时间窗口约束的路径规划结合背包装箱问题的可视化
更新内容
- 持续更新
- 加入了gui版本
- 增加多目标的优化算法
- 完成多种算法的app
结果展示
结果包括
- 路径优化结果
- 装箱过程演示
- 路径过程展示
特点
- 综合了路径优化和背包问题
- 在体积约束和质量约束部分进行了可视化 相比直接数值的计算更贴近实际
算法全流图https://www.processon.com/view/link/5fed43266376896cfafb826a
说明
- 原始代码参考已经网上公布的上进行修改,存在问题或者疑问发邮件讨论
- 有其他需求可以看本人其他博客内的内容
全部代码位置(代码太多不方便在博客内展示)https://github.com/huang-xin-lei/–1.git
git@github.com:huang-xin-lei/–1.git
欢迎感兴趣提供建议与代码进行充实
主程序展示
%% 源代码参考
% 网上来源 具体链接后续补上
% 修改 尚帝
% 内容: 将时间窗口约束的路径规划结合背包装箱问题,将装箱问题可视化。
% 特点: 在优化过程中考虑背包的装置也摆放位置,多角度考虑问题,细化过程和可视化
% 不足: 没有真正对解决问题提供参考意义,缺少实际价值。没有将两者更加有机结合
%待改进的点: 1.将装箱部分与路径选择的权重相关联,考虑摆放位置与用户体验,运送货物的需求相匹配。可视化的过程与具体要求匹配
% 2. 降低参数设置,简化算法
% 邮箱 162480875@qq.com 有疑问或建议发送
%% 2020年12月19日16:34:43
% 版本 0.01
% 加入了满意度 碳排放量
%% 2020年12月27日15:51:32
% 版本 0.02
% 简单调整了作图增加了标签
%% 2020年12月30日23:11:18
% 版本0.1
% 增加了装箱过程展示与装箱优化和车辆类型选择
%% 2020年12月31日10:24
% 版本0.11
% 将集装箱约束与车辆约束嵌套
clear
clc
close all
tic
%% 用importdata这个函数来读取文件
c101=importdata('c103.txt');
box=load('box'); %获箱体信息 box: 重 长 宽 高 体积
box_sty=1; %装载箱类型种类
orginal_cargo=load('cargo'); %获取不同地点的货物数目与货物属性 序号 货物数目 重 长 宽 高
cap=box(1); %车辆最大装载量
v_cap=2; %车辆速度(单位时间)
%% 提取数据信息
E=c101(1,5); %配送中心时间窗开始时间
L=c101(1,6); %配送中心时间窗结束时间
vertexs=c101(:,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=3; %车辆最多使用数目
demands=c101(2:end,4); %需求量
a=c101(2:end,5); %顾客时间窗开始时间[a[i],b[i]]
b=c101(2:end,6); %顾客时间窗结束时间[a[i],b[i]]
width=b-a; %顾客的时间窗宽度
s=c101(2:end,7); %客户点的服务时间
choose_way=input('计算的距离类型————1 坐标位置 2 经纬度===');
if choose_way==1
h=pdist(vertexs);
dist=squareform(h); %距离矩阵 坐标相减
% dist(1,3)=555;
else
mi=[vertexs];
cc=zeros(size(mi,1));
for j=1:size(mi,1)
for i=j:size(mi,1)
cc(j,i)=abs(6371004*acos((sin(deg2rad(mi(j,2)))*sin(deg2rad(mi(i,2)))+cos(deg2rad(mi(j,2)))*cos(deg2rad(mi(i,2)))*cos(deg2rad(mi(i,1)-mi(j,1))))));
if i==j || cc(j,i)==0
cc(j,i)=eps;
end
cc(i,j)=cc(j,i);
end
end
un_1_1=cc;
dist=un_1_1; %距离矩阵
end
%% 初始化参数
w_PPm_b=1;%初始满意度为1
m=50; %蚂蚁数量
alpha=1; %信息素重要程度因子
beta=3; %启发函数重要程度因子
gama=2; %等待时间重要程度因子
delta=3; %时间窗跨度重要程度因子
r0=0.5; %r0为用来控制转移规则的参数
rho=0.85; %信息素挥发因子
Q=100; %更新信息素浓度的常数
Eta=1./dist; %启发函数
Tau=ones(cusnum+1,cusnum+1); %信息素矩阵
Table=zeros(m,cusnum); %路径记录表
iter=1; %迭代次数初值
iter_max=10; %最大迭代次数
Route_best=zeros(iter_max,cusnum); %各代最佳路径
Cost_best=zeros(iter_max,1); %各代最佳路径的成本
ture_c=0; %是否满足装箱
%% 迭代寻找最佳路径
