ALNS

alns是 Python 中自适应大邻域搜索 (ALNS) 元启发式的通用、有据可查且经过测试的实现。 ALNS 是一种可用于解决困难的组合优化问题的算法。该算法从初始解决方案开始。然后算法迭代直到满足停止标准。在每次迭代中，都会选择一个破坏和修复算子，将当前解决方案转换为候选解决方案。然后通过验收标准评估该候选解决方案，并根据评估结果更新运营商选择方案。

安装alns

alns包依赖于numpy和matplotlib 。它可以按照通常的方式安装

 pip install alns

此外，为了使用多臂老虎机算法启用更高级的算子选择方案，可以使用可选的 MABWiser 依赖项安装alns ：

 pip install alns[mabwiser]

入门

该文档可在此处获取。如果您不熟悉元启发式或 ALNS，您可能会从阅读 ALNS 页面的介绍中受益。

alns库提供了 ALNS 算法和各种接受标准、算子选择方案和停止标准。为了解决您自己的问题，您应该提供以下信息：

• 实现objective()函数的问题的解决方案状态。
• 初步解决方案。
• 一名或多名针对您的问题量身定制的销毁和修复操作员。

此处提供了“快速入门”代码模板。

示例

我们提供了几个示例笔记本，展示了如何使用 ALNS 库。这些包括：

• 旅行商问题（TSP），在这里。我们使用非常简单的破坏和修复启发法解决了 131 个城市的实例。
• 这里是有能力的车辆路径问题（CVRP）。我们使用贪婪修复算子和松弛引起的子串删除销毁算子的组合来解决具有 241 个客户的实例。
• 这里是下料问题 (CSP)。我们仅用非常有限的迭代次数就解决了具有 180 个光束、超过 165 个不同尺寸的实例。
• 此处为资源受限项目调度问题 (RCPSP)。我们使用文献中的许多不同的运算符和增强技术来解决具有 90 个作业和 4 个资源的实例。
• 排列流水车间问题（PFSP），在这里。我们解决了一个包含 50 个作业和 20 台机器的实例。此外，我们还演示了 ALNS 的多种高级功能，包括自动拟合接受标准以及为修复算子添加本地搜索。我们还演示了如何调整 ALNS 参数。

最后，功能笔记本概述了alns包中可用的各种选项。在笔记本中，我们使用这些不同的选项来解决玩具 0/1 背包问题。当您想要自己使用不同的方案、接受或停止标准时，该笔记本是一个很好的起点。可以在这里找到。

贡献

我们非常感谢您愿意做出的任何贡献。请查看此处以开始使用。如果您打算进行重大更改，那么首先在新的 GitHub 问题中讨论该更改会很有帮助。随意打开一个！

寻求帮助

请随意在 GitHub 上提出问题或新的讨论线程。请不要通过电子邮件向我们提出疑问、建模问题或代码示例。通过 GitHub 比通过电子邮件讨论这些内容要容易得多。撰写您的问题或讨论时，请按照此处的说明进行操作。

如何引用alns

如果您在研究中使用alns ，请考虑引用以下论文：

Wouda, NA 和 L. Lan (2023)。 ALNS：自适应大邻域搜索元启发式的 Python 实现。开源软件杂志，8(81)：5028。https://doi.org/10.21105/joss.05028

或者，使用以下 BibTeX 条目：

 @article { Wouda_Lan_ALNS_2023 , 
  doi = { 10.21105/joss.05028 } , 
  url = { https://doi.org/10.21105/joss.05028 } , 
  year = { 2023 } , 
  publisher = { The Open Journal } , 
  volume = { 8 } , 
  number = { 81 } , 
  pages = { 5028 } , 
  author = { Niels A. Wouda and Leon Lan } , 
  title = { {ALNS}: a {P}ython implementation of the adaptive large neighbourhood search metaheuristic } , 
  journal = { Journal of Open Source Software } 
}