【TWVRP】基于matlab遗传算法求解带时间窗的车辆路径问题【含Matlab源码 002期】

✅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。

更多Matlab仿真内容点击👇
Matlab图像处理（进阶版）
路径规划（Matlab）
神经网络预测与分类（Matlab）
优化求解（Matlab）
语音处理（Matlab）
信号处理（Matlab）
车间调度（Matlab）

⛄一、简介

1 VRP问题
车辆路径规划问题(Vehicle Routing Problem，VRP)一般指的是：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）。

2 VRPTW问题
带时间窗的车辆路径规划问题(Vehicle Routing Problem with Time Window，VRPTW)是在VRP基础上添加配送时间约束条件产生的一个新问题。在这类问题中，给定车辆到达目的地的最早时间和最晚时间，要求车辆必须在规定的时间窗内到达，早于最早时间或晚于最晚时间都要产生额外的惩罚费用。此时，决策如何规划调度车辆使得配送的总费用最小化。

3 VRP与VRPTW对比：

4 问题描述
本文将要研究的问题参考自文章《Fruit and Vegetable Agricultural Products Logistics Transport Routing Optimization - A Case Study of Qingdao blueberries distribution》。

某果蔬农产品运输配送中心 C0 (Center)。该配送中心有足够的能力满足顾客所有对果蔬农产品数量的要求。同时该配送中心有足够多且完全相同的车辆 J 能够完成配送活动的需要，运输车辆的最大容量为 V(Volume)，配送车辆在配送活动过程中均能一次到达，中间不会出现任何阻碍和特殊情况。C={C0 ,C1 ,C2 ……Cn }。其中 C0 代表配送中心。Ci (i=1,2, ……，n)(Consumer)表示有需求的客户的需求数量；n 表示有需求的客户数量。Dik (Distance)：表示顾客 Ci 到顾客 Ck 的距离（其中i不等于k）；Qdi (Quantity Demanded)：表示顾客 Ci 的需求量；Qg (Quality good):表示果蔬农产品刚刚采摘完，完好时的果蔬农产品的质量；[ETi ，LTi ]表示客户 Ci 对某类产品的时间窗约束。

在已知以上的条件情况下，合理安排最优的配送路线使得配送过程中满足所有条件情况下，各个费用之和最少。

5 数学模型
（具体模型参见（三）中文献）




6 算法设计
个体编码
遗传算法求解VRPTW的文献中有多种编码方式，这里对于个体采用自然数编码，代表配送中心，代表顾客；不同车辆的配送路线之间用0分隔（即每辆车都从仓库出发）；对于有个顾客，辆车的VRP问题来说，染色体长度为。

例如配送中心有3辆车为8个客户服务，一条可能的染色体如下：
0, 7, 0, 1, 2, 3, 5, 0, 8, 4, 6, 0
这条染色体表示的三辆车的行驶路线为:
第一辆车：0-7-0
第二辆车：0-1-2-3-5-0
第三辆车：0-8-4-6-0

惩罚
在交叉和突变产生的子代中，可能会有两种违反约束的形式：

车辆超载
不能在时间窗口约束给出的最晚时间点内到达指定顾客处
对这两种违反约束的情况采用静态惩罚，考虑到时间窗口更容易被违反，对其施加较大的惩罚因子。对这两种约束违反的惩罚因子分别设置为10和500。

交叉
这里参考《基于电动汽车的带时间窗的路径优化问题研究》中给出的交叉操作

突变
对选中的个体中各条子路线用2-opt算法优化

选择
育种选择：binary锦标赛选择
环境选择：采用精英保留策略，合并子代和父代后，选择数量等同于族群规模的个体
%

⛄二、部分源代码

clear
clc
close all
tic
%% 用importdata这个函数来读取文件
c101=importdata(‘c101.txt’);
vehicle_info = [2 4 350 50;
3 6 350 50;
6 15 450 100;
10 17 550 110;
13 30 650 140;
15 40 650 140;
25 50 850 180];
cap=200; %车辆最大装载量
%% 提取数据信息
E=c101(1,5); %配送中心时间窗开始时间
L=c101(1,6); %配送中心时间窗结束时间
vertexs=c101(:,2:3); %所有点的坐标x和y
customer=vertexs(2:end,:); %顾客坐标
cusnum=size(customer,1); %顾客数
v_num=21; %车辆最多使用数目
demands=c101(2:end,4); %需求量
a=c101(2:end,5); %顾客时间窗开始时间[a[i],b[i]]
b=c101(2:end,6); %顾客时间窗结束时间[a[i],b[i]]
s=c101(2:end,7); %客户点的服务时间
h=pdist(vertexs);
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=10; %违反的容量约束的惩罚函数系数
belta=100; %违反时间窗约束的惩罚函数系数
NIND=100; %种群大小
MAXGEN=100; %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
%% 初始化种群
init_vc=init(cusnum,a,demands,cap); %构造初始解
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,violate_num,violate_cus]=decode(Chrom(1,:),cusnum,cap,demands,a,b,L,s,dist);
% disp([‘总距离：’,num2str(TD)]);
disp([‘车辆使用数目：’,num2str(NV),‘，车辆行驶总距离：’,num2str(TD),‘，违反约束路径数目：’,num2str(violate_num),‘，违反约束顾客数目：’,num2str(violate_cus)]);
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); %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); %计算种群目标函数值
line([gen-1,gen],[preObjV,min(ObjV)]);pause(0.0001)
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);
%% 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); %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(Chrom(minInd(1)😅,cusnum,cap,demands,a,b,L,s,dist);
disp([‘车辆使用数目：’,num2str(bestNV),‘，车辆行驶总距离：’,num2str(bestTD),‘，违反约束路径数目：’,num2str(best_vionum),‘，违反约束顾客数目：’,num2str(best_viocus)]);
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); %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,best_vionum,best_viocus]=decode(bestChrom,cusnum,cap,demands,a,b,L,s,dist);
disp([‘车辆使用数目：’,num2str(bestNV),‘，车辆行驶总距离：’,num2str(bestTD),‘，违反约束路径数目：’,num2str(best_vionum),‘，违反约束顾客数目：’,num2str(best_viocus)]);
disp(‘-------------------------------------------------------------’)
%% 判断最优解是否满足时间窗约束和载重量约束，0表示违反约束，1表示满足全部约束
flag=Judge(bestVC,cap,demands,a,b,L,s,dist);
%% 检查最优解中是否存在元素丢失的情况，丢失元素，如果没有则为空
DEL=Judge_Del(bestVC);
%% 画出最终路线图
draw_Best(bestVC,vertexs);
save c101.mat
toc

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]周景欣.遗传算法求解带时间窗的车辆路径问题[J].中国储运. 2023(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