while iter<=iter_max || ture_c~=1
%% 先构建出所有蚂蚁的路径
%逐个蚂蚁选择
for i=1:m
%逐个顾客选择
for j=1:cusnum
r=rand; %r为在[0,1]上的随机变量
np=next_point(i,Table,Tau,Eta,alpha,beta,gama,delta,r,r0,a,b,width,s,L,dist,cap,demands);
Table(i,j)=np;
end
end
%% 计算各个蚂蚁的成本=1000*车辆使用数目+车辆行驶总距离
cost=zeros(m,1);
NV=zeros(m,1);
TD=zeros(m,1);
for i=1:m
[VC,NV,TD,Q_U,w_pp]=decode(Table(i,:),cap,demands,a,b,L,s,dist);
[cost(i,1),NV(i,1),TD(i,1),ff(i,1),c_11(i,1),w_PPm(i,1)]=costFun(VC,dist,Q_U,w_pp);
end
%% 计算最小成本及平均成本
if iter == 1
[min_Cost,min_index]=min(cost);
c_bb=c_11(min_index);
f_bb=ff(min_index);
Cost_best(iter)=min_Cost;
w_PPm_m(iter)=mean(w_PPm);
Route_best(iter,:)=Table(min_index,:);
else
[min_Cost,min_index]=min(cost);
w_PPm_m(iter)=mean(w_PPm);
Cost_best(iter)=min(Cost_best(iter - 1),min_Cost);
c_bb=c_11(min_index);
f_bb=ff(min_index);
w_PPm_b=w_PPm(min_index);
if Cost_best(iter)==min_Cost
Route_best(iter,:)=Table(min_index,:);
c_bb=c_11(min_index);
f_bb=ff(min_index);
w_PPm_b=w_PPm(min_index);
else
Route_best(iter,:)=Route_best((iter-1),:);
c_bb=c_11(min_index);
f_bb=ff(min_index);
w_PPm_b=w_PPm(min_index);
end
end
%% 更新信息素
bestR=Route_best(iter,:);
[bestVC,bestNV,bestTD]=decode(bestR,cap,demands,a,b,L,s,dist);
Tau=updateTau(Tau,bestR,rho,Q,cap,demands,a,b,L,s,dist);
%% 判断生成的路径是否符合要求
% 测试功能
for i=1:size(bestVC,1)
aa=bestVC{i,:};
[PG,PV,gbest,timecost,Scheme]=Container(aa,box,orginal_cargo,box_sty); %对装修进行约束
if PG>1||PV>1 % 判断满载率和空间载重限制情况 如果不满足转化货运箱类型
box_sty=box_sty+1;
ture_c=0;
disp('没有符合要求的装箱类型,需要改变种类')
% iter=abs(iter-1);
kk=1;
if max(box_sty)>size(box,1)
disp('装箱类型全部都不符合要求,重新设定:已暂停')
% pause
box_sty=[1:kk];
kk=kk+1;
ture_c=0;
end
else
ture_c=1;
end
end
%% 最短时间
t_1=bestTD/v_cap; % 路径时间
s_1=sum(s); % 总服务时间
T_BEAST=t_1+s_1;
%% 打印当前最优解
if v_num<=num2str(bestNV)
disp(['第',num2str(iter),'代最优解:'])
disp(['车辆使用数目:',num2str(bestNV),',装载箱种类选择:',num2str(box_sty),',车辆行驶总距离:',num2str(bestTD),'最低碳排放量',num2str(c_bb),'满意度为',num2str(w_PPm_b),'最短时间',num2str(T_BEAST)]);
else
disp(['第',num2str(iter),'代最优解:'])
disp(['车辆循环次数:',num2str(bestNV),',装载箱种类选择:',num2str(box_sty),',车辆行驶总距离:',num2str(bestTD),'最低碳排放量',num2str(c_bb),'满意度为',num2str(w_PPm_b),'最短时间',num2str(T_BEAST)]);
end
fprintf('\n')
%% 迭代次数加1,清空路径记录表
iter=iter+1;
Table=zeros(m,cusnum);
end
%% 结果显示
bestRoute=Route_best(end,:);
