Loading [MathJax]/jax/output/HTML-CSS/jax.js
高级搜索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于离散鲸鱼群算法的物资应急调度研究

蒋华伟 郭陶 杨震 赵丽科

徐明亮, 王士同. 由最大同类球提取模糊分类规则[J]. 电子与信息学报, 2017, 39(5): 1130-1135. doi: 10.11999/JEIT160779
引用本文: 蒋华伟, 郭陶, 杨震, 赵丽科. 基于离散鲸鱼群算法的物资应急调度研究[J]. 电子与信息学报, 2022, 44(4): 1484-1494. doi: 10.11999/JEIT210173
XU Mingliang, WANG Shitong. Extracting Fuzzy Rules from the Maximum Ball Containing the Homogeneous Data[J]. Journal of Electronics & Information Technology, 2017, 39(5): 1130-1135. doi: 10.11999/JEIT160779
Citation: JIANG Huawei, GUO Tao, YANG Zhen, ZHAO Like. Research on Material Emergency Scheduling Based on Discrete Whale Swarm Algorithm[J]. Journal of Electronics & Information Technology, 2022, 44(4): 1484-1494. doi: 10.11999/JEIT210173

基于离散鲸鱼群算法的物资应急调度研究

doi: 10.11999/JEIT210173
基金项目: 国家自然科学基金(51677055),河南省自然科学基金(162300410055),河南省科技攻关项目(212102210499),河南省高等学校重点科研项目(22A520003)
详细信息
    作者简介:

    蒋华伟:男,1970年生,教授,博士生导师,研究方向为优化计算、机器学习等

    郭陶:女,1996年生,硕士生,研究方向为车辆路径优化

    杨震:男,1990年生,讲师,博士,研究方向为图像处理与信息分析等

    赵丽科:女,1990年生,讲师,博士,研究方向为智能遥感影像处理

    通讯作者:

    郭陶 2237247390@qq.com

  • 中图分类号: TN911.7; P399

Research on Material Emergency Scheduling Based on Discrete Whale Swarm Algorithm

Funds: The National Natural Science Foundation of China (51677055), The Natural Science Foundation of Henan Province (162300410055), The Science and Technology Research Project of Henan Province (212102210499), The Key Scientific Research Projects of Colleges and Universities in Henan Province (22A520003)
  • 摘要: 针对鲸鱼群算法求解多配送中心带时间窗的物资应急调度问题时存在的易陷入局部极值等缺点,该文提出一种改进离散鲸鱼群算法(IDWSA)。首先采用混合初始化策略提高初始种群的质量;然后构建以相似配送顺序和相同配送中心为比较项的两种移动规则,并设计自适应柯西变异算子和路径选择策略对个体进行移动;最后构造全局评价函数用于选择个体以维持种群多样性。在Solomon标准测试集上,IDWSA所求最好解的距离与MAPSO, GA, HACO, ABC相比分别减少了2.25%, 13.4%, 6%, 1.46%,有效缩短了车辆的行驶距离。
  • 当前,公钥密码算法,如公钥加密、数字签名和密钥交换已经大规模地应用于实际生活中,提供着各式各样的信息安全保障。但几乎所有应用中的公钥密码算法的安全性都建立在分解大整数或者求解离散对数问题的困难性之上。换句话说,如果没有多项式时间的算法能够分解大整数或者求解离散对数问题,那么这些公钥密码算法就能够实现安全的功能。不幸的是美国科学家Shor[1]在1996年提出了能够在多项式时间分解大整数或者求解离散对数问题的量子算法。近年来,随着量子计算技术的快速发展,研究能够抵抗量子计算机攻击的公钥密码算法—抗量子密码,已经迫在眉睫。事实上,世界各国政府和组织都相应地发起了重大的研究计划来发展能够抵抗量子计算机攻击的密码算法,如欧盟的SAFEcrypto项目、日本的CryptoMathCREST密码项目等。特别地,美国国家安全局(NSA)已于2015年8月宣布了抗量子密码算法的迁移计划[2]。同年,美国国家标准与技术研究院(NIST)举行了“后量子世界的网络安全研讨会”,并启动了面向全世界征集抗量子公钥密码算法的计划[3]。2018年5月,中国科协发布了我国面临的60个重大科技难题[4],“抗量子密码算法设计”是信息科技领域入选的6个重大科技难题之一。

