我正在使用Optaplanner中的FFD算法作为CVRP问题的构造启发式算法。我以为我从垃圾箱拾取中理解了 FFD-Alg，但我不明白它在 CVRP 上的 OP 中应用时背后的逻辑。所以我的想法是，它侧重于需求(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，因此到所有城市的仓库的距离是相同的。然后我把要求从大改小。但它不会在结果文件中按递减顺序获取城市。
输入为：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。
我所选择的： V1<-[C1，C2，C3，C4]， V2<-[C5] 发生了什么： V1<-[C5，C4，C3，C2]， V2<-[C1]
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。我也试过这个，但它也没有从最远的城市开始对城市进行排序。
谢谢！
(braindump(
与非VRP问题不同，选择"难度比较"来确定"首次拟合降低"的"降低难度"并不总是很清楚。我已经用几种形式进行了实验 - 例如基于到仓库的距离，到仓库的角度，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，"角度到depo"比较器的行为会好得多，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进行此类工作。
话虽如此，在纯TSP 用例中，首次拟合递减算法的结果比最近邻算法(这是另一种构造启发式算法，我们的支持 atm 有限(。当然，两者都需要本地搜索来进一步改进。但是，将最近邻算法转换为VRP是困难/模棱两可的(至少可以说(：我曾经/正在研究这样的翻译，我称之为Bouy算法(在vrp示例中查找以Bouy开头的类(。它有效，但它不能很好地与附近选择IIRC结合。
哦，还有克拉克和赖特储蓄算法，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，当添加其他约束(例如时间窗口、技能要求、午休时间等(时，它也变得困难/模棱两可。
长话短说：对于现实世界的高级VRP案例，陪审团仍然不知道什么是最好的建筑启发式方法。 Optaplanner-Benchmark将帮助我们实现这一目标。尽管所有的学术论文都在谈论他们在小数据集上用于简单形式的VRP的完美CH......