配送优化基于PSO算法的有效空间模型的配送优化MATLAB仿真
Posted fpga&matlab
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了配送优化基于PSO算法的有效空间模型的配送优化MATLAB仿真相关的知识，希望对你有一定的参考价值。
1.软件版本
MATLAB2013b
2.本算法理论知识
步骤一：建模的前提假设
·不考虑堵车情况；
·不考虑汽车可能发送故障的情况；
·根据你的任务要求，成本因素仅考虑汽油，而对于同一汽车，即为最短路径和装载；
·不考虑装货和卸货导致的时间成本因素；
·不考虑天气等任何客观干扰因素；
·对于装载率，由于您提供的数据货物质量未知，这里仅考虑体积，不考虑质量，也不考虑不同货物在同一卡车中的具体的位置摆放需求，即以装载率最大化为目标，在单个货物不可切割的前提下，尽可能多的放货物，而不考虑上下，前后，左右的摆放问题。
步骤二：所用的参数
步骤三：优化目标函数
这里，我们的优化目标函数为：
这里的函数含义是：
成本最低；
路径综合最短；
每条线路的装载率最大；
3.部分源码
clc;
clear;
close all;
warning off;
addpath 'func\\'
%%
%参数的初始化
%算法的初始化参数
%算法的初始化参数
sel = 3;%选择三种卡车
Rr = 0.1; %挥发度系数
Iter = 80; %算法迭代次数
Num_ann = 30; %蚂蚁数目
Importance= 12; %重要度系数
%卡车的初始化参数
%卡车的初始化参数
if sel == 1
Lcar = 4.85; %集装箱的长
Wcar = 2.42; %集装箱的宽
Hcar = 2.15; %集装箱的高
Qv = Lcar*Wcar*Hcar;%卡车的装货体积
Lf = 8; %卡车每公里油耗
end
if sel == 2
Lcar = 9.5; %集装箱的长
Wcar = 2.3; %集装箱的宽
Hcar = 2.53; %集装箱的高
Qv = Lcar*Wcar*Hcar;%卡车的装货体积
Lf = 8; %卡车每公里油耗
end
if sel == 3
Lcar = 12.18; %集装箱的长
Wcar = 2.4; %集装箱的宽
Hcar = 1.95; %集装箱的高
Qv = Lcar*Wcar*Hcar;%卡车的装货体积
Lf = 8; %卡车每公里油耗
end
lemda = 0.95; %卡车装货率
%坐标点
%坐标点
C0=[ 0 0 %x[10202]
8.51 8.19 %x[10291]
8.69 9.01 %x[10295]
7.29 8.01 %x[10233]
7.3 7.95 %x[10183]
9.56 8.59 %x[10034]
9.56 9.14 %x[10207]
9.14 9.16 %x[10612]
7.84 9.18 %x[10237]
9.46 9.94 %x[10605]
8.84 9.84 %x[10203]
6.84 9.84 %x[10070]
7.27 10.02 %x[10090]
10.26 10.64 %x[10063]
7.97 10.67 %x[10992]
5.41 10.87 %x[10253]
10.66 11.33 %x[10281]
11.22 11.15 %x[10025]
11.48 11.04 %x[10776]
9.52 11.57 %x[10073]
7.61 11.73 %x[10309]
11.06 12.18 %x[10874]
8.69 12.71 %x[10262]
8.69 12.71 %x[10874]
8.96 13.18 %x[10369]
10.68 12.88 %x[10494]
10.88 13.64 %x[10514]
10.18 13.74 %x[10232]
7.36 15.8 %x[10367]
5.07 16.42 %x[10244]
14.58 11.04 %x[10468]
14.18 8.59 %x[10945]
14.64 7.54 %x[10118]
12.04 6.64 %x[10040]
31.88 17.84 %x[10016]
37.98 12.94 %x[10248]
45.08 2.38 %x[10061]
10.68 11.4 %x[10264]
10.96 12.28 %x[10161]
7.97 10.68 %x[10151]
];
%部分坐标值中没有提供，所以这里以你提供的坐标值为准给出频数
C_f=[1 %x[10202]
1 %x[10291]
5 %x[10295]
1 %x[10233]
1 %x[10183]
4 %x[10034]
4 %x[10207]
1 %x[10612]
3 %x[10237]
1 %x[10605]
6 %x[10203]
4 %x[10070]
2 %x[10090]
3 %x[10063]
2 %x[10992]
2 %x[10253]
2 %x[10281]
4 %x[10025]
1 %x[10776]
3 %x[10073]
6 %x[10309]
4 %x[10874]
3 %x[10262]
4 %x[10874]
5 %x[10369]
4 %x[10494]
4 %x[10514]
1 %x[10232]
4 %x[10367]
2 %x[10244]
1 %x[10468]
4 %x[10945]
6 %x[10118]
2 %x[10040]
2 %x[10016]
4 %x[10248]
2 %x[10061]
2 %x[10264]
1 %x[10161]
1 %x[10151]
];
C = func_pos(C0,C_f);
%每个点的货物体积和不同类别的数量
%x[10202]%x[10291]%x[10295]%x[10233]%x[10183]%x[10034]%x[10207]%x[10612]%x[10237]%x[10605]
%x[10203]%x[10070]%x[10090]%x[10063]%x[10992]%x[10253]%x[10281]%x[10025]%x[10776]%x[10073]
%x[10309]%x[10874]%x[10262]%x[10874]%x[10369]%x[10494]%x[10514]%x[10232]%x[10367]%x[10244]
