请问有没有相关的论文？

[ByskyXie]

知网上有几篇，外国文献也比较少。 国内相关论文在实现细节上语焉不详，照着paper来实现算法不太现实。

[victor-calculus]

请问在readme中你提到的‘’结合了两篇paper的长处‘’，是参考的哪两篇paper呢？我也想参考一下。

[ByskyXie]

吴耀华的《带时间窗车辆路径问题的改进粒子群算法研究》 李宁老师的《带时间窗车辆路径问题的粒子群算法》

目前只找到这两篇，我记得还有英文论文，不过没保存。 这位同学的毕业论文是关于VRPTW的，可惜现在google上搜不到了，也可以参考下： https://github.com/KrupaPrag/VRPTW

[victor-calculus]

吴耀华的《带时间窗车辆路径问题的改进粒子群算法研究》 李宁老师的《带时间窗车辆路径问题的粒子群算法》

目前只找到这两篇，我记得还有英文论文，不过没保存。 这位同学的毕业论文是关于VRPTW的，可惜现在google上搜不到了，也可以参考下： https://github.com/KrupaPrag/VRPTW

非常感谢！！

[victor-calculus]

函数dot_improve中num>selection[2]这个看不懂额(⊙o⊙)

[victor-calculus]

函数dot_improve中num>selection[2]这个看不懂额(⊙o⊙)

看到一篇遗传算法轮盘赌的交叉算子。额但selection[2]不就是1吗

[ByskyXie]

函数dot_improve中num>selection[2]这个看不懂额(⊙o⊙)

看到一篇遗传算法轮盘赌的交叉算子。额但selection[2]不就是1吗

这段if语句应该分别是num>selection[0]和num>selection[1]。 我居然把1当起始索引了，真丢人...

[victor-calculus]

函数dot_improve中num>selection[2]这个看不懂额(⊙o⊙)

看到一篇遗传算法轮盘赌的交叉算子。额但selection[2]不就是1吗

这段if语句应该分别是num>selection[0]和num>selection[1]。 我居然把1当起始索引了，真丢人...

O(∩_∩)O还想问下重编码，solution[1][i]都是1，solution[0][i]依次增大，是每站不同车吗，不理解喔

[070720121]

受益颇多，感谢分享！

[Lestersjw]

您好，我对您的代码有两处疑问，不知您可否解答？ 1.您的代码中轮盘赌的部分好像可能没有起到效果，目前只是random.random()的值对比后选择其中一个，本质上好像还是在用随机数来进行选择变异方向。 2.关于run()函数部分注释您写到，生成两两重叠的粒子群，但我发现其实代码中应该只用了一个粒子群呀，或者您是不是想表达不断更新的这个solution和dot_best是两个重叠的粒子群呢，但我个人认为这两者其实表达为一个粒子群的两个不同状态更合适，因为如果说使用两个粒子群，应该是要彼此产生信息共享和引导变异方向的吧。

[nudtdyk]

Best solution: [0, 1, 2, 3, 4, 4, 3, 2, 4, 5, 2, 6, 7, 7, 5, 6, 1, 8, 8, 7, 2, 8, 7, 3, 0, 1, 8, 0, 6, 9, 3, 10, 9, 0, 7, 10, 5, 7, 2, 9, 1, 3, 5, 1, 10, 6, 0, 9, 6, 8, 8] [1, 1, 1, 1, 1, 2, 2, 2, 3, 1, 3, 1, 1, 2, 2, 2, 2, 1, 2, 3, 4, 3, 4, 3, 2, 3, 4, 3, 3, 1, 4, 1, 2, 4, 5, 2, 3, 6, 5, 3, 4, 5, 4, 5, 3, 4, 5, 4, 5, 5, 6] 请问这个结果分别是什么意思

[ByskyXie]

您好，我对您的代码有两处疑问，不知您可否解答？ 1.您的代码中轮盘赌的部分好像可能没有起到效果，目前只是random.random()的值对比后选择其中一个，本质上好像还是在用随机数来进行选择变异方向。 2.关于run()函数部分注释您写到，生成两两重叠的粒子群，但我发现其实代码中应该只用了一个粒子群呀，或者您是不是想表达不断更新的这个solution和dot_best是两个重叠的粒子群呢，但我个人认为这两者其实表达为一个粒子群的两个不同状态更合适，因为如果说使用两个粒子群，应该是要彼此产生信息共享和引导变异方向的吧。

你提的问题很关键：

1. VRPTW任务的解空间并不是连续的，需要重新定义离散空间下PSO的新解产生策略。 换句话说，假设已有订单分配方案A、B，我们无法像在连续空间中一样通过αA+βB（其中α、β为权重）的形式产生新的解。因此具体在代码实现中粒子群中的 “惯性方向、个体最优方向、群体最优方向” 被分别定义为dot_improve()中为任一订单“随机分配、复用个体最优方案、服用全局最优方案”，从而实现离散空间的新解产生问题。事实上这部分也是应用PSO解决VRPTW任务的核心，本问题前面提到的所有paper都对此语焉不详。
2. “生成两两重叠的粒子群” 其实是后续考虑结合的改进策略，就像代码TODO部分还有很多后续的改进思路（然而本人太懒了，一直没处理。

[ByskyXie]

Best solution: [0, 1, 2, 3, 4, 4, 3, 2, 4, 5, 2, 6, 7, 7, 5, 6, 1, 8, 8, 7, 2, 8, 7, 3, 0, 1, 8, 0, 6, 9, 3, 10, 9, 0, 7, 10, 5, 7, 2, 9, 1, 3, 5, 1, 10, 6, 0, 9, 6, 8, 8] [1, 1, 1, 1, 1, 2, 2, 2, 3, 1, 3, 1, 1, 2, 2, 2, 2, 1, 2, 3, 4, 3, 4, 3, 2, 3, 4, 3, 3, 1, 4, 1, 2, 4, 5, 2, 3, 6, 5, 3, 4, 5, 4, 5, 3, 4, 5, 4, 5, 5, 6] 请问这个结果分别是什么意思

参考line 28 "最好方案[Xv各任务车辆编号，Xr各任务在对应车辆路径执行次序]" 你给的列表长度为51，则分别对应需要解决的51个订单。 其中Xv代表执行该订单的车辆编号，Xr代表该订单是这辆车接的第几单。 所以你给的 Xv=[0, 1, 2, 3, 4, 4, ....] Xr=[1, 1, 1, 1, 1, 2, ....] 中index=0时表示第1个订单由编号0的车处理，该订单是编号0车处理的第1个订单。index=1,2,3,4时同理所以Xr均为1。当index=5时，第6个订单还由编号4车处理，此时该订单就是编号4的车处理的第2个订单（因为第5个订单是编号4车处理的第1个订单）。