历尽千辛万苦，外加外援帮助，本辣鸡小编终于搞定了这个大坑-用分支定界法(Branch and bound, B&B)解带时间窗的车辆路径规划问题(VRPTW)。
预备知识
前面的推文中有提到过，分支定界法是一种精确解算法，之前推文“运筹学教学|分枝定界求解旅行商问题”中对于分支定界的基本思想进行了详细的阐述，有不记得的小伙伴可以点击上面的链接传送到之前推文。
带时间窗的车辆路径规划问题(下简称：VRPTW)在之前的推文中已经被详细的介绍过了，为了方便读者的阅读，我们在这里给出传送门
干货|十分钟快速掌握CPLEX求解VRPTW数学模型（附JAVA代码及CPLEX安装流程）
除此之外还要先学习一种数据结构叫做优先队列。优先队列(priority queue)是一种常用的数据结构，在这种数据结构中，队头永远是存储优先级最高的元素，取队头和插入元素的操作的时间复杂度都是O(logn)。在JAVA和C++中都内置了这一种数据结构，因此，亲爱的读者们不要害怕。当然如果有代码实现能力强的读者想要手工实现优先队列，也是可以的，想要学习优先队列以事先学习堆(heap)这种数据结构，可以完美的实现优先队列的功能。
当你仔细的阅读了上面两篇推文并理解了优先队列的原理之后，小编相信聪明的你一定不会对于接下来要讲的内容感到陌生。
代码以及解释
代码共分为4个类包括：
-
BaB_Vrptw ：主类，用于建模以及分支定界求解VRPTW。
-
Check ：解的可行性判断
-
Data ：定义参数
-
Node ：定义分支定界的节点
01
Data 类
Data类的作用就是读入数据以及数据预处理，在这里我们便不做过多的解释，为了方便后面的阅读以及篇幅限制，我们在这里便不对其进行展开描述，代码中的注释对于各个变量含义有较为详细的介绍。但是由于之后的程序会调用这些变量，我们便首先讲解这个类。
class Data{ int vertex_num; //所有点集合n（包括配送中心和客户点，首尾（0和n）为配送中心） double E; //配送中心时间窗开始时间 double L; //配送中心时间窗结束时间 int veh_num; //车辆数 double cap; //车辆载荷 int[][] vertexs; //所有点的坐标x,y int[] demands; //需求量 int[] vehicles; //车辆编号 double[] a; //时间窗开始时间【a[i],b[i]】 double[] b; //时间窗结束时间【a[i],b[i]】 double[] s; //客户点的服务时间 int[][] arcs; //arcs[i][j]表示i到j点的弧 double[][] dist; //距离矩阵，满足三角关系,暂用距离表示花费 C[i][j]=dist[i][j] double gap= 1e-6; // 一个小数，表示精读 double big_num = 100000; // 无穷大 //截断小数3.26434-->3.2 public double double_truncate(double v){ int iv = (int) v; if(iv+1 - v <= gap) return iv+1; double dv = (v - iv) * 10; int idv = (int) dv; double rv = iv + idv / 10.0; return rv; } public Data() { super(); } //函数功能：从txt文件中读取数据并初始化参数 public void Read_data(String path,Data data,int vertexnum) throws Exception{ String line = null; String[] substr = null; Scanner cin = new Scanner(new BufferedReader(new FileReader(path))); //读取文件 for(int i =0; i < 4;i++){ line = cin.nextLine(); //读取一行 } line = cin.nextLine(); line.trim(); //返回调用字符串对象的一个副本，删除起始和结尾的空格 substr = line.split(("\\s+")); //以空格为标志将字符串拆分 //初始化参数 data.vertex_num = vertexnum; data.veh_num = Integer.parseInt(substr[1]); data.cap = Integer.parseInt(substr[2]); data.vertexs =new int[data.vertex_num][2]; //所有点的坐标x,y data.demands = new int[data.vertex_num]; //需求量 data.vehicles = new int[data.veh_num]; //车辆编号 data.a = new double[data.vertex_num]; //时间窗开始时间 data.b = new double[data.vertex_num]; //时间窗结束时间 data.s = new double[data.vertex_num]; //服务时间 data.arcs = new int[data.vertex_num][data.vertex_num]; //距离矩阵,满足三角关系,用距离表示cost data.dist = new double[data.vertex_num][data.vertex_num]; for(int i =0; i < 4;i++){ line = cin.nextLine(); } //读取vetexnum-1行数据 for (int i = 0; i < data.vertex_num - 1; i++) { line = cin.nextLine(); line.trim(); substr = line.split("\\s+"); data.vertexs[i][0] = Integer.parseInt(substr[2]); data.vertexs[i][1] = Integer.parseInt(substr[3]); data.demands[i] = Integer.parseInt(substr[4]); data.a[i] = Integer.parseInt(substr[5]); data.b[i] = Integer.parseInt(substr[6]); data.s[i] = Integer.parseInt(substr[7]); } cin.close();//关闭流 //初始化配送中心参数 data.vertexs[data.vertex_num-1] = data.vertexs[0]; data.demands[data.vertex_num-1] = 0; data.a[data.vertex_num-1] = data.a[0]; data.b[data.vertex_num-1] = data.b[0]; data.E = data.a[0]; data.L = data.b[0]; data.s[data.vertex_num-1] = 0; double min1 = 1e15; double min2 = 1e15; //距离矩阵初始化 for (int i = 0; i < data.vertex_num; i++) { for (int j = 0; j < data.vertex_num; j++) { if (i == j) { data.dist[i][j] = 0; continue; } data.dist[i][j] = Math.sqrt((data.vertexs[i][0]-data.vertexs[j][0]) *(data.vertexs[i][0]-data.vertexs[j][0])+ (data.vertexs[i][1]-data.vertexs[j][1]) *(data.vertexs[i][1]-data.vertexs[j][1])); data.dist[i][j]=data.double_truncate(data.dist[i][j]); } } data.dist[0][data.vertex_num-1] = 0; data.dist[data.vertex_num-1][0] = 0; //距离矩阵满足三角关系 for (int k = 0; k < data.vertex_num; k++) { for (int i = 0; i < data.vertex_num; i++) { for (int j = 0; j < data.vertex_num; j++) { if (data.dist[i][j] > data.dist[i][k] + data.dist[k][j]) { data.dist[i][j] = data.dist[i][k] + data.dist[k][j]; } } } } //初始化为完全图 for (int i = 0; i < data.vertex_num; i++) { for (int j = 0; j < data.vertex_num; j++) { if (i != j) { data.arcs[i][j] = 1; } else { data.arcs[i][j] = 0; } } } //除去不符合时间窗和容量约束的边 for (int i = 0; i < data.vertex_num; i++) { for (int j = 0; j < data.vertex_num; j++) { if (i == j) { continue; } if (data.a[i]+data.s[i]+data.dist[i][j]>data.b[j] || data.demands[i]+data.demands[j]>data.cap) { data.arcs[i][j] = 0; } if (data.a[0]+data.s[i]+data.dist[0][i]+data.dist[i][data.vertex_num-1]> data.b[data.vertex_num-1]) { System.out.println("the calculating example is false");
} } } for (int i = 1; i < data.vertex_num-1; i++) { if (data.b[i] - data.dist[0][i] < min1) { min1 = data.b[i] - data.dist[0][i]; } if (data.a[i] + data.s[i] + data.dist[i][data.vertex_num-1] < min2) { min2 = data.a[i] + data.s[i] + data.dist[i][data.vertex_num-1]; } } if (data.E > min1 || data.L < min2) { System.out.println("Duration false!"); System.exit(0);//终止程序 } //初始化配送中心0，n+1两点的参数 data.arcs[data.vertex_num-1][0] = 0; data.arcs[0][data.vertex_num-1] = 1; for (int i = 1; i < data.vertex_num-1; i++) { data.arcs[data.vertex_num-1][i] = 0; } for (int i = 1; i < data.vertex_num-1; i++) { data.arcs[i][0] = 0; } } }
02
Node类
Node类的主要作用是记录分支节点，下面一段代码是Node类定义的对象
Data data; int d; double node_cost; //目标值object double[][][]lp_x;//记录lp解 int[][][] node_x_map;//node_xij=1时,node_x_mapijk=1表示必须访问，node_x_mapijk=0表示不能访问 int[][] node_x;//0表示弧可以访问，1表示必须访问，-1表示不能访问 ArrayList<ArrayList<Integer>> node_routes; //定义车辆路径链表 ArrayList<ArrayList<Double>> node_servetimes; //定义花费时间链表