%x[10468]%x[10945]%x[10118]%x[10040]%x[10016]%x[10248]%x[10061]%x[10264]%x[10161]%x[10151]
Infors = func_V();
for i = 1:length(Infors)
Numsi = Inforsi(:,4);
V1i = (Inforsi(:,1).*Inforsi(:,2)).*Inforsi(:,3)/1000/1000/1000;
end
%映射表
B = func_maps(C_f);
%计算规模和权值的初始值
[SCALEs,Wsd]=func_w(C);
%中心和每个供货点之间连接能节省的距离
Save_d = func_save_d(SCALEs,Wsd);
LOADs = 0;
Eer = 1./Wsd; %启发常系数
Tau = ones(SCALEs,SCALEs);
Save_roads = zeros(Num_ann,SCALEs+20);%生成路的径
Iteration = 1;
Best_roads = [Iter,SCALEs+20]; %各代最佳路线
Best_roads_Lens = inf.*ones(Iter,1); %各代最佳路线的长度
Best_roads_Lens_avgs = zeros(Iter,1); %各代路线的平均长度
%进行蚁群+PSO算法
while (Iteration <= Iter)
disp('当前迭代次数')
Iteration
%产生随机变量作为初始化粒子
Save_roads(:,1) = randint(Num_ann,1,[1,1]);
%按如下的规则进行循环历遍
for i=1:Num_ann
%指定随机性
RandStream.setDefaultStream(RandStream('mt19937ar','seed',Iteration*i));
Will_walks = Save_roads(i,:);
Will_walks = Will_walks(Will_walks>0);
Will_walks2 = setdiff(1:SCALEs,Will_walks);
c_temp = length(Will_walks2);
Jer=1;
while Jer <= SCALEs
if isempty(Will_walks2) == 0
%按照规则选下一个供货点或者是回到中心
for k=1:length(Will_walks2)
x(k) = (Tau(Will_walks(end),Will_walks2(k))) *...
(Eer(Will_walks(end),Will_walks2(k))) *...
(Save_d(Will_walks(end),Will_walks2(k))^2);
end
Pers = rand(1,1);
if Pers < 0.1
choices = find(max(x));
else
x = x/(sum(x));
xcum = cumsum(x);
choices = find(xcum>=rand(1,1));
end
%以下是对每个供货点进行供货的装载情况的计算
if isempty(choices) == 1
choices = 1;
%计算当前供货点的物件数量和体积
INDs = choices;
INDs2 = INDs;
LOADs = LOADs + V1INDs2(choices);
else
INDs = Will_walks2(choices(1));
%对当前点下的情况进行装货
INDs2 = B(INDs,2);
%计算当前点种的货物的种类
ZL = length(V1INDs2);
%%产生一组概率进行选择货物，如果装载满足需求，则继续装，否则不装
%NNS = floor(ZL*rand(1,1)) + 1;
NNS = 1;
for NNS = 1:ZL
CC = NumsINDs2(NNS);
while CC > 0
Vtmp = V1INDs2(NNS);%选择的货物的体积大小
%然后进行装载
LOADs = LOADs + Vtmp;
%存货数量减1
CC = CC-1;
NumsINDs2(NNS) = CC;
end
end
end
%计算装载率
if LOADs <= lemda*Qv
WW(i,Iteration) = LOADs/(lemda*Qv);%记录当前的装载率值
end
if LOADs > lemda*Qv%装满则返回
choices = 1;
Jer = Jer-1;
LOADs = 0;
Save_roads(i,length(Will_walks)+1) = choices(1);
else
Save_roads(i,length(Will_walks)+1) = Will_walks2(choices(1));
end
end
Will_walks = Save_roads(i,:);
Will_walks = Will_walks(Will_walks>0);
Will_walks2 = setdiff(1:SCALEs,Will_walks);
x = [];
if Will_walks(end) > 1 | Will_walks(end) < 1
Save_roads(i,1:(length(Will_walks)+1))=[Will_walks,1];
end
Jer=Jer+1;
end
LOADs=0;
end
L = zeros(Num_ann,1);
for i=1:Num_ann
tmpsss = Save_roads(i,:);
R = tmpsss(tmpsss>0);
for j=1:(length(R)-1)
L(i) = L(i) + Wsd(R(j),R(j+1));
end
end
Best_roads_Lens(Iteration) = min(L);
pos = find(L==Best_roads_Lens(Iteration));
Best_roads(Iteration,1:length(Save_roads(pos(1),:))) = Save_roads(pos(1),:);
SELS = find(Best_roads(Iteration,:)==1);
Best_save = [];
Best_save2 = 0;
for Si=1:(length(SELS)-1)
YBEST = Best_roads(Iteration,SELS(Si):SELS(Si+1));
