OUTLINE
- 前言
- VRPTW description
- column generation
- Illustration
- code
- reference
00 前言
此前向大家介绍了列生成算法的详细过程,以及下料问题的代码。相信各位小伙伴对column generation已经有了一个透彻的了解了。今天我们在来一点干货,用column generation求解vehicle routing problems。
01 VRPTW description
关于VRPTW问题的描述,以及建模方式,可以参照此文干货|十分钟快速掌握CPLEX求解VRPTW数学模型(附JAVA代码及CPLEX安装流程)。不过今天给大家带来的是VRPTW的另外一个建模方式,它是在传统的模型上利用了Dantzig-Wolfe decomposition分解算法得到的。
关于Dantzig-Wolfe decomposition分解算法,可以参照文章:
Formulation:[1]
- $\Omega $ :the set of feasible vehicle routes, i.e., the set of paths in G issued from the
depot, going to the depot, satisfying capacity and time window constraints and visiting
at most once each customer. - :the cost of route .
- $ a_{ik}$ := 1 if routevisits customer and = 0 otherwise.
- $ b_{ijk}$ := 1 if routeuses arcand = 0 otherwise.
The VRPTW can be described with the following set covering model:
where indicates whether route is selected ( = 1) or not ( = 0) in the solution.其中是depot点。
其中:
- 约束1保证了每个Customer都至少被服务一次。
- 约束2限制了车辆的使用数量。
- $\theta_k \theta_k > 1$时解都不是最优的。这样做的目的是为了后续使用column generation时获得一个更好的线性松弛。
02 column generation
从上面的模型中,先来讨论一个点,用表示集合里面的路径数量,n表示Customer的点数,那么
和n的关系可以看下表:
n | |
---|---|
10 | |
20 | |
... | ... |
100 |
可以看出,变量的数目随着问题规模n的增长会爆炸式的增长。这时候,显然branch and bound这类的算法已经无能为力了,因为变量数目太多太多,搜索树会有多少个分支想都不敢想。
所以,我们上一节课讲的column generation就派上用场辣。如果相关概念还不清楚的就赶紧回去翻一翻上一次课的内容吧。
2.1 Master Problem(MP)
我们知道,column generation是求解linear program的,因为上面的model是一个整数规划模型,还不能直接挪过来当Master Problem。
在此之前,我们需要将给线性松弛一下变成。这下就从整数变量松弛为线性变量了。由此我们可以得出问题的Master Problem如下:
2.2 Restricted Master Problem(RMP)
在上述模型中,约束5中的列直观表现为一条可行的路径,现在要Restricted一下我们的Master Problem,直接Restricted Master Problem中的 即可。我们设,那么Restricted Master Problem可以表示为:
然后我们再顺便把RMP的对偶model也写出来,便于后续对偶变量的求解:
在对偶模型中:
- 是非负的对偶变量,对应着约束(9)。
- 是非负的对偶变量,对应着约束(10)。
2.3 Subproblem
子问题要做的就是找一条路使得,
其中,受到的约束:
- 从depot出发,最终回到depot。
- 满足容量和时间窗的约束。
03 Illustration
在这一节我们将会给大家带来一个简单的VRPTW实例,详细演示一下column generation求解VRPTW的过程。大家可以再次熟悉一下column generation的原理。
假如我们有以下的一个very simple的VRPTW问题:
其中:
- 边上数字表示路径的距离。
- 点上的区间表示时间窗。
- 为了更加简化问题,我们假设车的容量足够大(总是能容量约束),车的数量足够多(总是能满足数量约束)。
Start
一开始我们很容易找到一个初始的路径集合$\Omega_1 = {(v_0,v_1,v_0),(v_0,v_2,v_0),(v_0,v_3,v_0) } $。
服务所有的Customer。所以得到的Restricted Master Problem和Dual programs如下:
Iteration 1
RMP ( $\Omega_1 = {(v_0,v_1,v_0),(v_0,v_2,v_0),(v_0,v_3,v_0) } $ ):
很容易求得上述模型的最优解为。
现在假如subproblem通过启发式或者什么方法找到了一条路径$ r_4 = (v_0,v_1,v_2,v_0)r_4r_4\Omega_1 $中,开始下一轮迭代。
Iteration 2
RMP ( $\Omega_1 = {(v_0,v_1,v_0),(v_0,v_2,v_0),(v_0,v_3,v_0), (v_0,v_1,v_2,v_0)} $ ):
Again,很容易求得上述模型的最优解为。
subproblem找到了一条路径$ r_5 = (v_0,v_1,v_2,v_3,v_0)r_5r_5\Omega_1 $中,开始下一轮迭代。
Iteration 3
RMP( $\Omega_1 = {(v_0,v_1,v_0),(v_0,v_2,v_0),(v_0,v_3,v_0), (v_0,v_1,v_2,v_0),(v_0,v_1,v_2,v_3,v_0)} $ ):
求解得到最优解为。
现在我们可以easily发现,还剩下两条route不在之中了。而这两条route的reduce cost都非负,列生成算法停止。并且在这个例子中,linear relaxation的解是integer optimal solution。
至此,列生成算法求解VRPTW的过程结束,相信这么详细的过程大家已经看懂了。
04 code
关于列生成算法求解VRPTW的算法将会在下一期呈现,大家可以先把这两期的内容好好消化了先。请关注我们的公众号以获取最新的消息,在第一时间获取代码:
可以关注我们的公众号哦!获取更多精彩消息!
05 reference
-[1]A tutorial on column generation and branch-and-price for vehicle routing problems, Dominique Feillet