李 珺，段鈺蓉，郝麗艷，張維維

蘭州交通大學(xué) 電子與信息工程學(xué)院，蘭州730070

近年來，為了避免環(huán)境污染，很多國家制定了相應(yīng)的法律法規(guī)，要求企業(yè)對整個(gè)產(chǎn)品的生命周期負(fù)責(zé)，不僅要提供客戶滿意的配送服務(wù)，還要進(jìn)行廢棄物的回收利用。因此，企業(yè)有了構(gòu)建正向物流配送和逆向廢舊物品回收相結(jié)合的物流系統(tǒng)的迫切需求；而客戶往往只在特定的時(shí)間窗內(nèi)接受服務(wù)。為了提升服務(wù)質(zhì)量和客戶滿意度，企業(yè)不僅需要完成同時(shí)送取貨的作業(yè)，還要額外考慮客戶的服務(wù)時(shí)間窗。因此，如何設(shè)計(jì)出合理完善的帶時(shí)間窗的雙向物流系統(tǒng)，成為理論研究和實(shí)踐中關(guān)注的重要問題。在運(yùn)籌學(xué)領(lǐng)域，該類問題被稱為帶時(shí)間窗和同時(shí)送取貨的車輛路徑問題（vehicle routing problem with simultaneous delivery-pickup and time windows，VRPSDPTW）。

VRPSDPTW 問題作為車輛路徑問題（vehicle routing problem，VRP）的重要擴(kuò)展，屬于NP-hard 問題。這類問題的解決方法主要分為精確算法和啟發(fā)式算法。2002年，Angelelli等最早提出VRPSDPTW問題，使用精確算法中的分支-價(jià)格法求解算例規(guī)模為20 個(gè)客戶點(diǎn)的小型算例。當(dāng)客戶規(guī)模增大時(shí)，精確算法不能在合理的時(shí)間范圍內(nèi)求得滿意解。學(xué)者們開始嘗試設(shè)計(jì)不同的啟發(fā)式算法來解決VRPSDPTW問題。Cao等提出了一種改進(jìn)的遺傳算法，根據(jù)用戶的優(yōu)先順序重新設(shè)計(jì)了編碼方式。當(dāng)最大客戶數(shù)目為8時(shí)，改進(jìn)算法能有效找到最優(yōu)解，然而，在現(xiàn)實(shí)生活中，客戶數(shù)目遠(yuǎn)遠(yuǎn)多于8個(gè)。Boubahri等設(shè)計(jì)了一個(gè)多智能體群體系統(tǒng)來解決VRPSDPTW問題。盡管這種解決方法很新穎，但是作者沒有提供任何數(shù)值實(shí)驗(yàn)結(jié)果。2012年，Wang等采用協(xié)同進(jìn)化遺傳算法解決VRPSDPTW問題，并在經(jīng)典的Solomon數(shù)據(jù)集的基礎(chǔ)上設(shè)計(jì)了VRPSDPTW基準(zhǔn)實(shí)例，實(shí)驗(yàn)結(jié)果表明，所提出的協(xié)同進(jìn)化遺傳算法能夠在較短的時(shí)間內(nèi)找到滿意解。王超等運(yùn)用回溯搜索優(yōu)化算法來求解該問題，選取了測試數(shù)據(jù)集中的6個(gè)算例進(jìn)行了實(shí)驗(yàn)。王超等提出了一種離散布谷鳥算法來求解該問題。除此之外，還有改進(jìn)全局人工魚群算法、大鄰域搜索算法等。

目前關(guān)于VRPSDPTW 問題，雖然學(xué)者們已經(jīng)進(jìn)行了一些研究，但是仍然缺乏有效的求解方法。迄今為止，VRPSDPTW問題的解決，主要采用啟發(fā)式算法，并且以Wang等設(shè)計(jì)的測試數(shù)據(jù)集作為國際通用數(shù)據(jù)集，各類文獻(xiàn)中的已知算法在對算例進(jìn)行測試時(shí)，都無法找到所有算例的最優(yōu)解，因此，高效、穩(wěn)定的求解方法成為學(xué)者們追求的目標(biāo)。

