运筹优化学习02:Lingo求解带容量约束的车辆路径问题(CVRP)(上)

简介: 运筹优化学习02:Lingo求解带容量约束的车辆路径问题(CVRP)

带容量约束的车辆路径问题,是使用一组具有核定载重约束的车队为一组顾客点提供服务,要求服务的总路径最短。

本文的视频参考B站视频:Lingo求解车辆路径问题模型代码演示

1 基础知识储备

1.1 LINGO 具有9种逻辑运算符

image.png

这些运算符的优先级由高到低为

gif.png

1.2 lingo的窗口状态解析

20190608141107186.png

20190619232416530.png

20190619232522133.png

1.3 @wrap函数解析

1.3.1 官方解释

@wrap(index,limit)

@WRAP( INDEX, LIMIT)


This allows you to "wrap" an index around the end of a set and continue indexing at the other end of the set. That is, when the last (first) member of a set is reached in a set looping function, use of @WRAP will allow you to wrap the set index to the first (last) member of the set. This is a particularly useful function in cyclical, multiperiod planning models.


Formally speaking, @WRAP returns J such that J = INDEX - K * LIMIT, where K is an integer such that J is in the interval [1,LIMIT]. Informally speaking, @WRAP will subtract or add LIMIT to INDEX until it falls in the range 1 to LIMIT.


For an example on the use of the @WRAP function in a staff scheduling model, refer to the Primitive Set Example section in Using Sets.


@wrap函数的确是返回j=index-k*limit,其中k是一个整数,取适当值保证j落在区间[1,limit]内。可是它并不等于做简单的取模再加1的作用。如果硬要在取模方面来说明@wrap函数的话只能这么来解释了:@wrap(index,limit)函数相当于index模limit,如果取模结果不等于0,就返回该结果,否则返回limit。


1.3.2 示例代码及解释

resault = @wrap(10,2);
resault1 = @wrap(10,1);
resault2 = @wrap(10,3);
resault3 = @wrap(10,4);
resault4 = @wrap(10,5);
resault5 = @wrap(10,6);
resault6 = @wrap(10,7);
resault7 = @wrap(10,8);
resault8 = @wrap(10,9);
resault9 = @wrap(10,0); !本行代码会报错误代码86;

代码演示结果

20190609105309817.png

最后一行代码的报错及解释:不允许分母为0

20190609102006515.png

An undefined arithmetic operation (e.g., 1/0 or @LOG( -1)) occurred while LINGO was solving the model. If you have specified a row name for the constraint, LINGO will print the name of the constraint. If you haven't specified row names in your model, you may want to add them to assist in tracking down this error. Check the referenced constraint for any undefined operations and try to either, 1) rewrite it avoiding operations that can potentially become undefined, or, 2) use the @BND function to restrict variables to ranges where all operations are defined.


2 CVRP问题描述与模型

2.1 问题描述

假定存在一个车场Depot和3个顾客需求点,4个节点之间的距离和每个顾客点的需求量如下图所示:


20190608123402146.png


我们的任务是安排车辆从depot出发,然后服务完成这三个顾客需求点所需的车辆行驶路径最短

2.2 定义集合和数据段

我们在模型中使用到如下变量:

q_{i}:表示顾客节点的需求量,对应需求向量Q,维度为1*4;其中4为模型涉及的节点个数,并将车场点设置为0;


u_{i}:车辆行驶至节点i时的累积需求量,对应需求量向量U


d_{ij}:表示节点 i 到节点 j 的空间距离,对应距离矩阵DIST


x_{ij}:表示弧段i,j是否为车辆方位,若访问则取值为1,否则取值为0

2.2.1 定义集合

!定义集合;
SETS:
CITY/1..4/: Q, U; !定义需求量向量Q_{i}和累积载重量向量U(i);
CXC(CITY, CITY): DIST, X;!定义距离矩阵d_{ij}和二进制变量x_{ij};
ENDSETS

2.2.2 定义数据段

!定义数据段;
DATA:
Q = 0 2 3 5;!需求量向量;
DIST = !距离矩阵;
  0 3 4 2
  3 0 4 5
  4 4 0 7
  2 5 7 0;
C = 5;!车辆的最大载重量为5;
ENDDATA

