具有自己的元启发式的 Python 上的 Google Or-tools答案

【问题标题】：Google Or-tools on python with own meta-heuristic具有自己的元启发式的 Python 上的 Google Or-tools
【发布时间】：2019-10-10 19:05:55
【问题描述】：

我想使用 Google OR-Tools 解决车辆路线问题 (vrp)，但使用与所提供的不同的元启发式方法，即：贪婪下降、引导式局部搜索、模拟退火、禁忌搜索和目标禁忌搜索。这就是这里的文档中解释的内容：https://developers.google.com/optimization/routing/routing_options

从手册 (https://acrogenesis.com/or-tools/documentation/user_manual/manual/metaheuristics/metaheuristics.html) 我了解到可以使用我自己的元启发式算法。此外，我在这里找到了一个可以做到的人：https://medium.com/gogovan-technology/improving-operations-with-route-optimization-e032d8bf5edc。但是，我找不到用 python 实现的示例。实际上，我还没有找到任何关于如何使用我自己的元启发式算法的示例。尽管文档和存储库 (https://github.com/google/or-tools/blob/0777e4d12ff9b45397c3aa6bbe14fc72b19bf453/examples/python/vrp.py) 中提供了几个示例，但它们只专注于使用自己的元启发式算法。

由于我对编码的了解并不高，我需要一些关于如何实现它的指南和想法。有没有人做过这个，可以和我分享一些例子吗？或者你知道我在哪里可以找到一些很好的友好例子吗？非常感谢任何帮助或建议。

【问题讨论】：

标签： or-tools

【解决方案1】：

不，你不能直接。即使在 C++ 中，MetaHeuristic 类也没有公开。

您应该能够从 python 中的 SearchMonitor 类派生，并重新实现协议。

【讨论】：

【解决方案2】：

你必须在适应度（成本）函数上解决它，注意：输入算法在最大和最小解决方案之间是随机的（例如这是问题中的节点在 0 - 100 之间）。算法的输出是适应度函数的结果，以及如何路由的结果以及有关最佳路由的任何事情。所以首先你必须对它的适应度函数提出问题。假设，用于遗传算法的适应度函数 F 是的线性组合。路线上所有乘客的等待时间向量 w 和旅行时间（距离） d。因此，下层 GA 的目标函数为 F(w,d)= min (sum(c1*w+c2*d)) 所以你必须选择算法的节点...... 算法选择1、5、6、8、8个节点。并且您必须为此节点计算上述公式。在每次迭代中，您必须为所有人口计算此公式，直到问题覆盖率达到最小结果。

【讨论】：