Node类的初始化如下，注意新生成的node_cost 的初始值是无穷大，因为在没有操作的情况下，这是一个非法解。
public Node(Data data) { super(); this.data = data; node_cost = data.big_num; lp_x = new double [data.vertex_num][data.vertex_num][data.veh_num]; node_x_map = new int[data.vertex_num][data.vertex_num][data.veh_num]; node_x = new int[data.vertex_num][data.vertex_num]; node_routes = new ArrayList<ArrayList<Integer>>(); node_servetimes = new ArrayList<ArrayList<Double>>(); }
由于要进行多次的生成节点，为了方便，我们设置了一个函数note_copy()来完成这项操作以及两个节点比较大小的函数。
public Node note_copy() { Node new_node = new Node(data); new_node.d = d; new_node.node_cost = node_cost; for (int i = 0; i < lp_x.length; i++) { for (int j = 0; j < lp_x[i].length; j++) { new_node.lp_x[i][j] = lp_x[i][j].clone(); } } for (int i = 0; i < node_x.length; i++) { new_node.node_x[i] = node_x[i].clone(); } for (int i = 0; i < node_x_map.length; i++) { for (int j = 0; j < node_x_map[i].length; j++) { new_node.node_x_map[i][j] = node_x_map[i][j].clone(); } } for (int i = 0; i < node_routes.size(); i++) { new_node.node_routes.add((ArrayList<Integer>) node_routes.get(i).clone()); } for (int i = 0; i < node_servetimes.size(); i++) { new_node.node_servetimes.add((ArrayList<Double>) node_servetimes.get(i).clone()); } return new_node; }
public int compareTo(Object o){ Node node = (Node) o; if(node_cost < node.node_cost) return -1; else if(node_cost == node.node_cost) return 0; else return 1; }
03
BaB_Vrptw类
这是整个程序中最重要的一个部分，因此本文将花费大篇幅来讲解这个问题(｡･∀･)ﾉﾞ嗨。看程序先看什么？答案是-主函数。
public static void main(String[] args) throws Exception { Data data = new Data(); int vetexnum = 102;//所有点个数，包括0，n+1两个配送中心点 //读入不同的文件前要手动修改vetexnum参数，参数值等于所有点个数,包括配送中心 String path = "data/c102.txt";//算例地址 data.Read_data(path,data,vetexnum); System.out.println("input succesfully"); System.out.println("cplex procedure###########################"); BaB_Vrptw lp = new BaB_Vrptw(data); double cplex_time1 = System.nanoTime(); //删除未用的车辆，缩小解空间 lp=lp.init(lp); System.out.println(": "+lp.data.veh_num); lp.branch_and_bound(lp); Check check = new Check(lp); check.fesible(); double cplex_time2 = System.nanoTime(); double cplex_time = (cplex_time2 - cplex_time1) / 1e9;//求解时间，单位s System.out.println("cplex_time " + cplex_time + " bestcost " + lp.cur_best); for (int i = 0; i < lp.best_note.node_routes.size(); i++) { ArrayList<Integer> r = lp.best_note.node_routes.get(i); System.out.println(); for (int j = 0; j < r.size(); j++) { System.out.print(r.get(j)+" "); } } }
上面的函数就是主函数，前面的11行都是数据读入的内容，相信大家都能看懂，在这里就不做赘述，遇到的第一个操作init，这个函数的作用是确定有合法解的最小车辆数量，由于直接求解，解空间太大，且有很多车辆不能使用，因此，我们删去无用的车辆，来缩小解空间（这是一个小优化，能够加快程序速度）
