[发明专利]一种基于禁忌搜索的超启发式算法的车辆路径优化方法

权利要求书

1.一种基于禁忌搜索的超启发式算法的车辆路径优化方法，其特征在于，所述方法包括以下步骤：

步骤1车辆路径问题分析，采用Augerat’s instances数据集，车辆路径问题的成本矩阵的元素是欧几里得距离；

假定配送中心最多可以用K辆车对L个客户进行运输配送，i＝0表示仓库，每个车辆载重为Q_k(k＝1,2,…,K)，每个客户的需求为q，客户i到客户j的运输成本为c_ij，优化的目标是行驶距离最短，一个完整的解表示了全部路径的集合；

步骤2初始化种群，第G代，G＝0，生成初始可行解组

计算种群适应度f^G，以及整体最优目标函数值整体最优个体当代最优解目标函数值当代最优个体当代目标函数值的平均值

步骤3初始化算子得分，算子初始得分为S⁰＝[S¹,S²,…,S²⁰]；

不同种类算子的初始得分不同，计算算则的评价分数S_A⁰＝[S_A¹,S_A²,…,S_A²⁰]；

根据评价分数初始禁忌表，算子分为被禁算子与未被禁算子；

利用轮盘赌规则从未被禁算子中产生初始的h^G；

步骤4产生并选择变异解，利用底层算子h^G构造新的路径，G＝G+1，

计算

步骤5计算算子得分，根据与计算调整参数RC；

RC是一个小于1的小数，根据第G代子代解的改进率计算各个底层启发式算子的得分S^G，将得分低的算子放入禁忌表，调整在生成h^G时算子被选择的概率；

在h^G算子i的解取得的进步大于设定进步阈值时，当代i算子的RC值大于设定RC阈值，反之，当代的解取得的小于设定进步阈值时，当代算子i的RC值小于设定RC阈值，调整每个对解进行有效改进的算子加分分值；

在第G代中，若算子取得改进效果，算子i的加分为

其中，ZC为常数；

若算子未取得改进效果，则算子i扣分，则

步骤6保留候选解，若f_i^G'＜f_i^G，则保留f_i^G＝f_i^G'，x₁^G＝x₁^G'；

若f_i^G'＞f_i^G时，按概率P接收，接收f_i^G＝f_i^G'，x₁^G＝x₁^G'，k＝k+1，T_k+1＝T_k·β；否则，f_i^G＝f_i^G-1，x₁^G＝x₁^G-1，[X_C^G，F_C^G]＝minf^G；

P＝exp(ΔE/T_k) (6)

因此，每代保留的个体数量是变化的，保证了多样性；

步骤7保留最优解，若F_C^G＜F_B^G，则，X_B^G＝X_C^G，F_B^G＝F_C^G，G＝G+1；

步骤8更新禁忌表，根据算子得分计算评价分数根据评价得分，更新算子禁忌表；

根据未被禁算子的得分，使用轮盘赌策略选择算子h^G；

步骤9退出迭代，若GG_max，算法结束，输出最优解，否则转向步骤4；

步骤10输出最优个体即最优路径。

2.如权利要求1所述的一种基于禁忌搜索的超启发式算法的车辆路径优化方法，其特征在于，所述步骤2中，生成初始种群组的过程如下：

2.1)以配送中心为起点构造初始路径；

2.2)判断最近的客户点是否符合时间窗以及车辆容量约束，若不满足则隔离该客户点并选择下一个最近的客户点，若满足则将其纳入当前路径，并将所有隔离客户点解除隔离，重复此步骤直至所有客户点都不满足约束，关闭该路径并开启新的路径；

2.3)当所有客户点都被安排到路径内时，关闭最后一条路径；

2.4)最后，对产生的可行解执行若干次变异，得到丰富多样的种群，再选择较优的解作为初始解组；

2.5)计算种群适应度f^G，以及整体最优目标函数值整体最优个体当代最优解目标函数值当代最优个体当代目标函数值的平均值