我正在Optaplanner中使用FFD算法作为CVRP问题的构造试探法。我以为我从垃圾箱拣选中了解了FFD-Alg，但是当将其应用于CVRP的OP中时，我不理解其背后的逻辑。所以我的想法是，它专注于需求（从最高需求开始，以降序排列城市）。为了证明我的假设，我将城市坐标仅固定在一个位置，因此到所有城市的仓库的距离都相同。然后，我将需求从大变小。但这并不会使城市在结果文件中按拖延顺序排列。
输入为：城市1：需求16，城市2：需求12，城市3：需求8，城市4：需求4， 城市5：需求2。
3辆车，每辆车可容纳40人。
我想要的是：V1 <-[C1，C2，C3，C4]，V2 <-[C5] 发生了什么：V1 <-[[C5，C4，C3，C2]，V2 <-[C1]
有人可以解释一下这个理论吗？另外，我想知道相反的情况，相同的容量，但每个客户的位置不同。我也尝试过这样做，但是它也没有对从最远的城市开始的城市进行排序。
谢谢！
答案 0 :(得分：0)
（braindump）
与非VRP问题不同，并非总是很清楚选择“难度比较”来确定“首次适合减少”的“减少难度”。我已经用几种形式进行了实验-例如基于到仓库的距离，到仓库的角度，纬度等。您可以在示例中找到所有这些形式的难度编译器，通常是TSP。
一个常见的陷阱是在启用“附近选择”之前调整编译器：首先调整“附近选择”。如果您要处理大型数据集，那么“邻近角度”比较器的性能会更好，这是因为“附近选择”和/或“分区搜索”尚未激活。无论如何，还是一如既往：您需要使用optaplanner-benchmark进行此类工作。
这就是说，在纯 TSP用例中，First Fit Decreasing算法的结果要比 Nearest Neighbor 算法（这是我们针对它的另一种构造启发式算法）的结果更差的支持atm有限）。当然，两者都需要本地搜索来进一步改进。但是，将最近的邻居算法转换为VRP是困难/模棱两可的（至少可以这样说）：我正在/正在进行此类翻译，因此我将其称为 Bouy 算法（在以Bouy开头的vrp示例）。它可以工作，但不能与IIRC的“附近选择”完美结合。
哦，还有 Clarke和Wright节省算法，该算法在小型纯CVRP情况下非常有用。但是在更大的数据集上存在BigO（缩放）问题，并且在添加其他约束（例如时间窗口，技能要求，午休时间等）时，也变得困难/模棱两可。
长话短说：对于在现实世界中进行高级VRP案例的最佳构造启发法，陪审团仍在讨论中。 optaplanner基准测试将为我们提供帮助。尽管所有的学术论文都在讨论在小型数据集上使用简单形式的VRP的完美CH ...