多配送中心VRP建模与求解—基于粒子群算法
1 多配送中心VRP
多配送中心的车辆路径问题是 经典VRP 的扩展,它研究的是有多个车场同时对若干个客户进行服务,每个客户都有一定的货物需求。所要确定的是客户点由哪个配送中心服务,并对服务时的车辆路径进行优化,以便达到成本最低、时间最短等目标。
2 课题场景设计
2.1 场景
单向:纯取货/纯送货;
多配送中心:存在多个配送中心/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;
2.2 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;
已知信息: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;
3 数学模型
3.1 符号说明
3.2 数学模型
4 粒子群算法设计
4.1 算法设计
多配送中心VRP问题的求解,要比CVRP难度大得多,目前对于该问题的求解大多拆分为两个阶段进行:①首先先将客户点分配给配送中心,转化为单配送中心问题;②在对每一个配送中心的路径进行优化。
本文也采用两阶段方法进行求解:
①将客户点分配给最近的配送中心;
②在对分配好的客户点配送中心集合进行路线优化。
粒子群算法相关设计见【CVRP建模与求解-基于粒子群算法(python实现)】,本算法在它的基础上进行修改以适应新场景的求解。
4.2 python程序设计
# -*- coding: utf-8 -*-
import math
import random
import pandas as pd
import matplotlib.pyplot as plt
from matplotlib.pylab import mpl
mpl.rcParams['font.sans-serif'] = ['SimHei'] # 添加这条可以让图形显示中文
def calDistance(CityCoordinates):
'''
计算城市间距离
输入:CityCoordinates-城市坐标;
输出:城市间距离矩阵-dis_matrix
'''
dis_matrix = pd.DataFrame(data=None,columns=range(len(CityCoordinates)),index=range(len(CityCoordinates)))
for i in range(len(CityCoordinates)):
xi,yi = CityCoordinates[i][0],CityCoordinates[i][1]
for j in range(len(CityCoordinates)):
xj,yj = CityCoordinates[j][0],CityCoordinates[j][1]
dis_matrix.iloc[i,j] = round(math.sqrt((xi-xj)**2+(yi-yj)**2),2)
return dis_matrix
def assign_distribution_center(dis_matrix,DC,C):
'''
Parameters:
dis_matrix : 距离矩阵
DC : 配送中心个数
C : 客户点个数
Returns:
d-存储分配给配送中心的客户点,list最后嵌套list
'''
d = [[] for i in range(DC)]#存储分配的列表
for i in range(DC,DC+C):
d_i = [dis_matrix.loc[i,j] for j in range(DC)]#取出当前客户分别距离配送中心的距离
min_dis_index = d_i.index(min(d_i))#取出最近的配送中心
d[min_dis_index].append(i)#将客户点分配给配送中心
return d
def greedy(CityCoordinates,dis_matrix,DC,certer_number):
'''
贪婪策略构造初始解
输入:CityCoordinates-节点坐标,dis_matrix-距离矩阵
输出:初始解-line
'''
#修改dis_matrix以适应求解需要
dis_matrix = dis_matrix.iloc[[certer_number]+CityCoordinates,[certer_number]+CityCoordinates].astype('float64')#只取当前需要的配送中心和客户点
for i in CityCoordinates:dis_matrix.loc[i,i]=math.pow(10,10)
dis_matrix.loc[:,certer_number]=math.pow(10,10)#配送中心不在编码内
line = []#初始化
now_cus = random.sample(CityCoordinates,1)[0]#随机生成出发点
line.append(now_cus)#添加当前城市到路径
dis_matrix.loc[:,now_cus] = math.pow(10,10)#更新距离矩阵,已经过客户点不再被取出
for i in range(1,len(CityCoordinates)):
next_cus = dis_matrix.loc[now_cus,:].idxmin()#距离最近的城市
line.append(next_cus)#添加进路径
dis_matrix.loc[:,next_cus] = math.pow(10,10)#更新距离矩阵
now_cus = next_cus#更新当前城市
return line
def calFitness(birdPop,certer_number,Demand,dis_matrix,CAPACITY,DISTABCE,C0,C1):
