1 简介
车辆路径问题(Vehicle Routing Problem)是近二十年来运筹学,应用数学,网络分析,图诊,计算机应用及交通运输等学科研究的一个热点问题,也是组合优化中的NP完全难题.VRP不但为离散优化领域中其他的各类算法提供了思想方法平台,而且还广泛地应用于运输,生产,国防,生物,计算机应用等领域.该文着重于对有时间窗的车辆路径问题(Vehicle Routing Problem with TimeWindow,简称VRPTW)的近似算法进行研究.
2 部分代码
clear all; %清除所有变量 close all; %清图 clc ; %清屏 tic%开始计时。考虑拥堵时间段,以总费用作为比较目标 %%SOLOMON问题数据 wenjian=textread('RXx201.txt');%%调用文件 changdu=size(wenjian,1);%%调用文件的长度 city_coordinate=zeros(changdu,2);%%需求点坐标 demands=zeros(1,changdu);%%需求 earlytime=zeros(1,changdu);%%需求点时间最早服务限制 windowtime=zeros(1,changdu);%%需求点时间限制 servicetime=zeros(1,changdu);%服务时间 for i=1:changdu city_coordinate(i,1)=(wenjian(i,2));%坐标 city_coordinate(i,2)=(wenjian(i,3));%坐标 demands(i)=(wenjian(i,4));%需求量 earlytime(i)=10;%(wenjian(i,5))-30;%时间限制,最早时间窗 windowtime(i)=(wenjian(i,6))+60;%时间限制 servicetime(i)=(wenjian(i,7));%服务时间 end % city_coordinate %需求点坐标 % demands%需求量 % earlytime%%需求点时间最早服务限制 % windowtime%时间窗限制 % servicetime%服务时间 % city_coordinate=[42,59;6,17;37,19;22,76;28,11;21,16;12,65;35,18;38,29];%坐标 % demands=[0,90,40,60,70,70,40,20,40];%需求量 % windowtime=[0,100,200,300,300,300,300,300,300];%时间窗限制 % earlytime=[0,20,40,230,110,220,40,220,40];%服务时间 % servicetime=[0,20,40,30,10,20,40,20,40];%服务时间 %%初始化变量 m=40;% m 蚂蚁个数 NC_max=100;% 最大允许运行次数 Alpha=1;% Alpha 表征信息素重要程度的参数 Beta=3;% Beta 表征启发式因子重要程度的参数 Rho=0.25;% Rho 信息素蒸发系数 Q=20;% Q 信息素增加强度系数 vehiclecapacity=200;%车辆容量 C=city_coordinate; n=size(C,1);%n需求点个数 %%计算节点之间的距离 D=zeros(n,n);%D距离矩阵 for i=1:n for j=1:n if i~=j D(i,j)=((C(i,1)-C(j,1))^2+(C(i,2)-C(j,2))^2)^0.5; else D(i,j)=eps; %% 第四步记录本代各种参数 L=zeros(m,1); for i=1:m MM=Tabu(i,:); R=MM(MM>0); for j=1:(length(R)-1) L(i)=L(i)+D(R(j),R(j+1)); end end NC=NC+1 %迭代计数器 %% 全局信息素更新 %Delta_Tau=zeros(n,n); for i=1:m MM=Tabu(i,:); R=MM(MM>0); cd=length(R); for j=1:cd Tabu(i,j)=R(j); end for j=1:(cd-1) %Delta_Tau(R(j),R(j+1))=Delta_Tau(R(j),R(j+1))+Q/L(i); Delta_Tau(Tabu(i,j),Tabu(i,j+1))=Delta_Tau(Tabu(i,j),Tabu(i,j+1))+Q/L(i); %此次循环在路径(i,j)上的信息素增量 end %Delta_Tau(R(n),R(1))=Delta_Tau(R(n),R(1))+Q/L(i); %此次循环在整个路径上的信息素增量 Delta_Tau(Tabu(i,cd),Tabu(i,1))=Delta_Tau(Tabu(i,cd),Tabu(i,1))+Q/L(i); %此次循环在整个路径上的信息素增量 end Tau=(1-Rho).*Tau+Delta_Tau; %考虑信息素挥发,更新后的信息素 %% ????????? Tabu=zeros(m,n); load_w=0; end %%输出最优路线的相关信息 minmubiao bestfuelconsumptionofcar bestroute bestjuli besttravletime bestcarbon %% 画图画出路线 subplot(1,2,1) plot([C(bestroute,1)],[C(bestroute,2)],'-*')%最优路径 subplot(1,2,2) %绘制第二个子图形 % plot(iterbestlength)%各代的最短距离 % hold on plot(length_ave,'r')%各代的平均距离 % title('平均距离和最短距离') %标题 toc
3 仿真结果
4 参考文献
[1]刘小兰. 有时间窗的车辆路径问题(VRPTW)的近似算法研究. Diss. 华南理工大学, 2003.