[bestVC,NV,TD]=decode(bestRoute,cap,demands,a,b,L,s,dist);
draw_Best(bestVC,vertexs);
for i=1:size(bestVC,1)
% currentDate=strcat('a',num2str(i))
% aa.(currentDate)=bestVC{i,:};
aa=bestVC{i,:};
% save(strcat('bestVC',num2str(i),'.mat'), 'aa')
[PG,PV,gbest,timecost,Scheme]=Container(aa,box,orginal_cargo,box_sty); %对装修进行约束
result(Scheme,15); %将装箱方案Scheme 按每行15个货物显示
figure
fprintf('重量利用率:\t%5.3f %%\n',PG*100);
fprintf('空间利用率:\t%5.3f %%\n',PV*100);
fprintf('综合利用率:\t%5.3f %%\n',gbest*100);
% fprintf('计算时间:\t\t%5.4f s\n',timecost);
% disp('图像生成中...')
depict( Scheme, 1,'r' ) % ( 方案,画出编号为i箱子,颜色) 颜色:r\g\b\c\m\y\k\w
end
%% 绘图
figure
plot(1:iter_max,Cost_best(1:iter_max),'b')
xlabel('迭代次数')
ylabel('成本')
title('各代最小成本变化趋势图')
% %% 判断最优解是否满足时间窗约束和载重量约束,0表示违反约束,1表示满足全部约束
flag=Judge(bestVC,cap,demands,a,b,L,s,dist);
%% 检查最优解中是否存在元素丢失的情况,丢失元素,如果没有则为空
DEL=Judge_Del(bestVC);
figure
plot(1:iter_max,w_PPm_m(1:iter_max),'b')
xlabel('迭代次数')
ylabel('满意度')
title('各代满意度平均变化趋势图')
figure
plot(1:m,w_PPm(1:m),'b')
xlabel('蚂蚁')
ylabel('满意度')
title('最后一代满意度平均变化趋势图')
toc
车辆类型优化 主函数
function [PG,PV,gbest,timecost,Scheme]=Container(aa,box,orginal_cargo,box_sty)
%% 进行集装箱优化
global cargo; global lambda; global num_cargo;global num_box;global solution;
%% -------------------------------控制参数---------------------------
lambda = 0.5; % 重量利用率权重
T0 = 100; % 初始温度
T_End = 1; % 终止温度
metropolis = 100; % 退火算法中 metropolis链长度
cooling = 0.98; % 降温系数
pop = 11; %遗传算法染色体数
maxite = 10; %遗传最大迭代次数
pm = 0.1; %遗传变异概率
%% --------------------------------------------------------------------
%% ----------------------------初始化:读取货箱信息 ----------------------------
% aa=load(bestway); %获取路径上的解
box=box(box_sty,:); % 选择的种类
% cargo=[];
orginal_cargo=orginal_cargo(aa,:);
count=1;
for i=1:size(orginal_cargo,1) %重构货物格式 cargo: 重 长 宽 高 体积 ;其中 长>宽>高
for j=1:orginal_cargo(i,2) %货物个数 =size(orginal_cargo,1)*orginal_cargo(i,2)
cargo(count,1:4) = orginal_cargo(i,3:6);
cargo(count,5) = prod(cargo(count,2:4),2);
cargo(count,2:4) = sort(cargo(count,2:4),'descend');
count=count+1;
end
end
for i=1:size(box,1) %重构箱子box: 重 长 宽 高 体积
box(i,5)=prod(box(i,2:4),2);
end
num_cargo=size(cargo,1); % 货物数
num_box=size(box,1); % 货箱数
solution= fix((num_box)*rand(1,num_cargo))+1; %随机生成初始解
Scheme=transform(solution); %解转化成“货箱:货物”对应的形式
[feas_solution,Scheme]= placement(Scheme,box); %装箱处理