'''
贪婪策略分配车辆(解码),计算路径距离(评价函数)
输入:birdPop-路径,Demand-客户需求,dis_matrix-城市间距离矩阵,CAPACITY-车辆最大载重,DISTABCE-车辆最大行驶距离,C0-车辆启动成本,C1-车辆单位距离行驶成本;
输出:birdPop_car-分车后路径,fits-适应度
'''
birdPop_car,fits = [],[]#初始化
for j in range(len(birdPop)):
bird = birdPop[j]
lines = []#存储线路分车
line = [certer_number]#每辆车服务客户点,起点是配送中心
dis_sum = 0#线路距离
dis,d = 0,0#当前客户距离前一个客户的距离、当前客户需求量
i = 0#指向配送中心
while i < len(bird):
if line == [certer_number]:#车辆未分配客户点
dis += dis_matrix.loc[certer_number,bird[i]]#记录距离
line.append(bird[i])#为客户点分车
d += Demand[bird[i]]#记录需求量
i += 1#指向下一个客户点
else:#已分配客户点则需判断车辆载重和行驶距离
if (dis_matrix.loc[line[-1],bird[i]]+dis_matrix.loc[bird[i],certer_number]+ dis <= DISTABCE) & (d + Demand[bird[i]]<=CAPACITY ) :
dis += dis_matrix.loc[line[-1],bird[i]]
line.append(bird[i])
d += Demand[bird[i]]
i += 1
else:
dis += dis_matrix.loc[line[-1],certer_number]#当前车辆装满
line.append(certer_number)
dis_sum += dis
lines.append(line)
#下一辆车
dis,d = 0,0
line = [certer_number]
#最后一辆车
dis += dis_matrix.loc[line[-1],certer_number]
line.append(certer_number)
dis_sum += dis
lines.append(line)
birdPop_car.append(lines)
fits.append(round(C1*dis_sum+C0*len(lines),1))
return birdPop_car,fits
def crossover(bird,pLine,gLine,w,c1,c2):
'''
采用顺序交叉方式;交叉的parent1为粒子本身,分别以w/(w+c1+c2),c1/(w+c1+c2),c2/(w+c1+c2)
的概率接受粒子本身逆序、当前最优解、全局最优解作为parent2,只选择其中一个作为parent2;
输入:bird-粒子,pLine-当前最优解,gLine-全局最优解,w-惯性因子,c1-自我认知因子,c2-社会认知因子;
输出:交叉后的粒子-croBird;
'''
croBird = [None]*len(bird)#初始化
parent1 = bird#选择parent1
#选择parent2(轮盘赌操作)
randNum = random.uniform(0, sum([w,c1,c2]))
if randNum <= w:
parent2 = [bird[i] for i in range(len(bird)-1,-1,-1)]#bird的逆序
elif randNum <= w+c1:
parent2 = pLine
else:
parent2 = gLine
#parent1-> croBird
start_pos = random.randint(0,len(parent1)-1)
end_pos = random.randint(0,len(parent1)-1)
if start_pos>end_pos:start_pos,end_pos = end_pos,start_pos
croBird[start_pos:end_pos+1] = parent1[start_pos:end_pos+1].copy()
# parent2 -> croBird
list2 = list(range(0,start_pos))
list1 = list(range(end_pos+1,len(parent2)))
list_index = list1+list2#croBird从后往前填充
j = -1
for i in list_index:
for j in range(j+1,len(parent2)+1):
if parent2[j] not in croBird:
croBird[i] = parent2[j]
break
return croBird
def draw_path(car_routes,CityCoordinates):
'''
#画路径图
输入:line-路径,CityCoordinates-城市坐标;
输出:路径图
'''
shape = ['o-','*-','^-']
for i in range(len(car_routes)):
route_i = car_routes[i]
for route in route_i:
x,y= [],[]
for i in route:
Coordinate = CityCoordinates[i]
x.append(Coordinate[0])
y.append(Coordinate[1])
x.append(x[0])
