基于遗传算法实现多式联运问题

前言

本次博客主要分享我之前看过了一个问题，叫做“多式联运”问题，主要是为了方便我练习使用遗传算法，虽然现在matlab官方提供其工具箱，但是从底层上去理解和编写一次遗传算法有助于我之后的提升，加之之前对相位板的优化过程中使用到遗传算法，但是自己又不是很熟悉，一直想着好好去解决这个问题，同时呢看到这样的问题，所以自己就尝试去是用遗传算法去解决它，效果很好。

算法简介

遗传算法

对于遗传算法的说明和介绍，我觉得我不用直接去叙述了，如果有需要的话，我后面再加上更加详细的介绍，这里我推荐一位博主的介绍吧：
链接: 遗传算法详解（GA）（个人觉得很形象，很适合初学者）.

多式联运

多式联运问题的介绍可以看一下这个链接：
链接：多式联运
上面的链接是百度百科里面对多式联运问题的介绍，很详细，只是我个人对这个不是很感冒，我看到的是一篇论文的介绍。下面我们开始对论文开始一个简单的叙述和介绍：

引言

多式联运的主要影响因素

问题的描述和假设
假设有一批物件以集装箱为单位需从 A 城市运往 B 城市， 有若干节点， 在整个运输过程中采用了由公路运输、 铁路运输、 水路运输组成的多式联运的运输方式。 在整个线路规划中， 充分考虑到降低物流企业的投入成本、 提升运输效率、 提高客户满 意度， 从而得到基于多方面因素的多式联运路径优化方案。

现在存在两种情况，第一种-是物件从A城市运往B城市的过程中不能在相同的城市中的节点进行逗留，简单的来说，从A出发的货物，必须的下一节点是B城市里面的接受点，同样的，到达B城市的货物下一次要直接返回A城市里面的节点，同一个城市内部没有交通运输方式；第二种就是同一个城市内部是可以有运输方式的，这里两种方式的计算方法都一样，就是在编码的过程中存在细微的差别。

对于不同的问题，我们需要进行的不同的假设条件和模型建立，这个我就直接以第一种的方式进行说明，具体的模型建立我这里就不在去赘述了，详细的打开可以自己去知网上寻找相关的文章或者自己建立(之前其他的博客自己写的公式总是会出现问题，所以我也就不在去添加公式了)

遗传算法进行求解

编码

遗传算法的第一步就是对问题的目标解进行编码，编码的方式有“二进制编码”，“十进制编码”，“格雷码”等等情况，我们首先假设A城市中的节点个数，例如"1~ 10",B城市中的节点个数为"11~18",多式联运问题中我们选择三种交通方式，即**“公路”，“水路”和“铁路”**，三种方式分别用“1”，“2”，“3”代表，问题中我们直接采用十进制进行编码操作。
编码思想：

%% ===================子函数================================================
% 用于产生计算种群的大小
function population = popocreat(popsize,N,icity,jcity)
% popsize表示种群的大小
% N表示城市节点的个数
% icity表示初始城市
% jcity表示目标到达的城市
% 其中奇数为表示城市的节点，偶数位表示输运的方式
global  RailDisdata WaterDisdata
H = 1:12;  %城市节点的数量以及标签
A = H(1:5);
B = H(6:12);  % 表示两个省中城市的标签
test=500;
Initialpop = zeros(test,2*N-1);
Initialpop(:,1) = icity;
Initialpop(:,2*N-1) = jcity;  % 基因首尾位置
% 可以途径的城市的节点的标签
if icity<5
    id1=A==icity;
    A(id1) = [];
    id2=B==jcity;
    B(id2) = [];
else
    id1=B==icity;
    B(id1)=[];
    id2=A==jcity;
    A(id2)=[];
end
% 可以选择的城市节点的个数
sizeA= size(A,2);
sizeB= size(B,2);

适应度函数评价：

选择，交叉和变异

在这里进行一个简单的说明，对于选择操作，不一定非得需要使用轮盘赌的方式，其他的方式也是可以的，比如使用“精英选择保留”，"竞标赛“等等

function [newpop] = selection(population,Fitvalue)
% 函数说明：子函数用于计算子代的种群

EliteInvidualrate = 0.1;  % 精英个体保留率
Titleracerate = 1-EliteInvidualrate;  %锦标竞赛保留

poplen = size(population,1);  %种群的个数
Titlenumber = fix(poplen*Titleracerate);
Elitenumber = ceil(poplen*EliteInvidualrate);

function  scro = crossover(population,pcrossover)
% 函数说明：
% 此子函数用于计算交叉操作
% 采用双点交叉的原则

%% ====================================
% 首先确定交叉的次数
poplen = size(population,1);
chromosomelen = size(population,2);  %染色体的长度

function snnew = mutation(population,pmutation,icity,jcity)
% 函数说明：
% 此子函数用于计算说明染色体的变异操作


poplen = size(population,1);
chromosomelen = size(population,2);  %染色体的长度
% 产生随机概率
poprand = rand(poplen,1);

结果分析

使用上面的遗传算法，自己判定相关的数据，比如交叉概率，变异概率，或者使用自适应变异和交叉等，都可以，此外适应度函数的设计也需要进行一个简单操作，最后的迭代结果为

在进化500代之后，可以得到比较合适的结果。

写在最后

关于这篇博客，里面的遗传算法是自己编写的，可能存在相关的不当之处，所以的代码的全部没有贴出来，有需要的可以联系我。
主要参考文献：

如果大家需要代码，请各位搜索微信公众号：“XD悟理”，并在后台回复：“多式联运”，按照提示即可获得。创作不易，谢谢大家支持!