public BaB_Vrptw init(BaB_Vrptw lp) throws IloException { lp.build_model(); if (lp.model.solve()) { lp.get_value(); int aa=0; for (int i = 0; i < lp.routes.size(); i++) { if (lp.routes.get(i).size()==2) { aa++; } } System.out.println(aa); if (aa==0) { data.veh_num -=1; lp.model.clearModel(); lp = new BaB_Vrptw(data); return init(lp); }else { data.veh_num -=aa; lp.model.clearModel(); lp = new BaB_Vrptw(data); return init(lp); } }else { data.veh_num +=1; System.out.println("vehicle number: "+data.veh_num); lp.model.clearModel(); lp = new BaB_Vrptw(data); lp.build_model(); if (lp.model.solve()) { lp.get_value(); return lp; }else { System.out.println("error init"); return null; } } }
如上面的程序所示，具体的做法就是建立一个松弛了的cplex模型，并计算使用的车辆数，如果有aa辆未使用车辆就减少aa辆可用车辆，否则减少一辆直到没有可行解。当然，最后我们可使用的车辆是最少的车辆啦~
松弛的模型代码如下， 这就是之前“干货|十分钟快速掌握CPLEX求解VRPTW数学模型（附JAVA代码及CPLEX安装流程）”中的模型把x_ijk的整数约束去掉得到的。
private void build_model() throws IloException { //model model = new IloCplex(); model.setOut(null); // model.setParam(IloCplex.DoubleParam.EpOpt, 1e-9); // model.setParam(IloCplex.DoubleParam.EpGap, 1e-9); //variables x = new IloNumVar[data.vertex_num][data.vertex_num][data.veh_num]; w = new IloNumVar[data.vertex_num][data.veh_num]; //车辆访问点的时间 //定义cplex变量x和w的数据类型及取值范围 for (int i = 0; i < data.vertex_num; i++) { for (int k = 0; k < data.veh_num; k++) { w[i][k] = model.numVar(0, 1e15, IloNumVarType.Float, "w" + i + "," + k); } for (int j = 0; j < data.vertex_num; j++) { if (data.arcs[i][j]==0) { x[i][j] = null; } else{ //Xijk,公式(10)-(11) for (int k = 0; k < data.veh_num; k++) { x[i][j][k] = model.numVar(0, 1, IloNumVarType.Float, "x" + i + "," + j + "," + k); } } } } //加入目标函数 //公式(1) IloNumExpr obj = model.numExpr(); for(int i = 0; i < data.vertex_num; i++){ for(int j = 0; j < data.vertex_num; j++){ if (data.arcs[i][j]==0) { continue; } for(int k = 0; k < data.veh_num; k++){ obj = model.sum(obj, model.prod(data.dist[i][j], x[i][j][k])); } } } model.addMinimize(obj); //加入约束 //公式(2) for(int i= 1; i < data.vertex_num-1;i++){ IloNumExpr expr1 = model.numExpr(); for (int k = 0; k < data.veh_num; k++) { for (int j = 1; j < data.vertex_num; j++) { if (data.arcs[i][j]==1) { expr1 = model.sum(expr1, x[i][j][k]); } } } model.addEq(expr1, 1); } //公式(3) for (int k = 0; k < data.veh_num; k++) { IloNumExpr expr2 = model.numExpr(); for (int j = 1; j < data.vertex_num; j++) { if (data.arcs[0][j]==1) { expr2 = model.sum(expr2, x[0][j][k]); } } model.addEq(expr2, 1); } //公式(4) for (int k = 0; k < data.veh_num; k++) { for (int j = 1; j < data.vertex_num-1; j++) { IloNumExpr expr3 = model.numExpr(); IloNumExpr subExpr1 = model.numExpr(); IloNumExpr subExpr2 = model.numExpr(); for (int i = 0; i < data.vertex_num; i++) { if (data.arcs[i][j]==1) { subExpr1 = model.sum(subExpr1,x[i][j][k]); } if (data.arcs[j][i]==1) { subExpr2 = model.sum(subExpr2,x[j][i][k]); } } expr3 = model.sum(subExpr1,model.prod(-1, subExpr2)); model.addEq(expr3, 0); } } //公式(5) for (int k = 0; k < data.veh_num; k++) { IloNumExpr expr4 = model.numExpr(); for (int i = 0; i < data.vertex_num-1; i++) { if (data.arcs[i][data.vertex_num-1]==1) { expr4 = model.sum(expr4,x[i][data.vertex_num-1][k]); } } model.addEq(expr4, 1); } //公式(6) double M = 1e5; for (int k = 0; k < data.veh_num; k++) { for (int i = 0; i < data.vertex_num; i++) { for (int j = 0; j < data.vertex_num; j++) { if (data.arcs[i][j] == 1) { IloNumExpr expr5 = model.numExpr(); IloNumExpr expr6 = model.numExpr(); expr5 = model.sum(w[i][k], data.s[i]+data.dist[i][j]); expr5 = model.sum(expr5,model.prod(-1, w[j][k])); expr6 = model.prod(M,model.sum(1,model.prod(-1, x[i][j][k]))); model.addLe(expr5, expr6); } } } } //公式(7) for (int k = 0; k < data.veh_num; k++) { for (int i = 1; i < data.vertex_num-1; i++) { IloNumExpr expr7 = model.numExpr(); for (int j = 0; j < data.vertex_num; j++) { if (data.arcs[i][j] == 1) { expr7 = model.sum(expr7,x[i][j][k]); } } model.addLe(model.prod(data.a[i], expr7), w[i][k]); model.addLe(w[i][k], model.prod(data.b[i], expr7)); } } //公式(8) for (int k = 0; k < data.veh_num; k++) { model.addLe(data.E, w[0][k]); model.addLe(data.E, w[data.vertex_num-1][k]); model.addLe(w[0][k], data.L); model.addLe(w[data.vertex_num-1][k], data.L); } //公式(9) for (int k = 0; k < data.veh_num; k++) { IloNumExpr expr8 = model.numExpr(); for (int i = 1; i < data.vertex_num-1; i++) { IloNumExpr expr9 = model.numExpr(); for (int j = 0; j < data.vertex_num; j++) { if (data.arcs[i][j] == 1) { expr9=model.sum(expr9,x[i][j][k]); } } expr8 = model.sum(expr8,model.prod(data.demands[i],expr9)); } model.addLe(expr8, data.cap); } }
之后就是branch and bound过程，在这里，就是最重点的环节了，先说一下我们的定界方法，把VRPTW的数学模型松弛的成一个线性规划问题可以求解出VRPTW问题的一个下界，分支的原则就是对于一个选定的x_ijk，且0<x_ijk<1，那么，利用这个x_ijk进行分成两支，左支是不能够走弧ij，右支是必须走弧ij且必须由车辆k经过。即左支对于任意的t，x_ijt = 0。右边则是x_ijk = 1。（关于x_ijk的含义请参考“干货|十分钟快速掌握CPLEX求解VRPTW数学模型（附JAVA代码及CPLEX安装流程）”）增加上述约束后，再进行求解，进行定界。找到要分支的弧的代码如下。
// 找到要分支的弧 public int[] find_arc(double[][][] x) { int record[] = new int[3];//记录分支顶点 for (int i = 0; i <data.vertex_num; i++) { for (int j = 0; j < data.vertex_num; j++) { if (data.arcs[i][j]>0.5) { for (int k = 0; k <data.veh_num; k++) { //若该弧值为0或1，则继续 if (is_one_zero(x[i][j][k])) { continue; } // cur_dif = get_dif(x[i][j][k]); record[0] = i; record[1] = j; record[2] = k; return record; } } } } record[0] = -1; record[1] = -1; record[2] = -1; return record; }
分支定界的流程是：
-
确定一个下界（初始解LB），上界定为无穷大UB。
-
把初始问题构建一个节点加入优先队列（因为是优先队列，所以使用best first sloution，也就是每一次最好的目标值最前搜索）。
-
判断队列是否为空，如果为空跳转至7，否则取出并弹出队首元素，计算该节点的目标值P。
-
如果P > UB，返回3。否则判断当前节点是否是合法解（对于任意i,j,k,x_ijk均为整数），如果是，跳转5否则跳转6。
-
如果P < UB, 记录UB = P，当前节点为当前最优解BS。返回3.
