python调用edge_优化 | 手把手教你用Python实现动态规划Labeling算法求解SPPRC问题

本文中的课件来自清华大学深圳国际研究生院，物流与交通学部戚铭尧教授《物流地理信息系统》课程。

SPPRC问题

        带资源约束的最短路径问题(shortest path problem with resource constraints)是一个众所周知的NP-Hard问题。除了作为网络问题直接应用外，SPPRC还用作列生成解决方案方法的基础，用于解决车辆路径规划问题和人员排班问题等。　　

         考虑一个有向图，表示节点的集合，并且表示弧的集合。对于每一段弧都有一个非负的权重(vrptw问题中可能为负，需要作特殊处理)，和，表示通过这段弧的成本和资源消耗。　　

         SPPRC问题包括找到从起始节点到结束节点的一条路径，使该路径的总成本最小化，但不超过最大资源消耗。即使只存在一种资源，SPPRC也是一个NP-Hard。

Labeling算法

  直接求解SPPRC问题是比较困难的，故通常采用一种动态规划的算法： correction 算法。通常我们考虑有种资源，可能包括时间、最大装载重量、最大装载体积等。  

对于每一条从起始节点扩展到点的路径都有一个标签与之相关联。是路径使用的第L个资源的数量；是。  

此外，我们还需要设置一些优超规则，称为，以帮助减少不必要的扩展。令和是从扩展到的两条不同的路径，与之关联的标签分别为和。路径可以路径当且仅当：

下面介绍一个简单的小例子：一个有向图如上图所示，我们可以看到每一段弧上都有一个非负的权重，分别表示通过该弧的与。

首先初始化出发节点的标签，设置为，随后令其向可达节点和进行扩展，则分别设置一个新的标签。再由向和进行扩展，则得到一个新的标签，得到一个新的标签，同理继续扩展到，生成一个新的标签。

然后回过头由扩展到，得到一个新的标签。我们可以发现没有继续向扩展了，因为其生成的标签为，与已有的标签相比满足了的要求，不必再扩展。

算法伪代码

图片来源：运小筹主编即将出版的《运筹优化常用模型、算法及案例实战》第13章

Python编程实现