VRPTW问题的Solomon标准测试数据集介绍

---

Solomon 标准测试数据集

在 CVRPLIB 中，带时间窗的 VRPTW 是一类场景且经典的问题，而其中常用的标准测试数据有 Solomon（1987）和Homberger&Gehring（1999）两个，后者的样例规模更大。

Solomon 标准测试数据中，带有一个起始点（CUST NO.==0）和100个客户点。其中的所有常量都为整数，K 表示可以派遣最大车辆数，Q 表示每辆车的最大载重量，XCOORD, YCOORF 是起始点与客户点的横纵坐标，为简便计算，将节点之间的距离视为节点之间的运输成本；DEMAND 为节点处的需求量，起始点 depot 的需求量为0；READY TIME 表示在起始点和客户点处服务的最早开始时间；DUE TIME 则表示服务截止时间，对于起始点而言，该值表示全部车辆最晚必须返回的时间点；SERVICE TIME 表示在各节点处服务的持续时间。

具体格式如下图。

如果想进一步地控制问题规模，可以随机地在 Solomon 测试数据的100个节点中取25、50、75个节点以做实验（之所以这个比例划分是由于 solomon 数据集的时间窗的分布特点）。

Solomon 数据集的结构特点

Solomon 数据集按两个维度分为6大组的数据：R1, C1, RC1, R2, C2, RC2。

1. 节点分布差异

在 R1,R2 类数据集中，节点的坐标位置随机生成，较为分散；在 C1,C2 类数据集中，节点的坐标位置有明显的聚簇；而 RC1,RC2 类数据集则混合了随机和聚簇的特点。

如上图所示，R 类数据集坐标点分散且均匀，C 类数据集明显地存在节点簇，RC 类数据集则既有分散的部分，也有聚集的部分。

2. 调度时间差异

在 R1,C1,RC1 类数据集中，各个节点的时间窗（READY TIME, DUE TIME）的时间间隔显著小于 R2,C2,RC2 类的数据集。这就导致前者每辆车辆在一次调度中，所负责的客户数量较少，平均每辆车负责 5~10 个客户点的需求配送，而后者平均每辆车能负责 30 多个的客户点配送。

以 C104 和 C204 两份数据为例：前者所有节点的平均时间窗大小为 856.73，后者的为 2501.47。

3. 时间窗的分布差异

同一类问题的坐标信息是一致的，但是不同的测试数据的节点的时间窗口较窄的客户点百分比，以及时间窗口的松紧程度都是有差异的。

以下是 C104 数据和 C109 数据的时间窗分布差异（横坐标表示时间窗的长度）。

Solomon 数据集下载

Solomon 标准测试数据下载链接。上述画图代码如下。

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np

# 读取数据文件
file_path = 'C109.txt'  # 请替换为实际文件路径
with open(file_path, 'r') as file:
    data0 = file.read()

# 将数据转换为DataFrame
data = []
for line in data0.strip().split('\n'):
    data.append(line.split())

columns = ["CUST", "XCOORD.", 'YCOORD.', 'DEMAND', 'READY', 'DUE', 'SERVICE']
df = pd.DataFrame(data[9:], columns=columns)

# 将字符型列转换为数字
numeric_cols = ['CUST', 'XCOORD.', 'YCOORD.', 'DEMAND', 'READY', 'DUE', 'SERVICE']
df[numeric_cols] = df[numeric_cols].apply(pd.to_numeric, errors='coerce')
df['sum'] = df['DUE'] - df['READY']
print(np.mean(df['sum']))

"""画时间窗分布图"""
plt.barh(df.index, df['DUE'] - df['READY'], left=df['READY'], color='blue', alpha=0.7)
# 显示图形
plt.show()

"""画散点图：运行时去掉注释"""
# # 绘制散点图
# plt.scatter(df.loc[1:, 'XCOORD.'], df.loc[1:, 'YCOORD.'], label='Customers', marker='o', color='blue')
# plt.scatter(df.loc[0, 'XCOORD.'], df.loc[0, 'YCOORD.'], label='Depot', marker='x', color='red')
# # 添加标签
# for i, row in df.iterrows():
#     plt.annotate(row['CUST'], (row['XCOORD.'], row['YCOORD.']), textcoords="offset points", xytext=(0, 5), ha='center')
# # 添加标题和轴标签
# plt.title(f'Customer and Depot Locations of {file_path}')
# plt.xlabel('X Coordinate')
# plt.ylabel('Y Coordinate')
# # 显示图例
# plt.legend()
# # 显示图形
# plt.show()