-
设置两个子节点L, R。L，R的建立方式如上，如果L的目标值L.P <= UB，把L加入队列，如果R的目标值R.P <= UB，把R加入队列。返回3.
-
结束，返回记录的最优节点BS。如果BS为空则无解。
public void branch_and_bound(BaB_Vrptw lp) throws IloException { cur_best = 3000;//设置上界 deep=0; record_arc = new int[3]; node1 = new Node(data); best_note = null; queue = new PriorityQueue<Node>(); //初始解（非法解） for (int i = 0; i < lp.routes.size(); i++) { ArrayList<Integer> r = lp.routes.get(i); System.out.println(); for (int j = 0; j < r.size(); j++) { System.out.print(r.get(j)+" "); } } lp.copy_lp_to_node(lp, node1); // node1.node_cost = lp.cost; // node1.lp_x = lp.x_map.clone(); // node1.node_routes =lp.routes; // node1.node_servetimes = lp.servetimes; node2 = node1.note_copy(); deep=0; node1.d=deep; queue.add(node1); //branch and bound过程 while (!queue.isEmpty()) { Node node = queue.poll(); //某支最优解大于当前最好可行解，删除 if (doubleCompare(node.node_cost, cur_best)>0) { continue; }else { record_arc = lp.find_arc(node.lp_x); //某支的合法解,0,1组合的解,当前分支最好解 if (record_arc[0]==-1) { //比当前最好解好，更新当前解 if (doubleCompare(node.node_cost, cur_best)==-1) { lp.cur_best = node.node_cost; System.out.println(node.d+" cur_best:"+cur_best); lp.best_note = node; } continue; }else {//可以分支 node1 = lp.branch_left_arc(lp, node, record_arc);//左支 node2 = lp.branch_right_arc(lp, node, record_arc);//右支 if (node1!=null && doubleCompare(node1.node_cost, cur_best)<=0) { queue.add(node1); } if (node2!=null && doubleCompare(node2.node_cost, cur_best)<=0) { queue.add(node2); } } } } } //设置左支 public Node branch_left_arc(BaB_Vrptw lp,Node father_node,int[] record) throws IloException { if (record[0] == -1) { return null; } Node new_node = new Node(data); new_node = father_node.note_copy(); new_node.node_x[record[0]][record[1]] = -1; for (int k = 0; k < data.veh_num; k++) { new_node.node_x_map[record[0]][record[1]][k]=0; } // new_node.node_x_map[record[0]][record[1]][record[2]]=-1; //设置左支 lp.set_bound(new_node);
if (lp.model.solve()) { lp.get_value(); deep++; new_node.d=deep; lp.copy_lp_to_node(lp, new_node); System.out.println(new_node.d+" "+lp.cost); }else { new_node.node_cost = data.big_num; } return new_node; } //设置右支 public Node branch_right_arc(BaB_Vrptw lp,Node father_node,int[] record) throws IloException { if (record[0] == -1) { return null; } Node new_node = new Node(data); new_node = father_node.note_copy(); new_node.node_x[record[0]][record[1]] = 1; // new_node.node_x_map[record[0]][record[1]][record[2]]=1; for (int k = 0; k < data.veh_num; k++) { if (k==record[2]) { new_node.node_x_map[record[0]][record[1]][k]=1; }else { new_node.node_x_map[record[0]][record[1]][k]=0; } } //设置右支 lp.set_bound(new_node); if (lp.model.solve()) { lp.get_value(); deep++; new_node.d=deep; System.out.println(new_node.d+" right: "+lp.cost); lp.copy_lp_to_node(lp, new_node); }else { new_node.node_cost = data.big_num; } return new_node; } //找到需要分支的支点位置
这样就完美的利用branch and bound解决了VRPTW。诶，等等，完美么？是不是忘了点什么？解的合法性有没有检验呢？
为了检验我们所求的解是不是合法的，我们利用迟迟没出面的Check类来检查这个问题。
01
Check类
Check类存在的目的，主要是检验解的可行性，包括解是否满足车辆数量约束，是否满足容量约束，时间窗约束等等。
