CN103440522A - 遗传算法与MapReduce相结合的车辆调度方法 - Google Patents

Abstract

本发明涉及一种遗传算法与MapReduce相结合的车辆调度方法，对于采用m辆车配送n个客户点的问题，基于云计算中的MapReduce模型和遗传算法，按如下步骤进行车辆调度：（1）初始化种群；（2）利用Map函数计算个体适应度；（3）利用Reduce函数进行选择、杂交、变异操作；（4）判断算法是否达到设定的最大遗传代数，是则选出适应度最高的染色体个体所对应的路径集合作为问题的最优解，否则返回步骤（2）。该方法运行速度快，易于实现，使用效果好。

Description

遗传算法与MapReduce相结合的车辆调度方法

技术领域

本发明涉及物流车辆调度技术领域，特别是一种遗传算法与MapReduce相结合的车辆调度方法。

背景技术

车辆路径问题（Vehicle Routing Problems，VRP）是交通运输、物流配送的核心问题，目的在于设计一套车辆行驶的路线，实现以最小的成本满足各个客户的配送要求。带载重约束的车辆路径问题（Capacitated Vehicle Routing Problems，CVRP）是指从配送中心用多辆车向多个需求点(用户)送货，每个需求点的位置和需求量一定，每辆车的载重量一定，要求合理安排车辆路线，达到一定的目标（如路程最短、费用最少、时间尽量少、使用车辆数尽量少等），并满足以下条件：每条配送路径上需求点的需求量之和不超过车辆载重量；每条路径的长度不超过车辆一次配送的最大行驶距离；每个需求点必须且只能由一辆车送货。

综合过去的求解算法，可以分为精确算法与启发式算法。精确算法在解决较大规模的车辆路径问题时相对费力且难以实现。启发式算法是求解问题的主要方法，可以分为简单启发式算法、两阶段启发式算法、人工智能方法。遗传算法和蚁群算法都属于人工智能方法，且相比其他人工智能方法，二者只需要极少的初始化信息。但是，当问题规模较大时，采用传统的遗传算法或蚁群算法求解问题的速度会呈指数下降。

发明内容

本发明的目的在于克服现有技术的不足，提供一种遗传算法与MapReduce相结合的车辆调度方法，该方法运行速度快，易于实现，使用效果好。

为实现上述目的，本发明的技术方案是：一种遗传算法与MapReduce相结合的车辆调度方法，对于采用m辆车配送n个客户点的问题，基于云计算中的MapReduce模型和遗传算法，按如下步骤进行车辆调度：

（1）初始化种群：采用自然数{1,2,…,n}对n个客户点进行对应编码，并随机编成一条长度为n、自然数{1,2,…,n}前后顺序随机排列的染色体个体，然后根据载重约束在染色体个体中插入分隔符，所述载重约束为分隔符之间的所有编码对应的客户点的配送量之和不大于车辆载重量；设种群规模为P，则通过上述方法随机产生P个染色体个体，即形成规模为P的初始种群；

（2）计算个体适应度：利用根据适应度函数构造的多个Map函数，并行计算P个染色体个体的个体适应度，并将结果输出给Reduce函数；

（3）进行选择、杂交、变异操作：利用根据选择、杂交、变异算法构造的Reduce函数，将Map函数的输出作为Reduce函数的输入，利用Reduce函数将父代染色体中适应度较高的个体选择出来产生子代染色体，然后以一杂交概率随机选择子代染色体中一部分进行杂交操作并将杂交后染色体个体添加到新种群中，以一变异概率随机选择子代染色体中另一部分进行变异操作并将变异后染色体个体添加到新种群中，子代染色体中的剩余部分直接复制到新种群中，从而形成新种群并输出；

（4）判断算法是否达到设定的最大遗传代数，是则选出适应度最高的染色体个体所对应的路径集合作为问题的最优解，否则返回步骤（2）。

步骤（3）中，Reduce函数采用轮盘赌算法进行选择操作：计算P个染色体个体的相对适应度，以之作为概率，并按概率大小将[0,1]空间划分成P份，然后再生成一个[0,1]范围内的随机数，落在哪个区域则选择对应的染色体个体；按上述方法重复P次，产生P个染色体个体，得到子代染色体。

