【配送路径规划】基于matlab遗传算法求解单配送中心多客户多车辆最短路径规划问题【含Matlab源码 1602期】
一、VRP简介
1 VRP基本原理
车辆路径规划问题(Vehicle Routing Problem,VRP)是运筹学里重要的研究问题之一。VRP关注有一个供货商与K个销售点的路径规划的情况,可以简述为:对一系列发货点和收货点,组织调用一定的车辆,安排适当的行车路线,使车辆有序地通过它们,在满足指定的约束条件下(例如:货物的需求量与发货量,交发货时间,车辆容量限制,行驶里程限制,行驶时间限制等),力争实现一定的目标(如车辆空驶总里程最短,运输总费用最低,车辆按一定时间到达,使用的车辆数最小等)。
VRP的图例如下所示:
2 问题属性与常见问题
车辆路径问题的特性比较复杂,总的来说包含四个方面的属性:
(1)地址特性包括:车场数目、需求类型、作业要求。
(2)车辆特性包括:车辆数量、载重量约束、可运载品种约束、运行路线约束、工作时间约束。
(3)问题的其他特性。
(4)目标函数可能是总成本极小化,或者极小化最大作业成本,或者最大化准时作业。
3 常见问题有以下几类:
(1)旅行商问题
(2)带容量约束的车辆路线问题(CVRP)
该模型很难拓展到VRP的其他场景,并且不知道具体车辆的执行路径,因此对其模型继续改进。
(3)带时间窗的车辆路线问题
由于VRP问题的持续发展,考虑需求点对于车辆到达的时间有所要求之下,在车辆途程问题之中加入时窗的限制,便成为带时间窗车辆路径问题(VRP with Time Windows, VRPTW)。带时间窗车辆路径问题(VRPTW)是在VRP上加上了客户的被访问的时间窗约束。在VRPTW问题中,除了行驶成本之外, 成本函数还要包括由于早到某个客户而引起的等待时间和客户需要的服务时间。在VRPTW中,车辆除了要满足VRP问题的限制之外,还必须要满足需求点的时窗限制,而需求点的时窗限制可以分为两种,一种是硬时窗(Hard Time Window),硬时窗要求车辆必须要在时窗内到达,早到必须等待,而迟到则拒收;另一种是软时窗(Soft Time Window),不一定要在时窗内到达,但是在时窗之外到达必须要处罚,以处罚替代等待与拒收是软时窗与硬时窗最大的不同。
模型2(参考2017 A generalized formulation for vehicle routing problems):
该模型为2维决策变量
(4)收集和分发问题
(5)多车场车辆路线问题
参考(2005 lim,多车场车辆路径问题的遗传算法_邹彤, 1996 renaud)
由于车辆是同质的,这里的建模在变量中没有加入车辆的维度。
(6)优先约束车辆路线问题
(7)相容性约束车辆路线问题
(8)随机需求车辆路线问题
4 解决方案
(1)数学解析法
(2)人机交互法
(3)先分组再排路线法
(4)先排路线再分组法
(5)节省或插入法
(6)改善或交换法
(7)数学规划近似法
(8)启发式算法
5 VRP与VRPTW对比
二、遗传算法简介
1 引言
2 遗传算法理论
2.1 遗传算法的生物学基础
2.2 遗传算法的理论基础
2.3 遗传算法的基本概念
2.4 标准的遗传算法
2.5 遗传算法的特点
2.6 遗传算法的改进方向
3 遗传算法流程
4 关键参数说明
三、部分源代码
clc; clear;precision = 8; % binary string length
ngenerations = 100; % number of iterations
npop = 40; % population sizeemp.gene = [];emp.x1=[];emp.x2=[];emp.fit=[];
optimized_path = repmat(emp,10,1);
perfect_path = repmat(emp,1,1);
perfect_path.fit = Inf;% run the algorithm 50 times
for i = 1:50[optimized_path(i)] = GA(precision, ngenerations, npop);% if NOT satisfy the meaning , unvalid generationweight1 = cal_weight(optimized_path(i).x1);weight2 = cal_weight(optimized_path(i).x2);if (weight1 ~= 0) && (weight2 ~= 0) && (weight1 <= 8) && (weight2 <= 8) ...&& (optimized_path(i).fit < perfect_path.fit)perfect_path = optimized_path(i);end
end% print the results
path1 = perfect_path.x1;
fprintf('小车1的行走路线为:');
for i = 1 : size(path1, 2)if i > 1 && i <= size(path1, 2)fprintf(' -> ');endfprintf('%d', path1(i));
end
fprintf('\n');
path2 = perfect_path.x2;
fprintf('小车2的行走路线为:');
for i = 1 : size(path2, 2)if i > 1 && i <= size(path2, 2)fprintf(' -> ');end fprintf('%d', path2(i));
end
fprintf('\n两辆车行驶的总距离为: %.2f km \n', perfect_path.fit);
