OptaPlanner 6.2在车辆路径问题（VRP），旅行商问题（TSP）和类似用例方面取得了重大进步。 邻近选择的新功能使它可以更有效地扩展到更大的问题，而不会牺牲潜在的最佳解决方案（这是劣等技术所常见的）。

让我们仔细看一下“车辆路径问题”附近的选择。 在这种用例中，我们必须使用许多车辆将物品运送到多个地理位置。 每辆车都必须尊重其容量（硬约束），我们需要使总行驶时间最小化（软约束）。 当然，实践中还会有其他特定于业务的约束。

附近位置

元启发式算法尝试通过更改当前解决方案（称为move ）来研究其他解决方案，以改善当前解决方案。 例如，这里我们有一个VRP解决方案，我们尝试了3种不同的方法，希望找到更好的解决方案：

使用普通动作选择器时，这3个动作中的每个动作都具有相同的选择变化。 一些观察：

• 将位置A移动到附近位置B后面可能会有所改善。 尽管如此，我们还需要考虑其他举措，因为其他限制因素（例如时间窗口）可能会使该解决方案不可行（或回报率较低）。
• 将位置A移动到附近位置E可能是对原始解决方案的改进。 由于其他限制因素（例如车辆容量），它甚至可能是最佳选择。
• 将位置A移动到非附近位置Z后面（在黄色链中）不太可能会有所改善。 尽管我们应该指出，我们不能完全排除它，因为其他约束（例如时间窗口）可能使其仅移动而导致可行的解决方案。

总的来说，我们观察到搬到附近的地点通常更有利可图 。 请注意，附近位置的集合因位置而异。

缩放问题

假设我们的VRP问题中有2 000地点。 这样一来，只有4 000 000举动改变了一个位置。 如果我们每秒可以评估100 000动作，那么我们需要40秒才能尝试仅1个位置的所有动作。 我们的算法将需要多次更改每个位置：让我们假设仅4次，导致8 000步，这将导致3 20 000秒或3天以上。 随着数据集的增长，情况变得更糟：每个位置的移动数量增加，评估时间减少，步数也增加...

在实践中，基准测试表明正态分布（对于B和Z具有相同的选择概率）不能很好地扩展。

分区，地理围栏，MapReduce等

解决此缩放问题的一种传统方法是分区（也称为地理围栏）：在求解之前，将位置分为几类，然后将车辆分布在它们之间。 如先前的博客中所示 ， 分区在很大程度上牺牲了解决方案的质量，从而降低了速度 。

这种方法的最大问题是固有的Catch 22 ：在解决每个问题之前确定每辆车可以访问哪些位置，并知道每辆车要访问哪些位置...

附近选择

因此，我采用了一种不同的方法，称为“附近选择”：对于每个位置，我们都希望移至附近位置。

请注意，与正常选择不同，选择B或C的机会要高得多。 而且与分区不同，我们仍然可以选择C或E

OptaPlanner支持不同形式的概率分布：

• 块分布：仅选择最近的n个，且概率相等。
• 线性分布：以较高的概率选择最近的元素。 概率线性降低。
• 抛物线分布（推荐）：以较高的概率选择最近的元素。
• Beta分布：根据Beta分布进行选择。 减慢求解器的速度。

基准结果

以下是一个大型VRP数据集的结果，该数据集具有2750个位置的真实时间距离（从带有GraphHopper的OpenStreetMap中收集）。 在附近的选择配置中，我使用了40个最近位置的抛物线分布。

附近选择带来的可扩展性增益是巨大的。

结论

如果您正在处理VRP用例，并且需要更好地扩展，请升级到OptaPlanner 6.2并使用附近的选择！

翻译自: https://www.javacodegeeks.com/2015/02/optaplanner-scaling-vehicle-routing-with-nearby-selection.html