[论文解读] Using Recursive K- Means and Dijkstra Algorithm to Solve CVRP

Hassan Moussa|arXiv (Cornell University)|Jan 1, 2021

Vehicle Routing Optimization Methods被引用 2

一句话总结

本文提出一种混合元启发式方法，通过整合递归K均值聚类以实现最优客户划分、基于牛顿-拉夫森法的车辆分配以及Dijkstra算法在聚类内的最短路径路由，求解容量受限车辆路径问题（CVRP）。该方法通过迭代优化聚类，提升车辆容量利用率与路由效率，从而获得近似最优解。

ABSTRACT

Capacitated vehicle routing problem (CVRP) is being one of the most common optimization problems in our days, considering the wide usage of routing algorithms in multiple fields such as transportation domain, food delivery, network routing, ... Capacitated vehicle routing problem is classified as an NP-Hard problem, hence normal optimization algorithm can't solve it. In our paper, we discuss a new way to solve the mentioned problem, using a recursive approach of the most known clustering algorithm "K-Means", one of the known shortest path algorithm "Dijkstra", and some mathematical operations. In this paper, we will show how to implement those methods together in order to get the nearest solution of the optimal route, since research and development are still on go, this research paper may be extended with another one, that will involve the implementational results of this thoric side.

研究动机与目标

• 为解决NP难的容量受限车辆路径问题（CVRP）提供一种可扩展的启发式解决方案。
• 通过牛顿-拉夫森方法对客户在车辆间的数学分配，优化车辆容量利用率。
• 通过递归使用K均值聚类对地理定位客户进行聚类，并基于容量与距离约束优化聚类，以提升路由效率。
• 通过在聚类子图上应用Dijkstra算法计算各车辆路径内的最短路径，以最小化总行驶成本。
• 为未来研究提供可扩展的理论框架，并结合实证实现结果进行验证。

提出的方法

• 使用递归K均值聚类将客户划分为与车辆容量匹配的聚类，每次递归步骤将聚类分裂，直至满足容量约束。
• 应用牛顿-拉夫森方法求解非线性方程组，以实现最优车辆分配，最小化车辆数量同时满足容量约束。
• 实施分层优化阶段，根据质心距离与容量阈值合并或分裂聚类，以提升容量利用率。
• 将路由域表示为图结构，其中顶点代表位置，边代表路径，随后应用Dijkstra算法在每个聚类内寻找节点间的最短路径。
• 在Dijkstra算法中使用优先队列数据结构，以高效计算最短路径，时间复杂度取决于队列操作。
• 构建阶段树以追踪递归聚类步骤，最终叶节点表示分配给车辆的优化聚类。

实验结果

研究问题

• RQ1 与标准K均值相比，递归K均值聚类是否能提升CVRP中客户划分的质量？
• RQ2 如何有效应用牛顿-拉夫森方法以确定每种容量类别下的最优车辆数量？
• RQ3 基于质心距离与容量约束的聚类后优化，在多大程度上提升了车辆利用率？
• RQ4 在聚类子图中集成Dijkstra算法，如何降低CVRP中的总路由成本？
• RQ5 结合无监督聚类与最短路径算法的混合方法，能否为NP难的CVRP实例提供近似最优解？

主要发现

• 递归K均值方法成功将客户划分为满足车辆容量约束的聚类，聚类在节点数量匹配车辆容量时终止。
• 牛顿-拉夫森方法为最优车辆分配提供了数值近似，确保客户总数与车辆容量之和一致。
• 优化阶段通过基于质心距离与容量可行性，将低利用率聚类与邻近的低容量聚类合并，提升了聚类容量利用率。
• Dijkstra算法有效计算了每个聚类内的最短路径，实现了从发货中心到所有聚类节点的高效路由。
• 整体框架通过分阶段整合聚类、容量平衡与路径优化，实现了近似最优解。
• 该方法理论基础坚实，设计上支持未来结合实证实现结果进行扩展研究。