為了更好地解決VRPSDPTW 問題，通過大量的實(shí)驗(yàn)發(fā)現(xiàn)，模擬退火算法（simulated annealing，SA）在依據(jù)概率突跳特性進(jìn)行降溫尋優(yōu)的過程中，對較差的解具有一定的容忍性，使得算法的全局尋優(yōu)能力優(yōu)于很多當(dāng)前流行的智能優(yōu)化算法，同時(shí)能夠在一定程度上克服對初始解的依賴性；自適應(yīng)大規(guī)模鄰域搜索算法（adaptive large-scale neighborhood search，ALNS）能夠較好地避免算法在尋優(yōu)過程中陷入局部極值，且在鄰域搜索的過程中，通過一些啟發(fā)式信息來指導(dǎo)尋優(yōu)，能夠在一定概率上獲得高質(zhì)量的解。將模擬退火和大規(guī)模鄰域搜索算法相結(jié)合，本文提出一種混合優(yōu)化算法（SA-ALNS），以標(biāo)準(zhǔn)模擬退火算法作為主體，用插入啟發(fā)式算法構(gòu)造問題的初始解，結(jié)合自適應(yīng)大規(guī)模鄰域搜索算法進(jìn)行尋優(yōu)。實(shí)驗(yàn)結(jié)果表明，本文所提出SA-ALNS 有效縮短了物流配送路徑長度，節(jié)約配送成本，為各企業(yè)解決VRPSDPTW問題提供有效的解決方案。

1 VRPSDPTW問題

1.1 問題描述

VRPSDPTW 問題可以描述為：一個(gè)配送中心擁有若干型號相同且載重能力相同的車輛，為分布在不同位置的已知客戶提供送貨、取貨服務(wù)。每一個(gè)客戶的地理位置信息已知、送貨量和取貨量已知、服務(wù)時(shí)間窗以及持續(xù)服務(wù)時(shí)間已知。要求配送中心在滿足客戶需求的基礎(chǔ)上規(guī)劃出合理的配送路線，最小化總配送成本，并滿足以下假設(shè)：

（1）每個(gè)客戶只能由一輛車完成送貨和取貨服務(wù)，且需求不可拆分；

（2）每輛車均從配送中心出發(fā)，在送取貨任務(wù)完成后返回配送中心；

（3）每輛車的載貨量不能超過車輛載重；

（4）在客戶規(guī)定的服務(wù)時(shí)間窗內(nèi)，先進(jìn)行送貨服務(wù)，再進(jìn)行取貨服務(wù)；

（5）每一條道路都暢通，不考慮道路突發(fā)狀況。

1.2 符號定義

為了方便構(gòu)造VRPSDPTW 數(shù)學(xué)模型，需要對所用到的符號進(jìn)行說明：

（1）參數(shù)

表示需要服務(wù)的客戶集合和配送中心；N表示需要服務(wù)的客戶集合，∈{1,2,…,} ；表示配送中心；表示車輛集合，={1,2,…,}；D表示每個(gè)客戶的送貨量；P表示每個(gè)客戶的取貨量；D表示客戶到客戶的歐氏距離(,∈)；[ET,LT]表示客戶的服務(wù)時(shí)間窗，其中ET為客戶允許的最早開始服務(wù)的時(shí)間，LT為客戶的最晚開始服務(wù)時(shí)間；S表示客戶所需的持續(xù)服務(wù)時(shí)間；表示車輛的最大載重量。

（2）決策變量

（3）衍生變量

St表示客戶的開始服務(wù)時(shí)間；T表示從客戶到客戶所花費(fèi)的時(shí)間；表示車輛從配送中心出發(fā)時(shí)的裝載量；p表示車輛在離開客戶時(shí)的裝載量，∈{1,2,…,}。

