1. 项目背景与核心价值VRPTWVehicle Routing Problem with Time Windows是物流配送领域经典的优化问题。简单来说就是如何在满足客户时间窗约束的前提下用最少的车辆完成所有配送任务。这个问题在电商配送、外卖调度、冷链物流等场景中都有广泛应用。去年我参与了一个生鲜电商的配送系统优化项目当时尝试了多种开源求解器但要么性能不足要么无法满足业务特殊需求。最终我们决定自研求解器经过三个月的迭代系统将配送效率提升了23%车辆使用量减少了17%。今天就把这个过程中积累的经验和核心代码分享给大家。2. 问题建模与算法选型2.1 VRPTW的数学表达标准的VRPTW可以表述为有K辆容量为Q的车辆需要服务N个客户点含仓库每个客户i有需求q_i、服务时间s_i必须在时间窗[e_i, l_i]内到达目标是最小化总行驶距离和车辆数关键约束包括车辆不能超载不能违反时间窗每个客户只能被服务一次所有路线必须从仓库出发并返回2.2 算法对比与选择我们测试了三种主流算法精确算法分支定价求解质量高但速度慢适合小规模问题传统启发式节约算法、插入法速度快但解的质量不稳定元启发式遗传算法、模拟退火平衡求解质量和效率最终选择混合遗传算法HGA作为基础框架因为相比纯遗传算法加入了局部搜索提升收敛速度通过精英保留策略避免优质解丢失可扩展性强便于加入业务特殊约束3. 求解器实现详解3.1 数据结构设计classdef VRPTWInstance properties depot % 仓库坐标 customers % 客户信息矩阵[Nx6]: [x,y,demand,st,e,l] vehicle_cap % 车辆容量 distance_matrix % 距离矩阵 end end classdef Route properties path % 路径节点序列 load % 当前载重 time % 当前时间 cost % 路径成本 end end3.2 遗传算法核心流程3.2.1 种群初始化采用混合初始化策略50%个体用节约算法生成30%个体用最近邻法生成20%个体完全随机生成function population initializePopulation(instance, pop_size) population cell(1, pop_size); for i 1:pop_size if rand() 0.5 population{i} savingsAlgorithm(instance); elseif rand() 0.8 population{i} nearestNeighbor(instance); else population{i} randomSolution(instance); end end end3.2.2 适应度函数设计多目标加权适应度function fitness evaluateFitness(solution) total_distance sum([solution.routes.cost]); num_vehicles length(solution.routes); time_violation calculateTimeViolation(solution); fitness 0.6*total_distance 0.3*num_vehicles*100 0.1*time_violation; end3.2.3 交叉操作采用OX交叉Order Crossover随机选择父代1的一个子路径保持父代2的相对顺序填充剩余客户进行可行性修复function child crossover(parent1, parent2) % 选择交叉片段 points sort(randperm(length(parent1), 2)); segment parent1(points(1):points(2)); % 从parent2填充剩余 remaining setdiff(parent2, segment, stable); child [segment, remaining]; % 修复可行性 child repairSolution(child); end3.3 局部搜索优化在每代精英解上执行2-opt邻域搜索优化单条路径Relocate算子客户点跨路径移动Exchange算子两路径间交换客户function improved localSearch(solution) improved solution; for i 1:length(solution.routes) % 2-opt优化 improved.routes{i} do2Opt(improved.routes{i}); % 跨路径优化 if i length(solution.routes) [improved.routes{i}, improved.routes{i1}] ... doRelocate(improved.routes{i}, improved.routes{i1}); end end end4. MATLAB实现技巧4.1 性能优化要点距离矩阵预计算function dm buildDistanceMatrix(customers) n size(customers, 1); dm zeros(n); for i 1:n for j 1:n dm(i,j) norm(customers(i,1:2) - customers(j,1:2)); end end end向量化计算替代循环% 不好的写法 for i 1:length(route) arrival_time(i) ... end % 优化写法 cum_dist cumsum(distance_matrix(route(1:end-1), route(2:end))); arrival_time [0, cum_dist service_times(1:end-1)];4.2 可视化方法绘制解决方案function plotSolution(solution) hold on; % 绘制仓库 plot(solution.instance.depot(1), solution.instance.depot(2), rp, MarkerSize, 15); % 绘制客户 customers solution.instance.customers; scatter(customers(:,1), customers(:,2), bo); % 绘制路径 colors lines(length(solution.routes)); for k 1:length(solution.routes) path [solution.instance.depot; customers(solution.routes{k}.path, 1:2); solution.instance.depot]; plot(path(:,1), path(:,2), Color, colors(k,:), LineWidth, 2); end hold off; end5. 实战测试与调参经验5.1 Solomon标准测试集使用Solomon的100客户点基准测试C类聚集分布适合测试路径规划能力R类随机分布测试全局优化能力RC类混合分布综合测试典型参数设置params.pop_size 100; % 种群规模 params.max_gen 200; % 最大代数 params.elite_rate 0.2; % 精英保留比例 params.mut_rate 0.1; % 变异概率5.2 参数调节心得种群规模50-200之间为宜太小易早熟太大计算慢变异率0.05-0.15效果最好太高会破坏优质解局部搜索频率每5代执行一次性价比最高终止条件连续20代改进1%可提前终止5.3 常见问题排查解不可行检查时间窗约束处理逻辑验证负载计算是否正确确保路径始终从仓库出发收敛速度慢增加局部搜索强度调整选择压力锦标赛规模尝试不同的交叉算子解质量不稳定增加种群多样性采用重启策略混合多种初始化方法6. 工程化扩展建议6.1 实际业务适配多车型混合classdef Vehicle properties capacity fixed_cost var_cost end end软时间窗处理function penalty calcTimePenalty(arrival, e, l) if arrival e penalty (e - arrival) * 0.5; % 早到惩罚系数 elseif arrival l penalty (arrival - l) * 1.2; % 迟到惩罚系数 else penalty 0; end end6.2 并行计算加速利用MATLAB并行计算工具箱parfor i 1:pop_size new_pop{i} evolve(population{i}); end6.3 与其他语言集成通过MATLAB Engine API实现import matlab.engine eng matlab.engine.start_matlab() result eng.vrptw_solver(data)7. 完整代码结构项目目录组织/vrptw-solver ├── core/ % 核心算法 │ ├── GeneticAlgorithm.m │ ├── LocalSearch.m │ └── ... ├── instances/ % 测试实例 │ ├── Solomon/ │ └── Custom/ ├── utils/ % 工具函数 │ ├── visualization.m │ └── metrics.m └── main.m % 主入口关键函数调用流程function main() % 1. 加载实例 instance loadInstance(instances/Solomon/C101.txt); % 2. 参数设置 params getDefaultParams(); % 3. 运行求解 solver GeneticAlgorithm(instance, params); best_solution solver.run(); % 4. 结果分析 plotSolution(best_solution); printMetrics(best_solution); end在实际项目中我们通过引入动态惩罚因子和自适应参数机制进一步将求解速度提升了40%。建议读者可以尝试将模拟退火与遗传算法结合或者实验不同的局部搜索策略组合。