2.2.3 定义目标函数

gif.gif

对应Latex源码:

min z = \sum_{i=1}^{4}  \sum_{i=1}^{4} x_{ij} * d_{ij}

对应Lingo源码:

min = @sum(CXC : X * DIST);



相关文章
|
26天前
|
机器学习/深度学习 算法 调度
基于ACO蚁群优化的VRPSD问题求解matlab仿真,输出规划路径结果和满载率
基于ACO蚁群优化的VRPSD问题求解MATLAB仿真,输出ACO优化的收敛曲线、规划路径结果及每条路径的满载率。在MATLAB2022a版本中运行,展示了优化过程和最终路径规划结果。核心程序通过迭代搜索最优路径,更新信息素矩阵,确保找到满足客户需求且总行程成本最小的车辆调度方案。
|
6月前
|
算法 调度
基于变异混合蛙跳算法的车间调度最优化matlab仿真,可以任意调整工件数和机器数,输出甘特图
**摘要:** 实现变异混合蛙跳算法的MATLAB2022a版车间调度优化程序,支持动态调整工件和机器数,输出甘特图。核心算法结合SFLA与变异策略,解决Job-Shop Scheduling Problem,最小化总完成时间。SFLA模拟蛙群行为,分组进行局部搜索和全局信息交换。变异策略增强全局探索,避免局部最优。程序初始化随机解,按规则更新,经多次迭代和信息交换后终止。
|
5月前
|
机器学习/深度学习
深度之眼(二十四)——无约束最优化和约束最优化
深度之眼(二十四)——无约束最优化和约束最优化
|
7月前
|
数据可视化
R语言两层2^k析因试验设计(因子设计)分析工厂产量数据和Lenth方法检验显著性可视化|数据分享(一)
R语言两层2^k析因试验设计(因子设计)分析工厂产量数据和Lenth方法检验显著性可视化|数据分享(一)
|
7月前
|
移动开发 数据可视化
R语言两层2^k析因试验设计(因子设计)分析工厂产量数据和Lenth方法检验显著性可视化|数据分享(二)
R语言两层2^k析因试验设计(因子设计)分析工厂产量数据和Lenth方法检验显著性可视化|数据分享(二)
|
算法 调度 决策智能
【两阶段鲁棒优化】利用列-约束生成方法求解两阶段鲁棒优化问题(Python代码实现)
【两阶段鲁棒优化】利用列-约束生成方法求解两阶段鲁棒优化问题(Python代码实现)
331 0
【两阶段鲁棒优化】利用列-约束生成方法求解两阶段鲁棒优化问题(Python代码实现)
Matlab:如何利用层次分析法(升级版)计算具有多重指标的判断矩阵的一致性检验和权重
Matlab:如何利用层次分析法(升级版)计算具有多重指标的判断矩阵的一致性检验和权重
367 0
|
7月前
|
算法 Python
动态规划法在汽车租赁问题中的实战(使用策略迭代法得到最优策略和最优价值 python实现 附源码)
动态规划法在汽车租赁问题中的实战(使用策略迭代法得到最优策略和最优价值 python实现 附源码)
88 0
|
存储 人工智能 算法
鲁棒优化入门(4)-两阶段鲁棒优化及行列生成算法(C&CG)超详细讲解
        鲁棒优化是应对数据不确定性的一种优化方法,但单阶段鲁棒优化过于保守。为了解决这一问题,引入了两阶段鲁棒优化(Two-stage Robust Optimization)以及更一般的多阶段鲁棒优化,其核心思想是将决策问题分为两个阶段。第一阶段是进行初步决策,第二阶段是根据第一阶段的决策结果制定更好的决策策略,应对数据不确定性的影响。这种方法可以降低保守性,提高鲁棒性。
|
安全 调度
多源动态最优潮流的分布鲁棒优化方法(IEEE118节点)(Matlab代码实现)
多源动态最优潮流的分布鲁棒优化方法(IEEE118节点)(Matlab代码实现)
144 0