1.3 VRPSDPTW數(shù)學(xué)模型

其中，式（1）為目標(biāo)函數(shù)，表示最小化車輛總距離；約束（2）表示每個(gè)客戶都只能由一輛車服務(wù)；約束（3）保證所有車輛從配送中心出發(fā)最終返回配送中心；約束（4）表示車輛在離開配送中心時(shí)的裝載量即某條路徑上所有客戶的送貨量總和；約束（5）表示車輛在離開每個(gè)客戶時(shí)的裝載量，即離開上一個(gè)客戶時(shí)的裝載量減去本客戶的收貨量（車輛的送貨量），再加上本客戶的寄貨量（車輛的取貨量）；約束（6）保證車輛在任何時(shí)刻的裝載量都不超過車輛的最大載重量；約束（7）表示滿足客戶的服務(wù)時(shí)間窗要求。

2 VRPSDPTW問題的混合優(yōu)化算法設(shè)計(jì)

混合優(yōu)化算法（SA-ALNS）在SA 的基礎(chǔ)上結(jié)合ALNS 思想進(jìn)行尋優(yōu)。SA-ALNS 中設(shè)計(jì)了多個(gè)插入、刪除算子，且為每個(gè)算子賦予分?jǐn)?shù)和權(quán)重，在鄰域搜索的過程中根據(jù)各個(gè)算子的分?jǐn)?shù)和權(quán)重動態(tài)選取插入算子和刪除算子對現(xiàn)有解進(jìn)行重構(gòu)，從而得到質(zhì)量更好的解。由于ALNS 的接受準(zhǔn)則和停止準(zhǔn)則一般是根據(jù)目標(biāo)值來判斷，這種方法存在準(zhǔn)確性差、魯棒性弱的缺點(diǎn)，引入SA 中的退火準(zhǔn)則來控制解的更新，提高解的質(zhì)量。

2.1 編碼方式

算法采用整數(shù)編碼，編號0 表示配送中心，編號1,2,…,表示客戶點(diǎn)。令=[[1],[2],…,[]]，為負(fù)責(zé)服務(wù)客戶的車輛順序排列的組合。假設(shè)為客戶服務(wù)的車輛規(guī)劃路徑如圖1 所示，則=[[1],[2]]=[0 7 2 3 9 1 0 0 6 5 8 4 0]。從圖1 可以看出，共有9 個(gè)需要服務(wù)的客戶，配送中心一共啟用了2 輛車，第一輛車從配送中心出發(fā)，分別為客戶7、客戶2、客戶3、客戶9、客戶1 提供送取貨服務(wù)，最后返回配送中心；第二輛車從配送中心出發(fā)，服務(wù)客戶6、5、8、4 后，返回配送中心。

圖1 車輛規(guī)劃路徑Fig. 1 Vehicle planning route

2.2 初始解構(gòu)造

采用插入啟發(fā)式算法構(gòu)造VRPSDPTW 問題的初始解。用插入法構(gòu)造初始解時(shí)，由于客戶有服務(wù)時(shí)間窗約束，故采用Solomon的基于距離與時(shí)間加權(quán)的插入標(biāo)準(zhǔn)。

式中，為待插入客戶點(diǎn)；d表示客戶到客戶的距離；(,,)表示客戶插入、兩點(diǎn)間后，路徑距離的增量。

式中，St表示將客戶插入客戶、之間后，客戶的新開始服務(wù)時(shí)間；St為客戶的原開始服務(wù)時(shí)間；(,,)表示客戶插入路徑后對客戶的開始服務(wù)時(shí)間的影響。

