我正在使用 Optaplanner 中的 FFD 算法作为我的 CVRP 问题的构造启发式。我以为我从 bin Pick 中理解了 FFD-Alg，但是在 CVRP 上的 OP 中应用时我不理解它背后的逻辑。所以我的想法是，它关注需求（按降序对城市进行排序，从最高需求开始）。为了证明我的假设，我将城市坐标固定在一个位置，所以到所有城市的仓库的距离都是一样的。然后我把要求从大变小。但它不会在结果文件中按降序排列城市。
输入是：城市 1：需求 16，城市 2：需求 12，城市 3：需求 8，城市 4：需求 4， 城市 5：需求 2。
3 辆车，每辆车可容纳 40 辆。
我的想法：V1
谁能解释一下这个理论？另外，我想知道反过来会发生什么，相同的容量，但每个客户的位置不同。我也试过了，但它也不会从最远的城市开始对城市进行排序。
谢谢！
【问题讨论】：
（脑残）
与非 VRP 问题不同，选择“难度比较”来确定“首次拟合递减”的“递减难度”并不总是很清楚。我已经用几种形式进行了实验 - 例如基于到站点的距离、到站点的角度、纬度等。您可以在示例中找到所有这些形式的难度比较器，通常是 TSP。
一个常见的陷阱是在启用附近选择之前调整比较器：首先调整附近选择。如果您正在处理大型数据集，“depo 角度”比较器会表现得更好，只是因为附近选择和/或分区搜索尚未激活。无论如何，一如既往：您需要使用optaplanner-benchmark 来完成此类工作。
话虽如此，在 纯 TSP 用例中，First Fit Decreasing 算法的结果比 Nearest Neighbor 算法（这是我们使用的另一种构造启发式算法）更差。有有限的支持atm）。当然，两者都需要本地搜索来进一步改进。然而，将最近邻算法翻译成 VRP 是困难的/模棱两可的（至少可以这么说）：我正在/正在做这样的翻译，我称之为 Bouy 算法（在以 Bouy 开头的 vrp 示例）。它可以工作，但它还不能与 IIRC 附近的选择很好地结合。
哦，还有 Clarke 和 Wright 储蓄算法，它非常适合小型纯 CVRP 案例。但是在更大的数据集上会遇到 BigO（= 缩放）问题，并且当添加其他约束（例如时间窗口、技能要求、午休时间......）时，它也会变得困难/模糊。
长话短说：对于现实世界中的高级 VRP 案例来说，最佳构造启发式方法仍然没有定论。 optaplanner-benchmark 将在这方面为我们提供帮助。尽管所有学术论文都在谈论他们在小型数据集上的简单形式 VRP 的完美 CH...
【讨论】：