【CEVRP】基于matlab粒子群算法求解带容量、电量、充电桩电动车路径规划（目标函数：总行程能耗最低）【含Matlab源码 3331期】

最新推荐文章于 2024-09-30 23:41:42 发布

Matlab研究室

最新推荐文章于 2024-09-30 23:41:42 发布

阅读量1.1k

点赞数 27

分类专栏： Matlab路径规划（研究室版）文章标签： matlab

本文链接：https://blog.csdn.net/Lolyc/article/details/142649318

版权

Matlab路径规划（研究室版）专栏收录该内容

738 篇文章 29 订阅

订阅专栏

💥💥💥💥💞💞💞💞💞💞欢迎来到Matlab研究室博客之家💞💞💞💞💞💞💥💥💥💥
在这里插入图片描述
✅博主简介：985研究生，热爱科研的Matlab仿真开发者，完整代码论文复现程序定制期刊写作科研合作扫描文章底部QQ二维码。
🍎个人主页：Matlab研究室
🏆代码获取方式：扫描文章底部QQ二维码
⛳️座右铭：行百里者，半于九十；路漫漫其修远兮，吾将上下而求索。

更多Matlab路径规划仿真内容点击👇
①Matlab路径规划（研究室版）

⛳️关注微信公众号Matlab王者助手或Matlab海神之光，更多资源等你来！！

⛄一、城市配送系统简介

城市配送系统(city delivery system,CDS)的发展是一个城市提高其公共运输能力的关键。目前国内外许多学者对CDS系统进行了深入研究。其中,车辆路径优化问题是城市配送系统中的重要环节,通过对车辆行驶路径的优化管理可以有效地降低城市配送成本,同时可以提高城市交通效率,节省公共资源,无论对企业还是对社会,都具有重要的意义。本文针CDS的车辆路径规划问题,采用遗传算法(genetic algorithm,GA)作为优化方法,提出一种配送车辆路径规划的设计方案,以实现车辆路径选取的最优决策。

1 配送车辆路径规划
1.1 城市配送系统
城市配送系统的功能构架如图1所示。城市配送系统是联系供应商、信息中心、仓库和消费者之间的重要纽带。

城市配送系统的主要构成如图2所示,其中城市配送网络子系统负责监管城市交通信息,城市配送运营调度系统负责对配送车辆进行调度,城市配送监管系统负责对配送车辆的任务执行情况进行监督管理和实时纠错,城市配送信息处理系统负责对相关信息进行实时分析和处理。GDS系统中较为关键的问题是在上述职能范围内,如何构建一个最优运行框架来实现最优化的配送效益。
在这里插入图片描述
图1 配送系统功能构架

图2 城市配送系统的组成

1.2 车辆路径优化的意义
车辆路径规划(vehicle routing problem,VRP)自从1959年被Dantzig和Ramse提出的之后,迅速引起各领域工程师和管理学者的极大重视,成为工程管理领域的重点和热点问题。

VRP问题是城市配送系统的主要优化问题之一,在城市配送系统中具有重要的意义。从企业运作和社会环保、节能的角度而言,VRP研究的研究意义具体可以概括为以下方面:

通过对配送路线的合理优化,可以有效提高配送效率,从而缩短配送时间,提高服务质量和客户满意度;
通过对配送路线的合理优化,可以有效地降低运输成本,节省资金;
有通过对配送路线的合理优化,可以有效降低车辆占用公路的时间,从而可以缓解交通,减少噪声、尾气排放等运输污染。

2 VRP问题的数学描述
为了便于研究VRP问题的优化策略,首先对VRP问题进行数学描述。假设配送中心和仓库的地理位置均为固定且已知,则仓库与配送中心以及仓库间的位置信息可以由路径距离矩阵描述为
在这里插入图片描述
VRP可行解可以描述为一系列行驶路径的决策的集合,即

其中,ki表示第i条路段决策结果。
VRP优化目标由成本最小化来描述,即运输过程中所产生的固定成本和运输费用,如式(3)所示。

其中:TV为配送车辆在运输过程中的总成本;Ns为运输途中的固定费用;ξ(ki)为在第ki路段上的花费,正比于ki路段的行驶里程,计算式为
在这里插入图片描述
其中: d(·)为距离运算符;Ks为单位里程所需的费用;AK为仓库节点标号。
考虑到在实际配送过程中有许多的条件限制,因此在目标函数上施加一定的约束条件,主要包括:车辆配送过程中所携带的货物量存在上限,且车辆完成配送任务之后须返回出发点以备下次配送任务。
在这里插入图片描述
其中 :Qmax为配送车辆承重上限;q(·) 为载运重量计算符;u为平均车速;T 为配送任务所要求的最大时间限度。

⛄二、部分源代码

clc; clear all;
%设置数据格式
format long;

%% 算例生成和参数设置
N_veh = 3; % 车辆数
Nj = 15; % 任务数
Ne = 4; % 充电桩数量
x = [0 0;
randi([-100, 100], Nj + Ne, 2)]; % 随机生成点的坐标, (0, 0) 是发车中心
Dist = round(squareform(pdist(x)));
W = randi([5,10], 1, Nj); % 任务对应的货物重量
P = 0.1; % 单位耗能
Cap_e = 40; % 车辆最大电能
Cap_w = 40; % 车辆最大载重量
Num = ceil(P*sum(Dist(1,:))/Cap_e); % 估算访问充电桩上限（由于车辆电池容量等的原因，可能存在一趟任务需要去充多次电，这里估算最大充电次数）

% 设置粒子群算法参数
max_iteration = 500; % 最大迭代次数
c1 = 2;
c2 = 2;
w = 0.6;
vmax = 0.8;
swarm_size = 50; % 种群规模（粒子数量）
particle_size = Nj + N_veh * Num; % 粒子维数(顾客和车辆）前1-Nj个数表示交付任务的车辆范围是(1,Nveh+1)，后Nveh*Num个数表示车辆是否经过充电桩，范围是(0,Ne+1)

%% 初始化
Population_st=initial(Nj,Ne,N_veh,Num,swarm_size);
pbest=Population_st;%局怒最优粒子
Population_decode = Population_st;
best_iteration = zeros(1,max_iteration);
for iteration=1:max_iteration
%% 计算目标值
[pbest,Population_decode] = decode(Population_decode,swarm_size,pbest,Nj,N_veh,P,Cap_e,Cap_w,W,Dist);
%% 局部搜索，改进粒子
[pbest,Population_decode] = LS(Population_decode,swarm_size,pbest,Nj,N_veh,P,Cap_e,Cap_w,W,Dist);
%% 更新全局最优粒子
[gbest_fitness,index]= min([pbest.objectives]);
gbest = pbest(index);
%% 更新速度和粒子位置（速度和粒子的范围需要满足条件）
for j=1:swarm_size
velocity = Population_decode(j).velocity;
particle = Population_decode(j).particle;
velocity = wvelocity+c1rand*(pbest(j).particle-particle)+c2rand(gbest.particle-particle);
velocity = max(velocity,-vmax);velocity = min(velocity,vmax);
particle = particle + velocity;
particle(1:Nj) = max(particle(1:Nj),1);particle(1:Nj) = min(particle(1:Nj),N_veh+0.9999);
particle(1+Nj:end) = max(particle(1+Nj:end),0);particle(1+Nj:end) = min(particle(1+Nj:end),Ne+0.9999);
Population_decode(j).particle = particle;
Population_decode(j).velocity = velocity;
end
best_iteration(iteration) = gbest.objectives;
end

⛄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]郭秀红.基于遗传算法的配送车辆路径规划[J].四川兵工学报. 2013,34(01)

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