目录
一、理论基础
假设有一个收集轨道， 上面有5个采集堆，这5个采集堆分别被看作一个4*20的矩阵（下面只有4*10），每个模块（比如：A31和A32的元素含量不同）， 为了达到采集物品数量和元素含量的要求（比如：需采集5吨和某元素单位质量在65与62之间），求出在每个4*20的矩阵中哪个模块被拿出可以达到要求并找出最优化的轨道？
每一层宽度和长度不一样，具体数据在excel表格
所以第一行就是三角体体积，剩下的就是梯行体积。
这里其实是一个最优化问题，即满足采集物品的需求，需要对3个类型的5个集散地进行装货，且每次只能取最上面的，如果对于当前位置的物品，如果最少面没有取走，那么只能先取最上面的物品，然后统计装货轨迹的距离，通过优化计算最短距离。
那么，这里解题的关键是计算目标函数，然后使用优化算法对目标函数进行优化处理。本算法的主要目标就是目标函数的设计，这个也是该课题的难点。
首先我们根据上面的需求，建立如下的数学模型：
这里，dj表示每一次从一个模块移动到另外一个模块的距离，如果是从一个采集堆移动到另外一个采集堆中，那么则在另外一堆中计算所采集的模块之间的间距。
所以上面的公式为：
即在不同的采集堆的所有距离之和。这里，需要通过优化考虑不同采集堆之间的移动，以及在每个采集上如何进行模块的采集两个因素。我们的目标就是使得上面的函数值最小，从而得到采集路线轨迹。
这里，需要考虑的难点有如下几点：
第一：空间轨迹是三维，这个比二维的复杂。
第二：约束条件的建立，我们根据课题的需求，建立如下的约束条件。
2.1 采集规则约束。
即每次只能采集最上面的，如果最上面的没有被取走，那么不能直接采集下面的。
这里，我们使用是数学公式表示如下：
分别对四层的模块进行标记，最上面的为4，如果取走了则直接赋值0，这样，而每次我们只能去标号最大的那个。如果取走了，那么被取走的赋值为0，那么在判断的时候，可以取下面的，如果全部被取走了，则为全0，如果为全零，则这列就不能取值了。即全零表示空。
所以，通过上面的综合分析，我们所要的数学公式为：
为了方便，我们将所需要的数据，在excel中整理下，将里面一些你用公式编辑的转换为真实的数据。修改的excel文件见新发你的数据，而约束条件则直接在程序中进行设置。
这里，我们假设，设备从一个端点移动到另外一个端点的时候，是逐渐向前移动的，而不是来回移动的。即，设备是一次从轨道的一个端点移动到另外一个端点的（事实上，规定都是依次向运动的）
根据这个假设，我们设计的思路为当每次运动到一堆的时候，首先在这一堆物品上进行采集，由于每堆物品之间的间距远大于每堆内部的各个模块之间的间隔，所以在实际中也不可能在两个不同的堆之间来回切换的抓取模块，这也符合我们上面的假设。
根据上面的假设，我们抓取的顺序为B堆，C堆，A堆，A堆，B堆。
二、核心程序
.........................................................................
%分成ABC三组
A_set = Dat( 1:40 ,:);
B_set = Dat(41:80 ,:);
C_set = Dat(81:120,:);
%A相关数据
%坐标
A_POS = A_set(:,1:3);
%元素含量
A_FAC = A_set(:,4:8);
%体积长宽高
A_VUM = A_set(:,9:11);
%B相关数据
%坐标
B_POS = B_set(:,1:3);
%元素含量
B_FAC = B_set(:,4:8);
%体积长宽高
B_VUM = B_set(:,9:11);
%C相关数据
%坐标
C_POS = C_set(:,1:3);
%元素含量
C_FAC = C_set(:,4:8);
%体积长宽高
C_VUM = C_set(:,9:11);
%**************************************************************************
%**************************************************************************
%**********************************************************************************
%步骤二：参数初始化
%步骤二：参数初始化
%约束参数
%59999 ~ 60001
Mass_all = 60000;
Mass_err = 1;
%元素1
Mass1_max= 65;
Mass1_min= 62;
%元素2
Mass2_max= 6;
Mass2_min= 0;
%元素3
Mass3_max= 4;
Mass3_min= 0;
%元素4
Mass4_max= 0.077;
Mass4_min= 0;
%元素5
Mass5_max= 0.1;
Mass5_min= 0;
%优化算法参数
%优化算法参数
%迭代次数
Iteration_all = 1;
Iteration_sub = 10000;
%粒子数目
Num_x = 200;
%密度
P = 2.1;
%计算各个模块的质量，单位t
%注意，本课题一个堆中有个四个形状的模块，即三角形，三种梯形，所以我们根据长宽高以及对应的形状计算体积，从而计算质量
A_Vulome = func_cal_volume(A_VUM);
B_Vulome = func_cal_volume(B_VUM);