function [child1, child2] = crossover(parent1, parent2, pc, stringlength, road)if (rand<pc)% determine site for single point crossovercpoint = randi([1 stringlength]);% perform crossoverchild1.gene = [parent1.gene(:,1:cpoint) parent2.gene(:,cpoint+1:stringlength)];child2.gene = [parent2.gene(:,1:cpoint) parent1.gene(:,cpoint+1:stringlength)];child1.gene = Unique(child1.gene,1:cpoint);child2.gene = Unique(child2.gene,1:cpoint);% update value of x after crossover in the variable child.xxpath = (child1.gene==road.src | child1.gene==road.dest); % variable child1index = find(path, 8);% record pathpath1 = []; path2 = [];for subindex = 1:stringlengthif subindex<=index(2) && subindex>=index(1)[path1] = [path1 child1.gene(subindex)];else[path2] = [path2 child1.gene(subindex)];endendchild1.x1 = [0 path1 0]; % recordingchild1.x2 = [0 path2 0];path = (child2.gene==road.src | child2.gene==road.dest); % variable child2index = find(path, 8);% record pathpath1 = []; path2 = [];for subindex = 1:stringlengthif subindex<=index(2) && subindex>=index(1)[path1] = [path1 child2.gene(subindex)];else[path2] = [path2 child2.gene(subindex)];endendchild2.x1 = [0 path1 0];child2.x2 = [0 path2 0];% update function value and store in the variable child.fitsize1 = size(child1.x1,2);size2 = size(child1.x2,2);distance1 = 0; distance2 = 0;for s1_1 = 1:(size1-1)s1_2 = s1_1+1;distance1 = distance1 + cal_distance(child1.x1(s1_1), child1.x1(s1_2));endfor s2_1 = 1:(size2-1)s2_2 = s2_1+1;distance2 = distance2 + cal_distance(child1.x2(s2_1), child1.x2(s2_2));endchild1.fit = distance1+distance2;size1 = size(child2.x1,2);size2 = size(child2.x2,2);distance1 = 0; distance2 = 0;for s1_1 = 1:(size1-1)s1_2 = s1_1+1;distance1 = distance1 + cal_distance(child2.x1(s1_1), child2.x1(s1_2));endfor s2_1 = 1:(size2-1)s2_2 = s2_1+1;distance2 = distance2 + cal_distance(child2.x2(s2_1), child2.x2(s2_2));endchild2.fit = distance1+distance2;elsechild1 = parent1;child2 = parent1;end
end
四、运行结果
五、matlab版本及参考文献
1 matlab版本
2014a
2 参考文献
[1] 包子阳,余继周,杨杉.智能优化算法及其MATLAB实例(第2版)[M].电子工业出版社,2016.
[2]张岩,吴水根.MATLAB优化算法源代码[M].清华大学出版社,2017.
【配送路径规划】基于matlab遗传算法求解单配送中心多客户多车辆最短路径规划问题【含Matlab源码 1602期】相关推荐
- 【Matlab语音隐写】DCT+DWT音频数字水印嵌入提取【含GUI源码 836期】
一.代码运行视频(哔哩哔哩) [Matlab语音隐写]DCT+DWT音频数字水印嵌入提取[含GUI源码 836期] 二.matlab版本及参考文献 1 matlab版本 2014a 2 参考文献 [1 ...
- 【Matlab路径规划】改进的遗传算法机器人避障路径规划【含GUI源码 703期】
一.代码运行视频(哔哩哔哩) [Matlab路径规划]改进的遗传算法机器人避障路径规划[含GUI源码 703期] 二.matlab版本及参考文献 1 matlab版本 2014a 2 参考文献 [1] ...
- 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 ...
- 【Matlab验证码识别】遗传算法和最大熵优化+大津法(OTSU)+自定义阈值数字验证码识别【含GUI源码 1694期】
一.代码运行视频(哔哩哔哩) [Matlab验证码识别]遗传算法和最大熵优化+大津法(OTSU)+自定义阈值数字验证码识别[含GUI源码 1694期] 二.matlab版本及参考文献 1 matlab ...
