带时间窗和载重约束的路径优化问题丨改进遗传算法:以算例RC108为例

问题描述

带时间窗和载重约束的路径优化问题可描述为：若干配送中心、每个中心有若干配送车辆、存在若干需求点、配送中心往需求点配送货物。其中：车辆存在载重约束，需求点存在时间窗约束。本文假设：

• （1）需求点所需货物量已知，且配送中心能满足所有需求点的货物需求;
• （2）需求点时间窗已知，过早或过晚到达都会受到惩罚;
• （3）需求点位置已知，不考虑货物在需求点的配送时间;
• （4）所有车辆型号和载重相同;
• （5）配送车辆从物资配送中心出发，最终返回配送中心。一个站点在配送任务中只能服务 一次。

模型建立

配送中心存在n个需求点， dij 是配送车辆从地点i到地点j 之间的距离，总共有P辆配送小车， 每辆配送小车的最大载重量为 Lmax。xijk等于0或1，为1时表示第k个车辆由i驶向j，yik表示第i个点由车辆k配送。

根据问题的描述，可以得到基于配送的最小成本建立数学模型为：

F1,F2分别是车辆成本和时间窗惩罚成本。

时间窗惩罚用一个图介绍：

横坐标是时间，纵坐标是惩罚成本

Ai和Bi是时间窗下限和上限，在时间窗内惩罚成本是0,当到达时间小于Ai且大于Ei或者大于Bi小于Li，惩罚成本线性变化，到达时间大于Li变成固定值s2，小于Ei变成固定值s1。

本文Ei=Ai-p*Ai，

Li=Bi+p*Ai，p是0到1之间的数。

第一个式子保证了车辆配送的总质量严格小于该车辆的最大载重质量，第二个式子保证了每个工序的配送只能由 1 辆车来完成，第三个和第四个式子保证了物料配送车辆从配送中心出发最后也要到返回到配送中心，最后一个式子表示派遣的配送车辆的数量 将不大于配送量之和与最大载重质量的商取整数。

数据

数据是RC108，文件里的text格式，截图如下：

第一行是配送中心，第二第三列是坐标，第4列是需求量，第五第六列是时间窗，最后一列是各个需求点的服务时间，文章不需要，去掉，配送中心也不需要时间窗，算法求解过程中没有涉及。数据是1个配送中心，100个需求点。

数据见网站：http://web.cba.neu.edu/~msolomon/rc101.htm

数据处理

1、 从网站复制数据到txt,用python提取具体数据，提取的原则简单来说，就是截取每一行小数点前的数；

2、 提取出来数据，算101个点任意两个点之间的距离，保存为距离矩阵。

提取出来的都保存为excel,名字是data,具体的代码在text_solve。可以自行运行，机制是：如果有data.xlsx，则覆盖，没有则新创建一个。注意：如果存在data.xlsx且处于打开状态，程序会报错，关掉表格重新运行就可以了。

程序截图：

3、 为提高算法速度，已经把各个点的位置信息和距离矩阵保存到data.py里

截图如下：

编码解码及结果可视化

编码和解码

论文的编码是用1到100的数表示100个点的位置，任意打乱1到100的数后就是位置编码。遗传算法的编码生成采用这种方法。

一个可行编码如下：

[12, 5, 18, 56, 20, 45, 32, 85, 34, 46, 1, 35, 76, 29, 71, 97, 90, 39, 31, 60, 13, 53, 4, 33, 30, 57, 99, 37, 78, 16, 58, 96, 19, 91, 54, 22, 55, 94, 82, 52, 88, 8, 95, 87, 3, 89, 27, 49, 69, 38, 63, 24, 51, 79, 86, 70, 81, 23, 98, 14, 48, 61, 100, 9, 65, 80, 92, 44, 2, 93, 62, 7, 42, 6, 66, 41, 74, 84, 68, 15, 77, 72, 67, 36, 25, 17, 73, 28, 40, 50, 64, 26, 10, 83, 47, 75, 21, 43, 11, 59]

1、 根据位置读出各个点的需求量，如上面的12,5,18的需求量分别是40,40,20；

2、 用车的载重去匹配需求量，如果车的载重是80，那么18就换到下一辆车，得到该辆车路线0-12-5-0，注意：位置编码也读出车辆的配送顺序；

3、 依次类推，直到所有需求点都被车辆匹配完。

4、 根据路线，速度已知，距离已知，时间窗已知，就可以算出每辆车的配送成本和时间窗惩罚成本，解码完成。

代码如下：

           def decode(self,road):
    		global location_xy
    		da=data_m()
    		location_xy,demand,time_window,distance=da.information()
    		car_road,car_p,car_s,car_time=[],[],[],[]
    		car_road,car_p,car_s,car_time=[],[],[],[]
    		time,car_code,car_demand,car_window,car_distance,car_un=[],[],[],[],[],[]
    		signal=-1
    		window_low=[]
    