C_Vulome = func_cal_volume(C_VUM);
%计算每个采集堆的各个模块的质量
A_mass = P*A_Vulome;
B_mass = P*B_Vulome;
C_mass = P*C_Vulome;
%以下根据实际轨迹上的堆的分布来设置
maxs_sets = [B_mass;C_mass;A_mass;A_mass;B_mass];
FAC_sets = [B_FAC;C_FAC;A_FAC;A_FAC;B_FAC];
%**************************************************************************
%**************************************************************************
%**********************************************************************************
%步骤三：开始优化运算
%步骤三：开始优化运算
X_pos{1} = B_POS(:,1);
Y_pos{1} = B_POS(:,2);
Z_pos{1} = B_POS(:,3);
X_pos{2} = C_POS(:,1);
Y_pos{2} = C_POS(:,2);
Z_pos{2} = C_POS(:,3);
X_pos{3} = A_POS(:,1);
Y_pos{3} = A_POS(:,2);
Z_pos{3} = A_POS(:,3);
X_pos{4} = A_POS(:,1);
Y_pos{4} = A_POS(:,2);
Z_pos{4} = A_POS(:,3);
X_pos{5} = B_POS(:,1);
Y_pos{5} = B_POS(:,2);
Z_pos{5} = B_POS(:,3);
%先通过PSO优化需求模型
for Num_pso = 4:40%这里没有必要设置太大，设置大了需求量肯定会超过60000，因此，这个值得大小根据需求量来确定，大概范围即可
Num_pso
x = zeros(Num_x,Num_pso);
i = 0;
%产生能够满足采集规则的随机粒子数据
for jj = 1:Num_x
%产生随机数的时候，必须是先采集第一层，然后才采集第二层，依次类推
%第1层
index1 = [1:10,41:50,81:90,121:130,161:170];
%第2层
index2 = [1:10,41:50,81:90,121:130,161:170]+10;
%第3层
index3 = [1:10,41:50,81:90,121:130,161:170]+20;
%第4层
index4 = [1:10,41:50,81:90,121:130,161:170]+30;
%根据采集规则产生随机数
%根据采集规则产生随机数
%根据采集规则产生随机数
index = [index1;index2;index3;index4];
i = 0;
while i < Num_pso
i = i + 1;
if i> 1
for j = 1:50;
index(IS(j),ind(1)) = 9999;
end
end
for j = 1:50;
[VS,IS(j)] = min(index(:,j));
tmps(1,j) = index(IS(j),j);
end
ind = randperm(40);
a(i) = tmps(ind(1));
if a(i) == 9999
i = i-1;
end
end
x(jj,:) = a;
end
n = Num_pso;
F = fitness_mass(x,maxs_sets,Mass_all);
Fitness_tmps1 = F(1);
Fitness_tmps2 = 1;
for i=1:Num_x
if Fitness_tmps1 >= F(i)
Fitness_tmps1 = F(i);
Fitness_tmps2 = i;
end
end
xuhao = Fitness_tmps2;
Tour_pbest = x; %当前个体最优
Tour_gbest = x(xuhao,:) ; %当前全局最优路径
Pb = inf*ones(1,Num_x); %个体最优记录
Gb = F(Fitness_tmps2); %群体最优记录
xnew1 = x;
N = 1;
while N <= Iteration_sub
%计算适应度
F = fitness_mass(x,maxs_sets,Mass_all);
for i=1:Num_x
if F(i)<Pb(i)
%将当前值赋给新的最佳值
Pb(i)=F(i);
Tour_pbest(i,:)=x(i,:);
end
if F(i)<Gb
Gb=F(i);
Tour_gbest=x(i,:);
end
end
Fitness_tmps1 = Pb(1);
Fitness_tmps2 = 1;
for i=1:Num_x
if Fitness_tmps1>=Pb(i)
Fitness_tmps1=Pb(i);
Fitness_tmps2=i;
end
end
nummin = Fitness_tmps2;
%当前群体最优需求量差
Gb(N) = Pb(nummin);
for i=1:Num_x
%与个体最优进行交叉
c1 = round(rand*(n-2))+1;
c2 = round(rand*(n-2))+1;