步骤（3）中，Reduce函数按如下方法进行杂交操作：随机在一对染色体个体A、B中选择一个交配区域，将个体B的交配区域加到个体A的前面，个体A的交配区域加到个体B的前面，然后分别删除原个体中与交配区域相同的自然数并根据载重约束重新在染色体个体中插入分隔符，得到一对杂交后染色体个体C、D。

步骤（3）中，Reduce函数按如下方法进行变异操作：随机在染色体产生两个基因位，将所述两个基因位上的自然数进行互换，然后根据载重约束重新在染色体个体中插入分隔符，得到变异后染色体个体。

相较于现有技术，本发明的有益效果是在物流车辆调度问题中引入了基于云计算中的MapReduce模型和遗传算法，将算法并行化，不仅运行速度快，而且MapReduce模型不同于MPI并行计算，MapReduce中如何分布处理对用户是透明的，因此无需底层知识，易于实现，且提供了良好的节点失效时备份处理容错机制，具有很强的实用性和广阔的应用前景。

附图说明

图1是本发明实施例的实现流程图。

具体实施方式

本发明遗传算法与MapReduce相结合的车辆调度方法，对于采用m辆车配送n个客户点的问题，基于云计算中的MapReduce模型和遗传算法，如图1所示，按如下步骤进行车辆调度：

（1）初始化种群：采用自然数{1,2,…,n}对n个客户点进行对应编码，并随机编成一条长度为n、自然数{1,2,…,n}前后顺序随机排列的染色体个体，然后根据载重约束在染色体个体中插入分隔符0，所述载重约束为分隔符之间的所有编码对应的客户点的配送量之和不大于车辆载重量；例如，对于一个有6个客户点，用2辆车辆完成配送任务的问题，可用0 1 2 6 0 3 5 4 0这条染色体来表示一个配送路径方案，这个配送路径方案中包含两条子路径：0 1 2 6 0及0 3 5 4 0；设种群规模为P，则通过上述方法随机产生P个染色体个体，即形成规模为P的初始种群。

（2）计算个体适应度：利用根据适应度函数（根据路程最短、费用最少、时间尽量少、使用车辆数尽量少等不同目标，可构造不同的适应度函数）构造的多个Map函数，并行计算P个染色体个体的个体适应度，并将结果输出给Reduce函数。

（3）进行选择、杂交、变异操作：利用根据选择、杂交、变异算法构造的Reduce函数，将Map函数的输出作为Reduce函数的输入，利用Reduce函数将父代染色体中适应度较高的个体选择出来产生子代染色体，然后以一杂交概率随机选择子代染色体中一部分进行杂交操作并将杂交后染色体个体添加到新种群中，以一变异概率随机选择子代染色体中另一部分进行变异操作并将变异后染色体个体添加到新种群中，子代染色体中的剩余部分直接复制到新种群中，从而形成新种群并输出。

（4）判断算法是否达到设定的最大遗传代数，是则选出适应度最高的染色体个体所对应的路径集合作为问题的最优解，否则返回步骤（2）。

在一个单独的MapReduce作业中，我们将计算个体适应度的任务分配给许多Map函数来并行地执行，然后再由一个Reduce函数负责收集Map的结果，然后完成遗传操作中的其他工作，如选择、交叉、变异。

每个Map函数都以并行独立的方式执行任务。每个Map函数的输入都是一些键值对<key,value>。其中key为迭代的代数，value为染色体即一个可行的解。然后从输入中提取染色体，进行适应度评估，然后提交结果作为中间输出。其结果是一个新的键值对，其中的键仍然代表迭代代数，值是一个由染色体和染色体对应的适应度组成的字符串。

然后将Map函数的输出作为输入，提取键值对中的染色体和其对应的适应度，然后按照上述选择、交叉、变异的方法进行余下的操作。最后的结果也是一些键值对，其中的键为新的迭代代数，值为新的染色体，将这些键值对存入Hadoop的文件系统HDFS中，可以作为下一次Map的输入。如此循环，直到满足上述的终止条件。

步骤（3）中，Reduce函数采用轮盘赌算法进行选择操作：计算P个染色体个体的相对适应度，以之作为概率，并按概率大小将[0,1]空间划分成P份，然后再生成一个[0,1]范围内的随机数，落在哪个区域则选择对应的染色体个体；按上述方法重复P次，产生P个染色体个体，得到子代染色体。