式中，為車輛當(dāng)前行駛速度，(,,)表示客戶插入路徑后，對路徑產(chǎn)生的影響。在配送過程中，為了同時(shí)考慮路徑增加部分和服務(wù)時(shí)間增加部分對整體配送過程的影響，引入了車輛行駛當(dāng)前速度值，通過當(dāng)前速度與增加服務(wù)時(shí)間的乘積，將時(shí)間量轉(zhuǎn)化為路程量，使得衡量的標(biāo)準(zhǔn)統(tǒng)一為距離，方便計(jì)算；考慮到車輛在配送過程中可能會出現(xiàn)交通擁堵的情況，車輛的行駛速度會發(fā)生變化，式（10）在速度動態(tài)變化的情況下能更精確地反映待插入客戶對整個(gè)路徑的影響程度，為求解多通路車輛路徑問題提供一種思路。

式中，(,,)表示插入標(biāo)準(zhǔn)值。通過(,,)篩選出距客戶和客戶越近且距離配送中心越遠(yuǎn)的客戶點(diǎn)，優(yōu)先插入路徑中，從而提高后期優(yōu)化階段中SAALNS算法的收斂速度。計(jì)算中，引入常數(shù)≥1，對進(jìn)行放大，提高插入標(biāo)準(zhǔn)值的敏感性。

基于距離與時(shí)間加權(quán)的插入法，過程如下：

（1）生成一條只包含車輛起點(diǎn)和終點(diǎn)的初始路徑[0 0]；

（2）在所有的客戶點(diǎn)中隨機(jī)選擇一個(gè)客戶點(diǎn)作為種子節(jié)點(diǎn)插入初始路徑中；

（3）計(jì)算剩余客戶點(diǎn)在所有可能插入位置的插入標(biāo)準(zhǔn)值；

（4）將插入標(biāo)準(zhǔn)值降序排列，把插入標(biāo)準(zhǔn)值最大的客戶點(diǎn)插入到最佳可行的位置，若路徑中客戶總送貨量超過車輛的最大載重量，則重新生成一條路徑；

（5）重復(fù)步驟（3）、（4），直到所有的客戶都插入路徑。

2.3 路徑優(yōu)化

在尋優(yōu)階段，引入刪除算子、插入算子和自適應(yīng)選擇策略進(jìn)行路徑優(yōu)化。刪除算子按照一定的規(guī)則從路徑中刪除部分客戶點(diǎn)，插入算子將刪除的客戶點(diǎn)重新添加到路徑中的合理位置，得到新解。根據(jù)各個(gè)刪除、插入算子在程序運(yùn)行中的表現(xiàn)，自適應(yīng)調(diào)整權(quán)重，不斷地更新算子的選中概率，以不同的方式完成刪除和插入操作，提高解的多樣性，從而更好地進(jìn)行全局尋優(yōu)。

選用四種刪除算子，通過不同的方式隨機(jī)在路徑中選擇客戶點(diǎn)，將其在路徑中刪除，為局部尋優(yōu)做準(zhǔn)備。

（1）Random removal算子

該算子從客戶集合中隨機(jī)選取個(gè)客戶，將個(gè)客戶從相應(yīng)的路徑中移除，以增加搜索的多樣性。

（2）Random schedule removal算子

該算子會隨機(jī)選擇一條路徑，將這條路徑上的所有客戶刪除，為這些客戶重新尋找配送位置。這種方式在一定概率上能夠減少車輛的使用數(shù)量，從而降低物流成本。

（3）Worst removal算子

算子的主要目的是最小化總行駛距離。從客戶集合中選取一個(gè)客戶點(diǎn)，計(jì)算并保存該點(diǎn)被刪除前后路徑距離的節(jié)約值，剩余的客戶點(diǎn)重復(fù)此過程，從而得到全部客戶點(diǎn)被刪除前后路徑距離的節(jié)約值，將所有客戶點(diǎn)距離的節(jié)約值降序排序，選取前個(gè)節(jié)約值較大的客戶點(diǎn)從相應(yīng)的路徑中刪除。

