车辆路径规划问题

启发式算法

启发式算法：一个基于直观或经验构造的算法，在可接受的花费（指计算时间和空间）下给出待解决组合优化问题每一个实例的一个可行解，该可行解与最优解的偏离程度一般不能被预计

用途

• 一般用于解决NP-hard问题，其中NP是指非确定性多项式
  常用的算法有：模拟退火算法（SA）、遗传算法（GA）、蚁群算法（ACO）、人工神经网络（ANN）
• NP Hard问题，可行时间内在各空间中找到全局最优解的可能性很小，需要使用近似算法（Approximate Method）在有限时间内寻找一个近似最优解

近似方法

• 近似方法分成：近似算法 和 启发式算法
  近似算法，可以得到一个有质量保证的解，而启发式算法可以在可行时间内找到一个相对比较好的解，但对解的质量没有保证

遗传算法

1. 通过模拟自然进化过程（达尔文生物进化论）搜索最优解的方法，遗传操作包括：选择、交叉和变异。

2. 通过参数编码、初始群体的设定、适应度函数、遗传操作设计、控制参数设定以一种群体中的所有个体为对象，利用随机化技术指导对一个被编码的参数空间进行高效搜索

• 直接对结构对象进行操作，不存在求导和函数连续性的限定
  具有内在的隐并行性和更好的全局寻优能力
• 采用概率化的寻优方法，不需要确定的规则就能自动获取和指导优化的搜索空间，自适应地调整搜索方向

遗传算法应用

相比二进制编码的暴力穷举，遗传算法属于运筹学

染色体交叉

两个相互配对的染色体按某种方式相互交换其部分基因，从而形成两个新的个体。

• 单点交叉
• 两点交叉与多点交叉
• 均匀交叉
• 算术交叉

基因突变

• 基本位变异，对个体编码串中以变异概率、随机指定的某一位或某几位仅因座上的值做变异运算。
• 均匀变异，用符合某一范围内均匀分布的随机数，以某一较小的概率替换个体编码串中各个基因位上的原有基因值
• 边界变异，随机的取基因座上的两个对应边界基因值之一去替代原有基因值
• 非均匀变异：对原有的基因值做一随机扰动，以扰动后的结果作为变异后的新基因值
• 高斯近似变异：进行变异操作时用符号均值为Ｐ的平均值，方差为P平方的正态分布的一个随机数来替换原有的基因值

工具

• scikit-opt算法工具：

•   算法库，对遗传算法、粒子群算法、模拟退火、蚁群算法较好的封装
    文档：https://scikit-opt.github.io/scikit-opt/#/zh/
    pip install scikit-opt
    from sko.GA import GA, GA_TSP
  

• Geatpy工具：

•   一个高性能实用的Python遗传算法工具箱，提供一个面向对象的进化算法框架
    提供了遗传和进化算法相关算子的库函数，如初始化种群、选择、交叉、变异、重插入、多目标优化非支配排序等，并且提供进化算法模板来实现多样化的进化算法
  

遗传算法与神经网络

遗传算法是一种最优化的算法，可以参与网络参数的学习，网络结构的设计等

网络参数学习

假设神经网络有100个随机权重集合，评估对应每个权重集合的神经网络。基于评估，只保留最佳的20个权重集合，然后从这20个集合中进行随机选择，取代剩余的80个权重集合（应用简单的交叉和突变）

网络结构学习

增强拓扑神经演化（Neuroevolution of Augmenting Topologies，NEAT）是一种基于遗传算法演化新型神经网络的方法
http://www.cs.ucf.edu/~kstanley/neat.html

案例练习

自动钻孔机路线规划