[论文解读] Optimization of Multiple Vehicle Routing Problems using Approximation Algorithms

Rajarathnam Nallusamy, K. Duraiswamy+2 more|arXiv (Cornell University)|Jan 23, 2010

Vehicle Routing Optimization Methods参考文献 13被引用 33

一句话总结

本文提出一种两阶段启发式方法，通过先使用k-means聚类将城市分配给车辆，再对每个聚类应用遗传算法（GA）以最小化总行程距离，从而优化多车辆路径问题（mVRP）。该方法通过将mVRP转化为独立的VRP问题，降低其复杂度，相较于其他算法，实现了更好的收敛性与更短的计算时间，且遗传算法在寻找近似最优路径方面表现更优。

ABSTRACT

This paper deals with generating of an optimized route for multiple Vehicle routing Problems (mVRP). We used a methodology of clustering the given cities depending upon the number of vehicles and each cluster is allotted to a vehicle. k- Means clustering algorithm has been used for easy clustering of the cities. In this way the mVRP has been converted into VRP which is simple in computation compared to mVRP. After clustering, an optimized route is generated for each vehicle in its allotted cluster. Once the clustering had been done and after the cities were allocated to the various vehicles, each cluster/tour was taken as an individual Vehicle Routing problem and the steps of Genetic Algorithm were applied to the cluster and iterated to obtain the most optimal value of the distance after convergence takes place. After the application of the various heuristic techniques, it was found that the Genetic algorithm gave a better result and a more optimal tour for mVRPs in short computational time than other Algorithms due to the extensive search and constructive nature of the algorithm.

研究动机与目标

• 解决物流与交通网络中多车辆路径问题（mVRP）的计算复杂性问题。
• 通过有效的城市聚类，将mVRP简化为多个单辆车辆VRP实例。
• 通过应用启发式技术（尤其是遗传算法）优化每个聚类中的路径，提升路径优化效率。
• 从解的质量与计算时间两个方面，评估所提方法相较于其他算法的性能表现。

提出的方法

• 使用k-means聚类根据地理邻近性将城市分组，聚类数量与可用车辆数一致。
• 将每个聚类视为独立的车辆路径问题（VRP），以进行单独的路径优化。
• 对每个聚类应用遗传算法，通过迭代演化与优化路径序列，以实现总行程距离最小化。
• 遗传算法利用选择、交叉与变异操作，高效探索解空间并收敛至最优或近似最优路径。
• 算法持续迭代直至收敛，适应度基于总行程距离进行评估。
• 最终解通过聚合所有聚类的优化路径，形成完整的mVRP解决方案。

实验结果

研究问题

• RQ1 k-means聚类能否有效将城市划分为与车辆对应的聚类，从而简化mVRP问题？
• RQ2 在聚类后的VRP实例中应用遗传算法，是否能实现优于其他算法的路径优化效果？
• RQ3 与其它启发式方法相比，所提方法在解的质量与计算时间方面表现如何？
• RQ4 聚类与遗传算法的结合在多大程度上降低了求解mVRP的复杂度？

主要发现

• k-means聚类方法成功地将城市划分为与车辆对应的聚类，使mVRP得以分解为可管理的VRP子问题。
• 遗传算法在最小化总行程距离方面表现出比其他启发式方法更快的收敛速度与更优的解质量。
• 研究结果表明，所提方法在更短的计算时间内实现了比其他算法更优的路径配置。
• 聚类与遗传算法相结合的混合方法在处理mVRP的NP难性质方面表现出良好效果。
• 研究证实，k-means与GA的组合在解的质量与效率方面优于单一的启发式技术。