MATLAB遗传算法实现VRPTW路径优化

1. 为什么我们需要自己实现VRPTW求解器

在物流配送、快递运输、共享出行等领域，车辆路径规划（VRP）问题一直是个核心挑战。而带时间窗的车辆路径问题（VRPTW）更是增加了现实约束——每个客户点都有特定的服务时间窗口，车辆必须在规定时间内到达。这直接关系到客户满意度和运营成本。

市面上虽然有不少商业求解器（如CPLEX、Gurobi），但它们往往存在几个痛点：

1. 商业授权费用高昂，中小企业难以承受
2. 黑盒操作，难以针对特定业务场景定制优化
3. 对时间窗等约束的处理不够灵活
4. 与现有系统的集成成本高

我在某生鲜电商负责配送系统优化时，就遇到过这样的困境：第三方求解器对凌晨配送的时间窗处理总是出现不合理路径，而修改一个参数就要支付额外费用。这促使我决定自己开发求解器——既能完全掌控算法逻辑，又能针对业务特点做深度优化。

2. VRPTW问题建模与难点解析

2.1 标准数学模型构建

VRPTW可以形式化为如下数学模型：

目标函数：
minimize ∑(i,j)∈A cijxij （总行驶成本最小）

约束条件：

1. 每个客户点只能被一辆车访问一次
2. 车辆从仓库出发并最终返回仓库
3. 不超载：∑i∈V qi yik ≤ Q, ∀k∈K
4. 时间窗约束：ai ≤ tik ≤ bi
5. 流平衡：tik + si + tij - tjk ≤ M(1-xijk)

其中：

• xijk：车辆k是否从i行驶到j
• tik：车辆k到达i点的时间
• si：在i点的服务时间
• [ai,bi]：i点的时间窗
• qi：i点的需求量
• Q：车辆容量

2.2 现实业务中的特殊约束

实际业务中往往还需要考虑：

• 混合车队（不同车型的容量、速度差异）
• 司机工作时间限制
• 动态交通路况
• 软时间窗（允许超时但需惩罚）
• 多点取送货（如快递同时收发）

这些在标准模型中都需要扩展。例如生鲜配送中，早到比晚到好，我们会将时间窗惩罚函数设计为不对称形式。

3. 遗传算法求解VRPTW的MATLAB实现

3.1 算法框架设计

我们采用改进的遗传算法(GA)框架：

matlab复制function [bestSolution, bestFitness] = GAforVRPTW(params)
    % 初始化种群
    population = initializePopulation(params);
    
    for gen = 1:params.maxGen
        % 评估适应度
        fitness = evaluatePopulation(population, params);
        
        % 精英选择
        [elite, eliteFitness] = selectElite(population, fitness);
        
        % 锦标赛选择
        parents = tournamentSelection(population, fitness);
        
        % 顺序交叉(OX)
        offspring = crossover(parents, params);
        
        % 变异操作
        offspring = mutation(offspring, params);
        
        % 新一代种群=精英+子代
        population = [elite; offspring];
    end
end

3.2 关键实现细节

3.2.1 染色体编码

采用客户点序列编码，用0表示仓库。例如：
[0,3,1,2,0,4,5,0] 表示：

• 车辆1：仓库→3→1→2→仓库
• 车辆2：仓库→4→5→仓库

matlab复制function chrom = generateChromosome(customers, numVehicles)
    chrom = zeros(1, length(customers)+numVehicles);
    custIdx = randperm(length(customers));
    
    % 插入仓库分隔符
    splitPoints = sort(randsample(2:length(chrom)-1, numVehicles-1));
    chrom(splitPoints) = 0;
    
    % 填入客户点
    chrom(chrom==0) = 0; % 保持仓库位置
    chrom(chrom==0) = custIdx;
end

3.2.2 适应度函数设计

需同时考虑：

• 总行驶距离
• 违反时间窗的惩罚
• 超载惩罚

matlab复制function fitness = evaluateFitness(chromosome, params)
    [totalDist, timeViolation, loadViolation] = evaluateSolution(chromosome, params);
    
    fitness = params.distWeight * totalDist + ...
              params.timeWeight * timeViolation + ...
              params.loadWeight * loadViolation;
    
    % 对不可行解施加额外惩罚
    if timeViolation > 0 || loadViolation > 0
        fitness = fitness * (1 + params.penaltyFactor);
    end
end

3.2.3 改进的变异算子

标准变异算子如交换、倒位在VRPTW中效果不佳。我们设计了几种专用变异：

1. 时间窗紧迫度优先变异：

matlab复制function mutated = timeWindowMutation(chrom, params)
    % 找出时间窗最紧迫的客户
    twWidth = [params.customers.timeWindow]';
    [~, idx] = sort(twWidth);
    
