【优化求解】基于matlab遗传算法求解车辆发车间隔优化问题【含Matlab源码 132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）

⛄1.模型介绍

1.1 公交公司运营成本分析
本设计中公交公司运营成本主要考虑的是公交车在线路上的运营时间成本。考虑到模型的简便性以及求解的简便性，所以本设计不考虑公交公司车辆的的固定费用。

1.2 乘客出行成本分析
本设计中乘客出行成本主要考虑乘客的候车时间最短。当一天内乘客的平均候车时间最短即认为乘客的出行本最小。
一天内乘客的候车时间除以乘客数即为一天内乘客的平均候车时间：

1.3 目标函数及约束条件的确定
将两个函数整合得出该系统的总成本，使总成本最小，即为目标函数最小：

2 模型求解
2.1 遗传算法概述
遗传算法(GA，Genetic Algorithm)，也称为进化算法。遗传算法是受达尔文的进化论的启发，借鉴生物进化过程而提出的一种启发式搜索算法。其主要特点是直接对结构对象进行操作，因此不同于其他求解最优解的算法，遗传算法不存在求导和对函数连续性的限定，采用概率化的寻优方法，不需要确定的规则就能自动获取和指导优化的搜索空间，自适应地调整搜索方向。

以上是对遗传算法相对抽象的总结，为了更具体形象的解释遗传算法的一般原理，我们首先介绍一些生物学上的概念：
①种群：不同生物个体形成的群体，生物的进化以群体的形式进行，这样的一个群体称为种群；
②个体：组成种群的单个生物；
③基因：带有遗传信息的DNA片段，可以通俗的将基因理解为一段信息，这段信息决定的生物个体的性状；
④表现型：根据基因形成的个体的外部表现；
⑤适应度：生物个体对于生存环境的适应程度，越适应那么其得以存活和繁衍的概率就越大；
⑥遗传：通过繁殖过程，子代将从父母双方各获取一部分基因，形成新的自己的基因，这个过程中，会发生基因的复制、交叉，也会以较低的概率发生基因突变；
⑦自然选择：物竞天择，适者生存的自然淘汰机制。具体为对环境适应度高的个体参与繁殖的机会比较多，后代就会越来越多。适应度低的个体参与繁殖的机会比较少，后代就会越来越少；
⑧进化：种群通过代际繁衍不断适应生存环境的过程，在这个过程中，以对外界环境的适应度为评判标准，生物的性状不断得到改良。

了解了这些术语的含义，我们就可以进一步说说生物进化的过程了。由于自然选择是客观存在的，即生物只能改变自己去适应环境，那么在自然选择的过程中，适应度低的个体会被淘汰，适应度高的个体被保留，高适应度的父体与母体又有更高的概率繁衍出适应度高的子代，因此在一代又一代的繁衍之后，高适应度的个体在种群中所占的比例越来越大，种群就这样完成了进化。

现在我们要参考生物进化的过程来设计算法解决求最优解的问题。对此，遗传算法的思路是，将要解决的问题模拟成一个生物进化的过程，通过进化来寻找最优解。以我们题目中寻找多峰函数的最大值这个问题为例：

将(x, y)这一可能的解作为一个个体；将多峰函数的函数值f(x, y)作为个体的适应度；对(x, y)进行编码作为个体的基因；以适应度为标准不断筛选生物个体；通过遗传算子（如复制、交叉、变异等）不断产生下一代。如此不断循环迭代，完成进化。最终，根据设定的迭代次数，可得到最后一代种群，该种群中的个体适应度都较高，而多峰函数的最大值就有比较大的概率存在于这一群解中，以种群中适应度最高的个体作为问题的解，则可以说该解有比较高的概率就是我们希望求得的最优解。

文字述说终究还是不如图表好理解，因此还是看图吧（下图将本题与自然遗传联系了起来）：

⛄二、部分源代码

clc
close all
clear all
%% 模型参数
%输 入：
% pop 种群
% VARIATIONRATE 变异率
%输 出：
% pop 变异后的种群
%%
function kidsPop = Variation(kidsPop,VARIATIONRATE)
for n=1:size(kidsPop,2)
if rand<VARIATIONRATE
temp = kidsPop{n};
%找到变异位置
location = ceil(length(temp)*rand);
temp = [temp(1:location-1) num2str(~temp(location))…
temp(location+1:end)];
kidsPop{n} = temp;
end
end
function fitness=m_Fitness(pop, OD, h)
%% Fitness Function
for n=1:size(pop,2)
a = pop(1,n);
b = pop(2,n);
f1 = pop(3,n);
f2 = pop(4,n);
%% 约束条件，不满足约束则适应度值无穷小
%% 1) a,b,f1,f2 不能为0
if a == 0 || b == 0 || f1 == 0 || f2 == 0
fitness(n) = 1/1000000000;
continue;
end
%% 2) a,b,f1,f2 不能超过35
if a > 35 || b > 35 || f1 >35 || f2 >35
fitness(n) = 1/1000000000;
continue;
end
%% 3) 列车数量约束
if (sum(h) * 120 + 1170) *( f1 - 16) + (sum(h(a: b-1)) + (b - a + 1) * 30 + 120) * f2 > 0
fitness(n) = 1/1000000000;
continue;
end
%% 4) 满载率约束
% constraint2 = [];
% for j = 2:33
% constraint2(j) = (sum(sum(OD(1:j, j+1:35)))/(f1+f2)) * (sum(sum(OD(j+1:35,1:j)))/(f1+f2));
% end
% if max(constraint2) > 1 * 1460
% fitness(n) = 1/1000000000;
% continue;
% end
%% 5) 最小追踪间隔
if f1 + f2 > 30
fitness(n) = 1/1000000000;
continue;
end
%% 5) 最小发车间隔
if f1 < 12
fitness(n) = 1/1000000000;
continue;
end
%% 主要适应度函数，设置为目标函数的倒数，即目标函数要求最小，那么越小，适应度就越大
fitness(n)= 1/m_Fx(pop(:,n), OD);
end

title(‘总成本进化曲线’);
xlabel(‘迭代次数’)
ylabel(‘总成本’)

%

⛄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]韩印.基于遗传算法的智能公交发车频率优化研究[J].计算机工程与应用. 2008(33)

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