粒子群算法在物流中心选址中的应用

一、实验目的

粒子群算法在物流中心选址中的应用

二、实验要求

设有一系列点分别代表供应地和需求地 等 n 个物流节点，各自有一定量货物需要以一定的运输费率
运入或运出物流中心，选择物流中心使得总运输成本最小，即 min tc = åi = 1n viridi
式中：c 为总运输成本，vi 为物流节点 i 的运输量，ri 为到节 点 i 的运输费率，di 为从位置待定的物流中心到节点 i 的距离。

三、实验原理

步骤1 初始化。粒子群的规模 m ，最大迭代次数 gmax ， 在可行域中随机产生初始粒子群。
步骤2 计算各粒子的适应度值，求出粒子的个体最优位 置和全局最优位置。
步骤3 如果当前迭代次数达到最大迭代次数 gmax ，输出 全局最优位置作为物流中心的选址结果，结束算法；否则，转步骤4.
步骤4 根据式（5）和式（6）进行计算，得到新一代的粒子位置，转步骤2。

四、实验内容与结果

（1）设置初始参数如下: m= 25; c1=c2=1.5;w=0.2,gmax=30

（2）输入市场和工厂坐标：

（3）随机生成坐标和v

（4）首先对pBest，gBest进行初始化

（4）对速度进行更新，然后更新坐标，并且将超出范围的坐标进行修改

（5）进行评估，更新gBest,pBest

(6)计算花费金额：

（7）输出结果：

Ps：第二题求回收站的坐标，算法于上述一致，修改输入数据即可：

输出结果：

六、总结

本实验将粒子优化算法运用于物流中心选址问题，通过python进行重现论文，数据取得不错的效果。目前已将粒子优化算法运用于大规模的选址问题，在诸多实际应用中也取得很好的优越性。粒子优化算法必将在智能计算领域起到关键作用。

代码如下

import random

m = 40
gmax = 50
w = 0.2
c1 = c2 = 1.8


#制造厂坐标
p1 = [[5.3,6.6],[9.3,12.4],[15.5,18.7],[5.5,0.4],
     [13.3,10.2],[9.5,10.9],[9.0,14.8],[5.9,17.1],
     [19.3,19.3],[14.5,7.2],[11.4,4.1],[5.7,4.4],
     [4.7,2.3],[11.1,13.6],[2.8,16.4],[3.0,8.7]]

p2 = [[random.randint(0, 20) for j in range(1, 3)] for i in range(m)]
#速度
v = []
#数量
num = [3,2,3,4,3,5,3,3,6,3,4,3,2,2,20,30]

#半径
money = [5,4,6,4,5,7,4,4,6,7,5,4,5,6,3,3]

#初始化pBest
pBest = []
pBest1 = []
for i in range(m):
    for j in range(len(p1)):
        if j != 0:
            pBest[i] += (((p2[i][0]-p1[j][0])**2+(p2[i][1]-p1[j][1])**2)**0.5)
        else:
            pBest.append(((p2[i][0]-p1[j][0])**2+(p2[i][1]-p1[j][1])**2)**0.5)
    pBest1.append(p2[i])
gBest = min(pBest)
index = pBest.index(gBest)
for i in range(m):
    v1 = c1*random.random()*p2[i][0]+c2*random.random()*pBest1[index][0]
    v2 = c1*random.random()*p2[i][1]+c2*random.random()*pBest1[index][1]
    v.append([v1,v2])
print(pBest1)
def reflash():
    global index
    global gBest
    for i in range(m):
        for j in range(2):
            v[i][j] = w*v[i][j]+c1*random.uniform(0,1)*(pBest1[i][j]-p2[i][j])+c2*random.uniform(0,1)*(pBest1[index][j]-p2[i][j])
        
            p2[i][j] += v[i][j]
        
            if (p2[i][j]>20):
                p2[i][j] = 20
            elif (p2[i][j]<0):
                p2[i][j] = 0
    pingu()
def pingu():
    global gBest
    global index
    for i in range(m):
        tmp = 0
        for j in range(16):            
            tmp += ((p2[i][0]-p1[j][0])**2+(p2[i][1]-p1[j][1])**2)**0.5
        if tmp < pBest[i]:
            pBest[i] = tmp
            pBest1[i] = p2[i]
    gBest = min(pBest)
    index = pBest.index(gBest)
def cost():
    c = 0
    for i in range(16):
        c +=  num[i]*money[i]*((((p1[i][0]-pBest1[index][0])**2)+(p1[i][1]-pBest1[index][1])**2)**0.5)
    print(c)
if __name__ == "__main__":
    for i in range(gmax):
        reflash()
    print(pBest1[index])
    cost()``