[PG,PV,gbest ]= evaluate(feas_solution,box) ; %计算适应度
%--------------------------------------------------------------------
%----------------------------退火------------------------
begin=cputime; %开始计时
%遗传算法优化 GENE(染色体数/种群规模,最大迭代次数,染色体长度/维度,变异概率)
[final_solution,gbest]=GENE(pop,maxite,num_cargo,pm,box) ;
%遗传执行完毕后 模拟退火进一步优化
T = T0;
while T > T_End
for i=1:metropolis
%-----------随机交换两件货物生成新解
newsolution=final_solution;
R1=fix(rand*num_cargo)+1;
R2=fix(rand*num_cargo)+1;
inter=newsolution(R1);
newsolution(R1)=newsolution(R2);
newsolution(R2)=inter;
NewScheme=transform(newsolution); % 分配货箱
[feas_solution,NewScheme]= placement(NewScheme,box); % 装箱处理
[NPG,NPV,pbest ]= evaluate(feas_solution,box); % 评估新方案
if pbest>gbest
gbest = pbest;
final_solution = newsolution;
PG = NPG;
PV = NPV;
Scheme = NewScheme;
else
if rand < exp( (pbest-gbest)*100*T0/T)
gbest=pbest;
final_solution=newsolution;
PG = NPG;
PV = NPV;
Scheme = NewScheme;
end
end
end
T = T * cooling;
end
timecost = cputime-begin; %计时结束
结果展示
后续待更新
2020年12月31日
- gui版本的主程序
- 2021年1月4日00:27
function [T,T_1,cc_h1]=ACO_VRPTW(way_chose,value_str)
%% 源代码参考
% 网上来源 具体链接后续补上
% 修改 尚帝
% 内容: 将时间窗口约束的路径规划结合背包装箱问题,将装箱问题可视化。
% 特点: 在优化过程中考虑背包的装置也摆放位置,多角度考虑问题,细化过程和可视化
% 不足: 没有真正对解决问题提供参考意义,缺少实际价值。没有将两者更加有机结合
%待改进的点: 1.将装箱部分与路径选择的权重相关联,考虑摆放位置与用户体验,运送货物的需求相匹配。可视化的过程与具体要求匹配
% 2. 降低参数设置,简化算法
% 邮箱 162480875@qq.com 有疑问或建议发送
%% 2020年12月19日16:34:43
% 版本 0.01
% 加入了满意度 碳排放量
%% 2020年12月27日15:51:32
% 版本 0.02
% 简单调整了作图增加了标签
%% 2020年12月30日23:11:18
% 版本0.1
% 增加了装箱过程展示与装箱优化和车辆类型选择
%% 2020年12月31日10:24
% 版本0.11
% 将集装箱约束与车辆约束嵌套
%% 2021年1月2日23:19:29
% 版本0.12
% 将参数输入改为了gui版本
%% 2021年1月3日02:16:45
% 版本0.15
% gui框架基本成型
%%
% clear
% clc
% close all
tic
%% 用importdata这个函数来读取文件
c101=importdata(way_chose); % 路径信息
box=load('box'); %获箱体信息 box: 重 长 宽 高 体积
box_sty=value_str.box_sty; %装载箱类型种类
%box_sty=1; %装载箱类型种类
orginal_cargo=load('cargo'); %获取不同地点的货物数目与货物属性 序号 货物数目 重 长 宽 高
cap=box(1); %车辆最大装载量
v_cap=2; %车辆速度(单位时间)
%% 提取数据信息
E=c101(1,5); %配送中心时间窗开始时间
L=c101(1,6); %配送中心时间窗结束时间
vertexs=c101(:,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=value_str.v_num; %车辆最多使用数目
demands=c101(2:end,4); %需求量
a=c101(2:end,5); %顾客时间窗开始时间[a[i],b[i]]
b=c101(2:end,6); %顾客时间窗结束时间[a[i],b[i]]
width=b-a; %顾客的时间窗宽度
s=c101(2:end,7); %客户点的服务时间
