[发明专利]一种基于路径相似性的电动车辆路径规划方法

说明书

本发明为求解部分当前算法难以求解的组合优化问题，提出了一种基于相似度的求解框架(Similarity‑based Framework for Combinatorial Optimization Problems，COPSF)以提升算法的搜索广度。首先，给出了一种组合优化问题通用的相似性定义，并基于此设计了一种维护一个任意两解都不相似的局部最优解群体的框架。然后，以求解带伪节点的电动车辆路径问题的双层启发式算法为例进行实验，改进了该算法的路线划分策略，在COPSF的基础上设计了一种路线组合算法来优化高质量解。所提算法在电动车辆路径问题基准数据集上取得了最先进的结果，并更新了一个己知最优解。实验结果表明，COPSF和所提改进策略均能有效提升算法性能。

技术领域

本发明涉及一种组合优化问题求解方法，更具体的说是涉及一种基于路径相似性的电动车辆路径规划方法。

背景技术

组合优化问题(Combinatorial Optimization Problems,COPs)是指在约束条件下获得一个目标函数达到最大的解，因其挑战性和现实意义受到了众多关注。经典的组合优化问题有旅行商问题(Travelling Salesman Problems,TSPs)、车间调度问题(Job-shopScheduling Problems,JSPs)、快速矩阵乘法问题(Fast Matrix MultiplicationProblems,FMMPs)和车辆路线问题(Vehicle Routing Problems,VRPs)等。这些问题通常描述简单，但求解十分困难。

至今，学者们已提出了许多求解方法来求解COPs。数学软件是求解COPs的一种简单方法，只需为问题建立MILP模型，再直接使用软件求解，如CPLEX和Gurobi等。该方法灵活性较低，一般只能求解较简单的问题或小规模算例。运筹学算法是精确求解部分COPs的主要方法，但受限于求解速度，该方法同样只能求解简单的问题或小规模算例。元启发式算法是目前该领域的主流算法，这类算法的目标是在可接受时间搜索到尽量优的解。虽然放弃了寻找最优解，但这种方式带来了极大的效率优势，且具有通用性。此外，随着机器学习的发展，越来越多的学者尝试使用强化学习、深度学习来求解COPs，且取得了一定成效。

如今，还有相当多的具有挑战性的COPs亟待进一步研究。如快速矩阵乘法问题的每个决策变量的维度高达其中n为矩阵的维度；电动车路径问题(ElectricVehicle Routing Problem,EVRP)由两个相互关联的NP-hard问题构成。即使已经有大量的方法被提出，学者们仍致力于研究性能更高的方法

发明内容

针对现有技术存在的不足，本发明的目的在于提供一种基于相似度的组合优化问题求解框架(Similarity-based Framework for Combinatorial OptimizationProblems,COPSF)，能够有效提升算法的搜索广度。进而以EVRP为例，在求解带伪节点的电动车辆路径问题的两层改进启发式算法(Bi-level Heuristic Approach for theElectric Vehicle Routing Rroblem with a kind of Pseudo Node,EVRPPN-BH)的基础上改进了路线划分策略，并结合了该框架，提出了基于COPSF的EVRPPN-IBH。

为实现上述目的，本发明提供了如下技术方案：一种基于路径相似性的电动车辆路径规划方法，其特征在于：包括如下步骤：

步骤一，产生一个局部最优解群体，初始为空；

步骤二，通过IBH算法生成一个局部最优解；

步骤三，判断局部最优解群体是否为空，若不为空则直接将该解加入群体后返回步骤二，若为空则继续下一步；

步骤四，将该局部最优解与群体中每个解逐个进行RC，直到生成更优解或全部RC过，并判断是否生成了更优解，若生成了更优解则返回步骤四重新执行，若未生成则继续下一步；