Python实现VRP常见求解算法 |
您所在的位置：网站首页 › python遗传算法路径规划 › Python实现VRP常见求解算法 |
Python实现VRP常见求解算法
|
基于python语言，实现经典蚁群算法（ACO）对车辆路径规划问题（CVRP）进行求解。 目录 优质资源1. 适用场景2. 求解效果3. 问题分析4. 数据格式5. 分步实现6. 完整代码参考 优质资源 python实现6种智能算法求解CVRP问题python实现7种智能算法求解MDVRP问题python实现7种智能算法求解MDVRPTW问题Python版MDHFVRPTW问题智能求解算法代码【TS算法】Python版MDHFVRPTW问题智能求解算法代码【SA算法】Python版MDHFVRPTW问题智能求解算法代码【GA算法】Python版MDHFVRPTW问题智能求解算法代码【DPSO算法】Python版MDHFVRPTW问题智能求解算法代码【DE算法】Python版MDHFVRPTW问题智能求解算法代码【ACO算法】Python版HVRP问题智能求解算法代码【GA算法】Python版HVRP问题智能求解算法代码【DPSO算法】 1. 适用场景 求解CVRP车辆类型单一车辆容量不小于需求节点最大需求单一车辆基地 2. 求解效果（1）收敛曲线 （2）车辆路径 CVRP问题的解为一组满足需求节点需求的多个车辆的路径集合。假设某物理网络中共有10个顾客节点，编号为1~10，一个车辆基地，编号为0，在满足车辆容量约束与顾客节点需求约束的条件下，此问题的一个可行解可表示为：[0-1-2-0,0-3-4-5-0,0-6-7-8-0,0-9-10-0]，即需要4个车辆来提供服务，车辆的行驶路线分别为0-1-2-0,0-3-4-5-0,0-6-7-8-0,0-9-10-0。由于车辆的容量固定，基地固定，因此可以将上述问题的解先表示为[1-2-3-4-5-6-7-8-9-10]的有序序列，然后根据车辆的容量约束，对序列进行切割得到若干车辆的行驶路线。因此可以将CVRP问题转换为TSP问题进行求解，得到TSP问题的优化解后再考虑车辆容量约束进行路径切割，得到CVRP问题的解。这样的处理方式可能会影响CVRP问题解的质量，但简化了问题的求解难度。 4. 数据格式以xlsx文件储存网络数据，其中第一行为标题栏，第二行存放车辆基地数据。在程序中车辆基地seq_no编号为-1，需求节点seq_id从0开始编号。可参考github主页相关文件。 5. 分步实现（1）数据结构 为便于数据处理，定义Sol()类，Node()类，Model()类，其属性如下表： Sol()类，表示一个可行解 属性描述nodes_seq需求节点seq_no有序排列集合，对应TSP的解obj优化目标值routes车辆路径集合，对应CVRP的解 Node()类，表示一个网络节点 属性描述id物理节点id，可选name物理节点名称，可选seq_no物理节点映射id，基地节点为-1，需求节点从0编号x_coord物理节点x坐标y_coord物理节点y坐标demand物理节点需求 Model()类，存储算法参数 属性描述best_sol全局最优解，值类型为Sol()node_list物理节点集合，值类型为Node()sol_list可行解集合，值类型为Sol()node_seq_no_list物理节点映射id集合depot车辆基地，值类型为Node()number_of_nodes需求节点数量opt_type优化目标类型，0：最小车辆数，1：最小行驶距离vehicle_cap车辆容量distance网络弧距离popsize蚁群规模alpha信息启发式因子beta期望启发式因子Q信息素总量rho信息素挥发系数tau网络弧信息素（2）文件读取 def readXlsxFile(filepath,model): node_seq_no = -1 df = pd.read_excel(filepath) for i in range(df.shape[0]): node=Node() node.id=node_seq_no node.seq_no=node_seq_no node.x_coord= df['x_coord'][i] node.y_coord= df['y_coord'][i] node.demand=df['demand'][i] if df['demand'][i] == 0: model.depot=node else: model.node_list.append(node) model.node_seq_no_list.append(node_seq_no) try: node.name=df['name'][i] except: pass try: node.id=df['id'][i] except: pass node_seq_no=node_seq_no+1 model.number_of_nodes=len(model.node_list)（3）初始化参数 在初始化参数时计算网络弧距离，同时对网络弧上的信息素浓度进行初始化，这里默认为10，也可取其他值。 def initParam(model): for i in range(model.number_of_nodes): for j in range(i+1,model.number_of_nodes): d=math.sqrt((model.node_list[i].x_coord-model.node_list[j].x_coord)**2+ (model.node_list[i].y_coord-model.node_list[j].y_coord)**2) model.distance[i,j]=d model.distance[j,i]=d model.tau[i,j]=10 model.tau[j,i]=10（4）位置更新 在更新蚂蚁位置时，调用 " searchNextNode "函数，依据网络弧信息素浓度及启发式信息搜索蚂蚁下一个可能访问的节点。 def movePosition(model): sol_list=[] local_sol=Sol() local_sol.obj=float('inf') for k in range(model.popsize): #Random ant position nodes_seq=[int(random.randint(0,model.number_of_nodes-1))] all_nodes_seq=copy.deepcopy(model.node_seq_no_list) all_nodes_seq.remove(nodes_seq[-1]) #Determine the next moving position according to pheromone while len(all_nodes_seq)>0: next_node_no=searchNextNode(model,nodes_seq[-1],all_nodes_seq) nodes_seq.append(next_node_no) all_nodes_seq.remove(next_node_no) sol=Sol() sol.nodes_seq=nodes_seq