面向带收益车辆路径问题的隐式客户选择大邻域

我们考虑若干带收益的车辆路径问题（VRP），其目标是选择一个与各自收益相关联的客户子集，并设计服务路线。当在距离约束下最大化收益总和时，该问题通常被称为团队定向问题。容量受限的盈利旅行问题旨在容量约束下最大化收益减去旅行成本。最后，在拥有私有车队和公共承运商的 VRP 中，部分客户可以委托给外部承运商并产生一定成本。需要做出三类联合决策：客户选择、车辆分配以及每条路线的配送排序。我们针对这些问题提出了一种新的邻域搜索方法，该方法在伪多项式时间内探索指数级数量的解。该搜索在访问所有客户的“穷举式”解表示上使用标准 VRP 邻域进行。由于访问所有客户通常不可行或非最优，一种基于资源受限最短路径的高效“选择”算法被反复应用于任何新路线，以寻找访问客户的最优子序列。通过局部搜索、迭代局部搜索和混合遗传算法的大量计算实验，证明了这些邻域结构的良好性能。有趣的是，即使是首次达到该邻域局部最优的局部改进方法，在经典的团队定向基准实例上也实现了 0.09% 的平均差距，可与当前最先进的元启发式算法相媲美。与更标准的路径邻域相混合的有前景的研究方向也已开启。