matlab解决LRP类型的多配送中心路径优化问题

问题描述

**
有关多配送中心的选址-路径优化问题，一般是通过基于区域内的客户需要求，对配送中心进行合理的选址以及配送中心的车辆调度以及路径优化。在给出的配送中心候选点位置已知，需要在给出的这些位置中，通过与顾客需求，车辆类型及容量，配送时间窗等约束，将路径长度，配送成本等目标条件中，建立模型，找到最优的配送方式。
本文目标函数为：
配送中心成本–所以需要确定配送中心位置，即为选址
运输成本–所以需要确定配送路径，配送车辆类型
时间惩罚成本–配送时间窗
约束：
（懒得插入公式凑合着看）

主函数代码：
c101的数据来自http://web.cba.neu.edu/~msolomon/problems.htm 大家可以在这个网站找自己需要的数据，然后对数据进行修改。

clear
clc
close all
load('c101');
shuju=c101
cap=[50 60 70];                                                        %车辆最大装载量
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=10;                                                        %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);    %% 遗传算法参数设置
alpha=10;                                                       %违反的容量约束的惩罚函数系数
belta=1;%违反时间窗约束的惩罚函数系数
belta2=1;
NIND=200;                                                       %种群大小
MAXGEN=200;                                                     %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
pppp=rand(NIND,1);
fpfa=clsjfp(pppp,v_num);%随机分配车辆
dpszx = struct('ps',[], 'Chrom',[]);
dpszx.Chrom=InitPopCW(NIND,N,cusnum,a,demands,cap,fpfa);     %构造初始解
ps=pszxxz(dpszx.Chrom,cusnum);
fp=clfprl(dpszx.Chrom,cusnum,v_num,fpfa);
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);
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,fp);             %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,fp);             %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);
%     FitnV%% 选择[SelCh,psc,fpc]=Select(dpszx.Chrom,FitnV,GGAP,ps,fp);%% OX交叉操作[SelCh,psc,fpc]=Recombin(SelCh,Pc,psc,fpc,cusnum,a,demands,cap,v_num,fpfa);%% 变异[SelCh,psc,fpc,]=Mutate(SelCh,Pm,psc,fpc,cusnum,a,demands,cap,v_num,fpfa);%% 重插入子代的新种群[dpszx.Chrom,ps,fp]=Reins(dpszx.Chrom,SelCh,ObjV,psc,ps,fpc,fp);   %% 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,fp);             %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,fp);             %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);
%-------------如需帮忙V：18332607515

运行结果：
此程序为遗传算法，并没有太多的优化，后续可以再加上局部搜索进行优化，目前仅为展示

可以看到这是不同的类型的车辆分配方案：

这是每个配送中心的任务量：

matlab解决LRP类型的多配送中心路径优化问题相关推荐

遗传算法配送路径优化java_基于遗传算法的配送中心路径优化问题分析
1. 引言 VRP问题指车辆路线优化问题,一般而言,有一个或多个供应点,多个需求点有不同的货物需求,分析如何组织货车在这些需求点中进行配送从而达到总里程最小.配送时间最短.总成本最低等目标.VRP问题 ...
【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
1 数学模型 (1)有关模型的说明和假设 1)模型中的已知量有:各需求点的位置坐标.各需求点的物料需求数量,各需求点的物料的到达时间要求,配送中心到各需求点的最短行驶距离,各需求点互相之间的最短运输距 ...
【路径规划】基于蚁群算法的多配送中心车辆路径优化方法matlab代码
1模型介绍一种基于蚁群算法的多配送中心车辆路径优化方法,首先,针对多配送中心车辆路径优化问题,对各个客户点设计了以最近配送中心为启发式信息的惩罚函数;其次,将具有上述启发式信息的罚函数加入到各配送点 ...
【路径规划】基于matlab汽车零部件循环取货路径优化（三维装载约束）【含Matlab源码 1100期】
⛄一.简介 1 问题描述: 在考虑汽车零部件包装箱长.宽.高等三维尺寸的约束下,以配送中心为原点,分派多辆同一规格的货车到n个供应商处取货,最后回到配送中心.本章所构建的三维装载约束下的汽车零部件循环 ...
matlab获取目录中图像名称及路径的递归实现
一个matlab获取目录中图像名称及路径的递归实现~ matlab源文件 getImageList.m [c-sharp] view plaincopyprint? function [ imageL ...
matlab遗传算法配送路径,基于遗传算法的生鲜配送的路径优化问题
樊倩熊雷鸣邵晓根孔亮摘要:为了响应国家低碳经济的号召,为了降低物流行业的成本,提高商品配送的质量和效率,该文提出了基于遗传算法的生鲜配送的路径优化模型,并针对具体案例进行了仿真,初始的行驶距离 ...
燃油运输问题matlab,运输问题用matlab解决
摘要本文主要研究的是货物运输的最短路径问题,利用图论中的 Floyd 算法.Kruskal 算法,以及整数规划的方法建立相关问题的模型,通过 matlab,lingo 编程求解出最终结果...... ...
matlab改进大规模邻域搜索算法求解路径优化
近年来,随着环境问题的日益突出,越来越多物流配送企业开始使用节能环保的电动物流车. 但是由于续航里程有限及充电设施布局不完善等问题,电动车并不能完全代替燃油车,所以大多物流企业目前主要采用电动车与燃油 ...
matlab物流配送最优路径,基于Matlab物流配送路径优化问题遗传算法的实现
第 29 卷总第 131 期 ·物流商坛· 收稿日期: 2005-12-22 作者简介: 弓晋丽(1983- ), 女, 山西文水人, 长安大学汽车学院硕士研究生, 研究方向: 物流系统, 道路运输与 ...

matlab解决LRP类型的多配送中心路径优化问题

问题描述

matlab解决LRP类型的多配送中心路径优化问题相关推荐

最新文章

热门文章