y.append(y[0])
plt.plot(x, y,shape[i], alpha=0.8, linewidth=0.8)
plt.xlabel('x')
plt.ylabel('y')
plt.show()
if __name__ == '__main__':
#车辆参数
CAPACITY = 120#车辆最大容量
DISTABCE = 250#车辆最大行驶距离
C0 = 30
C1 = 1
#PSO参数
birdNum = 30#粒子数量
w = 0.2#惯性因子
c1 = 0.4#自我认知因子
c2 = 0.4#社会认知因子
pBest,pLine =0,[]#当前最优值、当前最优解,(自我认知部分)
gBest,gLine = 0,[]#全局最优值、全局最优解,(社会认知部分)
#其他参数
iterMax = 100#迭代次数
bestfit = [] #记录每代最优值
DC = 3 #配送中心个数
C = 31 #客户数量
#读入数据,Customer0-2表示配送中心,3-33表示配送中心
Customer = [(50, 25),(25,75),(75,75),(96, 24),(40, 5),(49, 8),(13, 7),(29, 89),(48, 30),(84, 39),(14, 47),(2, 24),(3, 82),(65, 10),(98, 52),(84, 25),(41, 69),(1, 65),
(51, 71),(75, 83),(29, 32),(83, 3),(50, 93),(80, 94),(5, 42),(62, 70),(31, 62),(19, 97),(91, 75),(27, 49),(23, 15),(20, 70),(85, 60),(98, 85)]
Demand = [0,0,0,16,11,6,10,7,12,16,6,16,8,14,7,16,3,22,18,19,1,14,8,12,4,8,24,24,2,10,15,2,14,9]
dis_matrix = calDistance(Customer)#计算城市间距离
#分配客户点到配送中心
distribution_centers = assign_distribution_center(dis_matrix,DC,C)
bestfit_list,gLine_car_list = [],[]
for certer_number in range(len(distribution_centers)):
distribution_center = distribution_centers[certer_number]
birdPop = [greedy(distribution_center,dis_matrix,DC,certer_number) for i in range(birdNum)]#贪婪算法构造初始解
birdPop_car,fits = calFitness(birdPop,certer_number,Demand,dis_matrix,CAPACITY,DISTABCE,C0,C1)#分配车辆,计算种群适应度
gBest = pBest = min(fits)#全局最优值、当前最优值
gLine = pLine = birdPop[fits.index(min(fits))]#全局最优解、当前最优解
gLine_car = pLine_car = birdPop_car[fits.index(min(fits))]
iterI = 1#当前迭代次数
while iterI <= iterMax:#迭代开始
for i in range(birdNum):
birdPop[i] = crossover(birdPop[i],pLine,gLine,w,c1,c2)
birdPop_car,fits = calFitness(birdPop,certer_number,Demand,dis_matrix,CAPACITY,DISTABCE,C0,C1)#分配车辆,计算种群适应度
pBest,pLine,pLine_car = min(fits),birdPop[fits.index(min(fits))],birdPop_car[fits.index(min(fits))]
if min(fits) <= gBest:
gBest,gLine,gLine_car = min(fits),birdPop[fits.index(min(fits))],birdPop_car[fits.index(min(fits))]
iterI += 1#迭代计数加一
bestfit_list.append(gBest)
gLine_car_list.append(gLine_car)
print(gLine_car_list)#路径顺序
print("最优值:",sum(bestfit_list))
draw_path(gLine_car_list,Customer)#画路径图
4.3 例子求解结果
采用3个配送中心和31个客户点的数据样例进行测试(见代码中的数据集)。运算结果最优解为761.2,路径为[[[0, 21, 13, 5, 4, 30, 6, 11, 20, 8, 0], [0, 9, 3, 15, 0]], [[1, 16, 22, 7, 27, 12, 17, 24, 10, 29, 26, 31, 1]], [[2, 18, 25, 32, 14, 28, 33, 23, 19, 2]]],路径图如下:
**【讨论】**先将客户点分配给最近的配送中心,再分别进行配送中心优化,这样求解的优点是计算量大大减少,且可获得一个可接受的解,但是缺点在于算法只能求解到局部最优解,比如在上面的数据集例子上,将橙色那条线路的几个点分配给上面红色线路,说不定可以获得更优的解。
记录学习过程,欢迎指正