%choose_way=input('计算的距离类型————1 坐标位置 2 经纬度===');
choose_way=1;
if choose_way==1
h=pdist(vertexs);
dist=squareform(h); %距离矩阵 坐标相减
% dist(1,3)=555;
else
mi=[vertexs];
cc=zeros(size(mi,1));
for j=1:size(mi,1)
for i=j:size(mi,1)
cc(j,i)=abs(6371004*acos((sin(deg2rad(mi(j,2)))*sin(deg2rad(mi(i,2)))+cos(deg2rad(mi(j,2)))*cos(deg2rad(mi(i,2)))*cos(deg2rad(mi(i,1)-mi(j,1))))));
if i==j || cc(j,i)==0
cc(j,i)=eps;
end
cc(i,j)=cc(j,i);
end
end
un_1_1=cc;
dist=un_1_1; %距离矩阵
end
%% 初始化参数
w_PPm_b=1;%初始满意度为1
% m=50; %蚂蚁数量
m=value_str.m;
alpha=value_str.alpha; %信息素重要程度因子
beta=3; %启发函数重要程度因子
gama=2; %等待时间重要程度因子
delta=3; %时间窗跨度重要程度因子
r0=0.5; %r0为用来控制转移规则的参数
rho=0.85; %信息素挥发因子
Q=100; %更新信息素浓度的常数
Eta=1./dist; %启发函数
Tau=ones(cusnum+1,cusnum+1); %信息素矩阵
Table=zeros(m,cusnum); %路径记录表
iter=1; %迭代次数初值
iter_max=2; %最大迭代次数
Route_best=zeros(iter_max,cusnum); %各代最佳路径
Cost_best=zeros(iter_max,1); %各代最佳路径的成本
ture_c=0; %是否满足装箱
% 结果存储表
Pathname = {};
Number_of_vehicles_used =[];
Selection_of_loading_cases=[];
Total_vehicle_distance=[];
Minimum_carbon_emissions =[];
Satisfaction=[];
Shortest_time=[];
T_1= table(Pathname,Number_of_vehicles_used,Selection_of_loading_cases,Total_vehicle_distance,Minimum_carbon_emissions,Satisfaction,Shortest_time);
%% 迭代寻找最佳路径
while iter<=iter_max || ture_c~=1
%% 先构建出所有蚂蚁的路径
%逐个蚂蚁选择
for i=1:m
%逐个顾客选择
for j=1:cusnum
r=rand; %r为在[0,1]上的随机变量
np=next_point(i,Table,Tau,Eta,alpha,beta,gama,delta,r,r0,a,b,width,s,L,dist,cap,demands);
Table(i,j)=np;
end
end
%% 计算各个蚂蚁的成本=1000*车辆使用数目+车辆行驶总距离
cost=zeros(m,1);
NV=zeros(m,1);
TD=zeros(m,1);
for i=1:m
[VC,NV,TD,Q_U,w_pp]=decode(Table(i,:),cap,demands,a,b,L,s,dist);
[cost(i,1),NV(i,1),TD(i,1),ff(i,1),c_11(i,1),w_PPm(i,1)]=costFun(VC,dist,Q_U,w_pp);
end
%% 计算最小成本及平均成本
if iter == 1
[min_Cost,min_index]=min(cost);
c_bb=c_11(min_index);
f_bb=ff(min_index);
Cost_best(iter)=min_Cost;
w_PPm_m(iter)=mean(w_PPm);
Route_best(iter,:)=Table(min_index,:);
else
[min_Cost,min_index]=min(cost);
w_PPm_m(iter)=mean(w_PPm);
Cost_best(iter)=min(Cost_best(iter - 1),min_Cost);
c_bb=c_11(min_index);
f_bb=ff(min_index);
w_PPm_b=w_PPm(min_index);
if Cost_best(iter)==min_Cost
Route_best(iter,:)=Table(min_index,:);
c_bb=c_11(min_index);
f_bb=ff(min_index);
w_PPm_b=w_PPm(min_index);
else
Route_best(iter,:)=Route_best((iter-1),:);
c_bb=c_11(min_index);
