（未看完）基于元启发式、模型和软件的异构车队装载和交付问题

标题： Metaheuristic, models and software for the heterogeneous fleet pickup and delivery problem with split loads
DOI：10.1016/j.jocs.2021.101549

1.引言

• 带时间窗的取货配送问题(PDPTW)认为是带时间窗的车辆路径问题(VRPTW)的一种变体，即将客户集合被划分为两组，一组是取货客户，另一组是送货客户。
  -每个提货客户与一个送货客户配对，这通常被称为配对需求paired demand。
  -两者必须由同一辆车访问，并且在相应的交付之前必须访问接货客户
• 传统的PDPTW假设一个同构的车队、单一的产品和没有客户需求的分割。
  -精确求解方法： branch-and-cut and branch-and-pric(most effective currently)
• 本文的研究对象： HPS-PDPTW、 HP-PDPTW

2.问题描述和模型建立

问题描述

• 每个客户都应该至少访问一次，路线必须满足时间窗和车辆容量。
• 取货客户中的所有可用需求必须通过一条以上的路线运输到相应的送货客户。可以根据任何订单访问客户，只要在送货客户之前访问取货客户(优先关系)，并且这两个客户都是通过相同的路线访问的(配对关系)。对送货客户的拜访并不一定要在相应的提货客户之后。
• 提出了两个混合整数规划(MIP)模型，一个用于HP-PDPTW，另一个用于HPS-PDPTW。

HP-PDPTW

• 扩展模型：Furtado et al. [11] for the classic PDPTW
• 决策变量：
  -𝑣𝑖：连续变量，表示服务客户𝑖∈𝑃∪𝐷的路线中访问的第一个客户的指标
  -𝑥𝑖𝑗是一个二进制变量，当且仅当存在一条从客户𝑖直接到𝑗的路径时，每个圆弧(𝑖，𝑗)∈𝐴
  -𝑦𝑖𝑙，表示产品𝑙在服务客户后在车辆上的负荷的连续变量𝑖，每个𝑖∈𝑁，每个𝑙∈𝐿
  -𝑤𝑖是一个连续变量，表示服务从客户𝑖开始的确切时间，𝑖∈𝑁。
• 模型的亮点：针对异构车辆不使用k区分车辆
  -适用k进行区分，会增加变量数量，且存在解的对称性，这对通用混合整数优化求解器的性能产生负面影响。
  -解决方式：在网络中引入2m个节点《参考：S. Ropke, J.-F. Cordeau, G. Laporte, Models and branch-and-cut algorithms for pickup and delivery problems with time windows, Networks 49 (4) (2007) 258–272.》
  -通过参数𝑞 = 𝑚𝑎𝑥(𝑘∈𝐾)𝑞𝑘，引入两个集合𝑃𝑎 and 𝐷𝑎，使得𝑃 ∶= 𝑃𝑎∪𝑃 and 𝐷 ∶= 𝐷𝑎∪𝐷，需求因此发生变化 𝑛 ∶= 𝑛 + 𝑚，𝑙𝑎 = 𝑞 − 𝑞𝑖 and 𝑑𝑛+𝑖,𝑙𝑎 = −𝑑𝑖,𝑙𝑎, ∀𝑖 ∈ 𝑃𝑎，其中𝑞𝑖是车辆i的容量。同时令任意人造节点之间的花销为0。
  
• 因此，模型如下所示。
  -1：目标函数：最小化cost
  -2、3：针对𝐷∪𝑃的节点均只被访问一次
  -4：使用stz约束计算时间，通知保证消除子循环
  -5：时间窗约束
  -6：车辆载重计算stz
  -7：车辆载重约束
  -8-13：确保优先级和配对关系
  -14-17：确保人工节点是第一个访问以及最后一个访问
  -18-20：决策变量取值范围
  
  

HPS-PDPTW

• 决策变量：
  -𝑥𝑖𝑗𝑘：当且仅当车辆𝑘从客户𝑖直接到达𝑗时，对于每一条(𝑖,𝑗) ∈ 𝐴
  -𝑦𝑖𝑘𝑙：𝑦𝑖𝑘𝑙是一个连续变量,代表了产品的装载在车辆𝑘𝑙𝑖服务客户，for each𝑖∈𝑁和𝑙∈𝐿
  -𝑤𝑖𝑘,：表示车辆访问客户𝑖时，客户𝑖开始服务的准确时间
  -𝑑(𝑛+𝑖)𝑙：表示每个客户点的交付量，满足𝑑(𝑛+𝑖)𝑙 = 𝑑𝑖𝑙.
• 数学模型：
  -21：目标函数：最小化cost
  -22：每个节点至少访问一次
  -23：paired demand相关的节点具有相同数量访问
  -24-25：depot返回与离开次数相等，并且每辆车只有一个出发
  -26：针对每个节点进入和离开相同
  -27-29：时间相关约束与限制
  -30-31：交付过程后车辆相关载重
  -32：车辆载重约束
  -33：在客户处卸载或装载应小于等于实际需求
  -34：拆分后需求之和应等于实际需求
  -35-37：决策变量约束
  
  
  

3.Metaheuristic

• Adaptive Large Neighborhood Search (ALNS) meta-heuristic for both variants, HP-PDPTW and HPS-PDPTW
• The authors divided their algorithm into two phases, such that the first one minimizes the number of vehicles and then the second minimizes the routing costs. As recognized by them, this two-phase approach would not be effective to address heterogeneous fleet variants. Hence, we propose a one-phase approach and develop a specific removal heuristic to reduce the number of vehicles [25].作者将他们的算法分为两个阶段，第一个阶段使车辆数量最小化，第二个阶段使路径成本最小化。正如他们所认识到的那样，这种两阶段的方法将不能有效地解决异构舰队变体。因此，我们提出了一种单阶段方法，并开发了一种特定的移除启发式方法来减少车辆数量[25]。
• ALNS流程图
  -𝑆：初始解
  -𝑆𝑏𝑒𝑠𝑡：全局最优解
  -𝑆∗：当前状态解incumbent solution
  

4. Computational result

s
4.1. HP-PDPTW结果

4.2. HPS-PDPTW results
Table 4 shows the results for the HPS-PDPTW using the three-index model. CPLEX reported feasible solutions for only 12 instances. For most of them, the time limit was reached. This indicates that this vehicle-indexed compact model is not suitable even for small-sized instances.

The coefficient of variation for most instances is zero or very close to zero, which again indicates it is a stable method.