- 【Matlab生物电信号】生物电信号仿真【含GUI源码 684期】
一.代码运行视频(哔哩哔哩) [Matlab生物电信号]生物电信号仿真[含GUI源码 684期] 二.matlab版本及参考文献 1 matlab版本 2014a 2 参考文献 [1]董兵,超于毅,李 ...
- 【Matlab语音分析】语音信号分析【含GUI源码 1718期】
一.代码运行视频(哔哩哔哩) [Matlab语音分析]语音信号分析[含GUI源码 1718期] 二.matlab版本及参考文献 1 matlab版本 2014a 2 参考文献 [1]韩纪庆,张磊,郑铁 ...
- 【Matlab人脸识别】BP神经网络人脸识别(含识别率)【含GUI源码 891期】
一.代码运行视频(哔哩哔哩) [Matlab人脸识别]BP神经网络人脸识别(含识别率)[含GUI源码 891期] 二.matlab版本及参考文献 1 matlab版本 2014a 2 参考文献 [1] ...
- 【Matlab人脸识别】形态学教室人数统计(带面板)【含GUI源码 1703期】
一.代码运行视频(哔哩哔哩) [Matlab人脸识别]形态学教室人数统计(带面板)[含GUI源码 1703期] 二.matlab版本及参考文献 1 matlab版本 2014a 2 参考文献 [1]孟 ...
- 【Matlab人脸识别】人脸实时检测与跟踪【含GUI源码 673期】
一.代码运行视频(哔哩哔哩) [Matlab人脸识别]人脸实时检测与跟踪[含GUI源码 673期] 二.matlab版本及参考文献 1 matlab版本 2014a 2 参考文献 [1]孟逸凡,柳益君 ...
- 【Matlab图像融合】小波变换遥感图像融合【含GUI源码 744期】
一.代码运行视频(哔哩哔哩) [Matlab图像融合]小波变换遥感图像融合[含GUI源码 744期] 二.matlab版本及参考文献 1 matlab版本 2014a 2 参考文献 [1] 包子阳,余 ...
最新文章
- C++去掉字符串首尾的特殊字符(比如空格)
- oracle查询某个用户下的所有视图
- 浙大计算机系可以转专业吗,求教。。浙大转专业容易吗
- React开发(202):react代码分割之import导入导出
- Oracle11g修改实例名和数据库名
- (组合数学笔记)格点路径问题分析求解
- 抗锯齿_电竞屏+AI抗锯齿,雷神911 Pro游戏本给你更好游戏体验
- word“您的组织策略阻止我们为您完成此操作”解决记录
- 人工智能技术在电气自动化中的应用,主要有哪些?
- 手游传奇有挂吗_传奇手游辅助工具
- 【C语言|数组】数组a、a、a[0]、a[0][0]的区别与联系
- android电视nas的照片,安卓手机为中心的家庭“nas”
- 30岁前,你应该知道的九大潜规则
- hihocoder 1041
- 解决:dockerd: failed to start daemon: Devices cgroup isn‘t mounted
- 度小满数据开发面试真题2
- 《卓有成效的管理者》阅读思路分析
- 交换机和猫、路由器到底有什么区别?
- Windows API 大全
- 软考中级软件设计师——操作系统
热门文章
- 论文阅读笔记——面盒:一种高精度的中央处理器实时人脸检测器
- MySQL-快速入门(10)触发器
- Centos7.0下MySQL的安装
- Python Day56-57 js
- JavaScript数据结构-15.二叉树
- iOS 混合开发 —— 方案分析
- VMware vSphere 服务器虚拟化之十八桌面虚拟化之安装View Composer服务器
- Atitit 接受post raw数据目录1. 接受get参数 11.1. //req.query只能拿到get参数 //post请求使用 body-parser拿到 12. 原生expre
- Atitit 网络技术体系图 目录 1. 的三网融合是	1 1.1. 电话网、有线电视网	1 1.2. 计算机网	1 2. 计算机网	1 2.1. 互联网	1 2.2. 局域网	1 3. 第1章 计
- Atiitt io的stream流的分类 目录 1. 流的优缺点 高性能但复杂	1 1.1. 字节数组更加简单,但性能差点	1 2. Io体系	1 2.1. 字符流 vs 字节流	2 2.2.