700字范文 > 【多式联运】基于粒子群结合遗传算法实现陆海空多式联运问题附matlab代码

【多式联运】基于粒子群结合遗传算法实现陆海空多式联运问题附matlab代码

时间：2023-03-25 12:38:49

1 简介

物流运输方式由公路、水路、空运及管道等 3 种方式组成，3 种运输方式在技术上、经济上各有长短，都有适宜的使用范围，每种运输方式单独运用很难实现节约资源、降本增效。随着我国经济不断发展以及布局网络技术的不断深化，多式联运通过把传统的、单一的运输方式进行择优组合，充分利用了各个运输方式现有的设施设备，实现了运输过程中的资源整合，有利于运输过程中的可持续发展及达成规模经济中降本增效的目的，同时提高了物流行业竞争力。特别是通过公铁水多式联运路径优化，构建以运输时间最少、运输线路距离最短、运输成本最低的公铁水多式联运模式，对于物流企业节约资源、降本增效意义重大。本文提出了一个以粒子群结合遗传算法为主框架的解决方案,用来求解多式联运的路径规划问题。本文从运输需求内容、运输过程、应用场景等角度对多式联运在军事运输中的应用进行分析,定义多式联运路径规划问题,建立分别以时问最短、路线最短、成本最低为目标的多式联运路径规划模型。

2 部分代码

clear

clc

close all

tic

%% 用importdata这个函数来读取文件

shuju= xlsread('shuju.xlsx', 'Sheet1');

bl=0;

cap=100; %车辆最大装载量

%% 提取数据信息

zuobiao=shuju(:,2:3); %所有点的坐标x和y

customer=zuobiao(2:end,:); %顾客坐标

cusnum=size(customer,1); %顾客数

v_num=8; %车辆最多使用数目

demands=shuju(2:end,4); %需求量

a=shuju(2:end,5); %顾客时间窗开始时间[a[i],b[i]]

b=shuju(2:end,6); %顾客时间窗结束时间[a[i],b[i]]

s=shuju(2:end,7); %客户点的服务时间

%% 距离矩阵

h=pdist(zuobiao);

lldist=squareform(h).*1.5; %路路距离矩阵

htdist=squareform(h); %飞机距离矩阵

hydist=squareform(h).*1.2; %%火车距离矩阵

%% 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=0.5;%违反时间窗约束的惩罚函数系数

belta2=0.5;

chesu=[1,5,2];

NIND=300; %种群大小

MAXGEN=500; %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

%% 粒子群参数

lx=3;

w=1;%惯性因子

wdamp=0.99; %惯性因子衰减率

c1=1.5; %个体学习因子

c2=2.0; %全局学习因子

XvMin=1; %Xv下限

XvMax=lx; %Xv上限

VvMin=-(lx-1);%Vv下限

VvMax=lx-1; %Vv上限

%% 初始化种群

Chrom=InitPopCW(NIND,N,cusnum,a,demands,cap,XvMin,XvMax,VvMin,VvMax); %构造初始解

%% 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,PD]=decode(Chrom{1},cusnum);

% disp(['总距离：',num2str(TD)]);

disp(['车辆使用数目：',num2str(NV)]);

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(Chrom,cusnum,cap,demands,a,b,s,lldist,htdist,hydist,alpha,belta,belta2,chesu,bl); %计算种群目标函数值

preObjV=min(ObjV);

[~,minInd]=min(ObjV);

gbest_pos=Chrom{minInd,1}(2,:);%假设第一个粒子位置为全局最优位置

gbest_obj=preObjV; %第一个粒子位置的目标函数值

pbest_pos=cell(NIND,1); %初始化各个粒子的个体最优位置

pbest_obj=ObjV;%初始化各个粒子的个体最优的目标函数值

for i=1:NIND

particle=Chrom{i,1}; %第i个粒子

position=particle(2,:); %第i个粒子的位置

pbest_pos{i,1}=position; %初始化这个粒子的个体最优

if pbest_obj(i,1)<gbest_obj

%更新初始种群中的全局最优粒子

gbest_obj=pbest_obj(i,1);

gbest_pos=position;

end

%%

while gen<=MAXGEN

%% 计算适应度

ObjV=calObj(Chrom,cusnum,cap,demands,a,b,s,lldist,htdist,hydist,alpha,belta,belta2,chesu,bl); %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=Select(Chrom,FitnV,GGAP);

%% OX交叉操作

SelCh=Recombin(SelCh,Pc);

%% 变异

SelCh=Mutate(SelCh,Pm);

%% 重插入子代的新种群

Chrom=Reins(Chrom,SelCh,ObjV);

ObjV=calObj(Chrom,cusnum,cap,demands,a,b,s,lldist,htdist,hydist,alpha,belta,belta2,chesu,bl);

%% 更新各个粒子的位置和速度

Chrom1=Chrom;

for i=1:NIND

particle=Chrom{i,1};%第i个粒子

position=particle(2,:);%第i个粒子的位置

Xv=position(1,:);

velocity=particle(3,:);%第i个粒子的速度

Vv=velocity(1,:);

%% 更新速度

velocity=w*velocity+ +c1*rand([1,N]).*(pbest_pos{i,1}-position)...