    基于格的密码、基于编码的密码、基于多变量的密码和基于杂凑函数的密码是当前国际上公认的4个主要的抗量子密码研究方向。由于具有基于最坏情况的困难假设、高效率以及极大的多样性等优点,基于格的密码被认为是最具前景的抗量子密码研究方向。含错学习问题(Learning With Errors, LWE)和小整数解问题(Small Integer Solutions, SIS)是基于格的密码中两个常用的困难问题,其中含错学习问题是由Regev[5]在2005年提出,而小整数解问题则可追溯到Ajtai[6]的开创性工作。含错学习问题和小整数解问题的定义都非常简单,且都和解整数模方程有关。特别地,令n,m,q是任意正整数,令χα是定义在整数Z上以实数α为参数的概率分布。计算性含错学习问题LWEn,m,q,α要求给定元组(A,b=As+e)Zm×nq×Zmq,输出sZnq,其中AZm×nq,sZnq,eχmα。而小整数解问题SISn,m,q,β则要求给定矩阵AZm×nq和实数β,计算使得xZmq使得ATx=0odqxβ。显然,以上两个问题非常相似。事实上,在一定意义上含错学习问题和小整数解问题是互为对偶问题。此外,以上两个问题在平均情况下的困难性被严格归约到了格上问题在最坏情况下的困难性之上[5,6]。一般来说,含错学习问题主要用于加密算法的设计,而小整数解问题则用于签名算法的设计。为了提高方案的效率,文献中还经常使用含错学习问题的一个变种问题,即正规形含错学习问题。该类问题要求秘密向量sZnq取自于分布χα。特别地,正规形含错学习问题和标准学习问题在多项式时间的归约下是等价的。文献中常用的两种错误分布为高斯分布和二项分布。

    虽然基于含错学习问题和小整数解问题通常都比较简单,且具有较高的计算效率,但像基于编码等数学问题的抗量子方案一样,基于格的密码方案的参数,如公钥、密文等都比较大。为了更好地折中密码算法的安全性和参数大小,Zhang等人[7]提出了非对称含错学习问题(Asymmetric LWE, ALWE)和非对称小整数解问题(Asymmetric SIS, ASIS)。在定义上,非对称含错学习问题修改了标准含错学习问题的实例分布,而非对称小整数解问题则只是修改了标准小整数解问题的解分布。由此造成的差别是可以很容易证明非对称小整数解问题和标准小整数解问题在多项式归约下是等价的,而对于非对称含错学习问题,却不那么容易证明标准含错学习问题和非对称学习问题的困难关系[7]

    本文将正式研究非对称学习问题和标准学习问题的困难关系,并证明对于满足特定“加和”性质的分布χ,标准含错学习问题和非对称含错学习问题在一定参数下是等价的。简单来说,我们说一个分布χ具有“加和”性质。即给定分布参数α1α2>α1,存在多项式时间的算法S(,),使得对于x1χα1x2S(α1,α2),有x=x1+x2服从分布χα2。注意到算法S(,)并不以x1作为输入,这一点对于本文的证明非常重要。结合以上“加和”性质,以及(非对称)含错学习问题的同态性质,本文证明了对于任何“加和”的分布χ,非对称含错学习问题和标准含错学习问题是多项式时间等价的。特别地,本文证明了两类格密码常用的概率分布(即高斯分布和中心二项分布)均满足“加和”性质。换句话说,对于特定参数的高斯分布和中心二项分布,标准含错学习问题和非对称含错学习问题在多项式时间意义下是等价的。这就为基于高斯分布和二项分布的非对称含错学习问题设计基于格的密码算法奠定了严格的理论基础。

    κ为全文中默认的安全参数,所有其他的参数都隐含地是关于κ的函数。令符号logγ()表示以γ为底的对数函数。当γ=2时,简写为lb()。如果没有特别说明,符号O()ω()表示标准的渐近函数。符号poly(n)表示关于变量n的任意多项式函数,即存在常数c使得poly(n)=O(nc)。对于函数f(n)和函数g(n),如果存在常数c使得f(n)=O(g(n)lbcn),记f(n)=˜O(g(n))。特别地,如果对于任意c>0都存在足够大的整数N使得对于所有的n>N都有f(n)<1/nc成立,那么称函数f关于变量n是可忽略的。本文用negl()表示未明确定义的可忽略函数。

