[PYTHON] Kombinationsoptimierung - Typisches Problem - Problem mit der Transportroute (Lieferoptimierung)

Typisches Problem und Ausführungsmethode

Problem mit der Transportroute (Lieferoptimierung)

Eine Gruppe von Kunden $ V = \ {0, 1, \ dots, n \} $ (wobei $ 0 $ das Depot darstellt, das der Startpunkt der Route ist) und eine Gruppe von Spediteuren $ M = \ {1, \ dots , m \} $ ist gegeben. Jeder Spediteur verlässt das Depot, liefert um das zugewiesene Kundenset herum und kehrt zum Depot zurück. Für jeden Kunden $ i \ in V $ beträgt die Serviceanforderung $ a_i (\ ge 0) $, jeder Spediteur $ k \ in M $ hat eine maximale Last von $ u (\ ge 0) $ und der Kunde $ Die Kosten für den Wechsel zwischen i $ und Kunde $ j $ betragen $ c_ {ij} (\ ge 0) $. Es wird davon ausgegangen, dass die Nachfrage jedes Kunden durch einen Besuch befriedigt wird. Finden Sie Routen für alle Fluggesellschaften, um die Reisekosten zu minimieren.

• Auch VRP (Vehicle Routing Problem) genannt. ――Die Lieferoptimierung wird oft als XX-Plan wie Lieferplan bezeichnet, aber XX-Plan ist ein alter Name.

Ausführungsmethode

usage

Signature: vrp(g, nv, capa, demand='demand', cost='cost', method=None)
Docstring:
Transportroutenproblem
Eingang
    g:Graph(node:demand, edge:cost)
    nv:Zahl der Fahrzeuge
    capa:Trägerkapazität
    demand:Attributzeichen anfordern
    cost:Kostenattributzeichen
    method:Berechnungsmethode(ex. 'ortools')
Ausgabe
Liste der Apex-Paare für jeden Träger

python

#CSV-Daten
import pandas as pd, networkx as nx
from ortoolpy import vrp, graph_from_table, networkx_draw
tbn = pd.read_csv('data/node1.csv')
tbe = pd.read_csv('data/edge1.csv')
g = graph_from_table(tbn, tbe)[0].to_directed()
networkx_draw(g)
nv, capa = 2, 3 #Anzahl der Fahrzeuge, Fahrzeugkapazität
print(vrp(g, nv, capa))

Ergebnis

[[(0, 3), (2, 0), (3, 5), (5, 2)], [(0, 4), (1, 0), (4, 1)]]

python

# pandas.DataFrame
from ortoolpy.optimization import Vrp
Vrp('data/node1.csv','data/edge1.csv',2,3)

python

#Beispieldaten
import networkx as nx
from ortoolpy import vrp
nc, nv, capa = 5, 2, 3 #Anzahl der Kunden, Anzahl der Fahrzeuge, Fahrzeugkapazität
g = nx.DiGraph()
g.add_node(0, demand=0)
g.add_nodes_from(range(1, nc + 1), demand=1)
g.add_edges_from([(0, i) for i in range(1, nc + 1)], cost=10)
g.add_edges_from([(i, 0) for i in range(1, nc + 1)], cost=10)
for i, j, t in ((1, 3, 16), (3, 5, 1), (5, 2, 1), (2, 4, 18), (4, 1, 1)):
    g.add_edge(i, j, cost=t)
    g.add_edge(j, i, cost=t)
print(vrp(g, nv, capa))

Ergebnis

[[(0, 3), (2, 0), (3, 5), (5, 2)], [(0, 4), (1, 0), (4, 1)]]

Verwendung des Google OR-Tools-Lösers

Bei " method = 'ortools' "wird der Löser (ungefähre Lösung) von Google OR-Tools verwendet.

Hinweis

--Installieren Sie Google OR-Tools mit "pip install or tools".

• Die Kosten sollten eine ganze Zahl sein.

python

print(vrp(g, nv, capa, method='ortools'))

Ergebnis

[[(0, 1), (1, 4), (4, 0)], [(0, 2), (2, 5), (5, 3), (3, 0)]]

Daten

• data/node1.csv
• data/edge1.csv