【路径规划】基于粒子群算法求解带时间窗的车辆路径规划问题VRPTW模型matlab源码

1 模型简介

将粒子群算法(PSO)应用于带时间窗车辆路径优化问题(VRPTW),构造车辆路径问题的粒子表达方法,建立了此问题的粒子群算法,并与遗传算法作了比较.实验结果表明,粒子群算法可以快速,有效求得带时间窗车辆路径问题的优化解,是求解带时间窗车辆路径问题的一个较好方案.

2 部分代码

tic
clear
clc
%% 用importdata这个函数来读取文件
r101=importdata('r101.txt');
cap=200;                                                        %车辆最大装载量
%% 提取数据信息
E=r101(1,5);                                                    %配送中心时间窗开始时间
L=r101(1,6);                                                    %配送中心时间窗结束时间
vertexs=r101(:,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=25;                                                     %车辆最多使用数目
demands=r101(2:end,4);                                          %需求量
a=r101(2:end,5);                                                %顾客时间窗开始时间[a[i],b[i]]
b=r101(2:end,6);                                                %顾客时间窗结束时间[a[i],b[i]]
s=r101(2:end,7);                                                %客户点的服务时间
h=pdist(vertexs);
dist=squareform(h);                                             %距离矩阵
%% 粒子群算法参数
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=50;                                                        %粒子数目
MAXGEN=100;                                                     %迭代次数
w=1;                                                            %惯性因子
wdamp=0.99;                                                     %惯性因子衰减率
c1=1.5;                                                         %个体学习因子
c2=2.0;                                                         %全局学习因子
XvMin=1;                                                        %Xv下限
XvMax=v_num;                                                    %Xv上限
XrMin=1;                                                        %Xr下限
XrMax=cusnum;                                                   %Xr上限
VvMin=-(v_num-1);                                           %Vv下限
VvMax=v_num-1;                                                  %Vv上限
VrMin=-(cusnum-1);                                           %Vr下限
VrMax=cusnum-1;                                                 %Vr上限
%% 初始化粒子群位置
init_vc=init(cusnum,a,demands,cap);                             %构造初始解
population=initpopCW(init_vc,NIND,cusnum,XvMin,XvMax,XrMin,XrMax,VvMin,VvMax,VrMin,VrMax);
ObjV=calObj(population,v_num,cap,demands,a,b,L,s,dist,alpha,belta); %计算各个粒子的目标函数值
gbest_pos=population{1,1}(1:2,:);                               %假设第一个粒子位置为全局最优位置
gbest_obj=ObjV(1,1);                                            %第一个粒子位置的目标函数值
pbest_pos=cell(NIND,1);                                         %初始化各个粒子的个体最优位置
pbest_obj=ObjV;                                                 %初始化各个粒子的个体最优的目标函数值
for i=1:NIND
   particle=population{i,1};                                   %第i个粒子
   position=particle(1:2,:);                                   %第i个粒子的位置
   pbest_pos{i,1}=position;                                    %初始化这个粒子的个体最优
   if pbest_obj(i,1)<gbest_obj
       %更新初始种群中的全局最优粒子
       gbest_obj=pbest_obj(i,1);
       gbest_pos=position;
   end
end
globalVC=decode(gbest_pos,v_num);                               %初始全局最优配送方案
%统计一个配送方案的总成本、车辆使用数目、行驶总距离、违反约束路径数目、违反约束顾客数目
[cost,NV,TD,vio_NV,vio_cus]=statistic(globalVC,a,b,s,L,dist,demands,cap,alpha,belta);
disp(['初始全局最优解总成本为：',num2str(cost),'，车辆使用数目为：',num2str(NV),...