al = length(YBEST);
T = zeros((length(SELS)-1),1);
for Sj=1:(al-1)
T(Si)=T(Si)+Wsd(YBEST(Sj),YBEST(Sj+1));
end
for Sp=2:(al-1)
for Sq=(Sp+1):(al-1)
DD = YBEST;
temp1 = DD(Sp);
temp2 = DD(Sq);
DD(Sp) = temp2;
DD(Sq) = temp1;
TT = zeros(1);
for Sj=1:(al-1)
TT = TT + Wsd(DD(Sj),DD(Sj+1));
end
if TT<T(Si)
T(Si) = TT;
YBEST = DD;
end
end
end
if Si>=2
YBEST = YBEST(2:al);
end
Best_save = [Best_save,YBEST];
Best_save2= Best_save2+T(Si);
end
Best_roads_Lens(Iteration) = Best_save2;
Best_roads(Iteration,1:length(Best_save)) = Best_save;
Best_save = [];
Best_save2 = 0;
Best_roads_Lens_avgs(Iteration) = mean(L);
LOADs = 0;
Iteration = Iteration+1;
Delta_Tau=zeros(SCALEs,SCALEs);
for i=1:Num_ann
MM = Save_roads(i,:);
R = MM(MM>0);
for j=1:(length(R)-1)
Delta_Tau(R(j),R(j+1))=Delta_Tau(R(j),R(j+1))+Importance/L(i);
end
end
Tau = (1-Rr).*Tau+Delta_Tau;
%清零
Save_roads = zeros(Num_ann,SCALEs);
end
%优化结果
Pos = find(Best_roads_Lens==min(Best_roads_Lens));
best_route = Best_roads(Pos(1),:);
best_route = best_route(best_route>0);
for i = 1:Iter
Load_rate(i) = mean(WW(:,i));
end
%装载率的变化
%装载率的变化
disp('装载率：');
Load_rate(end)
%画出循环路径
%画出循环路径
VV = find(best_route == 1);
Color = ['b';'r';'g';'k';'m';'c';'y'];
figure;
plot([C(best_route,1)],[C(best_route,2)],'ms','LineWidth',2,'MarkerEdgeColor','k','MarkerFaceColor','g');
hold on;
for i = 1:length(VV)-1
if i <= 7
tmp = num2str(Color(i));
plot([C(best_route(VV(i):VV(i+1)),1)],[C(best_route(VV(i):VV(i+1)),2)],tmp,'LineWidth',2)
hold on;
end
if i>7 & i<=14
tmp = [num2str(Color(i-7)),'--'];
plot([C(best_route(VV(i):VV(i+1)),1)],[C(best_route(VV(i):VV(i+1)),2)],tmp,'LineWidth',2)
hold on;
end
if i>14 & i<=21
tmp = [num2str(Color(i-7)),'-.'];
plot([C(best_route(VV(i):VV(i+1)),1)],[C(best_route(VV(i):VV(i+1)),2)],tmp,'LineWidth',2)
hold on;
end
end
grid on;
axis square;
disp('所有的供货循环路径为：');
for i = 1:length(VV)-1
fprintf('%d : ',i);
for j = 1:length([best_route(VV(i):VV(i+1))])
tmps = [best_route(VV(i):VV(i+1))];
if j == length([best_route(VV(i):VV(i+1))])
fprintf('%d',tmps(j));
else
fprintf('%d -> ',tmps(j));
end
end
fprintf('\\n\\n');
end
%线路长度的变化
%线路长度的变化
figure;
subplot(211);
plot(Best_roads_Lens_avgs(2:end),'bs-','LineWidth',2,'MarkerEdgeColor','k','MarkerFaceColor','r');
grid on;
xlabel('迭代次数');
ylabel('每次迭代后线路中的最佳长度');
subplot(212);
plot(Lf*Best_roads_Lens_avgs(2:end),'bs-','LineWidth',2,'MarkerEdgeColor','k','MarkerFaceColor','g');
grid on;
xlabel('迭代次数');
ylabel('每次迭代后线路中的最低油耗');
4.仿真分析
5.参考文献
A06-08
创作打卡挑战赛
赢取流量/现金/CSDN周边激励大奖
以上是关于配送优化基于PSO算法的有效空间模型的配送优化MATLAB仿真的主要内容，如果未能解决你的问题，请参考以下文章
基于遗传算法求解带有时间窗车载容量限制多车辆单配送中心路径优化VRPTW（多约束）matlab代码
基于遗传算法求解带有时间窗车载容量限制多车辆单配送中心路径优化VRPTW（多约束）matlab代码
VRP问题基于遗传算法求解带有时间窗车载容量限制多车辆单配送中心路径优化VRPTW（多约束）matlab源码
配送路径规划基于matlab遗传算法求解带时间窗的配送车辆路径规划问题含Matlab源码 604期