matlab遗传算法外卖配送优化（新的约束条件）【matlab优化算法十六】

模型

问题假设
在外卖配送过程中，会出现很多种不确定情况导致配送时间的浪费，如配送过程中物品损伤，如果配送车辆装载过多，会导致物品挤压破损；当天天气情况的不稳定导致配送不及时；某交通路段发生交通事故等不可人为控制的情况。为了减少外部因素对本次配送路径优化的影响，针对外卖配送过程中出现上述所描述的情况进行如下问题假设:
(1)一个客户的订单只能由一个配送员配送，且配送员接受一个订单后，先完成该订单才能接另一个客户订单。
(2)每条送餐路径的配送时间小于配送车辆的最大行驶时间。
(3)忽略天气、车祸、配送车辆行驶过程中无法使用等不可控的外界因素。
(4)确保每辆车从配送中心出发，完成配送任务后，最终返回到配送中心。
(5)每个客户仅能服务配送一次。
(6)由于配送车辆在行驶过程中的速度是不可控的，为了可以方便计算路线规划效果，将行驶速度规定为某个固定值。
2.2模型参数
模型主要参数如下：
N = {O}∪N＋∪N－:表示所有节点的集合，包括配送中心(O)，n个订单中所有餐馆的集合N ＋以及所有客户的集合N－；
A = { (i,j) | i ∈ N , j ∈ N} : 表示所有弧的集合
R：表示订单集合
其中订单 r = (pr,dr)，pr∈N＋，dr∈N－
K:配送车辆数；
L：配送车辆最大行驶里程限制
Zrk:表示将订单分派给车辆k时为1，否则为0
Xijk:表示第k辆车从结点i行驶到结点j时为1，否则为0
v: 表示配送速度
dij =|xi-xj|+|yi-yj|:表示两点之间的距离
tij:表示结点i到结点j之间的行驶的时间
C1:单位距离成本(KM)
C2:单位惩罚成本(min)
Wi:配送员在节点i的停留时间
Tick:第k个配送员没有在规定时间到达节点i时受到的惩罚时间
Li:节点i的最晚服务时间
Ti:配送员到达节点i的时间
2.3模型建立
针对本论文的目标，建立如下的模型:
Min Z = ∑k∈K(∑i∈N∑j∈NC1dijXijk) + ∑k∈K (C2 * ∑i∈N Tick) (1)
s.t.
∑k∈K Zrk =1，∀r∈R (2)
确保每一张订单有且只由一辆车来完成

Zrk=∑i∈N Xi(pr)k=X(pr)(dr)k=∑j∈N X (dr)jk ∀k∈K (3)
确保每个订单都能被选中的车进行正确服务

∑k∈K∑j∈N Xijk=1，∀i∈N＋∪N－ (4)
确保每个结点最多被一辆车访问一次

∑j∈N Xo＋jk=∑i∈N Xio－k<= 1，∀k∈K (5)
确保每辆车从配送中心出发，并最终返回到配送中心
可以为0或者1，如果是0说明这辆车没有被使用

∑i∈N Xihk - ∑j∈N Xhjk = 0, ∀k∈K,∀h∈N (6)
确保车辆到达一个结点(非配送中心结点)，一定会从该结点离开

∑ Xijk * dij ≦ L ，∀k∈K,∀i∈N，∀j∈N (7)
车辆最大行驶里程约束

∑k∈K∑j∈N Xo＋jk ≦ K (8)
确保分派出去的配送员数量小于配送员总数

Ti+Wi+tij = Tj ,∀i∈N，∀j∈N (9)
表示配送员从当前节点行驶到下一节点时，到达下一节点的时间为到达前节点的时间、在前节点停留时间和行驶时间之和

