【路径规划】模拟退火算法结合LNS求解车辆路径规划问题【含Matlab源码 2333期】

最新推荐文章于 2023-12-02 22:01:40 发布

Matlab武动乾坤

最新推荐文章于 2023-12-02 22:01:40 发布

阅读量189

点赞数 1

分类专栏： Matlab路径规划（进阶版）文章标签： matlab

本文链接：https://blog.csdn.net/KeepingMatlab/article/details/134593827

版权

Matlab路径规划（进阶版）专栏收录该内容

969 篇文章 39 订阅

订阅专栏

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。

⛄一、模拟退火算法简介

1 模拟退火算法的原理
模拟退火算法（SA）是一种适用于大规模组合优化问题的有效近似算法，来源于对固体退火过程的模拟。统计力学表明，在给定初始温度的条件下，通过将温度缓慢降低，微观粒子会在各个温度达到热平衡状态，当物体冷却到常温时达到基态，内能达到最小。模拟固体退火的过程，给定一个初始温度和初始解，随着温度的下降，每一个温度状态下，通过解的变换生成新的解。如果解的目标函数值小于前一个解，接受当前解；否则，以概率接受新解。最终的解是迭代寻优的结果。模拟退火算法以概率突跳性，能够跳出局部最优陷阱，找到全局最优解。模拟退火算法依据Metropolis接收准则接受新解，而不是使用完全确定的规则。它构成了模拟退火算法退火过程的基础。当固体从状态i经过降温变化到状态j，它所具有的能量从E(i）变化到E(j）。显然，如果E(j)<E(i），接受新的状态j。否则，依据概率P接受新解。
在这里插入图片描述
其中，K是物理学波尔兹曼常数，T是固体的温度。

这种概率，在路径规划的问题中，就是当新解的目标函数值小于原来的解的函数值，新解仍被接受的概率。以x表示温度T下的一个解，通过退火，可以生成一个新解x′。那么，接收x′的概率为：
在这里插入图片描述
2 模拟退火算法模型的建立
2.1 目标函数
首先，规定解空间。对销售点B,C,U重新进行编号（2,3，…，21),A点为产业园，既是起点也是终点，将它进行两次编号，记为1号和22号，以便于程序计算。问题转化为求解从1出发，走遍所有中间点，到达22的一个最短路径。本文通过运用百度拾取坐标系统，获得产业园和商铺点的经纬度信息。由于，本文选取的点的范围在徐州都市圈，两点之间的曲线距离可以近似看作直线距离。用k1和k2分别表示经度、纬度和千米的换算系数，将经纬度转换为千米。通过改进坐标距离公式计算距离：
计算得到皮草产业园和所有销售点中，任意两点间的距离，构成一个对称矩阵D=(dij)22×22。规定z1,z2，…，z22中，z2,z3，…z21，是由2～21随机打乱得到的一组数，则dzizi+1表示所有可能路径中，第i个和第i+1个经过的点间的距离。目标函数为运输经过所有目标的路径长度最小：
在这里插入图片描述
2.2 模拟退火算法实现过程
Step 1初始化
通过MATLAB随机模拟数给定初始路径，计算得到初始路径长度。设定初始温度T(0)=1。

Step 2产生新解
运用变换法，任选序号a,b(a<b），交换a和b之间的顺序，得到新的路径：
在这里插入图片描述
Step 3判定标准
新路径与原路径长度的差可以表示为：

当路径差Δf<0时，用新路径代替原路径。否则，以概率exp（-Δf/T）接受新的路径。
Step 4重复步骤2和步骤3，进行迭代。
Step 5结束条件
选用降温系数α，令T←αT，得到新的温度。当温度降至终止温度，算法结束，输出当前状态。

⛄二、部分源代码

clc;
clearvars;
close all;

%% Problem Definition

model=CreateModel(); % Select Model of the Problem
CostFunction=@(q) MyCost(q,model); % Cost Function

alpha1=0.15; %percent of destroy customers

%% SA Parameters

MaxIt=400; % Maximum Number of Iterations

T0=10; % Initial Temperature

alpha=0.2; % Temperature Damping Rate

tour=parallel_savings_init(model); % Create initail solution by CW Saving
tour(cellfun(@(routes) any(isnan(routes)),tour)) = [];
for i=1:numel(tour)
tour{i}=[1,tour{i},1];
end

x.tour=tour;

x.Cost=DisAllRoute(model,x.tour);

% Update Best Solution Ever Found
BestSol=x;

% Array to Hold Best Cost Values
BestCost=zeros(MaxIt,3);

T=T0;

tic;
%% SA Main Loop

for it=1:MaxIt

% Create Destroy
[xnew.Ldestroy,xnew.list,m]=CreateDestroy(model,x.tour,alpha1);
try

    [xnew.Lrepair,xnew.unrouted,n]=CreateRepair(model,xnew);
catch
    break
end
xnew.Cost=DisAllRoute(model,xnew.Lrepair);



if xnew.Cost<=x.Cost
    % xnew is better, so it is accepted
    x=xnew;
    x.tour=xnew.Lrepair;

    if rand<=p
        x=xnew;
        x.tour=xnew.Lrepair;
    end

end

% Update Best Solution
if x.Cost<=BestSol.Cost
    BestSol=x;

end

%% Results
disp([’ Time = ’ num2str(toc)]);

disp([‘GAP LNS = ’ (num2str((min(BestCost(:,3))-model.Best)/model.Best*100)) ’ %’]);

figure(1);
plot(BestCost(:,3),‘LineWidth’,2);
xlabel(‘Iteration’);
ylabel(“Cost”);

figure(2);
PlotSolution(model,BestSol.tour);

⛄三、运行结果

在这里插入图片描述

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]王旭颖,杨金云,陈哲,倪秋铭,刘朱丹.基于模拟退火算法的电商物流配送问题研究[J].中国管理信息化. 2021,24(07)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流人群疏散病毒扩散晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合