    % 选择前20%最紧迫客户
    num = ceil(0.2*length(idx));
    candidates = idx(1:num);
    
    % 随机选择一个进行位置调整
    selected = candidates(randi(num));
    newPos = findNewPosition(chrom, selected, params);
    
    % 执行位置调整
    mutated = chrom;
    mutated(mutated==selected) = [];
    mutated = [mutated(1:newPos-1), selected, mutated(newPos:end)];
end

2. 路径内2-opt局部优化：

matlab复制function improved = twoOpt(route, distMatrix)
    improved = route;
    bestGain = -1;
    
    for i = 1:(length(route)-2)
        for j = (i+1):(length(route)-1)
            % 计算交换后的距离变化
            original = distMatrix(route(i),route(i+1)) + distMatrix(route(j),route(j+1));
            new = distMatrix(route(i),route(j)) + distMatrix(route(i+1),route(j+1));
            gain = original - new;
            
            if gain > bestGain
                bestGain = gain;
                improved = [route(1:i), fliplr(route(i+1:j)), route(j+1:end)];
            end
        end
    end
end

4. MATLAB实现中的工程技巧

4.1 数据结构优化

VRPTW计算密集，MATLAB中需特别注意：

1. 距离矩阵预计算：

matlab复制% 使用pdist2计算欧式距离
coords = [customers.location];
distMatrix = squareform(pdist2(coords, coords));

% 考虑道路网络时，可加载OSM数据
% 使用MATLAB的Mapping Toolbox
[~, roads] = getMapData('OSM');
distMatrix = computeRoadDistance(coords, roads);

2. 时间窗检查向量化：

matlab复制function violations = checkTimeWindows(routes, customers)
    numRoutes = length(routes);
    violations = zeros(numRoutes, 1);
    
    for r = 1:numRoutes
        route = routes{r};
        arrivalTimes = computeArrivalTimes(route, customers);
        
        % 向量化比较
        early = max(customers(route).timeWindow(:,1) - arrivalTimes, 0);
        late = max(arrivalTimes - customers(route).timeWindow(:,2), 0);
        
        violations(r) = sum(early) + sum(late);
    end
end

4.2 可视化监控

实时观察算法收敛情况：

matlab复制function plotOptimizationProcess(history)
    figure('Position', [100,100,1200,400])
    
    subplot(1,3,1)
    plot(history.bestFitness)
    title('最佳适应度')
    
    subplot(1,3,2)
    plot(history.avgFitness)
    title('平均适应度')
    
    subplot(1,3,3)
    plot(history.diversity)
    title('种群多样性')
    
    drawnow
end

% 在GA主循环中调用
if mod(gen, 10) == 0
    history.bestFitness(gen) = min(fitness);
    history.avgFitness(gen) = mean(fitness);
    history.diversity(gen) = computeDiversity(population);
    plotOptimizationProcess(history);
end

4.3 参数调优经验

通过大量实验得出的参数设置：

matlab复制params.popSize = 100;  % 不宜过大，MATLAB内存限制
params.maxGen = 500;
params.eliteRatio = 0.1;
params.mutationRate = 0.2;
params.distWeight = 1.0;
params.timeWeight = 100.0;  % 时间窗违约惩罚要足够大
params.loadWeight = 50.0;   % 超载惩罚次之
params.penaltyFactor = 10;  % 对不可行解的额外惩罚

% 自适应调整参数
params.mutationRate = max(0.05, 0.3 - 0.25*gen/params.maxGen);

5. 实际案例：生鲜配送路径优化

5.1 数据准备

某城市50个配送点的数据：

matlab复制% 生成模拟数据
numCustomers = 50;
customers = struct();

for i = 1:numCustomers
    customers(i).location = rand(1,2)*10;  % 10km×10km区域
    customers(i).demand = randi([1,5]);    % 1-5单位需求量
    customers(i).serviceTime = 5;          % 5分钟服务时间
    
    % 时间窗：早6点到晚10点之间随机2小时窗口
    startHour = 6 + rand()*(16-2);
    customers(i).timeWindow = [startHour, startHour+2]*60; % 转为分钟
end

% 仓库位置
depot.location = [5,5];
depot.timeWindow = [0,24*60]; % 全天开放

5.2 求解与结果分析

运行求解器：

matlab复制params.numVehicles = 8;
params.vehicleCapacity = 30;
[bestSol, bestFit] = GAforVRPTW(customers, depot, params);