    符号ZR分别代表整数集合和实数集合。对于分布D和有限集合S,符号vrD表示从分布D中随机选取元素,而符号vrS则表示随机均匀地选取集合S中的元素。如果随机变量v服从分布D,简记为vD。向量默认写成列的形式并用小写加粗字母表示(例如,x),而矩阵则视为列向量的集合并用大写加粗字母表示(例如X)。符号xTXT分别表示向量x和矩阵X的转置。符号||x||=xi2||x||=max{|xi|}分别表示取向量的第2范数2和无穷范数,其中x=(x1,x2,···)

    n,m,q是任意正整数,令χα是定义在整数Z上以实数α为参数的概率分布。计算性含错学习问题LWEn,m,q,α要求给定元组

    (A,b=As+e)Zm×nq×Zmq (1)

    输出sZnq,其中AZm×nq,sZnq,eχmα。类似地,判定性含错学习问题DLWEn,m,q,α则要求将元组(A,b)Zm×nq×Zmq和选择于Zm×nq×Zmq上均分分布的元组区分开来。对于特定的分布和参数,Regev[5]证明了如果存在一个多项式时间的算法能够求解LWEn,m,q,α问题,那么存在多项式时间的量子算法能够求解任意格上最困难的近似最短独立向量问题(Shortest Vector Problem, SVP),且判定性含错学习问题和计算性含错学习问题是等价的。此外,对于秘密向量sZnq同样取自于分布χα的正规形含错学习问题,Applebaum等人[8]证明了其与标准的含错学习问题是等价的。

    为了提高基于含错学习问题的密码算法的效率,Zhang等人[7]提出了非对称含错学习问题作为正规形含错学习问题的变种。令n,m,q是任意正整数。令χα1χα2是定义在整数Z上分别以实数α1α2为参数的概率分布。计算性非对称含错学习问题ALWEn,m,q,α1,α2要求给定元组

    (A,b=As+e)Zm×nq×Zmq (2)

    输出sZnq,其中AZm×nq,sχnα1,eχmα2。类似地,也可以定义判定性非对称含错学习问题。Zhang等人[7]对已知求解含错学习问题的最高效的算法进行了研究发现以α1,α2为高斯参数的非对称含错学习问题和以α1,α2为高斯参数的标准含错学习问题的困难性大致相等,即从攻击的角度间接揭示非对称含错学习问题和标准含错学习问题在一定程度上是等价的。接下来,本文将研究含错学习问题和标准学习问题的困难性间的关系。

    这一节中,将考虑定义在具有“加和”性质的概率分布上的非对称含错学习问题。

    定义1 对于任意以α为参数的概率分布χα和参数0<α1α2,如果存在一个多项式时间的算法Sχ(,),如果分布Dα1,α2={x=x1+x2Z|x1χα1,x2Sχ(α1,α2)}和分布χα是统计不可区分的,则称分布χα具有“加和”性质。

    对于具有“加和”性质的概率分布,有如下结论:

    定理1 对于任意实数α1α2,和定义在概率分布χα1χα2 上的非对称含错学习问题ALWEn,m,q,α1,α2,如果分布χα 具有“加和”性质,那么有ALWEn,m,q,α1,α2问题和标准含错学习问题在多项式时间是等价的,即有如下困难性不等式在多项式时间的归约下是成立的

    LWEn,m,q,min(α1,α2)ALWEn,m,q,α1,α2LWEn,m,q,max(α1,α2) (3)

    证明 显然,为了证明定理1,只需要证明如下两个结论成立即可:

    (1) 如果存在多项式时间的算法能够解决ALWEn,m,q,α1,α2问题,那么存在多项式时间的算法能够解决LWEn,m,q,min(α1,α2)问题;

