[论文解读] Hybrid Genetic Search for the CVRP: Open-Source Implementation and SWAP* Neighborhood

Thibaut Vidal|arXiv (Cornell University)|Nov 23, 2020

Vehicle Routing Optimization Methods参考文献 26被引用 187

一句话总结

本文提出 HGS-CVRP，一个针对容量限制车辆路径问题（CVRP）的开源、高度优化的混合遗传搜索算法实现。它引入了 SWAP* 邻域——一种新颖且可高效探索的移动集合，可在不插入的情况下交换两条路径之间的两名客户。实证表明，对 SWAP* 的有效探索显著提升了解的质量与收敛速度，在标准基准测试中，其性能在速度与最优性方面均优于先前方法。

ABSTRACT

The vehicle routing problem is one of the most studied combinatorial optimization topics, due to its practical importance and methodological interest. Yet, despite extensive methodological progress, many recent studies are hampered by the limited access to simple and efficient open-source solution methods. Given the sophistication of current algorithms, reimplementation is becoming a difficult and time-consuming exercise that requires extensive care for details to be truly successful. Against this background, we use the opportunity of this short paper to introduce a simple -- open-source -- implementation of the hybrid genetic search (HGS) specialized to the capacitated vehicle routing problem (CVRP). This state-of-the-art algorithm uses the same general methodology as Vidal et al. (2012) but also includes additional methodological improvements and lessons learned over the past decade of research. In particular, it includes an additional neighborhood called SWAP* which consists in exchanging two customers between different routes without an insertion in place. As highlighted in our study, an efficient exploration of SWAP* moves significantly contributes to the performance of local searches. Moreover, as observed in experimental comparisons with other recent approaches on the classical instances of Uchoa et al. (2017), HGS still stands as a leading metaheuristic regarding solution quality, convergence speed, and conceptual simplicity.

研究动机与目标

• 为容量限制车辆路径问题（CVRP）提供一种简单、开源且高性能的混合遗传搜索（HGS）算法实现。
• 引入并评估 SWAP* 邻域，这是一种新型移动类型，可在不插入的情况下交换两条路径之间的两名客户。
• 证明对 SWAP* 移动的高效探索可实现比标准邻域更快的收敛速度与更优的解质量。
• 通过简化启发式设计，促进科学研究进展，推动组合优化领域内可复现、透明的研究。
• 提供一个最小但功能强大的代码库，仅保留核心组件，以实现最高清晰度与性能。

提出的方法

• 该算法采用混合遗传搜索框架，结合基于交叉的多样化策略与基于局部搜索的强化策略。
• 采用二元锦标赛选择机制，其适应度函数平衡了解的质量（fφ）与多样性（fdiv），通过加权和指导父代选择。
• 应用两阶段局部搜索：第一阶段为标准局部搜索，包含 Relocate、Swap、2-Opt 与 2-Opt* 移动；第二阶段为对 SWAP* 邻域的专门探索。
• 通过几何剪枝与移动过滤技术，以次二次时间复杂度探索 SWAP* 邻域，从而高效处理其 Θ(n⁴) 个潜在移动。
• 算法使用最优线性时间的 Split 过程（Vidal, 2016）在移动后计算路径成本与可行性。
• 通过在超额负载上施加线性惩罚，处理不可行解，从而实现对可行性边界附近的探索。

实验结果

研究问题

• RQ1 简化版、开源的 HGS 实现是否能在保持概念清晰性的同时，实现 CVRP 上的最先进性能？
• RQ2 SWAP* 邻域（即不插入地交换两条路径中的两名客户）的引入如何影响解的质量与收敛速度？
• RQ3 考虑到其规模为 Θ(n⁴)，探索 SWAP* 邻域的计算成本与有效性如何？
• RQ4 SWAP* 在局部搜索后期阶段对发现改进移动的贡献程度如何？
• RQ5 高效的剪枝与过滤策略是否能使 SWAP* 等大规模邻域的探索变得实际可行，并在性能上超越较小邻域？

主要发现

• HGS-CVRP 实现的解质量与原始 HGS（Vidal et al., 2012）相当，但计算时间仅为后者的极小部分。
• SWAP* 邻域贡献了约 15% 的解质量改进，且在局部搜索后期阶段发现的改进比例更高。
• 尽管其规模为 Θ(n⁴)，由于有效的剪枝与过滤策略，SWAP* 探索所消耗的计算时间不超过总 CPU 时间的 32%。
• SWAP* 在路径较短（平均路径规模较低）的实例中尤为有效，单位工作量内可发现更多改进移动。
• 在 Uchoa et al. (2017) 的基准实例上，该算法在解质量与收敛速度方面均优于所有其他近期 CVRP 方法。
• 由于过滤策略导致移动数量增加，对于具有角落型车辆中心位置或客户数量较大的实例，SWAP* 的计算时间显著增加。