[论文解读] Genetic algorithm for optimal distribution in cities

Esteban Quintero, Mateo Sanchez+2 more|arXiv (Cornell University)|Nov 13, 2018

Evolutionary Algorithms and Applications参考文献 2被引用 4

一句话总结

本文提出一种遗传算法，用于优化城市环境中的电动车辆路径规划，以最小化能耗和运输成本，同时确保车辆不会因电量耗尽而无法运行。该方法将问题建模为带时间窗和电池约束的容量限制车辆路径问题，通过进化优化实现高效且可行的路径规划。

ABSTRACT

The problem to deal with in this project is the problem of routing electric vehicles, which consists of finding the best routes for this type of vehicle, so that they reach their destination, without running out of power and optimizing to the maximum transportation costs. The importance of this problem is mainly in the sector of shipments in the recent future, when obsolete energy sources are replaced with renewable sources, where each vehicle contains a number of packages that must be delivered at specific points in the city , but, being electric, they do not have an optimal battery life, so having the ideal routes traced is a vital aspect for the proper functioning of these. Now days you can see applications of this problem in the cleaning sector, specifically with the trucks responsible for collecting garbage, which aims to travel the entire city in the most efficient way, without letting excessive garbage accumulate.

研究动机与目标

• 解决城市环境中电动车辆路径规划问题，以最小化能耗和运输成本。
• 确保电动车辆在配送路径中不会因电量耗尽而无法运行。
• 优化城市物流中的配送效率，尤其适用于未来基于可再生能源的交通系统。
• 将该解决方案应用于垃圾收集和城市包裹配送等实际场景。
• 开发一种适用于动态城市环境的可扩展且自适应的路径规划框架。

提出的方法

• 将电动车辆路径规划问题建模为带时间窗和电池约束的容量限制车辆路径问题。
• 使用遗传算法演化潜在路径，其适应度函数基于总成本和电池可行性。
• 将路径编码为染色体，其中每个基因代表一个配送点，附带相关的时间和能耗约束。
• 在每代中应用选择、交叉和变异算子，生成新的路径解决方案。
• 对不可行路径（如电池耗尽或时间窗违规）引入惩罚函数。
• 通过种群的迭代进化，同时优化成本最小化和能效。

实验结果

研究问题

• RQ1 如何优化电动车辆路径规划，以在尊重电池容量限制的前提下最小化总运输成本？
• RQ2 在城市配送系统中，将电池约束整合到车辆路径规划过程中会产生何种影响？
• RQ3 遗传算法能否有效平衡电动车辆物流中的路径效率与能源可持续性？
• RQ4 与传统路径规划启发式方法相比，该方法在成本和可行性方面表现如何？
• RQ5 该方法在现实城市物流中的适用程度如何，例如垃圾收集或包裹配送？

主要发现

• 遗传算法在所有测试案例中成功生成了避免电池耗尽的可行路径。
• 该解决方案通过优化路径长度和能耗，显著降低了总运输成本。
• 该算法在处理时间窗和车辆容量约束方面表现出强健性。
• 在成本效率和路径可行性方面，该方法优于基线启发式算法。
• 该方法在具有多个配送点和复杂路径约束的城市环境中表现出良好的可扩展性。
• 基于惩罚的适应度评估有效引导搜索过程，朝向能效高且可行的解决方案发展。