包括函数
double_compare(v1, v2): 比较两个数大小 v1 < v2 – eps 返回 -1， v1 > v2 + eps 返回1， 两数相等返回0。
fesible()：判断解的可行性，包括车辆数量可行性，车辆载荷可行性，时间窗、车容量可行性判断。
class Check{ double epsilon = 0.0001; Data data = new Data(); ArrayList<ArrayList<Integer>> routes = new ArrayList<>(); ArrayList<ArrayList<Double>> servetimes = new ArrayList<>(); public Check(BaB_Vrptw lp) { super(); this.data = lp.data; this.routes = lp.routes; this.servetimes = lp.servetimes; } //函数功能：比较两个数的大小 public int double_compare(double v1,double v2) { if (v1 < v2 - epsilon) { return -1; } if (v1 > v2 + epsilon) { return 1; } return 0; } //函数功能：解的可行性判断 public void fesible() throws IloException { //车辆数量可行性判断 if (routes.size() > data.veh_num) { System.out.println("error: vecnum!!!"); System.exit(0); } //车辆载荷可行性判断 for (int k = 0; k < routes.size(); k++) { ArrayList<Integer> route = routes.get(k); double capasity = 0; for (int i = 0; i < route.size(); i++) { capasity += data.demands[route.get(i)]; } if (capasity > data.cap) { System.out.println("error: cap!!!"); System.exit(0); } } //时间窗、车容量可行性判断 for (int k = 0; k < routes.size(); k++) { ArrayList<Integer> route = routes.get(k); ArrayList<Double> servertime = servetimes.get(k); double capasity = 0; for (int i = 0; i < route.size()-1; i++) { int origin = route.get(i); int destination = route.get(i+1); double si = servertime.get(i); double sj = servertime.get(i+1); if (si < data.a[origin] && si > data.b[origin]) { System.out.println("error: servertime!"); System.exit(0); } if (double_compare(si + data.dist[origin][destination],data.b[destination]) > 0) { System.out.println(origin + ": [" + data.a[origin] + ","+data.b[origin]+"]"+ " "+ si); System.out.println(destination + ": [" + data.a[destination] + ","+data.b[destination]+"]"+ " "+ sj); System.out.println(data.dist[origin][destination]); System.out.println(destination + ":" ); System.out.println("error: forward servertime!"); System.exit(0); } if (double_compare(sj - data.dist[origin][destination],data.a[origin]) < 0) { System.out.println(origin + ": [" + data.a[origin] + ","+data.b[origin]+"]"+ " "+ si); System.out.println(destination + ": [" + data.a[destination] + ","+data.b[destination]+"]"+ " "+ sj); System.out.println(data.dist[origin][destination]); System.out.println(destination + ":" ); System.out.println("error: backward servertime!"); System.exit(0); } } if (capasity > data.cap) { System.out.println("error: cap!!!"); System.exit(0); } } } }
运算结果
以Solomon测试算例为例，我们对其进行了测试，输入数据如下：
输出结果如下：其中第一列代表顾客编号，第二列和第三列分别代表顾客的横纵坐标，第四列代表需求，第五列第六列代表时间窗，第七列代表服务时间。车辆数量20，容量200。
time 25.245537525 bestcost 827.3
0 13 17 18 19 15 16 14 12 101
0 43 42 41 40 44 46 45 48 51 50 52 49 47 101
0 5 3 7 8 10 11 9 6 4 2 1 75 101
0 67 65 63 62 74 72 61 64 68 66 69 101
0 20 24 25 27 29 30 28 26 23 22 21 101
0 32 33 31 35 37 38 39 36 34 101
0 57 55 54 53 56 58 60 59 101
0 81 78 76 71 70 73 77 79 80 101
0 90 87 86 83 82 84 85 88 89 91 101
0 98 96 95 94 92 93 97 100 99 101
第一行是运算时间和最优目标值，第二行到最后一行分别表示每辆车的运行路线。
终于搞完了，是不是觉得很舒爽呢？
欲下载代码请移步留言区。