需求为（自己编的，非实际项目）：
某配送中心进行揽货，目标客户数为50个客户，配送中心目前的运力资源如下：
- 现有车辆5台
- 单台运力最大行驶距离200千米
- 单台运力最大载重公斤1吨
问：运力怎样走法才能以最低的成本完成针对这50个客户的揽货行为
是个最优化问题（运筹学），我们只考虑简化后的模型，不考虑路面交通、时间窗口这些复杂计算，用蚁群优化算法来实现接近最优解的计算。
关于蚁群优化算法的理论请看这篇文章：https://www.cnblogs.com/asxinyu/p/Path_Optimization_Tsp_Problem_Ant_System_CSharp.html
里面的基本算法已经写明了，也有demo，本文是针对如何适应到具体业务的介绍（本文用的蚁群核心代码也是上文中改来的）
蚁群主要步骤为：
- 初始化（如信息素）
- 开始迭代
- 构造各个蚂蚁，以及蚂蚁走的路径（核心是针对后续节点的SELECT）
- 计算适应度
- 加入优秀蚂蚁到跟踪列表
- 更新信息素（根据适应度）
- 结束迭代
- 给出报告
原文章里用的是TSP做DEMO，比较难看清楚如何应用到实际业务逻辑中
同样的，最困惑的核心中的核心，类似遗传算法，也是适应度值的计算，有的地方是一步一步增加vlaue，比如单纯距离的增加，但是复杂点的都没法这么操作，而是要看整体路径的指标（包括惩罚等）
由于蚁群优化算法和本文代码都能下载，所以只介绍适应度value的计算
class FitnessValueCalculator { private static int 拥有运力车辆数 = 5; private static int 单台运力最大行驶距离 = 200; private static int 单台运力最大载重公斤 = 1000; private static double 惩罚权重 = 20; public static double Calculator(ShortestDeliverAnt ant) { var paths = new List<string>(); var distances = new List<double>(); var weights = new List<double>(); double 当前行驶距离 = 0; double 当前运力载重 = 0; string 当前行驶路径 = ""; int 当前所需运力数 = 1; //计算枢纽到第一个客户配送距离 当前行驶路径 += "HUB-->" + ant.PathNodes.First(); 当前行驶距离 += ant.DistanceHelper.hub.DistanceTo(ant.DistanceHelper.customers[ant.PathNodes.First()]); 当前运力载重 += ant.DistanceHelper.customers[ant.PathNodes.First()].需求量_公斤; foreach (var path in ant.Edges) { var fromNodeId = path.Key; var toNodeId = path.Value; var fromNode = ant.DistanceHelper.customers[fromNodeId]; var toNode = ant.DistanceHelper.customers[toNodeId]; double newAddedDistance2Customer = 0; double newAddedDistance2Hub = 0; double newAddedWeight = 0; newAddedDistance2Customer = fromNode.DistanceTo(toNode); newAddedDistance2Hub = toNode.DistanceTo(ant.DistanceHelper.hub); newAddedWeight = toNode.需求量_公斤; if (当前行驶距离 + newAddedDistance2Customer + newAddedDistance2Hub <= 单台运力最大行驶距离 && 当前运力载重 <= 单台运力最大载重公斤) { 当前行驶距离 += newAddedDistance2Customer; 当前运力载重 += newAddedWeight; 当前行驶路径 += "-->" + toNodeId; } else { //加当前客户距离、以及回到HUB的距离 当前行驶距离 += fromNode.DistanceTo(ant.DistanceHelper.hub); distances.Add(当前行驶距离); weights.Add(当前运力载重); 当前行驶路径 += "-->HUB"; paths.Add(当前行驶路径); //RESET 当前行驶距离 = 0; 当前行驶距离 += ant.DistanceHelper.hub.DistanceTo(toNode); 当前运力载重 = 0; 当前运力载重 += toNode.需求量_公斤; 当前行驶路径 = ""; 当前行驶路径 += "HUB-->" + toNodeId; 当前所需运力数++; } } //回到枢纽 当前行驶距离 += ant.DistanceHelper.customers[ant.PathNodes.Last()].DistanceTo(ant.DistanceHelper.hub); distances.Add(当前行驶距离); 当前行驶路径 += "-->HUB"; paths.Add(当前行驶路径); int 惩罚系数 = 0; if (当前所需运力数 > 拥有运力车辆数) 惩罚系数 = 当前所需运力数 - 拥有运力车辆数; ant.运输距离顺序 = distances; ant.运输路径 = paths; ant.Total行驶距离 = distances.Sum(); ant.Total运力数 = 当前所需运力数; return ant.Total行驶距离 + 惩罚系数 * 惩罚权重; } }
ant.DistanceHelper.hub: 是配送中心的info，有地址信息
ant.DistanceHelper.customers: 是50个客户的info，也有地址信息
目前为了简化，是以街道距离来计算距离的
目前代码只是单目标优化算法，非多目标优化，后续研究研究再发文。
上述代码其实就是第一辆车从配送中心开出到第一个客户位置，然后加上客户需求（揽的货物重量）
接着判断能否开到下一个客户那里揽货，如果里程、重量都在限制条件只能，就开过去，不满足条件就开回枢纽；然后继续判断第二辆车，也是这么个逻辑
最终车辆的数量就是完成这50个客户揽货所需的运力数
万一碰到所需运力超出了限制（代码中为5辆车），这时就需要惩罚，由于最终函数返回是double，而且是越小代表越优越，因此碰到了需要惩罚的情况，实际就是大幅度的增加返回值（适应度值）
红色部分就是惩罚变量部分。
各种优化算法的核心写完框架后基本就不怎么变化了，最易变的其实是适应度函数的计算，如果适应度计算中用到了预测技术，还得在上面那函数里调机器学习的代码，感觉强化学习中动作施加后给出的反馈值也是这么个值