    		for i in range(road.shape[0]):
    			loc_index=int(road[i])
    			if(i<1)or(demand[loc_index]>car_load) : #当是第一个需求点或车辆的剩余载重小于需求量
    				if(i>0):							#当车辆的剩余载重小于需求量
    					car_dis+=distance[loc_index,0]
    					time_car+=distance[loc_index,0]/self.car_v
    					time.append(time_car)
    					car_time[signal].append(time_car)  #保存该车辆的累积运行时间
    					car_p.append(p)					   #保存该车辆的时间窗惩罚成本
    					car_s.append(car_dis)			   #保存该车辆的路程
    					
    					car_road[signal].append(0)		   	
    					car_window[signal].append(0)
    					car_distance[signal].append(car_dis)
    					car_un[signal].append(0)
    				car_load=self.load_max
    				car_road.append([0])
    				car_window.append([0])
    				car_time.append([0])
    				car_distance.append([0])
    				car_un.append([0])
    				signal+=1								#一辆车装完后换下一辆		
    				car_dis=0								#初始化每辆车的路程为0
    				time_car=0								#初始化每辆车的时间为0
    				p=0										#初始化每辆车的时间窗惩罚成本为0
    			car_load-=demand[loc_index]					#每辆车的剩余载重更新
    			car_road[signal].append(loc_index)
    			car_code.append(signal)
    			sig=car_road[signal][-2]
    			svg=car_road[signal][-1]
    			dis=distance[sig,svg]						#计算每个需求点和上一个需求点的距离
    
    			time_car+=dis/self.car_v							#更新每辆车的运行时间
    			car_dis+=dis 								#更新每辆车的路程								
    			car_distance[signal].append(car_dis)
    			car_demand.append(demand[loc_index])
    			car_window[signal].append(time_window[loc_index])
    			car_time[signal].append(time_car)
    
    			Ai=time_window[loc_index,0]					#时间窗惩罚成本的各种参数
    			Bi=time_window[loc_index,1]
    			window_low.append(Ai)
    			Ei=Ai-self.pi*Ai
    			Li=Bi+self.pi*Ai
    			if(time_car<=Ei):
    				loss=self.s1
    				car_un[signal].append(1)
    			if(time_car>Ei)and(time_car<=Ai):
    				loss=(self.s1/(Ai-Ei))*(Ai-time_car)
    				car_un[signal].append(0)
    			if(time_car>Ai)and(time_car<=Bi):
    				loss=0
    				car_un[signal].append(0)
    			if(time_car>Bi)and(time_car<=Li):
    				loss=(self.s2/(Li-Bi))*(time_car-Bi)
    				car_un[signal].append(0)	
    			if(time_car>Li):
    				loss=self.s2
    				car_un[signal].append(2)
    			p+=loss										#更新每辆车的时间窗惩罚成本
    			if(i==road.shape[0]-1):        				#最后一个点更新各个变量
    				car_dis+=distance[loc_index,0]
    				car_s.append(car_dis)
    				car_window[signal].append(0)
    				time_car+=distance[loc_index,0]/self.car_v
    				time.append(time_car)
    				car_p.append(p)
    				car_road[signal].append(0)
    				car_time[signal].append(time_car)
    				car_un[signal].append(0)
    				car_distance[signal].append(car_dis)
    		Z=sum(car_s)+sum(car_p)
    		return Z,[road,car_demand,car_code,window_low],[car_road,car_distance,car_window,car_time,car_un],[car_s,car_p]

对于每辆车的运行路线，成本等结果，分别写了一个draw进行展示和save函数进行保存（保存逻辑同上）。具体的字体大小，布局等，可以自行在程序里调整，一个可行编码的效果和代码截图如下：

改进遗传算法设计

编码和解码前面已经介绍，介绍一下pox交叉、逆序变异、和锦标赛选择：

pox交叉

Pox交叉方法截图有介绍：

代码：

       def road_cross(self,chrom_L1,chrom_L2):		#路径编码的pox交叉
    		index=np.random.randint(1,self.customers+1,1)[0]
    		C1,C2=np.zeros((1,chrom_L1.shape[0])),np.zeros((1,chrom_L1.shape[0]))
    		sig,svg=[],[]
    		for i in range(chrom_L1.shape[0]):#固定位置的路径编码不变
    			if(chrom_L1[i]<=index):
    				C1[0,i]=chrom_L1[i]
    			else:
    				sig.append(chrom_L1[i])
    			if(chrom_L2[i]<=index):
    				C2[0,i]=chrom_L2[i]
    			else:
    				svg.append(chrom_L2[i])
    		signal1,signal2=0,0				#为0的地方按顺序添加路径编码
    		for i in range(chrom_L1.shape[0]):
    			if(C1[0,i]==0):
    				C1[0,i]=svg[signal1]
    				signal1+=1
    			if(C2[0,i]==0):
    				C2[0,i]=sig[signal2]
    				signal2+=1
    		return C1[0],C2[0]