    (2) 如果存在多项式时间的算法能够解决LWEn,m,q,max(α1,α2)问题,那么存在多项式时间的算法能够解决ALWEn,m,q,α1,α2问题。

    接下来,将分别证明以上两个结论。为了方便证明,不妨先假设0<α1α2。首先,来证明结论(1)成立,即如果存在多项式时间的算法A能够解决ALWEn,m,q,α1,α2问题,那么存在多项式时间的算法B能够解决LWEn,m,q,min(α1,α2)问题。特别地,给定ALWEn,m,q,α1,α2的安全参数parms=(1κ,α1,α2),实例元组(A,b=As+e)Zm×nq×Zmq,算法A(parms,A,b)能够以不可忽略的概率 ε输出sZnq,其中κ是安全参数,AZm×nq,sχnα1,eχmα2。现在构造算法B使得给定LWEn,m,q,min(α1,α2)=LWEn,m,q,α1的公共参数parms1=(1κ,α1)和实例元组(A1,b1=A1s1+e1)Zm×nq×Zmq,算法B(parms1,A1,b1)能够以εnegl(κ)输出s1ZnqA1Zm×nq,sχnα1,eχmα1。算法B进行如下运算:

    (1) 运行m次算法e2,iSχ(α1,α2)得到向量e2=(e2,1,e2,2,···,e2,m)

    (2) 令A=A1Zm×nq,b=b1+e2Zmq

    (3) 令parms=(1κ,α1,α2)

    (4) 运行算法sA(parms,A,b),并输出向量sZnq

    由等式

    b=b1+e2=A1s1+e1+e2=e=A1s1+eodq (4)

    和分布χα的“加和”性质可知,e=e1+e2的分布选自于χα2中元素的分布是统计不可区分的。换句话说,元组(A=A1,b=b1+e2)Zm×nq×Zmq的分布和ALWEn,m,q,α1,α2问题的实例分布是统计不可区分的,这就意味着算法B能够以εnegl(κ)输出s=s1Znq。结论(1)得证。

    现在来证明结论(2)成立,即如果存在多项式时间的算法A能够解决问题LWEn,m,q,max(α1,α2),那么存在多项式时间的算法B能够解决ALWEn,m,q,α1,α2问题。如前述一样,为了便于证明,仍然假设0<α1α2。特别地,给定LWEn,m,q,max(α1,α2)=LWEn,m,q,α2的公共参数parms=(1κ,α2),实例元组(A,b=As+e)Zm×nq×Zmq,算法{\cal{A}}({\rm{parms}},{{{A}},{ b}}})能够以不可忽略的概率ε输出sZnq,其中κ是安全参数,AZm×nq,sχnα2,eχmα2。现在构造算法B使得给定ALWEn,m,q,α1,α2的公共参数parms1=(1κ,α1,α2)和实例元组(A1,b1=A1s1+e1)Zm×nq×Zmq,算法B(parms1,A1,b1)能够以εnegl(κ)输出s1Znq, A1Zm×nq,sχnα1,eχmα2。算法B进行如下运算:

    (1) 运行n次算法s2,iSχ(α1,α2)得到向量s2=(s2,1,s2,2,···,s2,n)

    (2) 令A=A1Zm×nq,b=b1+A1s2Zmq

    (3) 令parms=(1κ,α2)

    (4) 运行算法{{s}} \leftarrow {\cal{A}}({\rm{parms}},{{{A}},{ b}}}),并得到向量sZnq

    (5) 计算并输出s1=ss2

    由等式

    b=b1+A1s2=A1(s1+s2)=s+e1=A1s+e1odq (5)

    和分布χα的“加和”性质可知,s=s1+s2的分布选自于χα2中元素的分布是统计不可区分的。换句话说,元组(A=A1,b=b1+A1s2)Zm×nq×Zmq的分布和ALWEn,m,q,α1,α2问题的实例分布是统计不可区分的,这就意味着算法sA(parms,A,b)能够以εnegl(κ)输出s=s1+s2Znq,从而算法B能够以εnegl(κ)输出s1=ss2Znq。结论(2)得证。