步骤（3）中，Reduce函数按如下方法进行杂交操作：随机在一对染色体个体A、B中选择一个交配区域，将个体B的交配区域加到个体A的前面，个体A的交配区域加到个体B的前面，然后分别删除原个体中与交配区域相同的自然数并根据载重约束重新在染色体个体中插入分隔符，得到一对杂交后染色体个体C、D。例如，对于一对染色体个体A、B，A=0 3 5 0 6 2 9 8 0 4 7 1 0，B=0 8 3 0 2 9 5 4 0 1 6 7 0，交配区域选定为｜｜之间，即A=0 3 5 0 | 6 2 9 8 | 0 4 7 1 0，B=0 8 3 0 | 2 9 5 4 | 0 1 6 7 0。然后将B的交配区域加到A的前面，A的交配区域加到B的前面，删除与交配区域中相同的自然数同时考虑载重约束，得到一对杂交后染色体个体C、D，即C=0 2 9 5 4 0 3 6 8 0 7 1 0，D=0 6 2 9 8 0 3 5 4 0 1 7 0。

步骤（3）中，Reduce函数按如下方法进行变异操作：随机在染色体产生两个基因位，将所述两个基因位上的自然数进行互换，然后根据载重约束重新在染色体个体中插入分隔符，得到变异后染色体个体。

以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (4)

1.一种遗传算法与MapReduce相结合的车辆调度方法，其特征在于，对于采用m辆车配送n个客户点的问题，基于云计算中的MapReduce模型和遗传算法，按如下步骤进行车辆调度：

（1）初始化种群：采用自然数{1,2,…,n}对n个客户点进行对应编码，并随机编成一条长度为n、自然数{1,2,…,n}前后顺序随机排列的染色体个体，然后根据载重约束在染色体个体中插入分隔符，所述载重约束为分隔符之间的所有编码对应的客户点的配送量之和不大于车辆载重量；设种群规模为P，则通过上述方法随机产生P个染色体个体，即形成规模为P的初始种群；

（2）计算个体适应度：利用根据适应度函数构造的多个Map函数，并行计算P个染色体个体的个体适应度，并将结果输出给Reduce函数；

（3）进行选择、杂交、变异操作：利用根据选择、杂交、变异算法构造的Reduce函数，将Map函数的输出作为Reduce函数的输入，利用Reduce函数将父代染色体中适应度较高的个体选择出来产生子代染色体，然后以一杂交概率随机选择子代染色体中一部分进行杂交操作并将杂交后染色体个体添加到新种群中，以一变异概率随机选择子代染色体中另一部分进行变异操作并将变异后染色体个体添加到新种群中，子代染色体中的剩余部分直接复制到新种群中，从而形成新种群并输出；

（4）判断算法是否达到设定的最大遗传代数，是则选出适应度最高的染色体个体所对应的路径集合作为问题的最优解，否则返回步骤（2）。

2.根据权利要求1所述的遗传算法与MapReduce相结合的车辆调度方法，其特征在于，步骤（3）中，Reduce函数采用轮盘赌算法进行选择操作：计算P个染色体个体的相对适应度，以之作为概率，并按概率大小将[0,1]空间划分成P份，然后再生成一个[0,1]范围内的随机数，落在哪个区域则选择对应的染色体个体；按上述方法重复P次，产生P个染色体个体，得到子代染色体。

3.根据权利要求1所述的遗传算法与MapReduce相结合的车辆调度方法，其特征在于，步骤（3）中，Reduce函数按如下方法进行杂交操作：随机在一对染色体个体A、B中选择一个交配区域，将个体B的交配区域加到个体A的前面，个体A的交配区域加到个体B的前面，然后分别删除原个体中与交配区域相同的自然数并根据载重约束重新在染色体个体中插入分隔符，得到一对杂交后染色体个体C、D。

4.根据权利要求1所述的遗传算法与MapReduce相结合的车辆调度方法，其特征在于，步骤（3）中，Reduce函数按如下方法进行变异操作：随机在染色体产生两个基因位，将所述两个基因位上的自然数进行互换，然后根据载重约束重新在染色体个体中插入分隔符，得到变异后染色体个体。

Images