逆序变异

采用逆序变异：生成在编码长度内生成两个位置，对两个位置间的基因进行逆序变换。

一个逆序变换示意如下：

代码：

          def Road_vara(self,W1,W2):       #路径的逆序变异
    		W1,W2=np.array([W1]),np.array([W2])
    		index1=random.sample(range(self.customers),2)
    		index2=random.sample(range(self.customers),2)
    		index1.sort(),index2.sort();
    		L1=W1[:,index1[0]:index1[1]+1]
    		L2=W2[:,index2[0]:index2[1]+1]
    		W_all=np.zeros((2,W1.shape[1]))
    		W_all[0],W_all[1]=W1[0],W2[0]
    		for i in range(L1.shape[1]):
    			W_all[0,index1[0]+i]=L1[0,L1.shape[1]-1-i]  #反向读取路径编码
    		for i in range(L2.shape[1]):
    			W_all[1,index2[0]+i]=L2[0,L2.shape[1]-1-i]  #反向读取路径编码
    		return W_all[0],W_all[1]

锦标赛选择

遗传算法中的锦标赛选择策略每次从种群中取出一定数量个体（放回抽样），然后选择其中最好的一个进入子代种群。重复该操作，直到新的种群规模达到原来的种群规模。

本文的最优个体就是成本最低的个体，每次抽出的个体数是C_size。

核心代码：

for i in range(self.popsize):
	cab=random.sample(range(self.popsize*2),self.C_size)      #按照C_size生成一组不重复的索引用于锦标赛选择 
	index,Z=[],[]
	for j in range(self.C_size):
		index.append(cab[j]),Z.append(T_answer[cab[j]]);  
		min_Z=Z.index(min(Z))
		min_idx=index[min_Z]
		Total_road[i],answer[i]=T_Road[min_idx],T_answer[min_idx] #选择出的个体，用于下次遗传

一次迭代结束，锦标赛选出的个体进入下次迭代。多次迭代得到问题的解，具体各个算子的细节在代码ga里。

算法步骤：

• 步骤1：随机初始多个路径编码
• 步骤2：解码得到每个车辆的成本和违反约束成本，求和
• 步骤3：交叉概率下对路径编码进行交叉、变异概率下对路径编码进行变异、竞标赛选择多个个体进入下一代
• 步骤4：判断是否达到最大迭代次数，是的话输出结果，否则转到步骤1

结果

代码运行环境
windows系统，python3.6.0,第三方库及版本号如下：

numpy==1.18.5
matplotlib==3.2.1

第三方库需要在安装完python之后，额外安装，以前文章有讲述过安装第三方库的解决办法。

主函数

设计主函数如下：

from ga import ga_m
from Road_decode import tool
import numpy as np
import matplotlib.pyplot as plt 
import time

if __name__ == '__main__':
	load_max=200					#载重
	car_v=2							#速度
	parm_p=[200,400,0.3]			#惩罚成本各参数,s1,s2和违反约束比例
	customers=100					#100个需求点
	go=tool(load_max,car_v,parm_p)  #解码模块

	generation,popsize=50,100  		#迭代次数和种群规模
	p1,p2,C_size=0.8,0.2,3 	   		#遗传算法的交叉概率，变异概率，锦标赛选择框的大小

	start = time.clock() 
	to=ga_m(customers,generation,popsize,[p1,p2,C_size],go)
	result,road=to.GA()				#遗传算法迭代，第一数字1代表粒子群和遗传算法共用初始解
	end = time.clock()
	t2=end-start
	print('花费时间：%.2f'%(t2))
	
	file='./result_ga.xlsx'
	go.save(road,result,file)    #保存
	Z,save_total1,save_total2,save_total3=go.decode(road)
	car_road,car_s,car_p=save_total2[0],save_total3[0],save_total3[1]
	go.draw(Z,car_road,car_s,car_p)#画图
			
	plt.plot(result[:,0],result[:,1],label=labe% (T))
	font1={'weight':'bold','size':22}#汉字字体大小，可以修改
	plt.xlabel("迭代次数",font1)
	plt.title("成本变化图",font1)
	plt.ylabel("成本",font1)
	plt.legend(prop={'family' : ['STSong'], 'size'   : 16})#标签字体大小，可以修改
	plt.show()

运行结果

结果如下：

路线图如下：

成本随迭代次数的变化图如下：

excel结果截图如下：

代码

有5个代码,data太大没有展示，text_solve.py在数据文件夹里。

演示视频：

路径优化丨改进遗传算法求解CVRPTW问题

完整算法源码+数据：见下方微信公众号：关注后回复：车间调度

# 微信公众号：学长带你飞
# 主要更新方向：1、车辆路径问题求解算法
#              2、学术写作技巧
#              3、读书感悟
# @Author  : Jack Hao

公众号二维码：