    对于α1α2>0的情况,仍然可以按照上述方式利用分布χα的“加和”性质和(非对称)含错学习问题的“加法同态”性质证明结论(1)和结论(2)成立。由此定理1得证。

    自Micciancio等人[9]利用高斯分布定义了一个新的格参数——平滑参数——之后,高斯分布就与格密码的研究密不可分。特别地,许多格密码常用数学问题(例如含错学习问题和小整数解问题)的困难性证明都与高斯分布密切相关。事实上,格密码独有的优点——密码算法的平均情况安全性和数学问题的最坏情况困难性的联系——就依赖于高斯分布的优良性质。然而,尽管高斯分布非常有利于格密码的理论研究,但高斯分布在程序实现过程中却存在一定的技术难点,使得输出的样本常与随机数、时间和能量的消耗,以及计算精度有关,从而导致实现比较复杂,且容易遭受侧信道攻击。为了便于实现和抵抗侧性道攻击,面向实用的格密码算法常选择使用与高斯分布相近的中心二项分布来替换原有的高斯分布(如图1)。因此,研究基于高斯分布或中心二项分布的非对称含错学习的困难性至关重要。幸运的是,高斯分布或中心二项分布在一定条件下都具有“加和”的性质,因此定理1中的结论可直接应用于基于高斯分布或中心二项分布的非对称含错学习。接下来,给出高斯分布和中心二项分布的定义。

    图 1  高斯分布和二项分布

    对于任意正实数sR和向量cRm,定义在Rm上以c为中心、s为标准差的连续高斯函数为ρs,c(x)=(12πs2)mexp(||xc||22s2),记对应的连续高斯分布为Ds,c。对于任意格ΛZm,定义ρs,c(Λ)=xΛρs,c(x)。由此,可以诱导出定义在Λ上以c为中心、s为标准差的离散高斯分布DΛ,s,c(y)=ρs,c(y)/ρs,c(Λ)。当下标s=1(或c=0)时,通常忽略相应的下标。

    对于任意正整数kZ,定义以kZ为参数的中心二项分布为

    Bk={ki=1(bi,0bi,1)|bi,0,bi,1{0,1},i{1,2,···,k}}{k,k+1,···,k} (6)

    显然,中心二项分布具有“加和”性质,这是因为总有Bk1+k2=Bk1+Bk2恒成立。换句话说,有引理1。

    引理1 中心二项分布Bk具有“加和”性质。

    此外,定义在实数上以原点为中心的连续高斯分布也存在“加和”性质,因为如果向量x1Rm服从以0为中心,s1为标准差的连续高斯分布,向量x2Rm服从以0为中心,s2为标准差的连续高斯分布,令s=s12+s22那么向量x=x1+x2的密度函数为

    DF(x)=x1ρs1(x1)ρs2(xx1)dx1=(12πs1s2)mx1exp(x122s12)exp(xx122s22)dx1=(12πs1s2)mx1exp(s22x12+s12xx122s12s22)dx1=(12πs1s2)mx1exp((s12+s22)x1s12s12+s22x22s12s22x22(s12+s22))dx1=(12π(s12+s22))mexp(x22(s12+s22))=ρs(x) (7)

    但由于考虑的是限制在整数上的离散高斯分布,上述“加和”性质对于研究基于高斯分布的(非对称)含错学习问题的困难性并没有直接的帮助。幸运的是,对于特定参数的离散高斯分布,仍然可以证明其具有“加和”性质。特别地,有引理2成立。

    引理2 如果标准差s>ω(lbκ),那么离散高斯分布DZ,s对于特定的参数具有“加和”性质。特别地,对于任意s1>ω(lbκ),s2>s12+ω(lbκ)2,存在一个多项式时间的算法S(,)使得分布

    {x1+x2Z|x1DZ,s1,x2S(s1,s2)} (8)

    和分布DZ,s2的统计距离关于安全参数κ是可忽略的。

    为了证明引理2,需要用到蕴含在文献[5,10]中的两个引理。

    引理3 对于任意实数s1,s2>ω(lbκ),式(15)的分布

    {x1+x2|x1DZ,s1,x2Ds2} (9)

    和连续高斯分布Ds的统计距离关于安全参数κ是可忽略的,其中s=s12+s22

    引理4 对于任意实数s1>0s2>ω(lbκ),式(16)的分布

    {x1+x2|x1Ds1,x2DZx1,s2} (10)

    和离散高斯分布DZ,s的统计距离关于安全参数κ是可忽略的,其中s=s12+s22

    直观上,引理3 的意思是对于特定的参数,一个离散高斯分布加上一个连续高斯分布可以得到一个连续高斯分布,而引理4则可以理解为对一个连续高斯分布进行随机高斯取整后可得到一个离散的高斯分布。

    引理2的证明 给定参数s1,s2>ω(lbκ),算法S(s1,s2)进行如下运算:

    (1) 计算t=s22s12

    (2) 抽样并输出x2

    由引理4可知,x2的分布统计接近于对于连续高斯分布进行随机高斯取整后得到的分布

    {x2,1+x2,2|x2,1Dt/2,x2,2DZx2,1,t/2} (11)

