作为夏季的研究课题,我被分配了以下问题。但是,我没能成功找到相关的问题,除了它似乎是旅行推销员和背包的组合,即使我不确定是否是这种情况。声明是:
你是一名卡车司机,赢得了一份大合同,现在你必须 提供很多包裹。每个都有N个包递送 必须在城市的某个地址(x,y)交付一个。 另外每个包裹都有一个重量Wi。
为简单起见,假设分布区域是矩形的 总是从点(0,90)开始。
您只有一辆卡车,容量有限(1000)(不包括上限) 卡车重量)。卡车底座重量为10。
要走的距离很远,所以距离应该是 计算机使用Haversine距离。
与您签约的公司将为您提供足够的燃料,因此 你可以无限制地旅行。
但是,从那以后你必须非常小心 你必须提供每一个,如果你选择 在旅途中打包,你必须交付它,不管你做什么 不能在旅途中离开他们。
因为你有点吝啬,你同意条件,但你知道 如果你不接近最佳策略,你的卡车可以 穿得太多,所以你可能会因为合同不完整而结束 这会让你起诉,没有卡车和钱就离开你。
因此,根据您的经验,您知道要最大限度地提高生存机会 你的卡车必须尽量减少以下功能:
http://goo.gl/jQxXzN(抱歉,我无法发布图片,因为我没有足够的声誉)。
其中m是tripss的数量,n是每次旅行j的包裹数量,wij是第j次旅行期间第i个礼物的重量,Dist表示两点之间的Haversine距离,Loc(i )是第i个礼物的位置,Loc(0)和Loc(n)是(0,90)点(起点),wnj(行程的最后重量)总是卡车重量(基重) )。
所以,基本上,这些都是我得到的研究课题的所有内容。 我一直在想,也许一些诸如蚁群或遗传算法之类的元启发式可能会有所帮助,但我必须更好地了解这个问题。任何想法或信息(纸张,书籍等)都受到欢迎。
答案 0 :(得分:0)
这听起来像容量车辆路径问题(CRVP)的变体,特别是与单车辆和单车库(但是使用非均匀包裹)。有关此问题的一些参考,请参见例如:
我认为您对元启发式的想法 - 特别是蚁群优化(ACO) - 将是一种明智的方法。请注意,对于TSP相关问题,通常ACO优先于遗传算法(GA)。
以下有些着名的文章(1)可能会让您开始研究ACO方法可能带来的好处。 (2)扩展(1)的结果。请注意,这涵盖了常规的VHP(没有容量),但它应该被证明是一个有价值的起点,至少给予灵感。
似乎还有专门的文献ACO和CVRP的主题,但我不能评论它们的质量,但我会列出它们供你自己检查。请注意,(3)是(1)的作者的扩展。
听起来像一个有趣的研究课题,祝你好运!