00 前言
经过小编不断的努力,关于column generation求解VRPTW的代码终于新鲜出炉啦。
01 运行说明
关于这部分的代码,这里提供两个版本。
第一个版本GitHub一个叫Seminar的国外大神写的,他的子问题求解采用的是建模的方式(建模请看上一期的教程),找一条reduced cost最短的路径,运行只需要更改下面文件中算例文件的路径即可。
运行的中间结果如下:
- Iteration:迭代次数
- SbTime:子问题求解时间(s)
- nPaths:Master Problem中的总路径
- MP lb:Master Problem的线性松弛最优解,这里由于建模方式的原因,该最优解把服务时间也算在路径距离上的,最终减去9000即可得到路径距离。
- SB lb:子问题的线性松弛最优解。
- SB int:子问题的整数最优解。
关于子问题的最大求解时间限制(s),可以在下面文件中设置:
第二个版本是小编写的:
运行参数说明:
-in:算例文件路径
-out:结果文件输出。
比如:【-in inputSolomon100_customerC101.TXT -out output】
参数设置请找到以下主运行文件:
运行设置里面进行配置。(默认情况下输入上面的参数能直接运行)
中间结果:
- Iteration:迭代次数
- SbTime:子问题求解时间(s)
- nPaths:Master Problem中的总路径
- MP lb:Master Problem的线性松弛最优解。
- SB lb:子问题的最优解。
02 简要讲解
关于第一个版本,其子问题建模方式还是依赖主问题的对偶变量的,如下:
其中t_ij就是每条边本来的cost,pi就是Master Problem的对偶变量。每一次迭代就是这样更新子问题的cost,重新建模求解的。
关于小编的版本:
每次迭代的时候会更新ESPPRC问题中的cost,然后运行pulse算法重新求解。
其他的话结构和注释都写得非常清晰了,大家肯定能看懂的。
由于是精确算法,子问题时间没有保障的,有时候很快能跑完,有时候一天都跑不完。和算例有很大关系的。
03 代码获取
可以关注我们的公众号哦!获取更多精彩消息!