MATLAB遗传算法求解带约束车辆路径规划(CVRP)

1. 项目概述：遗传算法在带约束车辆路径规划中的应用

带容量和体积约束的车辆路径规划问题（CVRP）是物流优化领域的经典难题。作为一名长期从事物流系统优化的工程师，我经常需要处理这类NP难问题。在实际项目中，我们往往需要在有限时间内找到近似最优解，而遗传算法（GA）因其强大的全局搜索能力成为我的首选工具。

CVRP问题的核心挑战在于：如何在满足每辆车载重和容积限制的前提下，规划出总行驶距离最短的配送路线。这看似简单的要求，在实际操作中却异常复杂——当客户点超过50个时，可能的路径组合数量就会超过宇宙中原子的总数！传统精确算法对此束手无策，而遗传算法通过模拟自然进化过程，能在合理时间内给出优质解。

本文将从工程实践角度，详细解析如何用MATLAB实现遗传算法求解CVRP问题。不同于教科书式的理论介绍，我会重点分享在实际项目中积累的调参技巧和性能优化经验，这些都是在文献中难以找到的实战干货。

2. 问题建模与算法设计

2.1 CVRP问题的数学表述

要使算法有效，首先需要建立精确的数学模型。CVRP可以形式化为：

• 设图G=(V,E)，V={0,1,...,n}，其中0代表仓库，1~n代表客户点
• 每条边(i,j)∈E有距离dᵢⱼ
• 每辆车容量为Q，容积为V
• 每个客户i有需求qᵢ（重量）和vᵢ（体积）
• 目标是最小化总行驶距离，同时满足：
  • 每辆车负载≤Q
  • 每辆车体积≤V
  • 每个客户被访问一次
  • 所有路径从仓库出发并返回仓库

在MATLAB中，我们这样定义问题参数：

matlab复制% 基础参数设置
numCustomers = 50;       % 客户数量
vehicleCapacity = 100;   % 车辆载重上限
vehicleVolume = 80;      % 车辆容积上限
maxVehicles = 10;        % 最大可用车辆数

% 生成随机客户需求（实际项目中替换为真实数据）
customerDemands = randi([1,10],numCustomers,2); % 第一列重量，第二列体积

2.2 遗传算法的特殊改造

标准遗传算法需要针对CVRP进行以下关键改造：

1. 染色体编码：采用基于路径的编码方式，用0作为分隔符。例如：
   [0,3,7,12,0,5,9,0,...]表示第一辆车路线0→3→7→12→0，第二辆车0→5→9→0...

2. 适应度函数：需要同时考虑距离和约束违反情况：

   matlab复制function fitness = calculateFitness(routes, distMatrix, demands, capacity, volume)
       totalDistance = 0;
       penalty = 0;
       
       for r = 1:length(routes)
           route = routes{r};
           currentLoad = 0;
           currentVol = 0;
           
           % 计算路径距离
           for i = 1:length(route)-1
               totalDistance = totalDistance + distMatrix(route(i),route(i+1));
           end
           
           % 检查约束
           for node = route(2:end-1)
               currentLoad = currentLoad + demands(node,1);
               currentVol = currentVol + demands(node,2);
           end
           
           if currentLoad > capacity
               penalty = penalty + 1000*(currentLoad - capacity);
           end
           if currentVol > volume
               penalty = penalty + 1000*(currentVol - volume);
           end
       end
       
       fitness = 1/(totalDistance + penalty + 0.1); % 避免除零
   end
   

3. 遗传操作定制：

   • 选择：采用锦标赛选择，保持种群多样性
   • 交叉：使用顺序交叉(OX)，保留路径片段
   • 变异：采用交换变异，但需保证不违反约束

3. MATLAB实现细节

3.1 算法主框架

以下是遗传算法的主循环结构：

matlab复制function [bestSolution, bestFitness] = gaForCVRP(params, distMatrix, demands)
    % 初始化种群
    population = initializePopulation(params);
    
    for gen = 1:params.maxGenerations
        % 评估适应度
        fitness = evaluatePopulation(population, distMatrix, demands, ...
                    params.vehicleCapacity, params.vehicleVolume);
        
        % 选择
        parents = tournamentSelection(population, fitness, params.tournamentSize);
        
        % 交叉
        offspring = crossover(parents, params.crossoverProb);
        
        % 变异
        offspring = mutate(offspring, params.mutationProb);
        
        % 新一代种群
        population = [parents; offspring];
        
        % 精英保留
        population = elitism(population, fitness, params.eliteCount);
        
        % 记录最佳解
        [bestFitness, idx] = max(fitness);
        bestSolution = population{idx};
        
        % 显示进度
        if mod(gen,10)==0
            fprintf('Generation %d: Best Fitness = %.4f\n', gen, bestFitness);
        end
    end
end

3.2 关键组件实现

3.2.1 种群初始化

有效的初始化能加速收敛。我们采用以下策略：

1. 最近邻法生成部分优质个体
2. 随机生成保持多样性
3. 确保所有个体满足车辆数量约束

matlab复制function population = initializePopulation(params)
    population = cell(params.popSize,1);
    
    for i = 1:params.popSize
        if i <= params.popSize/5  % 20%个体使用最近邻法
            population{i} = nearestNeighborInit(params);
        else  % 其余随机生成
            population{i} = randomInit(params);
        end
    end
end

3.2.2 顺序交叉(OX)实现

OX交叉能有效保留路径片段：

matlab复制function offspring = oxCrossover(parent1, parent2)
    % 将路径转换为客户序列（去掉仓库）
    seq1 = parent1(parent1~=0);
    seq2 = parent2(parent2~=0);
    
