辆路由问题
• 多车场车辆路由问题
• Vehicle Routing Problems with Time Windows (VRPTW), 时间限制，车辆必须在一定时间内开始或完成任务。

 

基础知识： 

路径规划的综述博客:https://blog.csdn.net/dazhushenxu/article/details/77833023

TSP旅行商问题: http://baijiahao.baidu.com/s?id=1642936131231091670&wfr=spider&for=pc

曼哈顿距离（Manhattan Distance）：是种使用在几何度量空间的几何学用语，用以标明两个点在标准坐标系上的绝对轴距总和。

 

 

运筹优化工具Google Ortools 解决TSP问题

OR-Tools

官方文档https://developers.google.cn/optimization/routing

 

目录https://zhuanlan.zhihu.com/c_157167393

运筹优化工具google ortools简介https://zhuanlan.zhihu.com/p/55089642

安装 https://developers.google.cn/optimization/install

 

1. 路由问题

https://zhuanlan.zhihu.com/p/55867181

https://developers.google.cn/optimization/routing/tsp

2. VPR问题

https://zhuanlan.zhihu.com/p/55868067

https://developers.google.cn/optimization/routing/vrp

3.容量约束VRP问题 CVRP

https://zhuanlan.zhihu.com/p/55868853

https://developers.google.cn/optimization/routing/cvrp

另一种方法工具包：https://github.com/ghoshal7/Capacitated_Vehicle_Routing_Problem/blob/master/Capacitated%2BVehicle%2BRouting%2BProblem.ipynb

4.时间窗约束VRP问题 VRPTWs

https://zhuanlan.zhihu.com/p/55869275

https://developers.google.cn/optimization/routing/vrptw

5.维度：

https://developers.google.cn/optimization/routing/dimensions

6.资源约束VRP问题 VRRC

https://zhuanlan.zhihu.com/p/55869490

https://developers.google.cn/optimization/routing/cvrptw_resources

7.VRP中的一些常见问题

https://zhuanlan.zhihu.com/p/55869908

https://developers.google.cn/optimization/routing/routing_tasks

 

 

实现方法：

ortools

以Vehicles Routing Problem (VRP) with Resource Constraints为基础

 

 

代码逻辑：

1. 输入需要的参数，并创建参数字典data

2.创建路线索引管理器

3.创建路线模型

4.注册各种限制和约束条件

注册主优化方向

①时间窗口约束限制  （根据距离换算出的时间矩阵）

time_callback_index = routing.RegisterTransitCallback(time_callback)

routing.SetArcCostEvaluatorOfAllVehicles(time_callback_index)

添加各种维度的限制

②添加时间变量  每天允许的时间

time_dimension = routing.GetDimensionOrDie(time)

③添加时间变量的累积限制 时间窗限制

time_dimension.CumulVar(index).SetRange(time_window[0], time_window[1])

routing.AddVariableMinimizedByFinalizer(
    time_dimension.CumulVar(routing.Start(i)))
routing.AddVariableMinimizedByFinalizer(
    time_dimension.CumulVar(routing.End(i)))


注册车载容量限制
④添加车载容量限制

demand_callback_index = routing.RegisterUnaryTransitCallback(
    demand_callback)

routing.AddDimensionWithVehicleCapacity(
    demand_callback_index,
    0,  # null capacity slack
    data['vehicle_capacities'],  # vehicle maximum capacities
    True,  # start cumul to zero
    'Capacity')

5.设置解决方案策略的参数

search_parameters = pywrapcp.DefaultRoutingSearchParameters()

search_parameters.time_limit.seconds = 10
search_parameters.solution_limit = 30

search_parameters.first_solution_strategy = (
    routing_enums_pb2.FirstSolutionStrategy.PATH_CHEAPEST_ARC)

6.计算解决方案

assignment = routing.SolveWithParameters(search_parameters)

7.整理结果为字典形式

print_solution_capacity_time(data, manager, routing, assignment)

8.输出结果

如果有结果assignment，则返回字典；

否则返回空字典

 

参考文献：

https://wenku.baidu.com/view/44df9c72f71fb7360b4c2e3f5727a5e9856a27f1.html