基于遗传算法实现物流选址（多约束条件）matlab代码

本文主要是介绍基于遗传算法实现物流选址（多约束条件）matlab代码，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

目录

1 遗传算法

2 代码展示

3 仿真结果 

1 遗传算法

第一步：相关参数的设定，一般主要包含编码长度L，种群大小M，迭代次数G，交叉率Pc，变异率Pm等。
第二步：算法中不能直接采用数学模型中的解进行运算，需要对解进行处理，去构造适应函数的染色体。
第三步：随机产生M个个体组成初始种群Po，并且让个体有序的分布在解空间中，每个个体为问题对应的一个解。
第四步：计算出每个个体的适应度，根据适应度进行种群中的选择和其他操作。
第五步：根据每个个体适应度的大小，选择适应度高的个体进行个体的选择等操作，通常采用的方法有轮盘赌等。
第六步：设置交叉率Pc控制父代染色体的交叉操作，被交叉的个体将代替父代进入新种群。
第七步：设置突变率Pm，控制父代染色体的突变操作。突变可导致群体中未出现或在选择过程中被淘汰的基因重新出现，突变个体取代父代进入新种群。
第八步：判断下一次迭代的选择、交叉、变异操作后的更新种群是否满足终止条件，如果不满足，则重新进入第四步进行循环迭代过程；如果满足，则停止算法运行，通常采用最大迭代次数作为终止准则。
第九步：对符合终止条件的染色体进行解码，得到问题的最优解。根据以上步骤，可知遗传算法的基本过程

2 代码展示

clear
clc
close all
tic
%% 用importdata这个函数来读取文件
% shuju=importdata('cc101.txt');
load('cc101');
shuju=c101;
% bl=importdata('103.txt');
bl=3;
cap=60;                                                        %车辆最大装载量
%% 提取数据信息

E=shuju(1,5);                                                    %配送中心时间窗开始时间
L=shuju(1,6);                                                    %配送中心时间窗结束时间
zuobiao=shuju(:,2:3);                                       %所有点的坐标x和y
pszx=zuobiao(1:4,:);
customer=zuobiao(5:end,:);                                       %顾客坐标
cusnum=size(customer,1);                                         %顾客数
v_num=20;                                                        %车辆最多使用数目
demands=shuju(5:end,4);                                          %需求量
a=shuju(5:end,5);                                                %顾客时间窗开始时间[a[i],b[i]]
b=shuju(5:end,6);                                                %顾客时间窗结束时间[a[i],b[i]]
s=shuju(5:end,7);                                                %客户点的服务时间
h=pdist(zuobiao);
dist=squareform(h);    
% dist=load('dist.mat');
% dist=struct2cell(dist);
% dist=cell2mat(dist);
dist=dist./1000;%距离矩阵，满足三角关系，暂用距离表示花费c[i][j]=dist[i][j]
%% 遗传算法参数设置
alpha=100000;                                                       %违反的容量约束的惩罚函数系数
belta=90;%违反时间窗约束的惩罚函数系数
belta2=60;
chesu=20;

NIND=300;                                                       %种群大小
MAXGEN=10;                                                     %迭代次数
Pc=0.9;                                                         %交叉概率
Pm=0.05;                                                        %变异概率
GGAP=0.9;                                                       %代沟(Generation gap)
N=cusnum+v_num-1;                                %染色体长度=顾客数目+车辆最多使用数目-1
% N=cusnum;
%% 初始化种群
% init_vc=init(cusnum,a,demands,cap); 
dpszx = struct('ps',[], 'Chrom',[]);
dpszx.Chrom=InitPopCW(NIND,N,cusnum,a,demands,cap);     %构造初始解
ps=pszxxz(dpszx.Chrom,cusnum);
%% 输出随机解的路线和总距离
disp('初始种群中的一个随机值:')

 [VC,NV,TD,violate_num,violate_cus]=decode(dpszx.Chrom(1,:),cusnum,cap,demands,a,b,L,s,dist,chesu,bl);
% [VC,NV]=cls(dpszx.Chrom(1,:),cusnum);
    