+c2*rand([1,N]).*(gbest_pos-position);

%% 速度越界处理

velocity(1,:)=max(velocity(1,:),VvMin);

velocity(1,:)=min(velocity(1,:),VvMax);

%% 更新位置

position=position+velocity;

position(1,:)=ceil(position(1,:));%对Xv向上取整

%% 速度镜像影响

IsOutside=(position(1,:)<XvMin | position(1,:)>XvMax );

velocity(IsOutside)=-velocity(IsOutside);

%% 位置越界处理

position(1,:)=max(position(1,:),XvMin);

position(1,:)=min(position(1,:),XvMax);

Chrom1{i,1}(2,:)=position;

end

ObjV1=calObj(Chrom1,cusnum,cap,demands,a,b,s,lldist,htdist,hydist,alpha,belta,belta2,chesu,bl);

%% 重插入子代的新种群

Chrom=Copy_of_Reins(Chrom,Chrom1,ObjV1,NIND,ObjV);

%% 打印当前最优解

ObjV=calObj(Chrom,cusnum,cap,demands,a,b,s,lldist,htdist,hydist,alpha,belta,belta2,chesu,bl); %计算种群目标函数值

[~,minInd]=min(ObjV);

for i=1:NIND

if min(ObjV)<ObjV(i)

particle=Chrom{minInd,1};

position=particle(2,:);

pbest_pos{i,1}=position;

pbest_obj(i,1)=ObjV(i);

%% 更新全局最优

if preObjV<gbest_obj

gbest_pos=pbest_pos{i,1};

gbest_obj=pbest_obj(i,1);

end

disp(['第',num2str(gen),'代最优解:'])

fprintf('\n')

%% 更新迭代次数

gen=gen+1 ;

end

%% 画出最优解的路线图

ObjV=calObj(Chrom,cusnum,cap,demands,a,b,s,lldist,htdist,hydist,alpha,belta,belta2,chesu,bl); %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=Chrom{minInd(1)};

[VC,NV,PD]=decode(bestChrom,cusnum);

disp('-------------------------------------------------------------')

[cost]=costFuction(VC,NV,PD,a,b,s,lldist,htdist,hydist,demands,cap,alpha,belta,belta2,chesu,bl);

disp(['总成本：',num2str(cost)]);

disp(['路路：',num2str(1)]);

disp(['航天：',num2str(2)]);

disp(['海运：',num2str(3)]);

%% 画出最终路线图

draw_Best(VC,zuobiao,PD);

% toc

function [A,c]=cdzwz(dist,route,dis)

dis=0.9*dis;

n=length(route);

p_l=0;

DL=1;

c=[];

A=[];

for i=1:n

if i==1

p_l=p_l+dist(1,route(i)+1);

DL=DL-(dist(1,route(i)+1)/dis);

if DL<0

c=[c,i];

DL=1;

end

else

p_l=p_l+dist(route(i-1)+1,route(i)+1);

DL=DL-dist(route(i-1)+1,route(i)+1)/dis;

if DL<0

[a,b]=min(dist(route(i-1)+1,end-9:end));

DL=DL+dist(route(i-1)+1,route(i)+1)/dis-a/dis;

if DL<0

c=[c,i-1];

DL=1;

[a,b]=min(dist(route(i-1)+1,end-9:end));

A=[A,b+40];

DL=DL-dist(route(i-1)+1,b+41)/dis;

else

c=[c,i];

DL=1;

[a,b]=min(dist(route(i)+1,end-9:end));

A=[A,b+40];

DL=DL-dist(route(i)+1,b+41)/dis;

end

p_l=p_l+dist(route(end)+1,1);

DL=DL-dist(route(end)+1,1)/dis;

if DL<0

c=[c,n];

DL=1;

[a,b]=min(dist(route(i)+1,end-9:end));

A=[A,b+40];

DL=DL-dist(route(i)+1,b+41)/dis;

end

function [A,c]=cdzwz(dist,route,dis)

dis=0.9*dis;

n=length(route);

p_l=0;

DL=1;

c=[];