   '，行驶总距离为：',num2str(TD),'，违反约束路径数目为：',num2str(vio_NV),'，违反约束顾客数目为：',num2str(vio_cus)]);
BestCost=zeros(MAXGEN,1);                                       %记录每次迭代的全局最优目标函数值
%% 主循环
gen=1;                                                          %计数器
while gen<=MAXGEN
   %% 更新各个粒子的位置和速度
   for i=1:NIND
       particle=population{i,1};                               %第i个粒子
       position=particle(1:2,:);                             %第i个粒子的位置
       Xv=position(1,:);
       Xr=position(2,:);
       velocity=particle(3:4,:);                               %第i个粒子的速度
       Vv=velocity(1,:);
       Vr=velocity(2,:);
       %% 更新速度
       velocity=w*velocity+ +c1*rand([2,cusnum]).*(pbest_pos{i,1}-position)...
           +c2*rand([2,cusnum]).*(gbest_pos-position);
       %% 速度越界处理
       velocity(1,:)=max(velocity(1,:),VvMin);
       velocity(1,:)=min(velocity(1,:),VvMax);
       velocity(2,:)=max(velocity(2,:),VrMin);
       velocity(2,:)=min(velocity(2,:),VrMax);
       %% 更新位置
       position=position+velocity;
       position(1,:)=ceil(position(1,:));          %对Xv向上取整
       %% 速度镜像影响
       IsOutside=(position(1,:)<XvMin | position(1,:)>XvMax | position(2,:)<XrMin | position(2,:)>XrMax);
       velocity(IsOutside)=-velocity(IsOutside);
       %% 位置越界处理
       position(1,:)=max(position(1,:),XvMin);
       position(1,:)=min(position(1,:),XvMax);
       position(2,:)=max(position(2,:),XrMin);
       position(2,:)=min(position(2,:),XrMax);
       %% 对第i个粒子解码出的配送方案进行relocate操作
       VC=decode(position,v_num);
       RVC=relocate(VC,cap,demands,a,b,L,s,dist,alpha,belta);
       position=change(RVC,cusnum);
       %% 计算第i个粒子目标函数值
       cost=costFuction(RVC,a,b,s,L,dist,demands,cap,alpha,belta);
       %% 更新个体最优
       if cost<pbest_obj(i,1)
           pbest_pos{i,1}=position;
           pbest_obj(i,1)=cost;
           %% 更新全局最优
           if pbest_obj(i,1)<gbest_obj
               gbest_pos=pbest_pos{i,1};
               gbest_obj=pbest_obj(i,1);
           end
       end
       %% 更新第i个粒子的速度和位置
       particle=[position;velocity];
       population{i,1}=particle;
   end
   %% 记录各代全局最优解，打印各代全局最优解
   BestCost(gen)=gbest_obj;
   globalVC=decode(gbest_pos,v_num);                               %初始全局最优配送方案
   %统计一个配送方案的总成本、车辆使用数目、行驶总距离、违反约束路径数目、违反约束顾客数目
  [cost,NV,TD,vio_NV,vio_cus]=statistic(globalVC,a,b,s,L,dist,demands,cap,alpha,belta);
   disp(['第',num2str(gen),'代全局最优解总
成本为：',num2str(cost),'，车辆使用数目为：',num2str(NV),...
       '，行驶总距离为：',num2str(TD),'，违反约束路径数目为：',num2str(vio_NV),'，违反约束顾客数目为：',num2str(vio_cus)]);
   w=w*wdamp;
   %% 更新计数器
   gen=gen+1;
end
%% 将全局最优粒子解码为全局最优配送方案
globalVC=decode(gbest_pos,v_num);
%% 对全局最优配送方案进行局部搜索
globalVC=relocate_gbest(globalVC,cap,demands,a,b,L,s,dist,alpha,belta);
%% 统计全局最优配送方案的总成本、车辆使用数目、行驶总距离、违反约束路径数目、违反约束顾客数目
  [cost,NV,TD,vio_NV,vio_cus]=statistic(globalVC,a,b,s,L,dist,demands,cap,alpha,belta);
   disp(['最终全局最优解总成本为：',num2str(cost),'，车辆使用数目为：',num2str(NV),...
       '，行驶总距离为：',num2str(TD),'，违反约束路径数目为：',num2str(vio_NV),'，违反约束顾客数目为：',num2str(vio_cus)]);
%% 画出全局最优配送方案路线图
draw_Best(globalVC,vertexs);
%% Results
figure;
%plot(BestCost,'LineWidth',2);
semilogy(BestCost,'LineWidth',2);
xlabel('迭代次数');
ylabel('全局最优目标函数值');
grid on;
toc

3 仿真结果

4 参考文献

[1]李宁, 邹彤, 孙德宝. 带时间窗车辆路径问题的粒子群算法[J]. 系统工程理论与实践, 2004, 24(4):130-130.

[2]黄华东. 基于群智能算法的机器人及带时间窗的车辆路径规划研究. Diss. 浙江师范大学, 2015

 

​