带深度启发信息的蚁群优化用于解决电动汽车路径规划问题

电动汽车路径规划问题（EVRP）是一个复杂的物流挑战，需要优化路线规划和充电决策。尽管蚁群优化（ACO）在解决EVRP方面显示出潜力，但传统方法往往依赖简单的基于距离的启发式方法，这无法充分捕捉问题的全球特征，导致搜索效率低下和有限的概括能力。为了克服这些局限性，我们提出了一种增强深度启发信息的新型ACO算法（ACO-DHI），该算法设计了一个学习模型，从大量离线实例中提取更丰富的启发信息。该模型结合了异构注意力机制，以捕捉客户与充电站之间的内在关系，以及特征优化方法，以获得更多相关的特定问题信息。一旦离线训练完成，模型输出一个深度启发信息矩阵，取代ACO中的传统距离矩阵用于在线优化。此外，为EVRP特别设计了一种新的信息素更新策略，根据客户和充电站的不同访问自适应地更新信息素水平。在公共基准实例上进行的广泛计算实验表明，ACO-DHI相比现有的学习方法和启发式方法表现出更快的解决速度和更强的概化能力。代码可在https://github.com/ACO-DHI/ACO-DHI获取.