% [~,~,bsv]=violateTW(VC,a,b,s,L,dist,chesu,bl);
% disp(['总距离：',num2str(TD)]);
disp(['车辆使用数目：',num2str(NV),'，车辆行驶总距离：',num2str(TD)]);
disp('~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~')
%% 优化
gen=1;
figure;
hold on;box on
xlim([0,MAXGEN])
title('优化过程')
xlabel('代数')
ylabel('最优值')
ObjV=calObj(dpszx.Chrom,cusnum,cap,demands,a,b,L,s,dist,alpha,belta,belta2,chesu,bl,ps);             %计算种群目标函数值
preObjV=min(ObjV);
%%
while gen<=MAXGEN
    %% 计算适应度
    ObjV=calObj(dpszx.Chrom,cusnum,cap,demands,a,b,L,s,dist,alpha,belta,belta2,chesu,bl,ps);             %计算种群目标函数值
    line([gen-1,gen],[preObjV,min(ObjV)]);pause(0.0001)%画图 最优函数
    preObjV=min(ObjV);
    FitnV=Fitness(ObjV);
    %% 选择
    [SelCh,psc]=Select(dpszx.Chrom,FitnV,GGAP,ps);
    %% OX交叉操作
    [SelCh,psc]=Recombin(SelCh,Pc,psc,cusnum);
    %% 变异
    [SelCh,psc]=Mutate(SelCh,Pm,psc,cusnum);
    %% 重插入子代的新种群
    [dpszx.Chrom,ps]=Reins(dpszx.Chrom,SelCh,ObjV,psc,ps);
    %% 打印当前最优解
    ObjV=calObj(dpszx.Chrom,cusnum,cap,demands,a,b,L,s,dist,alpha,belta,belta2,chesu,bl,ps);             %计算种群目标函数值
    [minObjV,minInd]=min(ObjV);
    disp(['第',num2str(gen),'代最优解:'])
    [bestVC,bestNV,bestTD,best_vionum,best_viocus]=decode(dpszx.Chrom(minInd(1),:),cusnum,cap,demands,a,b,L,s,dist,chesu,bl);
    disp(['车辆使用数目：',num2str(bestNV),'，车辆行驶总距离：',num2str(bestTD)]);
    fprintf('\n')
    %% 更新迭代次数
    gen=gen+1 ;
end
%% 画出最优解的路线图
ObjV=calObj(dpszx.Chrom,cusnum,cap,demands,a,b,L,s,dist,alpha,belta,belta2,chesu,bl,ps);             %计算种群目标函数值
[minObjV,minInd]=min(ObjV);
%% 输出最优解的路线和总距离
disp('最优解:')
bestChrom=dpszx.Chrom(minInd(1),:);
bestps=ps(minInd(1),:);
[bestVC,bestNV,bestTD,best_vionum,best_viocus]=decode(bestChrom,cusnum,cap,demands,a,b,L,s,dist,chesu,bl);
disp(['车辆使用数目：',num2str(bestNV),'，车辆行驶总距离：',num2str(bestTD)]);
disp('-------------------------------------------------------------')
% [cost]=costFuction(bestVC,a,b,s,L,dist,demands,cap,alpha,belta,belta2,chesu,bl,);
%% 画出最终路线图
draw_Best(bestVC,zuobiao,bestps);
% save c101.mat
% toc

3 仿真结果 

​
选址点1：1->29->28->27->26->25->24->23->22->21->20->1
选址点2：4->33->43->41->40->39->38->37->36->35->34->32->4
选址点3：2->48->62->60->58->56->55->54->53->52->51->50->49->47->76->75->74->73->72->71->70->69->2
选址点4：4->78->90->85->84->83->82->81->80->79->77->4
选址点5：1->92->100->105->108->107->106->104->103->101->2->14->13->12->59->99->86->57->97->96->95->93->9->8->7->5->4->3->1->91->89->88->87->1
选址点6：1->16->11->10->94->1
选址点7：1->19->18->17->15->31->30->46->98->102->6->65->64->63->61->67->68->66->45->44->42->1

最开始的点为选择的配送中心（代码中一共四个备选中心）

代码下载https://www.cnblogs.com/matlabxiao/p/14883637.html

这篇关于基于遗传算法实现物流选址（多约束条件）matlab代码的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！