T_ick = {█(T_i - L_(i )，T_i - L_(i )>0@0,其他)┤ （10）
表示判断第k个配送员是否需要接受惩罚

clear
clc
close all
tic
%% 用importdata这个函数来读取文件
% shuju=importdata('cc101.txt');
load('zdz');
shuju=c101;
% bl=importdata('103.txt');
bl=0;
cap=20;                                                        %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
% vertexs= vertexs./1000;
customer=zuobiao(2:end,:);                                       %顾客坐标
cusnum=size(customer,1);                                         %顾客数
v_num=6;                                                        %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
h=pdist(zuobiao);
% dist=load('dist1.mat');
% dist=struct2cell(dist);
% dist=cell2mat(dist);
% dist=dist./1000;                                               %实际城市间的距离
dist=squareform(h);                                             %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=900;       %违反晚到时间窗约束的惩罚函数系数
belta2=60;%违反早到时间窗约束的惩罚函数系数
chesu=100;NIND=100;                                                       %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
n=cusnum/2+v_num-1;
nn=cusnum/2;
% N=cusnum;
%% 初始化种群
% init_vc=init(cusnum,a,demands,cap);                             %构造初始解
%% 种群初始化
Chrom=InitPop(NIND,n);
% Chrom=InitPopCW(NIND,N,cusnum,init_vc);
%% 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]=decode(Chrom(1,:),cusnum,cap,demands,a,b,L,s,dist,chesu,bl,nn);
% 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(Chrom,cusnum,cap,demands,a,b,L,s,dist,alpha,belta,belta2,chesu,bl,nn);             %计算种群目标函数值
preObjV=min(ObjV);
while gen<=MAXGEN%% 计算适应度ObjV=calObj(Chrom,cusnum,cap,demands,a,b,L,s,dist,alpha,belta,belta2,chesu,bl,nn);             %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);%% 局部搜索操作
%     SelCh=LocalSearch(SelCh,cusnum,cap,demands,a,b,L,s,dist,alpha,belta,belta2,chesu,bl);%% 重插入子代的新种群Chrom=Reins(Chrom,SelCh,ObjV);%% 删除种群中重复个体，并补齐删除的个体
%     Chrom=deal_Repeat(Chrom);%% 打印当前最优解ObjV=calObj(Chrom,cusnum,cap,demands,a,b,L,s,dist,alpha,belta,belta2,chesu,bl,nn);             %计算种群目标函数值[minObjV,minInd]=min(ObjV);disp(['第',num2str(gen),'代最优解:'])[bestVC,bestNV,bestTD]=decode(Chrom(minInd(1),:),cusnum,cap,demands,a,b,L,s,dist,chesu,bl,nn);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(Chrom,cusnum,cap,demands,a,b,L,s,dist,alpha,belta,belta2,chesu,bl,nn);             %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),:);
[bestVC,bestNV,bestTD]=decode(bestChrom,cusnum,cap,demands,a,b,L,s,dist,chesu,bl,nn);
disp(['车辆使用数目：',num2str(bestNV),'，车辆行驶总距离：',num2str(bestTD)]);
disp('-------------------------------------------------------------')%% 画出最终路线图
draw_Best(bestVC,zuobiao,nn);
% save c101.mat
% toc

如需帮助V：zhangshu2274

matlab遗传算法外卖配送优化（新的约束条件）【matlab优化算法十六】相关推荐

【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 ...
Linux性能优化实战学习笔记：第四十六讲=====实战分析
Linux性能优化实战学习笔记:第四十六讲一.上节回顾不知不觉,我们已经学完了整个专栏的四大基础模块,即 CPU.内存.文件系统和磁盘 I/O.以及网络的性能分析和优化.相信你已经掌握了这些基础模 ...
matlab求解外卖配送路径优化
模型限制条件 1.先取后送 2.多骑手 3.载重限制如需帮助请私聊 tic clear clc %% 用importdata这个函数来读取文件 data=importdata('data3.mat' ...
【GA三维路径规划】基于matlab遗传算法无人机三维路径规划【含Matlab源码 1268期】
一.无人机简介 0 引言随着现代技术的发展,飞行器种类不断变多,应用也日趋专一化.完善化,如专门用作植保的大疆PS-X625无人机,用作街景拍摄与监控巡察的宝鸡行翼航空科技的X8无人机,以及用作水下 ...
【GA三维路径规划】基于matlab遗传算法无人机三维路径规划【含Matlab源码 1526期】
一.无人机简介 0 引言随着现代技术的发展,飞行器种类不断变多,应用也日趋专一化.完善化,如专门用作植保的大疆PS-X625无人机,用作街景拍摄与监控巡察的宝鸡行翼航空科技的X8无人机,以及用作水下 ...
【无人机编队规划】基于matlab遗传算法无人机编队位置规划【含Matlab源码 1987期】
⛄一.遗传操作简介 1 选择由于遗传操作只在邻居之间进行, 对于每一个中心元胞, 只在它的邻居元胞内选择个体遗传到下一代.在此, 使用轮盘赌的方式进行个体选择, 对于每一个邻居元胞内的个体, 分别计 ...
ga tsp matlab,遗传算法（GA）求解TSP问题MATLAB程序
本程序求解常见的组合优化问题TSP问题,如果仅仅是用一个程序去求解一个优化问题,显然这样的工作意义并不大.主要是因为求解的好坏往往是很难评价的,另外尤其对于遗传算法来说,遗传算法交叉变异方法不同,交 ...
Matlab遗传算法与TSP问题的结合
Matlab遗传算法与TSP问题的结合目录 Matlab遗传算法与TSP问题的结合准备遗传算法+TSP问题 TSP问题邻接矩阵遗传算法种群初始化和计算初始种群适应度计算适应度个体选择 ...
人工智能算法在外卖配送系统中的应用和前景
随着人们对于外卖服务需求的增加,外卖配送系统的效率和精确度成为了重要的考虑因素.而人工智能算法的出现,则为外卖配送系统提供了更好的解决方案. 一.应用场景 1.1 路线规划在外卖配送过程中,路线的规 ...

matlab遗传算法外卖配送优化（新的约束条件）【matlab优化算法十六】

模型

matlab遗传算法外卖配送优化（新的约束条件）【matlab优化算法十六】相关推荐

最新文章

热门文章