A=[];

for i=1:n

if i==1

p_l=p_l+dist(1,route(i)+1);

DL=DL-(dist(1,route(i)+1)/dis);

if DL<0

c=[c,i];

DL=1;

end

else

p_l=p_l+dist(route(i-1)+1,route(i)+1);

DL=DL-dist(route(i-1)+1,route(i)+1)/dis;

if DL<0

[a,b]=min(dist(route(i-1)+1,end-9:end));

DL=DL+dist(route(i-1)+1,route(i)+1)/dis-a/dis;

if DL<0

c=[c,i-1];

DL=1;

[a,b]=min(dist(route(i-1)+1,end-9:end));

A=[A,b+40];

DL=DL-dist(route(i-1)+1,b+41)/dis;

else

c=[c,i];

DL=1;

[a,b]=min(dist(route(i)+1,end-9:end));

A=[A,b+40];

DL=DL-dist(route(i)+1,b+41)/dis;

end

p_l=p_l+dist(route(end)+1,1);

DL=DL-dist(route(end)+1,1)/dis;

if DL<0

c=[c,n];

DL=1;

[a,b]=min(dist(route(i)+1,end-9:end));

A=[A,b+40];

DL=DL-dist(route(i)+1,b+41)/dis;

end

function [A,c]=cdzwz(dist,route,dis)

dis=0.9*dis;

n=length(route);

p_l=0;

DL=1;

c=[];

A=[];

for i=1:n

if i==1

p_l=p_l+dist(1,route(i)+1);

DL=DL-(dist(1,route(i)+1)/dis);

if DL<0

c=[c,i];

DL=1;

end

else

p_l=p_l+dist(route(i-1)+1,route(i)+1);

DL=DL-dist(route(i-1)+1,route(i)+1)/dis;

if DL<0

[a,b]=min(dist(route(i-1)+1,end-9:end));

DL=DL+dist(route(i-1)+1,route(i)+1)/dis-a/dis;

if DL<0

c=[c,i-1];

DL=1;

[a,b]=min(dist(route(i-1)+1,end-9:end));

A=[A,b+40];

DL=DL-dist(route(i-1)+1,b+41)/dis;

else

c=[c,i];

DL=1;

[a,b]=min(dist(route(i)+1,end-9:end));

A=[A,b+40];

DL=DL-dist(route(i)+1,b+41)/dis;

end

p_l=p_l+dist(route(end)+1,1);

DL=DL-dist(route(end)+1,1)/dis;

if DL<0

c=[c,n];

DL=1;

[a,b]=min(dist(route(i)+1,end-9:end));

A=[A,b+40];

DL=DL-dist(route(i)+1,b+41)/dis;

end

%% 根据vehicles_customer整理出final_vehicles_customer，将vehicles_customer中空的数组移除

function [ final_VC,VU ] = deal_vehicles_customer( VC )

vecnum=size(VC,1); %车辆数

final_VC={}; %整理后的vehicles_customer

count=1;%计数器

for i=1:vecnum

par_seq=VC{i}; %每辆车所经过的顾客

%如果该辆车所经过顾客的数量不为0，则将其所经过的顾客数组添加到final_vehicles_customer中

if ~isempty(par_seq)

final_VC{count}=par_seq;

count=count+1;

end

%% 为了容易看，将上述生成的1行多列的final_vehicles_customer转置了，变成多行1列的了

final_VC=final_VC';

VU=size(final_VC,1); %所使用的车辆数

end

%% 根据vehicles_customer整理出final_vehicles_customer，将vehicles_customer中空的数组移除

function [ final_VC,VU ] = deal_vehicles_customer( VC )

vecnum=size(VC,1); %车辆数

final_VC={}; %整理后的vehicles_customer

count=1;%计数器

for i=1:vecnum

par_seq=VC{i}; %每辆车所经过的顾客

%如果该辆车所经过顾客的数量不为0，则将其所经过的顾客数组添加到final_vehicles_customer中

if ~isempty(par_seq)

final_VC{count}=par_seq;

count=count+1;

end

%% 为了容易看，将上述生成的1行多列的final_vehicles_customer转置了，变成多行1列的了

final_VC=final_VC';

VU=size(final_VC,1); %所使用的车辆数

end

3 仿真结果

4 参考文献

[1]丁建伟. 基于遗传算法的多式联运应急管理研究[J]. 电脑开发与应用, , 22(1):3.

博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，相关matlab代码问题可私信交流。

部分理论引用网络文献，若有侵权联系博主删除。

本内容不代表本网观点和政治立场，如有侵犯你的权益请联系我们处理。

网友评论

网友评论仅供其表达个人看法，并不表明网站立场。