遗传算法求解含时间窗的车辆路径(VRPTW)问题，含matlab代码

最新推荐文章于 2024-03-04 14:34:26 发布

★不秃头★

最新推荐文章于 2024-03-04 14:34:26 发布

阅读量1.7k

点赞数 5

文章标签： matlab 数据结构算法

本文链接：https://blog.csdn.net/gentleman597/article/details/132265105

版权

题目描述：

现有16个客户点，1个配送中心。客户点有不同数量的货物需求、期望收货时间以及所能接受的收货时间。有7辆运送货物的车，每辆车有不同的承载量。现需要指派n(n<=7)辆货车携带货物送往客户点，在不超载的情况下，保证每个客户收到货物并且由一辆货车满足配送要求，还要保证客户在可接受收货时间内收到货物（在客户所能接受的收货时间之外收到货物不满足配送要求），目标函数为满足配送要求的条件下成本最小，并给出具体配送方案。

目标函数：

其中，f1代表车辆行驶距离造成的费用，α为单位路程的行驶费用。f2代表早到或者晚到的惩罚成本，D为惩罚系数。

约束函数：

其中，第一个约束为配送中心发出的车辆不许超过配送中心车辆的最大值，第二个约束为配送客户的货物之和不得超过车辆的容量，第三个约束为车辆到达时间不得超过客户能接受的到货时间。

求解：

采用遗传算法，算法框图如下：

算法编程难点在于对解集的建立和变换，对于这种复杂的解集，本文采用matlab的元胞数组建立解集，如下图所示。每一行代表一个个体，也就是一个解。

对于每一行来说，第一个数组表示选择车的数量

第二个数组表示选择车的编号，例如populationMat{1,2}=[2,3,7,6]，代表的含义为选择第2,3,7,6号车。

第三列数组表示车所对应的配送客户数目。例如populationMat{1,3}=[5,6,2,3]代表第2号车配送5个客户，第3号车配送6个客户，第7号车配送2个客户，第6号车配送3个客户。

第四列数组代表客户的编号，populationMat{1,3}=[1 3 15 11 4 16 2 5 12 13 14 10 9 6 7 8]，代表2号车需要配送5个客户，这5个客户分别是第1 3 15 11 4号客户，3号车需要配送6个客户，这6个客户分别是16 2 5 12 13 14，以此类推。

以下是主函数部分，函数总体是按照遗传算法步骤来写的，初始化种群，计算适应度，选择，交叉，变异...

%% 清空变量
clear
clc

%% 导入参数
[expectTime,acceptTime,serviceTime,customerPosition,customerRequirement,distriCenterPosition,speed,truckVolume] = DataFunction;

%% 定义变量
populationNumber = 50;                                    %种群数量
probabilityMat = [0.01,0.1,0.3,0.3,0.1,0.1,0.09];         %概率矩阵
N = length(customerRequirement);                          %客户的数目
M = length(probabilityMat);                               %车辆的最大数目
alpha = 1;                                                %单位距离运输费用
D = 1;                                                    %过早或者过晚到达时时间成本
pro = 0.1;                                                %变异概率
populationMat = cell(populationNumber,4);                 %种群数据矩阵
iter = 1;                                                 %当前迭代次数
iterMax = 500;                                            %最大迭代次数
bestValueNow = inf;
bestValueMat = zeros(populationNumber,1);
bestSolveNow = cell(1,4);
bestValue = inf;
bestSolve = cell(1,4);

%% 初始化种群
populationMat = InitializeIndividuality(populationMat,populationNumber,M,N,probabilityMat,distriCenterPosition,customerPosition,truckVolume,customerRequirement,speed,acceptTime,serviceTime);

while iter<iterMax
   %% 计算适应度
   p = CalcuFitCapacity(populationMat,distriCenterPosition,customerPosition,populationNumber,alpha,speed,expectTime,D,serviceTime);
   
   %% 选择
   populationMat = SelectionFunction(populationMat,populationNumber,p);
   
   %% 交叉
   populationMat = CrossFunction(populationMat,populationNumber,distriCenterPosition,customerRequirement,truckVolume,customerPosition,speed,acceptTime,serviceTime,N);
   
   %% 变异
   populationMat = HeteromorphosisFunction(populationMat,probabilityMat,pro,populationNumber,M,N,customerRequirement,distriCenterPosition,customerPosition,truckVolume,speed,acceptTime,serviceTime);
    
   %% 寻找最优解
   [bestValueNow,bestSolveNow] = CalcuBestIndividuiality(populationMat,populationNumber,distriCenterPosition,customerPosition,alpha,speed,expectTime,D,serviceTime);
   
   if bestValueNow<bestValue
        bestValueMat(iter) = bestValueNow;
        bestValue = bestValueNow;
        bestSolve = bestSolveNow;
    else
        bestValueMat(iter) = bestValue;
    end
   
   
   iter = iter+1;
end
%% 可视化最优解
DrawPicture(bestSolve,distriCenterPosition,customerPosition,bestValueMat,N,speed,expectTime,serviceTime);

%% 输出结果
disp(['选取的车辆编号为:',num2str(bestSolve{1,2}),',总费用为:',num2str(bestValue),'万元']);
numberMat = cumsum(bestSolve{1,3});
for k1 = 1:bestSolve{1,1}
    if k1 == 1
        disp(['第',num2str(bestSolve{1,2}(k1)),'号车辆服务的客户为:',num2str(bestSolve{1,4}(1:numberMat(k1)))]);
    else
        disp(['第',num2str(bestSolve{1,2}(k1)),'号车辆服务的客户为:',num2str(bestSolve{1,4}(numberMat(k1-1)+1:numberMat(k1)))]);
    end
end

以下是运行结果：