典型输出：

code复制迭代500代后：
- 总行驶距离：128.7km
- 平均每车配送：6.25单
- 时间窗违约：0分钟
- 计算时间：47.3秒

可视化结果：

matlab复制function plotSolution(routes, customers, depot)
    figure; hold on;
    
    % 绘制客户点
    scatter([customers.location](:,1), [customers.location](:,2), ...
            [customers.demand]*10, 'filled');
    
    % 绘制仓库
    scatter(depot.location(1), depot.location(2), 200, 'r', 'filled');
    
    % 绘制路径
    colors = lines(length(routes));
    for r = 1:length(routes)
        route = routes{r};
        xy = [depot.location; [customers(route).location]; depot.location];
        plot(xy(:,1), xy(:,2), 'Color', colors(r,:), 'LineWidth', 2);
    end
    
    % 添加时间窗标签
    for i = 1:length(customers)
        text(customers(i).location(1), customers(i).location(2), ...
             sprintf('%d:%02d-%d:%02d', ...
             floor(customers(i).timeWindow(1)/60), mod(customers(i).timeWindow(1),60), ...
             floor(customers(i).timeWindow(2)/60), mod(customers(i).timeWindow(2),60)));
    end
    
    title(sprintf('VRPTW解决方案 (%d辆车)', length(routes)));
end

6. 性能优化与进阶方向

6.1 加速计算技巧

1. 使用MATLAB Coder生成Mex文件：

matlab复制% 对关键函数生成C代码
cfg = coder.config('mex');
codegen -config cfg evaluateFitness -args {coder.typeof(zeros(1,100)), params}

2. 并行计算：

matlab复制% 在适应度评估时使用parfor
parfor i = 1:params.popSize
    fitness(i) = evaluateFitness(population(i,:), params);
end

3. 记忆化技术：

matlab复制% 缓存常见路径的评价结果
persistent cache
if isempty(cache)
    cache = containers.Map;
end

key = char(route);
if isKey(cache, key)
    fitness = cache(key);
else
    fitness = evaluateRoute(route);
    cache(key) = fitness;
end

6.2 混合求解策略

结合精确算法和启发式算法：

1. 先用遗传算法获得优质初始解
2. 对关键路径使用动态规划精确求解
3. 最后用局部搜索微调

matlab复制function hybridSolution = hybridSolve(customers, params)
    % 阶段1：遗传算法
    gaSolution = GAforVRPTW(customers, params);
    
    % 阶段2：对最长路径进行动态规划优化
    routeLengths = cellfun(@(r) computeRouteLength(r), gaSolution.routes);
    [~, idx] = max(routeLengths);
    optimizedRoute = dpOptimize(gaSolution.routes{idx}, customers);
    
    % 阶段3：2-opt局部搜索
    hybridSolution = localSearch(gaSolution);
end

6.3 实际部署建议

1. 与业务系统集成：

• 将MATLAB代码打包为DLL供Java/Python调用
• 开发REST API接口：

matlab复制function sol = solveVRPTW(req)
    % 解析JSON请求
    data = jsondecode(req);
    
    % 调用求解器
    sol = GAforVRPTW(data.customers, data.depot, data.params);
    
    % 返回JSON响应
    sol = jsonencode(sol);
end

2. 考虑实时动态调整：

• 每隔15分钟重新规划未完成路径
• 处理新订单插入：

matlab复制function newSolution = insertNewOrder(oldSolution, newCustomer)
    % 找出插入成本最小的位置
    minCost = inf;
    
    for v = 1:length(oldSolution.routes)
        route = oldSolution.routes{v};
        
        for p = 2:length(route)
            testRoute = [route(1:p-1), newCustomer.id, route(p:end)];
            if checkConstraints(testRoute)
                cost = evaluateRoute(testRoute);
                if cost < minCost
                    minCost = cost;
                    bestRoute = v;
                    bestPos = p;
                end
            end
        end
    end
    
    % 执行插入
    newSolution = oldSolution;
    newSolution.routes{bestRoute} = ...
        [newSolution.routes{bestRoute}(1:bestPos-1), ...
         newCustomer.id, ...
         newSolution.routes{bestRoute}(bestPos:end)];
end

3. 考虑司机偏好：

• 在适应度函数中加入司机熟悉度得分
• 避免频繁更换司机的配送区域

matlab复制function score = driverPreferenceScore(route, driver)
    % 计算司机对该路线区域的熟悉度
    familiarAreas = driver.familiarAreas;
    routeAreas = [customers(route).area];
    
    score = sum(ismember(routeAreas, familiarAreas)) / length(route);
end