（4）Node distance removal算子

該刪除算子首先計(jì)算每條路徑的平均距離占用值，然后將平均距離占用值最大的路徑中的客戶點(diǎn)全部刪除。平均距離占用值的計(jì)算公式為：

式中，()表示第條路徑的總距離，N表示第條路徑中的客戶數(shù)量。根據(jù)平均距離占用公式，選擇一條最不經(jīng)濟(jì)的路徑刪除其中所有客戶點(diǎn)。

文中選用兩種插入算子，使用不同的插入規(guī)則將刪除的客戶點(diǎn)重新插入到路徑中。

（1）Greedy insertion算子

該方法隨機(jī)選取一個(gè)待插入客戶點(diǎn)，遍歷每條路徑，找到所有既滿足時(shí)間窗約束又不超過車輛最大載重量的可插入位置，計(jì)算該客戶點(diǎn)插入到每個(gè)可插入位置前后的距離增量，選擇距離增量最小的位置將客戶點(diǎn)插入。若遍歷所有路徑都沒有找到符合時(shí)間窗和車輛載重約束的可插入位置，就重新生成一條初始路徑，將客戶點(diǎn)添加到其中。重復(fù)上述過程，直到將所有的待插入客戶點(diǎn)添加到路徑中。

（2）Regret insertion算子

混合算法以模擬退火算法的基本結(jié)構(gòu)進(jìn)行尋優(yōu)，尋優(yōu)過程中，以自適應(yīng)方式選擇刪除和插入算子。

每一個(gè)溫度下（以下簡稱為階段），算法進(jìn)行次尋優(yōu)迭代；每次迭代時(shí)，SA-ALNS采用輪盤賭機(jī)制選擇一個(gè)刪除和一個(gè)插入算子完成路徑的更新；之后根據(jù)新得到的路徑的優(yōu)劣，對所選用的刪除、插入算子評分。所得分?jǐn)?shù)將影響下一階段中該算子的權(quán)重，得分越高的算子在下一階段輪盤賭選擇策略中的權(quán)重值將越大，被選中的概率越高。算子第階段的得分，計(jì)算公式如式（14）。

其中，π表示算子在第個(gè)階段所得分?jǐn)?shù)；ε表示算子在第階段被選擇的次數(shù)；常數(shù)∈[0,1]，本文取的值為0.1。每個(gè)算子的權(quán)重與該算子所得分?jǐn)?shù)、選擇次數(shù)有關(guān)，分?jǐn)?shù)越高，權(quán)重越大，選擇概率就越大。算子的權(quán)重作為一種啟發(fā)式信息，使算法偏向于選擇效果好的算子，從而在很大概率上能夠獲得更滿意的解。

2.4 可行解的接受條件和迭代結(jié)束標(biāo)準(zhǔn)

2.5 混合優(yōu)化算法流程

初始化基本參數(shù)：初始溫度，每個(gè)溫度下的最大迭代次數(shù)，結(jié)束溫度。采用插入啟發(fā)式算法構(gòu)造初始解。

用輪盤賭機(jī)制分別選擇一種刪除算子和插入算子，生成一個(gè)新解。

計(jì)算的目標(biāo)函數(shù)值，根據(jù)Metropolis準(zhǔn)則更新當(dāng)前解，并更新各個(gè)算子的分?jǐn)?shù)。

若達(dá)到每個(gè)溫度下的最大迭代次數(shù)，則更新刪除、插入算子的權(quán)重并執(zhí)行降溫=操作，其中，為降溫速率。

若達(dá)到足夠低的溫度(＜)，輸出最優(yōu)解，整個(gè)算法結(jié)束；否則回到步驟2。

混合優(yōu)化算法的流程圖如圖2所示。

圖2 混合算法流程Fig. 2 Hybrid algorithm flow

3 實(shí)驗(yàn)與分析

程序使用Matlab（R2016a）編寫，并在IntelCorei5-7300HQ CPU@2.50 GHz處理器，8 GB內(nèi)存和16位操作系統(tǒng)的Windows10計(jì)算機(jī)上進(jìn)行。

