【多式联运】基于帝国企鹅算法、遗传算法、粒子群算法求解多式联运路径优化问题附matlab代码

1 内容介绍

在军事运输中，采用多种运输方式联合投送是加强战略投送能力建设发展的重要途径，而路径规划是制定多式联运输送保障方案的关键第一步。本文提出了一个以遗传算法为主框架的解决方案，用来求解多式联运的路径规划问题.首先，本文从运输需求内容、运输过程、应用场景等角度对多式联运在军事运输中的应用进行分析，定义多式联运路径规划问题，建立分别以时间最短、路线最短、成本最低为目标的多式联运路径规划模型。该问题是一个规模庞大的组合优化问题，属于NP-hard问题。提出了以遗传算法为主，A*算法为辅的求解思路。然后，参考层次空间推理理论，将铁路、水路、公路、航空等多种运输方式的道路网络数据融合并分层，构建多式联运路径规划专用的网络拓扑。这样的分层处理，能够将单一运输方式道路网络中的最短路这一子问题剥离出来，也能够有效地降低遗传算法搜索空间的规模。最后基于帝国企鹅算法、遗传算法、粒子群算法求解多式联运路径优化问题。

2 部分代码

function [bestY,bestX,recording]=PSO(x,y,option,data)

    %% PSO算法

    %% 初始化

    recording.bestFit=zeros(option.maxIteration+1,1);

    recording.meanFit=zeros(option.maxIteration+1,1);

%     index_All=1;

%     All_X=zeros((option.maxIteration+1)*option.numAgent,option.dim);

%     All_Y=zeros((option.maxIteration+1)*option.numAgent,1);

%     All_X(index_All:index_All+option.numAgent-1,:)=x;

%     All_Y(index_All:index_All+option.numAgent-1,:)=y;

%     index_All=index_All+option.numAgent;

    v=randn(size(x));

    %% 更新记录

    [y_g,position]=min(y);

    x_g=x(position(1),:);

    y_p=y;

    x_p=x;

    recording.bestFit=y_g;

    recording.meanFit=mean(y_p);

    w_pso=option.w_pso;

    c1_pso=option.c1_pso;

    c2_pso=option.c2_pso;

    LB=option.lb;

    UB=option.ub;

    fobj=option.fobj;

    numAgent=option.numAgent;

    dim=option.dim;

    %% 开始更新

    for iter=1:option.maxIteration

        %disp(['PSO,iter:',num2str(iter),',minFit:',num2str(y_g)])

        %% 更新

        r1=rand(numAgent,dim);

        r2=rand(numAgent,dim);

        for i=1:numAgent

            v(i,:)=w_pso*v(i,:)+c1_pso*r1(i,:).*(x_g-x(i,:))+c2_pso*r2(i,:).*(x_p(i,:)-x(i,:));

            x(i,:)=x(i,:)+v(i,:);

            x(i,x(i,:)<LB)=LB(x(i,:)<LB);

            x(i,x(i,:)>UB)=UB(x(i,:)>UB);

            y(i)=fobj(x(i,:),option,data);

            if y(i)<y_p(i)

                y_p(i)=y(i);

                x_p(i,:)=x(i,:);

                if y_p(i)<y_g

                    y_g=y_p(i);

                    x_g=x_p(i,:);

                end

            end

        end

        %% 更新记录

        recording.bestFit(1+iter)=y_g;

        recording.meanFit(1+iter)=mean(y_p);

    end

    bestY=y_g;

    bestX=x_g;

end

3 运行结果

4 参考文献

[1]范方玲子, 王茂春, 陈厚春. 基于遗传算法的公铁水多式联运路径优化问题研究[J]. 物流科技, 2020, 43(2):6.

[2]杨洋, 王汝英. 基于遗传算法的煤炭运输多式联运路径选择[J]. 物流技术, 2015, 34(15):4.

博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机、雷达通信、无线传感器等多种领域的Matlab仿真，相关matlab代码问题可私信交流。

部分理论引用网络文献，若有侵权联系博主删除。