【进阶五】Python实现SDVRP（需求拆分）常见求解算法—

【进阶五】Python实现SDVRP（需求拆分）常见求解算法——禁忌搜索+模拟退火算法（TS+SA）

基于python语言，采用经典禁忌搜索（TS）+模拟退火（SA）对 需求拆分车辆路径规划问题（SDVRP） 进行求解。

往期优质资源

经过一年多的创作，目前已经成熟的代码列举如下，如有需求可私信联系，表明需要的问题与算法，原创不宜，有偿获取。

VRP问题	GA	ACO	ALNS	DE	DPSO	QDPSO	TS	SA
CVRP	√	√	√	√	√	√	√	√
VRPTW	√	√	√	√	√	√	√	√
MDVRP	√	√	√	√	√	√	√	√
MDHVRP	√	√	√	√	√	√	√	√
MDHVRPTW	√	√	√	√	√	√	√	√
SDVRP	√	√	√	√	√	√	√	√

1. 适用场景

求解CVRP
车辆类型单一
车辆容量小于部分需求节点需求
单一车辆基地

2. 代码调整

与CVRP问题相比，SDVRP问题允许客户需求大于车辆容量。为了使得每个客户的需求得到满足，必须派遣一辆或多辆车辆对客户进行服务，也就是需要对客户的需求进行拆分。关于如何进行拆分一般有两种方式：

先验拆分策略：提前制定策略对客户的需求（尤其是大于车辆容量的客户需求）进行分解，将SDVRP问题转化为CVRP问题
过程拆分策略：在车辆服务过程中对客户需求进行动态拆分

本文采用文献[1]提出的先验分割策略，表述如下：

（1）20/10/5/1拆分规则

m₂₀ =max{ $m\in Z^+ \cup \{0\} | 0.20Qm <= D_i$ }
m₁₀ =max{ $m\in Z^+ \cup \{0\} | 0.10Qm <= D_i-0.20Qm_{20}~$ }
m₅ =max{ $m\in Z^+ \cup \{0\} | 0.05Qm <= D_i-0.20Qm_{20}-0.10Qm_{10}$ }
m₁ =max{ $m\in Z^+ \cup \{0\} | 0.01Qm <= D_i-0.20Qm_{20}-0.10Qm_{10}-0.05Qm_{5}$ }

（2）25/10/5/1拆分规则

m₂₅ =max{ $m\in Z^+ \cup \{0\} | 0.25Qm <= D_i$ }
m₁₀ =max{ $m\in Z^+ \cup \{0\} | 0.10Qm <= D_i-0.25Qm_{25}~$ }
m₅ =max{ $m\in Z^+ \cup \{0\} | 0.05Qm <= D_i-0.25Qm_{25}-0.10Qm_{10}$ }
m₁ =max{ $m\in Z^+ \cup \{0\} | 0.01Qm <= D_i-0.25Qm_{25}-0.10Qm_{10}-0.05Qm_{5}$ }

在实现过程中，对于需求超过车辆容量的客户必须进行需求拆分，而对于未超过车辆容量的客户可以拆分也可以不拆分，这里设置了参数比例进行限制。

3. 求解结果

3.1 TS

（1）收敛曲线
在这里插入图片描述

（2）车辆路径
在这里插入图片描述

3.2 SA

（1）收敛曲线

在这里插入图片描述

（2）车辆路径
在这里插入图片描述

4. 代码片段

（1）数据结构

# 数据结构：解
class Sol():def __init__(self):self.node_no_seq = None # 节点id有序排列self.obj = None # 目标函数self.fitness = None  # 适应度self.route_list = None # 车辆路径集合self.route_distance_list = None  # 车辆路径长度集合self.action_id = None # 对应的算子id
# 数据结构：网络节点
class Node():def __init__(self):self.id = 0 # 节点idself.x_coord = 0 # 节点平面横坐标self.y_coord = 0 # 节点平面纵坐标self.demand = 0 # 节点需求
# 数据结构：全局参数
class Model():def __init__(self):self.best_sol = None # 全局最优解self.demand_id_list = [] # 需求节点集合self.demand_dict = {}self.sol_list = [] # 解的集合self.depot = None # 车场节点self.number_of_demands = 0 # 需求节点数量self.vehicle_cap = 0 # 车辆最大容量self.distance_matrix = {} # 节点距离矩阵self.demand_id_list_ = [] # 经先验需求分割后的节点集合self.demand_dict_ = {} # 需求分割后的节点需求集合self.distance_matrix_ = {}  # 原始节点id间的距离矩阵self.mapping = {}  # 需求分割前后的节点对应关系self.split_rate = 0.5 # 控制需求分割的比例（需求超出车辆容量的除外）self.popsize = 100 # 种群规模self.tabu_list=None # 禁忌表self.TL=30 # 禁忌长度

（2）距离矩阵

# 初始化参数
def cal_distance_matrix(model):for i in model.demand_id_list:for j in model.demand_id_list:d=math.sqrt((model.demand_dict[i].x_coord-model.demand_dict[j].x_coord)**2+(model.demand_dict[i].y_coord-model.demand_dict[j].y_coord)**2)model.distance_matrix[i,j]=max(d,0.0001) if i != j else ddist = math.sqrt((model.demand_dict[i].x_coord - model.depot.x_coord) ** 2 + (model.demand_dict[i].y_coord - model.depot.y_coord) ** 2)model.distance_matrix[i, model.depot.id] = distmodel.distance_matrix[model.depot.id, i] = dist

（3）邻域

# 定义邻域算子
def createActions(n):action_list=[]nswap=n//2#第一种算子（Swap）：前半段与后半段对应位置一对一交换for i in range(nswap):action_list.append([1,i,i+nswap])#第二中算子（DSwap）：前半段与后半段对应位置二对二交换for i in range(0,nswap-1,2):action_list.append([2,i,i+nswap])#第三种算子（Reverse）：指定长度的序列反序for i in range(0,n,4):action_list.append([3,i,i+3])return action_list
# 执行邻域搜索
def doAction(node_no_seq,action):node_no_seq=copy.deepcopy(node_no_seq)if action[0]==1:index_1=action[1]index_2=action[2]temporary=node_no_seq[index_1]node_no_seq[index_1]=node_no_seq[index_2]node_no_seq[index_2]=temporaryreturn node_no_seqelif action[0]==2:index_1 = action[1]index_2 = action[2]temporary=[node_no_seq[index_1],node_no_seq[index_1+1]]node_no_seq[index_1]=node_no_seq[index_2]node_no_seq[index_1+1]=node_no_seq[index_2+1]node_no_seq[index_2]=temporary[0]node_no_seq[index_2+1]=temporary[1]return node_no_seqelif action[0]==3:index_1=action[1]index_2=action[2]node_no_seq[index_1:index_2+1]=list(reversed(node_no_seq[index_1:index_2+1]))return node_no_seq