路径规划基于模拟退火算法求解多车型路径规划问题matlab源码

Posted 2021-05-25 Matlab咨询QQ1575304183

一、简介

模拟退火算法介绍




3 模拟退火算法的参数
模拟退火是一种优化算法，它本身是不能独立存在的，需要有一个应用场合，其中温度就是模拟退火需要优化的参数，如果它应用到了聚类分析中，那么就是说聚类分析中有某个或者某几个参数需要优化，而这个参数，或者参数集就是温度所代表的。它可以是某项指标，某项关联度，某个距离等等。

二、源代码

clear all
close all
clc
tic
%% 基础参数输入
NIND=100;             %种群大小
MAXGEN=200;          %遗传代数
GGAP=0.9;            %代沟
Pc=0.75;             %交叉概率
Pm=0.1;             %变异概率
const=20;            %客户个数
X=[3.2,14.1;3.8,5.5;15.2,10.9;18.6,12.9;11.9,8.2;10.2,9.5;5.3,9.6;0.6,9.9;6.1,18.0;7.6,19.2
    16.0,15.7;15.3,15.2;1.6,14.7;9.0,9.2;5.4,13.3;7.8,10.0;18.6,7.8;14.5,4.3;15.0,18.7;9.8,5.0;1.4,6.9];   %需求点位置坐标,1号点为出发点
carload_min=3;                %小型车的载重限制
demand=[0.8,0.6,0.4,1.4,0.8,0.6,1.9,1.3,1.8,1.5,0.4,1.6,1.1,1.6,1.0,0.8,1.4,1.2,0.4,1.4];           %服务点需求
D=Distanse(X);
%% 种群初始化
Chrom=zeros(NIND,const);
for i=1:NIND
    Chrom(i,:)=randperm(const);   %种群初始化
end
%% 画出随机解的路径图
[ObjV,route]=PathLength(D,Chrom); %计算路线长度和路径
preObjV=min(ObjV);                %初始种群的最优个体
route_initial=routemake(route,1); %第一个个体的路径
% DrawPath(route_initial,X);
% hold off
% pause(0.0001);
%% 输出随机解的路径和总距离
disp('初始种群中的一个随机值:')
OutputPath(route_initial);
disp(['总成本：',num2str(ObjV(1))]);
disp('~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~')
%% 计算目标函数
%% 优化
gen=0;
MinY=inf;
trace=zeros(MAXGEN,1);
h=waitbar(0,'程序启动中，请等待...');
while gen<MAXGEN
    %% 计算适应度
    [ObjV,route]=PathLength(D,Chrom); %计算路线长度
    %line([gen-1,gen],[preObjV,min(ObjV)]);
    %pause(0.0001)
    %preObjV=min(ObjV);
    % 适应度函数计算
    FitnV=Fitness(ObjV);
    % 选择
    SelCh=Select(Chrom,FitnV,GGAP);
    % 交叉操作
    SelCh=Recombin(SelCh,Pc);
    % 变异
    SelCh=Mutate(SelCh,Pm);
    % 逆转操作
    SelCh=Reverse(SelCh,D);
    % 重插入子代的新种群
    Chrom=Reins(Chrom,SelCh,ObjV);
    % 更新迭代次数
    gen=gen+1;
    % 最优解保存
    [minObjV,minInd]=min(ObjV);          %计算最优解
    route_new=routemake(route,minInd);   %最终路径
    if minObjV<MinY
        MinY=minObjV;
        best_route=route_new;
        trace(gen,1)=MinY;
    else
        trace(gen,1)=trace(gen-1,1);
    end
    str=['程序正常运行中，','已迭代',num2str(gen),'次'];
    waitbar(gen/MAXGEN,h,str);
    pause(0.05);
end
%% 绘制
plot(1:gen,trace);
title('优化过程');
xlabel('迭代次数');
ylabel('最优值');
hold off
%% 画出最优解的路线图
[car1_num,car2_num]=car_type(best_route,demand,carload_min);%输出各种车型的数量
Num_car=car1_num+car2_num;
DrawPath(best_route,X);
hold off

三、运行结果

四、备注