vrp路径优化

遗传算法 粒子群 人工蜂群 案例合集

案例1：栅格土地优化，考虑土地连续性（2022.GA23）link
案例2：vrp 充电 返回仓库取货 时间窗（2022.GA29） link

---

---

1、概述

考虑充电/返回仓库取货的vrp问题
1、考虑车辆载重、容积、工作时长等约束
2、考虑返回仓库补货（或者返回充电桩充电、加油），补完货物可以继续执行配送任务
3、硬时间窗、软时间窗
4、考虑多车辆类型

---

2、关键技术

1）针对大数据集，采用并行计算加速处理速度
2）定义解码方法

3、代码

 plt.figure()
 for i, v in enumerate(path):
     print('第%d辆车路径：' % (i + 1), v)
     x, y = [], []
     for j in v:
         x.append(data.loc[j, 'lng'])
         y.append(data.loc[j, 'lat'])
     # 画路径及客户点
     plt.plot(x, y, 'o', color='%s' % color[i % len(color)])
     # 画箭头
     for k in range(1, len(x)):
         plt.annotate('', xy=(x[k], y[k]), xytext=(x[k - 1], y[k - 1]),
                      arrowprops=dict(color='%s' % color[i % len(color)], headwidth=6, headlength=6, width=1), )
 # 画物流中心
 plt.plot(data.loc[0, 'lng'], data.loc[0, 'lat'], '*', color='m', markersize=33)  # 物流中心
 # 画充电桩
 # plt.plot(data.loc[10:20,'x坐标'].values, data.loc[10:20,'y坐标'].values, 'Pm', markersize=15)   # 4个充电桩
 plt.xlabel('经度', fontproperties=font_songti)
 plt.ylabel('维度', fontproperties=font_songti)
 plt.grid(True)