為了驗(yàn)證SA-ALNS 算法的性能，選取Wang 等設(shè)計(jì)的求解VRPSDPTW 的測試算例（數(shù)據(jù)集網(wǎng)址http://oz.nthu.edu.tw/～d933810/test.htm）。共56 個(gè)大規(guī)模算例，可分為Rdp1、Rdp2、Cdp1、Cdp2、RCdp1、RCdp2，共6 類。Rdp1 類和Rdp2 類中的客戶地理位置滿足隨機(jī)分布，較為分散；算例Cdp1、Cdp2中的客戶位置滿足聚類分布，相對較聚集；RCdp1 類和RCdp2 類客戶地理位置通過聚類分布和隨機(jī)分布混合生成，部分聚集，部分分散。此外，Rdp1、Cdp1、RCdp1 算例集具有較緊的時(shí)間窗，較小的車輛裝載量；而Rdp2、Cdp2、RCdp2算例集的時(shí)間窗較寬，車輛裝載量較大。

SA-ALNS算法在每個(gè)算例上運(yùn)行10次，并記錄最優(yōu)值。本文提出的SA-ALNS 算法與文獻(xiàn)[6]中的DCS 算法、文獻(xiàn)[11]中的p-SA 算法、文獻(xiàn)[12]中的ETSP算法、文獻(xiàn)[13]中的ALNS-PR算法、文獻(xiàn)[14]中的VNS-BSTS 算法以及文獻(xiàn)[15]中的Par-SAA 算法進(jìn)行對比。SA-ALNS 算法在Cdp1 類、Cdp2 類算例上與其他算法最優(yōu)值的對比結(jié)果如表1 所示，在Rdp1 類、Rdp2 類算例上的對比結(jié)果如表2 所示，在RCdp1類、RCdp2類算例上的對比結(jié)果如表3所示。

表1 SA-ALNS在Cdp類算例與其他算法的最優(yōu)值對比Table 1 Best value comparison between SA-ALNS and other algorithms in Cdp examples

表2 SA-ALNS在Rdp類算例與其他算法的最優(yōu)值對比Table 2 Best value comparison between SA-ALNS and other algorithms in Rdp examples

表3 SA-ALNS在RCdp類算例與其他算法的最優(yōu)值對比Table 3 Best value comparison between SA-ALNS and other algorithms in RCdp examples

混合優(yōu)化算法的參數(shù)設(shè)置：初始溫度設(shè)為500，截止溫度為0.001，降溫速率為0.95，最大迭代次數(shù)設(shè)為100。

對Cdp1 類、Cdp2 類算例進(jìn)行測試，SA-ALNS 算法在每個(gè)算例上的最好結(jié)果見表1。從表中可以看出，在Cdp104、Cdp108、Cdp109 算例中，SA-ALNS 算法的實(shí)驗(yàn)結(jié)果比VNS-BSTS、ALNS-PR的結(jié)果差；在Cdp105 算例中，SA-ALNS 的尋優(yōu)效果弱于DCS 算法；在Cdp204算例上，DCS、ALNS-PR算法的實(shí)驗(yàn)結(jié)果優(yōu)于SA-ALNS；在除Cdp204 的其他Cdp2 類算例中，SA-ALNS算法均獲得了最優(yōu)解；本文算法在Cdp1類和Cdp2 類算例上都優(yōu)于p-SA 算法。總的來說，SA-ALNS算法的計(jì)算精度較高。

由表2 可看出，與p-SA 算法相比，在Rdp103、Rdp104、Rdp107、Rdp108算例上，SA-ALNS的求解性能弱于p-SA，在其余算例上的求解性能均優(yōu)于p-SA；