    因此,对于任意x1DZ,s1,有x1+x2的分布统计接近于分布

    {x1+x2,1+x2,2|x2,1Dt/2,x2,2DZx2,1,t/2}={x1+x2,1+x2,2|x2,1Dt/2,x2,2DZx1x2,1,t/2} (12)

    等式(12)成立是因为x1是整数。进一步,由引理3可知,有x1+x2的分布统计接近于分布

    {x3+x2,2|x3Dt1,x2,2DZx3,t/2} (13)

    其中,t1=s12+t2/2。再次使用引理4可知,x1+x2的分布统计接近于分布离散高斯分布DZ,s2,其中s2=t12+t2/2。由此可知引理2得证。

    本文研究了非对称含错学习问题和标准学习问题之间困难关系,证明了对于具有“加和”性质的错误分布,非对称含错学习问题和标准学习问题是等价的。特别地,本文还证明了特定参数下的离散高斯分布和二项分布均满足“加和”的性质,从而为基于离散高斯分布或二项分布的非对称含错学习问题设计安全的格密码方案奠定了理论基础。

  • 图  1  MESPMDCTW问题的有向图表示

    图  2  3层编码示例

    图  3  混合初始化策略

    图  4  个体移动规则

    图  5  基于相似配送顺序的个体移动示例

    图  6  不同种群规模和不同迭代次数下所求最好解

    图  7  不同迭代次数和不同种群规模下的求解时间

    图  8  不同迭代次数下种群多样性

    图  9  5种算法实验结果对比

    表  1  路径选择策略

     输入:路径权值矩阵W,未被访问受灾点集合S
     输出:可行路径L
     (1) p=0,L=[0]
     (2) while len(S)!=0
     (3)   max=W[p][0], max_index=0
     (4)   for i=1 to len(S) do
     (5)     if max<W[p][i] then
     (6)       max=W[p][i], max_index=i
     (7)     end if
     (8)   end for
     (9) L.append(max_index)
     (10) S.remove(max_index)
     (11) end while
    下载: 导出CSV

    表  2  数据集配送中心信息

    位置配送中心
    123
    x153553
    y306028
    下载: 导出CSV

    表  3  评价指标及含义

    评价指标含义
    最好解/车辆数不同求解次数中求得的车辆行驶路径的最短总距离/当前解的所用总车辆数
    最差解/车辆数不同求解次数中求得的车辆行驶路径的最长总距离/当前解的所用总车辆数
    种群平均解/车辆数当前种群中所有个体表示的车辆行驶距离的平均值/当前种群所有解的平均总车辆数
    平均最好解所有实验中最好解的平均值
    平均最差解所有实验中最差解的平均值
    平均解所有实验中所求平均解的平均值
    平均偏差(平均解–最好解)/最好解
    最大偏差(最差解–最好解)/最好解
    运算时间每一次实验所耗费的时间
    平均运算时间所有实验次数下算法的平均运行时间
    下载: 导出CSV

    表  4  不同参数下算法所求解的质量

    种群大小迭代次数平均最好解(km)平均最差解(km)平均解(km)
    20101966.82231.42011.35
    151902.62092.21944.6
    2018542051.21907.68
    25162720221890.43
    30152018781692.96
    35157919271743.6
    301018812051.21907.68
    151752.712239.71869.97
    201621.318551655.52
    251501.62001.951713.41
    301496.21956.171709.3
    3514992016.51756.9
    4010189520891965.34
    151723.12003.61867.6
    20168919291735.55
    251534.22009.61796.5
    301571.62011.21801.26
    351509.321967.511839.3
    下载: 导出CSV

    表  5  3种种群初始化方式结果对比

    混合初始化策略DFC随机生成
    初始种群种群多样性0.1050.090.12
    平均最好解(km)21722333.552959.36
    平均最差解(km)3703.132685.353643.74
    平均解(km)3069.482526.383407.23
    最终解种群多样性0.03190.026430.02943
    平均最好解(km)15201794.952171.68
    平均最差解(km)18781911.772461.23
    平均解(km)1692.961809.342296.54
    下载: 导出CSV

