matlab遗传算法选址（多约束条件）
模型
配送网点包括：
自提柜——提供自提服务
联盟网点——提供送货上门或自提
在一个区域内有x个备选的用来提供两种服务的配送网点,已知备选共同配送网点的单日成本和可以提供的最大运营能力。有x个客户需求点,已知各个需求点的位置和需求量，并且每个需求点都存在【自提】和【送货上门】两种末端配送需求，
网点用s表示——数量x个
客户点用t表示——数量y个
L——网点类型，L={M,N},l=M,联盟网点 l=N自提柜
P——客户需求类型，P={m，n，o}p=m 送货上门 p=n 自提 p=o 既有送货又有自提
Csl——l类型网点S固定成本
qtp ——P类型客户点t的日均订单量
dl——L类型网点s的最小服务半径
Dl——L类型网点s的最大服务半径
dlst——L类型网点s到客户t的距离
λt——需要送货上门客户占比
1-λt——需要自提的客户占比
决策变量：
Xsl——0-1变量 表示是否选择l类型网点作为配送网点
Ystlp——0-1变量 表示l类型网点s是否为 p 类型客户提供服务
主程序展示
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
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）
如需帮助
VX：zhangshu2274
matlab遗传算法选址（多约束条件）相关推荐
- 基于Matlab遗传算法工具箱解决物流中心选址
目录 1.问题 2.建模 3.Matlab编程.求解 1.问题 物流配送中6个客户的位置坐标和配数数量如表1所示,如何设置物流配数中心使得配送量最小. 2.建模 3.Matlab编程.求解 编写目标函 ...
- MATLAB遗传算法求解超市物流配送选址问题实例
遗传算法编程问题实例: MATLAB遗传算法求解超市物流配送中心选址问题代码实例 添加链接描述 在范围为(0,0)到(100,100)的矩形区域内,散布着40个连锁超市,各个连锁超市的坐标及需求量见表 ...
- MATLAB遗传算法求解物流配送中心选址问题优化代码实例
1.简介 物流分配中心选址问题是指一定数量的客户,它们有不同数量的货物需求,有一定数量的备选中心作为配送中心.配送中心向客户提供货物的配送服务,现需要选择合适的配送中心位置(选址数量一定)或合适的配送 ...
- 遗传算法 gui matlab,用matlab遗传算法工具gui优化轴承
用matlab遗传算法工具gui优化轴承 设计变量滚珠数目 Z=23 滚珠直径 Db 为变量 1,即 x(1) 节圆直径 dm 为变量 2,即 x(2)fi, fo 分别为轴承内外滚道曲率半径系数 f ...
- 2021-05-11 Matlab遗传算法工具箱的使用及实例(非线性规划)
Matlab遗传算法工具箱的使用及实例(非线性规划) 本文将介绍MATLAB遗传算法工具箱求解非线性规划问题.在阅读本文之前,建议读者阅读上一期"MATLAB遗传算法工具箱求解线性规划问题& ...
- MATLAB遗传算法工具箱的使用及实例(线性规划)
一.引言 在使用遗传算法(Genetic Algorithm,GA)之前,你得了解遗传算法是干什么的.遗传算法一般用于求解优化问题.遗传算法最早是由美国的 John holland于20世纪70年代提 ...
- MATLAB遗传算法工具箱的使用及实例(非线性规划)
本文将介绍MATLAB遗传算法工具箱求解非线性规划问题.在阅读本文之前,建议读者阅读上一期"MATLAB遗传算法工具箱求解线性规划问题".文章传送门:https://blog.cs ...
- c遗传算法的终止条件一般_Matlab2 ：Matlab遗传算法(GA)优4~-r-具箱是基于基本操作 联合开发网 - pudn.com...
Matlab2 所属分类:matlab例程 开发工具:PDF 文件大小:115KB 下载次数:76 上传日期:2007-09-07 20:04:29 上 传 者:钱广 说明: :Matlab遗传算法 ...
- matlab bs2rv.m,matlab遗传算法工具箱中的例子不能用？
matlab遗传算法工具箱中的例子不能用,我也发现了,求助 figure(1); fplot('variable.*sin(10*pi*variable)+2.0',[-1,2]); %画出函数曲 ...
- 【生产优化】基于matlab遗传算法求解帐篷工序问题【含Matlab源码 2145期】
⛄一.获取代码方式 获取代码方式1: 完整代码已上传我的资源: [生产优化]基于matlab遗传算法求解帐篷工序问题[含Matlab源码 2145期] 点击上面蓝色字体,直接付费下载,即可. 获取代码 ...
最新文章
- SQL Server 2005下的分页SQL
- git命令每次都要输入账号密码解决方法
- jquery问题，如何调用带this的函数？
- JVM内存占用情况深入分析，分分钟解开你的疑惑
- 005 Android之数据存储
- thinkphp5+workerman搭建微信小程序socket后台，建立自己的聊天室
- HDFS的块缓存和访问权限
- tomcat配置与优化
- 大数据能否力挽国足败落狂澜？
- iOS:iOS开发系列–打造自己的“美图秀秀”(中)
- web前端页面——移动端简单登录页面、下拉菜单（代码详细注释）
- Android Lint简介
- vue json对象转数组_Vue优秀表单组件，用Vue构建表单的最简单方法——Vue Formulate
- 解析dex2oat的实现
- Python web客户端编程简单示例
- 用正则表达式提取富文本内容(去除html，p，a等标签)
- SwiftUI中如何使用App Tracking Transparency Framework
- kaggle医学图像中的CT值(Hounsfield Unit)
- 0.1.2 arduinodroid安卓手机版开发工具
- 决策树实现预测是否购买点电脑