一种智能算法求解带有客户需求的车辆路径问题的方法技术

本发明专利技术公开了一种离散蜘蛛猴算法(SMO)与遗传算法相结合求解带有客户需求的车辆路径问题的算法。在该发明专利技术中，重点研究了带有客户需求的具有随机性的车辆路径问题(VRPSD)，其中客户需求遵循已知的概率分布。本发明专利技术的算法称为DSMO

【技术实现步骤摘要】
一种智能算法求解带有客户需求的车辆路径问题的方法


[0001]本专利技术涉及算法
，更具体地涉及一种智能算法求解带有客户需求的车辆路径问题。

技术介绍

[0002]车辆路径问题(VRP)是研究领域和应用领域中研究最多的组合优化问题之一，具有许多实际应用，如交通、电路设计、电网布局、生产计划。VRP作为一个众所周知的NP难问题，近年来越来越受到研究者的关注。在实际应用中，VRP具有许多不同类型的附加约束，如容量约束、时间约束和客户偏好等，这在很大程度上增加了问题的复杂性。由于在现实优化问题中有许多不同的应用，因此已经提出了VRP的几种变体。VRP的一个重要变体被称为随机VRP。在这类问题中，问题的一些约束条件，如需求、时间和客户存在是随机的。
[0003]在全局领导者决策阶段和局部领导者决策阶段，SMO算法可以使种群中的每个个体有目的地向种群中的最优个体和每组中的最优个人移动，从而提高收敛速度。然而，SMO算法无法及时消除群体中的贫困个体。此外，SMO算法主要基于全局最优和局部最优个体以及新空间的力量来更新个体勘探是有限的。
[0004]在本专利技术中，我们提出了一种混合优化算法命名为DSMO
‑
GA，它将离散蜘蛛猴优化(DSMO)与遗传算法(GA)相结合，用于解决具有随机需求的VRP。对于离散个体，我们给出了SMO的局部领导者阶段、全局领导者阶段和局部领导者决策阶段的更新方法。为了增强种群的多样性，我们在遗传算法中加入了非相邻的2
‑
选择。此外，我们还设计了一种消除非法编码的方法。在五组不同的实验中，从计算成本和求解质量的角度比较了DSMO
‑
GA、DSMO和GA的性能，并研究了种群大小、干扰参数和交叉突变参数对DSMO
‑
GA性能的影响。