    表  6  两种函数求得可行解

    全局评价函数适应度函数
    最好解/车辆数1477/91576/9
    最差解/车辆数1868/101927/11
    种群平均解/车辆1672.96/101743.6/10
    最大偏差0.260.22
    平均偏差0.130.10
    平均运算时间46.1646.31
    下载: 导出CSV
  • [1] ZHOU Lei, WU Xianhua, XU Zeshui, et al. Emergency decision making for natural disasters: An overview[J]. International Journal of Disaster Risk Reduction, 2018, 27: 567–576. doi: 10.1016/j.ijdrr.2017.09.037
    [2] DANTZIG G B and RAMSER J H. The truck dispatching problem[J]. Management Science, 1959, 6(1): 80–91. doi: 10.1287/mnsc.6.1.80
    [3] DORLING K, HEINRICHS J, MESSIER G G, et al. Vehicle routing problems for drone delivery[J]. IEEE Transactions on Systems, Man, and Cybernetics:Systems, 2017, 47(1): 70–85. doi: 10.1109/TSMC.2016.2582745
    [4] PARADISO R, ROBERTI R, LAGANÁ D, et al. An exact solution framework for multitrip vehicle-routing problems with time windows[J]. Operations Research, 2020, 68(1): 180–198. doi: 10.1287/opre.2019.1874
    [5] MUNARI P, MORENO A, DE LA VEGA J, et al. The robust vehicle routing problem with time windows: Compact formulation and branch-price-and-cut method[J]. Transportation Science, 2019, 53(4): 1043–1066. doi: 10.1287/trsc.2018.0886
    [6] 刘长石, 申立智, 盛虎宜, 等. 考虑交通拥堵规避的低碳时变车辆路径问题研究[J]. 控制与决策, 2020, 35(10): 2486–2496. doi: 10.13195/j.kzyjc.2019.0257

    LIU Changshi, SHEN Lizhi, SHENG Huyi, et al. Research on low-carbon time-dependent vehicle routing problem with traffic congestion avoidance approaches[J]. Control and Decision, 2020, 35(10): 2486–2496. doi: 10.13195/j.kzyjc.2019.0257
    [7] 张景玲, 刘金龙, 赵燕伟, 等. 时间依赖型同时取送货VRP及超启发式算法[J]. 计算机集成制造系统, 2020, 26(7): 1905–1917. doi: 10.13196/j.cims.2020.07.019

    ZHANG Jingling, LIU Jinlong, ZHAO Yanwei, et al. Time dependent simultaneous delivery VRP and super heuristic algorithm[J]. Computer Integrated Manufacturing Systems, 2020, 26(7): 1905–1917. doi: 10.13196/j.cims.2020.07.019
    [8] MARINAKIS Y, MARINAKI M, and MIGDALAS A. A multi- adaptive particle swarm optimization for the vehicle routing problem with time windows[J]. Information Sciences, 2019, 481: 311–329. doi: 10.1016/j.ins.2018.12.086
    [9] RAMACHANDRANPILLAI R and AROCK M. Spiking neural firefly optimization scheme for the capacitated dynamic vehicle routing problem with time windows[J]. Neural Computing and Applications, 2021, 33(1): 409–432. doi: 10.1007/s00521-020-04983-8
    [10] LAHYANI R, GOUGUENHEIM A L, and COELHO L C. A hybrid adaptive large neighbourhood search for multi-depot open vehicle routing problems[J]. International Journal of Production Research, 2019, 57(22): 6963–6976. doi: 10.1080/00207543.2019.1572929
    [11] 胡蓉, 李洋, 钱斌, 等. 结合聚类分解的增强蚁群算法求解复杂绿色车辆路径问题[J/OL]. 自动化学报. http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c190872, 2020.

    HU Rong, LI Yang, QIAN bin, et al. Enhanced ant colony algorithm combined with clustering decomposition for solving complex green vehicle routing problem[J/OL]. Acta Automatica Sinica. http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c190872, 2020.
    [12] ZHANG Zizhen, QIN Hu, and LI Yanzhi. Multi-objective optimization for the vehicle routing problem with outsourcing and profit balancing[J]. IEEE Transactions on Intelligent Transportation Systems, 2020, 21(5): 1987–2001. doi: 10.1109/TITS.2019.2910274
    [13] LONG Jianyu, SUN Zhenzhong, PARDALOS P M, et al. A hybrid multi-objective genetic local search algorithm for the prize-collecting vehicle routing problem[J]. Information Sciences, 2019, 478: 40–61. doi: 10.1016/j.ins.2018.11.006
    [14] 骆剑平, 李霞, 陈泯融. 基于改进混合蛙跳算法的CVRP求解[J]. 电子与信息学报, 2011, 33(2): 429–434. doi: 10.3724/SP.J.1146.2010.00328