    % 选择交叉片段
    n = length(seq1);
    points = sort(randperm(n,2));
    
    % 创建子代
    child1 = zeros(1,n);
    child2 = zeros(1,n);
    
    % 复制片段
    child1(points(1):points(2)) = seq1(points(1):points(2));
    child2(points(1):points(2)) = seq2(points(1):points(2));
    
    % 填充剩余位置
    fillChild(child1, seq2, points);
    fillChild(child2, seq1, points);
    
    % 转换回带仓库的路径格式
    offspring = {addDepots(child1), addDepots(child2)};
end

3.2.3 约束处理技巧

在评估和修复解时，采用分级惩罚策略：

1. 轻微超载：线性惩罚
2. 严重超载：指数惩罚
3. 车辆超限：直接淘汰

matlab复制function isValid = checkConstraints(route, demands, capacity, volume)
    currentLoad = 0;
    currentVol = 0;
    
    for node = route(2:end-1)
        currentLoad = currentLoad + demands(node,1);
        currentVol = currentVol + demands(node,2);
        
        if currentLoad > capacity || currentVol > volume
            isValid = false;
            return;
        end
    end
    
    isValid = true;
end

4. 参数调优与性能提升

4.1 关键参数经验值

通过数百次实验，总结出以下参数范围：

实际项目中建议采用参数自适应策略：

matlab复制function params = adaptiveParameters(params, gen, maxGen)
    % 动态调整变异概率
    params.mutationProb = 0.1*(1 - gen/maxGen);
    
    % 后期增加选择压力
    if gen > maxGen*0.7
        params.tournamentSize = min(7, params.tournamentSize+1);
    end
end

4.2 加速技巧

1. 距离矩阵预处理：

matlab复制% 预先计算所有点间距离
function distMatrix = precomputeDistances(locations)
    n = size(locations,1);
    distMatrix = zeros(n);
    for i = 1:n
        for j = 1:n
            distMatrix(i,j) = norm(locations(i,:)-locations(j,:));
        end
    end
end

2. 并行评估：

matlab复制% 使用parfor并行计算适应度
fitness = zeros(popSize,1);
parfor i = 1:popSize
    fitness(i) = calculateFitness(population{i}, distMatrix, demands, capacity, volume);
end

3. 记忆化技术：缓存已评估个体的适应度值

5. 结果分析与可视化

5.1 典型输出示例

运行算法后，我们得到如下优化结果：

code复制最优路径：
车辆1: 0->15->32->8->24->0 (载重98/100, 体积75/80)
车辆2: 0->5->19->42->0 (载重95/100, 体积72/80)
车辆3: 0->7->29->11->0 (载重99/100, 体积78/80)
总距离: 458.7km

5.2 可视化实现

使用MATLAB绘图展示优化过程：

matlab复制function plotResults(bestSolution, locations)
    figure;
    colors = lines(length(bestSolution));
    
    % 绘制客户点
    scatter(locations(2:end,1), locations(2:end,2), 'filled');
    hold on;
    
    % 绘制仓库
    scatter(locations(1,1), locations(1,2), 100, 'rp', 'filled');
    
    % 绘制路径
    for i = 1:length(bestSolution)
        route = bestSolution{i};
        plot(locations(route,1), locations(route,2), 'Color', colors(i,:), 'LineWidth', 2);
    end
    
    title('优化后的车辆路径');
    xlabel('X坐标'); ylabel('Y坐标');
    grid on;
end

5.3 性能评估指标

建议跟踪以下指标评估算法表现：

1. 收敛曲线：观察适应度随迭代的变化
2. 计算时间：单次迭代平均耗时
3. 约束满足率：满足所有约束的解占比
4. 资源利用率：车辆载重和容积的平均使用率

6. 工程实践中的挑战与解决方案

6.1 大规模问题处理

当客户点超过500时，需要采用以下策略：

1. 分治策略：先聚类再分区优化
2. 精英移民：多个子种群并行进化
3. 启发式初始化：使用节约算法生成初始解

6.2 动态环境适应

实际配送中常有实时变化，解决方案：

matlab复制function adaptToChanges(bestSolution, newOrders)
    % 1. 固定已执行路径
    % 2. 将新订单插入现有路径（检查约束）
    % 3. 无法插入则启动局部重优化
    
    for order = newOrders
        inserted = false;
        for i = 1:length(bestSolution)
            route = bestSolution{i};
            % 尝试插入最佳位置
            [newRoute, success] = tryInsert(route, order);
            if success
                bestSolution{i} = newRoute;
                inserted = true;
                break;
            end
        end
        
        if ~inserted
            % 启动局部重优化
            bestSolution = localReoptimize(bestSolution, order);
        end
    end
end

6.3 多目标优化

除距离外，还需考虑：

1. 车辆使用成本
2. 时间窗约束
3. 司机工作时间

可采用NSGA-II等多目标遗传算法框架。

7. 完整代码结构

项目建议的文件结构：

code复制/CVRP_GA
  ├── main.m                  % 主脚本
  ├── initializePopulation.m  % 种群初始化
  ├── calculateFitness.m      % 适应度计算
  ├── crossover.m             % 交叉操作
  ├── mutate.m                % 变异操作
  ├── selection.m             % 选择操作
  ├── utils/                  % 工具函数
  │   ├── plotResults.m
  │   ├── precomputeDistances.m
  │   └── checkConstraints.m
  └── data/                   % 测试数据
      ├── customerLocations.csv
      └── customerDemands.csv

在实现过程中，我特别建议将算法核心与问题定义分离，这样同一套遗传算法框架可以方便地应用于其他变种VRP问题。