sol.obj,sol.routes=calObj(nodes_seq,model) sol_list.append(sol) if sol.obj= 0: route.append(node_no) remained_cap = remained_cap - model.node_list[node_no].demand else: vehicle_routes.append(route) route = [node_no] num_vehicle = num_vehicle + 1 remained_cap =model.vehicle_cap - model.node_list[node_no].demand vehicle_routes.append(route) return num_vehicle,vehicle_routes def calDistance(route,model): distance=0 depot=model.depot for i in range(len(route)-1): from_node=model.node_list[route[i]] to_node=model.node_list[route[i+1]] distance+=math.sqrt((from_node.x_coord-to_node.x_coord)**2+(from_node.y_coord-to_node.y_coord)**2) first_node=model.node_list[route[0]] last_node=model.node_list[route[-1]] distance+=math.sqrt((depot.x_coord-first_node.x_coord)**2+(depot.y_coord-first_node.y_coord)**2) distance+=math.sqrt((depot.x_coord-last_node.x_coord)**2+(depot.y_coord - last_node.y_coord)**2) return distance def calObj(nodes_seq,model): num_vehicle, vehicle_routes = splitRoutes(nodes_seq, model) if model.opt_type==0: return num_vehicle,vehicle_routes else: distance=0 for route in vehicle_routes: distance+=calDistance(route,model) return distance,vehicle_routes（7）绘制收敛曲线 def plotObj(obj_list): plt.rcParams['font.sans-serif'] = ['SimHei'] #show chinese plt.rcParams['axes.unicode_minus'] = False # Show minus sign plt.plot(np.arange(1,len(obj_list)+1),obj_list) plt.xlabel('Iterations') plt.ylabel('Obj Value') plt.grid() plt.xlim(1,len(obj_list)+1) plt.show()（8）输出结果 def outPut(model): work=xlsxwriter.Workbook('result.xlsx') worksheet=work.add_worksheet() worksheet.write(0,0,'opt_type') worksheet.write(1,0,'obj') if model.opt_type==0: worksheet.write(0,1,'number of vehicles') else: worksheet.write(0, 1, 'drive distance of vehicles') worksheet.write(1,1,model.best_sol.obj) for row,route in enumerate(model.best_sol.routes): worksheet.write(row+2,0,'v'+str(row+1)) r=[str(i)for i in route] worksheet.write(row+2,1, '-'.join(r)) work.close()（9）主函数 def run(filepath,Q,alpha,beta,rho,epochs,v_cap,opt_type,popsize): """ :param filepath:Xlsx file path :param Q:Total pheromone :param alpha:Information heuristic factor :param beta:Expected heuristic factor :param rho:Information volatilization factor :param epochs:Iterations :param v_cap:Vehicle capacity :param opt_type:Optimization type:0:Minimize the number of vehicles,1:Minimize travel distance :param popsize:Population size :return: """ model=Model() model.vehicle_cap=v_cap model.opt_type=opt_type model.alpha=alpha model.beta=beta model.Q=Q model.rho=rho model.popsize=popsize sol=Sol() sol.obj=float('inf') model.best_sol=sol history_best_obj = [] readXlsxFile(filepath,model) initParam(model) for ep in range(epochs): movePosition(model) upateTau(model) history_best_obj.append(model.best_sol.obj) print("%s/%s， best obj: %s" % (ep,epochs, model.best_sol.obj)) plotObj(history_best_obj) outPut(model) 6. 完整代码代码和数据文件可获取【私信】： https://download.csdn.net/download/python_n/37357242 参考 汪定伟. 智能优化方法[M]. 高等教育出版社, 2007.https://blog.csdn.net/qq_38048756/article/details/109383971 |
【本文地址】
今日新闻 |
推荐新闻 |