    LUO Jianping, LI Xia, and CHEN Minrong. Improved shuffled frog leaping algorithm for solving CVRP[J]. Journal of Electronics &Information Technology, 2011, 33(2): 429–434. doi: 10.3724/SP.J.1146.2010.00328
    [15] 李国明, 李军华. 基于混合禁忌搜索算法的随机车辆路径问题[J]. 控制与决策, 2021, 36(9): 2161–2169. doi: 10.13195/j.kzyjc.2020.0107

    LI Guoming and LI Junhua. Stochastic vehicle routing problem based on hybrid tabu search algorithm[J]. Control and Decision, 2021, 36(9): 2161–2169. doi: 10.13195/j.kzyjc.2020.0107
    [16] XIANG Xiaoshu, TIAN Ye, ZHANG Xingyi, et al. A pairwise proximity learning-based ant colony algorithm for dynamic vehicle routing problems[J]. IEEE Transactions on Intelligent Transportation Systems, To be published. doi: 10.1109/TITS.2021.3052834.
    [17] SOLOMON M M. VRPTW benchmark problems[EB/OL]. http://w.cba.neu.edu/~msolomon/problems.htm, 2003.
    [18] ZENG Bing, GAO Liang, and LI Xinyu. Whale swarm algorithm for function optimization[C]. Proceedings of the 13th International Conference on Intelligent Computing Theories and Application, Liverpool, United Kingdom, 2017: 624–639. doi: 10.1007/978-3-319-63309-1_55.
    [19] PEZZELLA F, MORGANTI G, and CIASCHETTI G. A genetic algorithm for the flexible job-shop scheduling problem[J]. Computers & Operations Research, 2008, 35(10): 3202–3212. doi: 10.1016/j.cor.2007.02.014
    [20] GAO Kaizhou, SUGANTHAN P N, PAN Quanke, et al. An improved artificial bee colony algorithm for flexible job-shop scheduling problem with fuzzy processing time[J]. Expert Systems with Applications, 2016, 65: 52–67. doi: 10.1016/j.eswa.2016.07.046
    [21] 张国辉, 高亮, 李培根, 等. 改进遗传算法求解柔性作业车间调度问题[J]. 机械工程学报, 2009, 45(7): 145–151. doi: 10.3901/JME.2009.07.145

    ZHANG Guohui, GAO Liang, LI Peigen, et al. Improved genetic algorithm for the flexible job-shop scheduling problem[J]. Journal of Mechanical Engineering, 2009, 45(7): 145–151. doi: 10.3901/JME.2009.07.145
    [22] WANG Kangzhou, LAN Shulin, and ZHAO Yingxue. A genetic-algorithm-based approach to the two-echelon capacitated vehicle routing problem with stochastic demands in logistics service[J]. Journal of the Operational Research Society, 2017, 68(11): 1409–1421. doi: 10.1057/s41274-016-0170-7
    [23] ZHANG Huizhen, ZHANG Qinwan, MA Liang, et al. A hybrid ant colony optimization algorithm for a multi-objective vehicle routing problem with flexible time windows[J]. Information Sciences, 2019, 490: 166–190. doi: 10.1016/j.ins.2019.03.070
    [24] GU Zhaoquan, ZHU Yan, WANG Yuexuan, et al. Applying artificial bee colony algorithm to the multidepot vehicle routing problem[J]. Software: Practice and Experience, 2020. doi: 10.1002/spe.2838.
  • 期刊类型引用(0)

    其他类型引用(31)

  • 加载中
图(9) / 表(6)
计量
  • 文章访问数:  905
  • HTML全文浏览量:  332
  • PDF下载量:  76
  • 被引次数: 31
出版历程
  • 收稿日期:  2021-02-25
  • 修回日期:  2021-11-01
  • 录用日期:  2021-11-05
  • 网络出版日期:  2021-11-13
  • 刊出日期:  2022-04-18

目录

/

返回文章
返回