while c1==c2
c1 = round(rand*(n-2))+1;
c2 = round(rand*(n-2))+1;
end
chb1 = min(c1,c2);
chb2 = max(c1,c2);
cros = Tour_pbest(i,chb1:chb2);
%交叉区域元素个数
ncros= size(cros,2);
%删除与交叉区域相同元素
for j=1:ncros
for k=1:n
if xnew1(i,k)==cros(j)
xnew1(i,k)=0;
for t=1:n-k
temp=xnew1(i,k+t-1);
xnew1(i,k+t-1)=xnew1(i,k+t);
xnew1(i,k+t)=temp;
end
end
end
end
xnew = xnew1;
%插入交叉区域
for j=1:ncros
xnew1(i,n-ncros+j) = cros(j);
end
%判断产生需求量差是否变小
masses=0;
masses = sum(maxs_sets(xnew1(i,:)));
if F(i)>masses
x(i,:) = xnew1(i,:);
end
%与全体最优进行交叉
c1 = round(rand*(n-2))+1;
c2 = round(rand*(n-2))+1;
while c1==c2
c1=round(rand*(n-2))+1;
c2=round(rand*(n-2))+1;
end
chb1 = min(c1,c2);
chb2 = max(c1,c2);
%交叉区域矩阵
cros = Tour_gbest(chb1:chb2);
%交叉区域元素个数
ncros= size(cros,2);
%删除与交叉区域相同元素
for j=1:ncros
for k=1:n
if xnew1(i,k)==cros(j)
xnew1(i,k)=0;
for t=1:n-k
temp=xnew1(i,k+t-1);
xnew1(i,k+t-1)=xnew1(i,k+t);
xnew1(i,k+t)=temp;
end
end
end
end
xnew = xnew1;
%插入交叉区域
for j=1:ncros
xnew1(i,n-ncros+j) = cros(j);
end
%判断产生需求量差是否变小
masses=0;
masses = sum(maxs_sets(xnew1(i,:)));
if F(i)>masses
x(i,:)=xnew1(i,:);
end
%进行变异操作
c1 = round(rand*(n-1))+1;
c2 = round(rand*(n-1))+1;
temp = xnew1(i,c1);
xnew1(i,c1) = xnew1(i,c2);
xnew1(i,c2) = temp;
%判断产生需求量差是否变小
masses=0;
masses = sum(maxs_sets(xnew1(i,:)));
if F(i)>masses
x(i,:)=xnew1(i,:);
end
end
Fitness_tmps1=F(1);
Fitness_tmps2=1;
for i=1:Num_x
if Fitness_tmps1>=F(i)
Fitness_tmps1=F(i);
Fitness_tmps2=i;
end
end
xuhao = Fitness_tmps2;
L_best(N) = min(F);
%当前全局最优需求量
Tour_gbest = x(xuhao,:);
N = N + 1;
end
%判断含量是否满足要求
for ii = 1:5
Fac_tmps(ii) = sum(FAC_sets(Tour_gbest,ii)'.*maxs_sets(Tour_gbest))/sum(maxs_sets(Tour_gbest));
end
if (Fac_tmps(1) >= Mass1_min & Fac_tmps(1) <= Mass1_max) &...
(Fac_tmps(2) >= Mass2_min & Fac_tmps(2) <= Mass2_max) &...
(Fac_tmps(3) >= Mass3_min & Fac_tmps(3) <= Mass3_max) &...
(Fac_tmps(4) >= Mass4_min & Fac_tmps(4) <= Mass4_max) &...
(Fac_tmps(5) >= Mass5_min & Fac_tmps(5) <= Mass5_max)
flag(Num_pso-3) = 1;
else
flag(Num_pso-3) = 0;
end
Mass_fig(Num_pso-3) = min(L_best);
Mass_Index{Num_pso-3}= Tour_gbest ;
end
figure;
plot(Mass_fig,'b-o');
xlabel('采集模块个数');
ylabel('需求量计算值和标准需求量的差值关系图');
save temp\result1.mat Mass_fig Mass_Index flag
A06-10三、仿真结论
搜索所有采集方法得到的需求量为59999~60001之间的采集组合。并保存仿真结果。这个步骤仿真结果如下所示：
最后得到的优化记过，即满足条件下的最短轨迹长度：
6515
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
