多代理强化学习驱动遗传算法求解软时间窗电动车路径规划问题

摘要

针对考虑电动车能耗、订单时间窗和车辆负载等约束条件的路径优化问题，首先，构建了以路径成本最小化为核心优化目标的混合整数规划模型；然后，根据问题特性，提出多代理强化学习驱动的遗传算法(Multi-Agent Reinforcement Learning-Driven Genetic Algorithm, MRLGA)。在MRLGA算法中，运用多代理智能体动态调整遗传算法的变异交叉概率以及选择交叉操作，以提升算法的搜索效率；通过引入香农多样性指数衡量种群多样性，避免算法早熟收敛，有效维护种群的多样性；采用2-opt搜索算法增强局部搜索能力，同时引入离散莱维飞行策略提高全局搜索能力，实现对车辆路径的高效规划。最后，通过120个测试算例展开实验，结果表明所提MRLGA算法在满足复杂约束条件下，能有效降低路径成本，验证了算法的有效性和可行性。

关键词

车辆路径问题 / 遗传算法 / 香农多样性指数 / 强化学习