f_bb=ff(min_index);
w_PPm_b=w_PPm(min_index);
end
end
%% 更新信息素
bestR=Route_best(iter,:);
[bestVC,bestNV,bestTD]=decode(bestR,cap,demands,a,b,L,s,dist);
Tau=updateTau(Tau,bestR,rho,Q,cap,demands,a,b,L,s,dist);
%% 判断生成的路径是否符合要求
% 测试功能
for i=1:size(bestVC,1)
aa=bestVC{i,:};
[PG,PV,gbest,timecost,~]=Container(aa,box,orginal_cargo,box_sty); %对装修进行约束
if PG>1||PV>1 && iter<2*iter_max% 判断满载率和空间载重限制情况 如果不满足转化货运箱类型
box_sty=box_sty+1;
ture_c=0;
disp('没有符合要求的装箱类型,需要改变种类')
% iter=abs(iter-1);
kk=1;
if max(box_sty)>=size(box,1)
disp('装箱类型全部都不符合要求,重新设定:已暂停')
% pause
box_sty=[1:kk];
kk=kk+1;
ture_c=0;
end
else
ture_c=1;
end
end
%% 最短时间
t_1=bestTD/v_cap; % 路径时间
s_1=sum(s); % 总服务时间
T_BEAST=t_1+s_1;
%% 打印当前最优解
% if v_num<=num2str(bestNV)
% disp(['第',num2str(iter),'代最优解:'])
% disp(['车辆使用数目:',num2str(bestNV),',装载箱种类选择:',num2str(box_sty),',车辆行驶总距离:',num2str(bestTD),'最低碳排放量',num2str(c_bb),'满意度为',num2str(w_PPm_b),'最短时间',num2str(T_BEAST)]);
% else
% disp(['第',num2str(iter),'代最优解:'])
% disp(['车辆循环次数:',num2str(bestNV),',装载箱种类选择:',num2str(box_sty),',车辆行驶总距离:',num2str(bestTD),'最低碳排放量',num2str(c_bb),'满意度为',num2str(w_PPm_b),'最短时间',num2str(T_BEAST)]);
% end
% fprintf('\n')
T_1(iter,:)={strcat('第',num2str(iter),'次迭代'),bestNV,bestNV,bestTD,c_bb,w_PPm_b,T_BEAST};
%% 迭代次数加1,清空路径记录表
iter=iter+1;
Table=zeros(m,cusnum);
end
%% 结果显示
Pathname = {};
Weight_utilization =[];
Space_utilization =[];
Comprehensive_utilization_rate = [];
T = table(Pathname,Weight_utilization,Space_utilization,Comprehensive_utilization_rate);
bestRoute=Route_best(end,:);
[bestVC,NV,TD]=decode(bestRoute,cap,demands,a,b,L,s,dist);
draw_Best(bestVC,vertexs);
cc_h1.a4=bestVC;
cc_h1.b4=vertexs;
for i=1:size(bestVC,1)
aa=bestVC{i,:};
box=load('box'); %获箱体信息 box: 重 长 宽 高 体积
[PG,PV,gbest,~,Scheme,box]=Container(aa,box,orginal_cargo,box_sty); %对装修进行约束
result(Scheme,15); %将装箱方案Scheme 按每行15个货物显示
figure
T(i,:)={strcat('第',num2str(i),'路径装箱结果'),PG*100,PV*100,gbest*100};
depict( Scheme, 1,'r',box ) % ( 方案,画出编号为i箱子,颜色) 颜色:r\g\b\c\m\y\k\w
end
%% 绘图
cc_h1.a3=1:iter_max;
cc_h1.b3=Cost_best(1:iter_max);
%% 判断最优解是否满足时间窗约束和载重量约束,0表示违反约束,1表示满足全部约束
flag=Judge(bestVC,cap,demands,a,b,L,s,dist);
%% 检查最优解中是否存在元素丢失的情况,丢失元素,如果没有则为空
DEL=Judge_Del(bestVC);
cc_h1.a2=1:iter_max;
cc_h1.b2=w_PPm_m(1:iter_max);
cc_h1.a1=1:m;
cc_h1.b1=w_PPm(1:m);
toc