同DCS 算法相比較，SA-ALNS 在Rdp104、Rdp105、Rdp107、Rdp108、Rdp204算例上的效果弱于DCS，其余算例的效果優(yōu)于DCS；與VNS-BSTS 算法相比較，在Rdp104、Rdp112、Rdp206 算例上，SA-ALNS 的實(shí)驗(yàn)結(jié)果較差，但在其他算例上都領(lǐng)先于VNS-BSTS；同ETSP 相比，SA-ALNS 在除Rdp204、Rdp207 之外的其他算例上都獲得最優(yōu)解；同ALNS-PR相比，SAALNS 在Rdp104、Rdp106、Rdp108、Rdp205、Rdp206、Rdp208、Rdp209、Rdp210 算例上的求解性能弱于ALNS-PR，但在其余算例上求解性能強(qiáng)于ALNS-PR；與Par-SAA算法相比，SA-ALNS在除Rdp104的其他算例上均優(yōu)于Par-SAA。在Rdp1、Rdp2 類算例中，SA-ALNS 在82.6%算例上優(yōu)于p-SA，在78.2%算例上優(yōu)于DCS，在87.0%算例上優(yōu)于VNS-BSTS，在81.8%算例上優(yōu)于ETSP，在65.2%算例上優(yōu)于ALNSPR，在91.7%算例上優(yōu)于Par-SAA。

實(shí)驗(yàn)結(jié)果分析：由表3 可以看出，在RCdp1 類算例中，SA-ALNS在求解RCdp101、RCdp103、RCdp106算例時(shí)，尋優(yōu)結(jié)果弱于p-SA和DCS，但在其余算例的尋優(yōu)結(jié)果都強(qiáng)于p-SA、DCS；SA-ALNS在求解RCdp103、RCdp104、RCdp105、RCdp106、RCdp107時(shí)，求解能力比VNS-BSTS、ALNS-PR 弱。在RCdp2 類算例，SAALNS算法的運(yùn)行結(jié)果均優(yōu)于對比算法。

從Cdp1、Cdp2、Rdp1、Rdp2、RCdp1、RCdp2 算例的實(shí)驗(yàn)結(jié)果可以看出，本文所提出的SA-ALNS 在求解VRPSDPTW問題中有不錯(cuò)的效果，說明該方法是行之有效的。

圖3是SA-ALNS與其他的算法分別在Cdp1類、Cdp2 類、Rdp1 類、Rdp2 類、RCdp1 類、RCdp2 類算例上的實(shí)驗(yàn)結(jié)果對比，能夠更加清晰地看出不同算法求得的最短距離值之間的差距。

圖3 不同算法在不同算例上的對比Fig. 3 Comparison of different algorithms on different examples

部分算例的路徑優(yōu)化圖，如圖4。

圖4 部分算例的路徑優(yōu)化圖Fig. 4 Path optimization graph of some examples

4 結(jié)束語

本文針對VRPSDPTW問題提出了一種SA-ALNS算法，該算法運(yùn)用插入啟發(fā)式算法構(gòu)造初始解，以模擬退火為框架，采用自適應(yīng)大規(guī)模鄰域搜索算法進(jìn)行鄰域搜索，并設(shè)計(jì)了四種刪除算子和兩種插入算子，增大鄰域搜索的范圍，從而加速解的收斂。通過Cdp1類、Cdp2類、Rdp1類、Rdp2類、RCdp1類、RCdp2類算例測試，并與其他已知算法對比，最后證明了SA-ALNS 算法的優(yōu)越性和有效性?，F(xiàn)如今，人們越來越關(guān)注環(huán)境保護(hù)問題，綠色物流將是未來物流行業(yè)的發(fā)展趨勢，在車輛路徑問題中考慮碳排放等約束條件，從而衍生出更多復(fù)雜的VRP問題，本文所提出的SA-ALNS 為解決這些復(fù)雜VRP 問題提供一種新思路。