ContDVRP: algorytmy i techniki optymalizacji
Michał Okulewicz
Wydział Matematyki i Nauk Informacyjnych
Politechnika Warszawska
Plan wykładu
1 PSO, DE a kodowanie problemu Funkcja celu
Garść porównań
2 Wykorzystanie wiedzy o problemie Charakterystyka problemu Hiper-heurystyka
Predykcja rozmiaru zadania
Plan prezentacji
1 PSO, DE a kodowanie problemu Funkcja celu
Garść porównań
2 Wykorzystanie wiedzy o problemie Charakterystyka problemu Hiper-heurystyka
Predykcja rozmiaru zadania
Przekroje przez funkcję celu
580 600 620 640 660 680 700 720 DługośćDtras
0 20 40 60 80
0 20 40 60 80
PrzekrójDprzezDfunkcjęDjakości dlaDkodowaniaDWCZ
X
Y
Plan prezentacji
1 PSO, DE a kodowanie problemu Funkcja celu
Garść porównań
2 Wykorzystanie wiedzy o problemie Charakterystyka problemu Hiper-heurystyka
Predykcja rozmiaru zadania
Liczba klastrów per pojazd
PSOOkCx1 PSOOkCx2 PSOOkCx3 PSOAiCx1 PSOAiCx2 PSOAiCx3
1.001.051.101.151.201.251.30
Podsumowanie dla algorytmu
Konfiguracja algorytmu
Względny wynik 1.092 1.09 1.092 1.091 1.09 1.091
1.048 1.042 1.046 1.044 1.046 1.046
PSO, DE a budżet
1e+05 5e+05 1e+06 5e+06 1e+07 5e+07 1e+08
1.041.061.081.101.12
Średnie wyniki
Parametr
Względem najlepszych znanych wyników
PSO 10^5
PSO 10^6
PSO 10^7
PSO 10^8 DE 10^5
DE 10^6
DE 10^7
DE 10^8
Wrażliwość na rozmiar populacji (zwrócić uwagę na skale)
390/8 284/11 195/16 173/18
1.001.051.101.151.201.251.30
Podsumowanie dla różnej liczby iteracji w algorytmie DE
Liczba iteracji do liczności populacji
Względny wynik
1.137
1.129
1.113 1.12
1.076 1.07 1.066 1.066
250/10 125/20 88/30 62/40
1.001.051.101.151.201.251.30
Podsumowanie dla różnej liczby iteracji w algorytmie PSO
różnej liczby iteracji w algorytmie PSO
Względny wynik
1.123
1.114 1.12 1.122
1.066 1.062 1.059 1.065
Algorytm bazowy a dodatkowe techniki
ContDVRP ContDVRP+2nd ContDVRP-2nd ContDVRP-Tree ContDVRP-CHist ContDVRP-Hist Tree+2OPT
1.001.051.101.151.201.251.30
Podsumowanie dla porównania modułów
Konfiguracja algorytmu
Względny wynik 1.09 1.091 1.094
1.114 1.113
1.193
1.25
1.042 1.047 1.048 1.059 1.059
1.115 1.118
Predykcja rozmiaru zadania
Plan prezentacji
1 PSO, DE a kodowanie problemu Funkcja celu
Garść porównań
2 Wykorzystanie wiedzy o problemie Charakterystyka problemu Hiper-heurystyka
Predykcja rozmiaru zadania
Predykcja rozmiaru zadania
Przykładowe zadania
Histogram rozmiarów zamówień. Skośność:
Wielkość zamówień znormalizowana przez pojemność pojazdu
LicznośćzamówieńWielkośćzamówieńwpojemnościachpojazdu
Rozkład wielkości zamówień
Skumulowany rozkład wielkości zamówień Czas znormalizowany przez czas zamknięcia Przestrzenny rozkład zamówień
c120
HistogramProzmiarówPzamówień.PSkośność:
WielkośćPzamówieńPznormalizowanaPprzezPpojemnośćPpojazdu
LicznośćPzamówieńWielkośćPzamówieńPwPpojemnościachPpojazdu
RozkładPwielkościPzamówień
SkumulowanyProzkładPwielkościPzamówień CzasPznormalizowanyPprzezPczasPzamknięcia PrzestrzennyProzkładPzamówień
tai150b
Predykcja rozmiaru zadania
No free lunch w praktyce
MEMSO
1.05 1.20 1.35 1.02 1.08 1.14 1.02 1.06 1.10
1.051.201.35
1.051.201.35
GA
M-VRPDR
1.051.15
1.021.081.14
ContDVRP(PSO)
ContDVRP(DE)
1.021.081.14
1.05 1.20 1.35
1.021.08
1.05 1.15 1.02 1.06 1.10 1.14
ContDVRP(Ai)
Porównanie średnich względnych wyników
Predykcja rozmiaru zadania
Plan prezentacji
1 PSO, DE a kodowanie problemu Funkcja celu
Garść porównań
2 Wykorzystanie wiedzy o problemie Charakterystyka problemu Hiper-heurystyka
Predykcja rozmiaru zadania
Predykcja rozmiaru zadania
Podejście hiper-heurystyczne
• średnie wartości µ x , µ y lokalizacji zamówień względem osi układu odniesienia,
• odchylenia standardowe sd x , sd y rozkładu lokalizacji zamówień względem osi układu odniesienia,
• skośność skew x , skew y rozkładu lokalizacji zamówień względem osi układu
odniesienia,
• średnia wartość µ s wielkości zamówienia,
• odchylenie standardowe sd s rozkładu wielkości zamówienia,
• skośność skew s rozkładu wielkości
Predykcja rozmiaru zadania
Model wyboru algorytmu
\
Res(MEMSO) Res(ContDVRP)
(C t
begin) =1.2sd x − 1.1µ y − 1.6sd y − 0.05skew y +
+ 2.7µ s − 3.4sd s + 0.2skew s + 1.4
Predykcja rozmiaru zadania
Plan prezentacji
1 PSO, DE a kodowanie problemu Funkcja celu
Garść porównań
2 Wykorzystanie wiedzy o problemie Charakterystyka problemu Hiper-heurystyka
Predykcja rozmiaru zadania
Predykcja rozmiaru zadania
Przykładowy harmonogram
Predykcja rozmiaru zadania
Zmienność problemu
0 10 20 30 40
0.00.20.40.60.81.0
Dynamika zmian rozwiazania
Krok czasowy
Wzgledne róznice
Hanshar GA 10^6 ContDVRP 10^6 ContDVRP+Penalty 10^6 ContDVRP 10^5
0 10 20 30 40
0.00.20.40.60.81.0
Dynamika zmian rozwiazania
Krok czasowy
Wzgledne róznice
Hanshar GA 10^6 ContDVRP 10^6 ContDVRP+Penalty 10^6 ContDVRP 10^5
Predykcja rozmiaru zadania
Efekty zastosowanie funkcji kary na liczbę pojazdów
0 10 20 30 40
0.00.20.40.60.81.0
Dynamika zmian rozwiazania
Krok czasowy
Wzgledne róznice
Hanshar GA 10^6 ContDVRP 10^6 ContDVRP+Penalty 10^6 ContDVRP 10^5
ContDVRP 10^6 ContDVRP + P 10^6 GA 10^6 ContDVRP 10^5
1.001.051.101.151.201.251.30
Podsumowanie dla różnych typów kodowania i funkcji jakości
Konfiguracja algorytmu
Względny wynik 1.09 1.086
1.138 1.149
1.042 1.042
1.075 1.083