技术实现思路

[0005]本专利技术实施例提供提出了一种混合优化算法求解车辆路径的方法，可提高求解车辆路径规划问题的全局最优解的能力。
[0006]本专利技术实施例提出了一种混合优化算法求解车辆路径的方法，包括：对于离散个体，给出了SMO的局部领导者阶段、全局领导者阶段和局部领导者决策阶段的更新方法。为了增强种群的多样性，在遗传算法中加入了非相邻的2
‑
选择。此外，还设计了一种消除非法编码的方法。在五组不同的实验中，从计算成本和求解质量的角度比较了DSMO
‑
GA、DSMO和GA的性能，并研究了种群大小、干扰参数和交叉突变参数对DSMO
‑
GA性能的影响。
[0007]本专利技术方法的具体步骤包括：
[0008]步骤1，个体编码
[0009]设n为客户数量(包含仓库)，我们用0来表示仓库，1，2，...,n
‑
1表示n
‑
1个客户。对于编号为m的车辆，则相应的方案可以被编码如下：0，n1，n2，...,nj，0，0，m1，m2，...,mi，0，...,...,0,p1，p2，...,pk，0.其中，0，n1，n2，...,nj，0表示车辆从车辆段出发，通过客户返回车辆段n1，n2，...,nj,也就是说，包含在从左到右最接近的两个0之间的非零对应于一
辆车的交付计划。如果它不包含任何非零数字，则对应于一种未被调度的车辆。不难知道交付计划的代码长度，编号为客户n，车辆数量m为2m+n
‑
1。我们的目标是找到车辆路线规划问题的代码，即交付方案。
[0010]步骤2，局部领先阶段
[0011]在这个阶段，任务是根据小组中最好的个人来更新每个小组中个人的位置。在原始的SMO算法中，新个体的每个分量都以一定的概率更新。新分量值是根据旧个体的分量、局部最优个体以及从组中随机选择的某个个体的相应分量来计算的。与传统的SMO算法不同，DSMO
[0012]本专利技术考虑的算法通过基因重组构建新的个体。主要思想是：每个单独的更新都有一定的概率，我们假设第k组的单独smi被更新。首先，一个不同于smi的个体smr和k组中的局部最优个体llk。其次，从0到2m+n
‑
2随机生成两个左、右(左<右)整数。然后，通过从局部最优个体llk截取获得从左到右分量的基因，通过从个体smi截取获得从0到左
‑
1分量的基因。最后从右侧+1到2m+n
‑
2组成部分的基因是通过从单个smr中截取而获得的新的个体是由这三个基因片段形成的，以更新个体的smi新个体的基因重建可以通过下列公式给出。
[0013][0014]步骤3，局部优先决策阶段
[0015]局部优先决策阶段于检查每个局部最优解是否停滞。如果局部最优解是停滞解，则以某种方式更新组中的个体。在传统的SMO算法中，每个个体的每个分量都以一定的概率进行更新。新分量的值是通过将旧个体的分量值、全局最优个体的相应分量值与旧个体的组成值，以及差异在个体组的局部最优个体的分量值和旧个体的分量价值之间按照一定的比例。
[0016]步骤4，遗传操作(设置选择操作、交叉操作和变异操作)
[0017](1)选择操作
[0018]传统的遗传算法通常使用轮盘赌来淘汰种群中的贫困个体，而具有高适应度值的个体将更有可能被选中。考虑到本文中解决VRPSD问题的算法是DSMO算法和GA算法的结合，在GA算法的下一次迭代之前，个体已经被DSMO算法操作。本文提出了一种消除贫困人口的方法。此方法使用数组better_member记录历史上的好个体，并在每次算法进入遗传运算阶段时使用这些好个体来替换差个体。
[0019](2)选择操作
[0020]传统的遗传算法通常使用轮盘赌来淘汰种群中的差个体，而具有高适应度值的个体将更有可能被选中。考虑到本文中解决VRPSD问题的算法是DSMO算法和GA算法的结合，在GA算法的下一次迭代之前，个体已经被DSMO算法操作。本文提出了一种消除贫困人口的方法。此方法使用数组better_member记录历史上的好个体，并在每次算法进入遗传运算阶段时使用这些好个体来替换差个体。
[0021](3)变异算子
[0022]本专利技术中考虑两种变异算子，一种是随机选择两个非零分量值进行交换；另一种
是在头部和尾部为零的连续部件上执行2
‑
OPT操作。前者本质上是两个客户(不包括仓库)的交换。在交换之前，这两个客户可能是或可能不是同一车辆服务对象。在后一种方式中，无论车辆的服务对象是改变还是保留在没有改变的情况下，接受涉及2
‑
OPT的服务的客户的顺序必须改变。用于突变操作
[0023]步骤5，非相邻2
‑
OPT操作
[0024]2‑
OPT变异操作只能实现连续相邻组件的逆序操作。当连续的相邻部件不包含零个部件时，2
‑
OPT操作只能改变特定车辆的服务对象的顺序。在本专利技术中，我们提出了一种称为非相邻2
‑...

【技术保护点】

【技术特征摘要】
1.一种离散蜘蛛猴算法(SMO)与遗传算法相结合求解带有客户需求的车辆路径问题的算法，其特征在于，包括：(1)提出了一种离散的蜘蛛猴算法。上在车辆交付方案编码的基础上，提出了不同于传统的SMO算法分为三个阶段：局部领先阶段、全局...

【专利技术属性】
技术研发人员：彭雪，
申请(专利权)人：广东技术师范大学，
类型：发明
国别省市：