时间窗

项目简介： 最近需要实现一篇论文的算法，讲的是将PSO(粒子群算法)应用到TSPTW问题(时间窗车辆调度问题)上，查询了一些资料，以往的资料大多是蚁群算法的应用，所以就试着自己一步步完成这个算法。 参考论文： [1]A Novel Set-Based Particle Swarm Optimization Method for Discrete Optimization Problems [2]Gong Y J, Zhang J, Liu O, et al. Optimizing the Vehicle Routing Problem With Time Windows: A Discrete Particle Swarm Optimization Approach[J]. IEEE Transactions on Systems Man & Cybernetics Part C, 2012, 42(2):254-267. 论文建议先阅读[1], 再阅读[2]会比较好理解，这个算法比较巧妙的地方在于我们将每一个可能的路线规划图作为一个粒子（注意是将整个规划图作为一个粒子而不是规划图中的节点，我们让粒子进行运动并且不断修改它的运动方向，其实就是调整规划图中连接节点各条边的指向，使得粒子位置被不断进行更新，新的粒子对应着各条边被调整后的整幅规划图）

遗传算法求解带时间窗的车辆路径规划问题 1.遗传算法 遗传算法简介 遗传算法（Genetic Algorithm，简称GA）是一类借鉴生物界的进化规律（适者生存，优胜劣汰遗传机制）演化而来的基于种群的随机化搜索方法。它是由美国的J.Holland教授1975年首先提出，其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。遗传算法的这些性质，已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。遗传算法是现代智能计算中的关键技术之一。 遗传算法基本思想 在现实生活中，生物的染色体通过基因控制了生物的性状，而生物的性状决定了生物在环境中的适应度，适应度高的生物，其基因更容易流传下来，随着时间的不断流逝，整个种群的适应度随之提高。 遗传算法和现实非常类似，首先将问题的解通过一定的方法，编码到染色体中，通过适应度函数，得到每个个体的适应度，通过选择，将适应度高的个体保留到下一代中，不断迭代，即可获得满意解。 遗传算法流程 2.带时间窗的车辆路径规划问题介绍 车辆路径规划问题介绍 车辆路径规划问题，经过60年来的研究与发展，研究的目标对象，限制条件等均有所变化，已经从最初的简单车辆安排调度问题转变为复杂的系统问题