基于遗传算法有时间窗、载重约束外卖配送路径优化

1、外卖配送中与普通路径优化的区别

（1）外卖配送中必须先取订单在进行配送，所以染色体是有序排列的
（2）两点间的距离并不代表十几的距离
（3）在进行交叉与变异时也只能运用特殊的方法
（4）如有载货限制顾客-1，商家+1进行计算

原始数据

（1）第一列0为原点，1-5为商家 6-10为顾客
（2）二三列为坐标
（3）四五列为时间窗的开始与结束

产生种群

5 2 3 4 10 1 8 9 7 6
如上，在产生种群时，商家1的订单对应客户6，以此类推，所以1必须在6的前面，2、3、4、5都是如此。

选择

选择采用锦标赛，适应度为距离的倒数

交叉与变异

采用保续的交叉法如下

变异

结果

gs为超过顾客最晚时间窗的订单个数，
w1为软时间窗违反的总时间

优化过程


优化结果，其中超过客户最晚时间窗的用三角在图中标了出来。
主程序如下

clear
clc
close all
tic
%% 读取数据
load('shuju');
bl=0;
%% 提取数据信息
E=shuju(1,4);                                                    %初始点时间窗开始时间
L=shuju(1,5);                                                    %初始点心时间窗结束时间
zuobiao=shuju(:,2:3);                                       %所有点的坐标x和y
zuobiao=[zuobiao(:,1),-zuobiao(:,2)];
customer=zuobiao(2:end,:);                                       %顾客坐标
cusnum=size(customer,1);                                         %顾客数
v_num=1;                                                        %车辆数
a=shuju(2:end,4);                                                %顾客时间窗开始时间[a[i],b[i]]
b=shuju(2:end,5);                                                %顾客时间窗结束时间[a[i],b[i]]

dist=Distanse(zuobiao); %根据坐标的欧式距离矩阵

% dist=load('matlab.mat');%D导入距离矩阵
% dist=struct2cell(dist);
% dist=cell2mat(dist);
%% 遗传算法参数设置
alpha=100000;                                                       %违反的容量约束的惩罚函数系数
belta=0.4;%违反时间窗约束的惩罚函数系数
belta2=1;
chesu=100;%车速

NIND=1000;                                                       %种群大小
MAXGEN=50;                                                     %迭代次数
Pc=0.9;                                                         %交叉概率
Pm=0.05;                                                        %变异概率
GGAP=0.9;                                                       %代沟(Generation gap)
N=cusnum;
%% 初始化种群
Chrom=init(cusnum,NIND);                             %构造初始解

%% 输出随机解的路线和总距离
disp('初始种群中的一个随机值:')

[VC,TD,violate_cus]=decode(Chrom(1,:),cusnum,a,b,L,dist,chesu,bl);
% disp(['总距离：',num2str(TD)]);
disp(['车辆行驶总距离：',num2str(TD)]);
disp('~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~')
%% 优化
gen=1;
figure;
hold on;box on
xlim([0,MAXGEN])
title('优化过程')
xlabel('代数')
ylabel('最优值')
[ObjV,bsv,gs,w1,w2]=calObj(Chrom,cusnum,a,b,L,dist,alpha,belta,belta2,chesu,bl);             %计算种群目标函数值
preObjV=min(ObjV);
%%
while gen<=MAXGEN
    %% 计算适应度
    [ObjV,bsv,gs,w1,w2]=calObj(Chrom,cusnum,a,b,L,dist,alpha,belta,belta2,chesu,bl);           %计算种群目标函数值
    line([gen-1,gen],[preObjV,min(ObjV)]);pause(0.0001)%画图 最优函数
    preObjV=min(ObjV);
    FitnV=Fitness(ObjV);
    %% 选择 
     SelCh=Select(Chrom,FitnV,GGAP);
    %% OX交叉操作
    SelCh=Recombin(SelCh,Pc);
    %% 变异
    SelCh=Mutate(SelCh,Pm);
    %% 重插入子代的新种群
    Chrom=Reins(Chrom,SelCh,ObjV);
    %% 打印当前最优解
    [ObjV,bsv,gs,w1,w2]=calObj(Chrom,cusnum,a,b,L,dist,alpha,belta,belta2,chesu,bl);           %计算种群目标函数值
    [minObjV,minInd]=min(ObjV);
    disp(['第',num2str(gen),'代最优解:'])    
    [bestVC,bestTD,best_viocus]=decode(Chrom(minInd(1),:),cusnum,a,b,L,dist,chesu,bl);
    disp(['车辆行驶总距离：',num2str(bestTD)]);
    fprintf('\n')
    %% 更新迭代次数
    gen=gen+1 ;
end
%% 画出最优解的路线图
[ObjV,bsv,gs,w1,w2]=calObj(Chrom,cusnum,a,b,L,dist,alpha,belta,belta2,chesu,bl);              %计算种群目标函数值
[minObjV,minInd]=min(ObjV);
%% 输出最优解的路线和总距离
disp('最优解:')
bestChrom=Chrom(minInd(1),:);
[bestVC,bestTD,best_viocus]=decode(bestChrom,cusnum,a,b,L,dist,chesu,bl);
disp(['车辆行驶总距离：',num2str(bestTD)]);
disp('-------------------------------------------------------------')
% %% 画出最终路线图
% ee=[];
% ccc=0;
% for i=1:cusnum
%     if i==1
%         ccc=(ccc+dist(1,bestVC(1)+1)/chesu);
%     ee(i,1)=ccc;
%     
%     else
%         ccc=ccc+dist((bestVC(i-1)+1),bestVC(i)+1)/chesu;
%         ee(i,1)=ccc;
% end
% end
% eee=cumsum(ee);
draw_Best(bestVC,zuobiao,b,bsv);
gs
w1
w2

如需帮忙

完成代码下载链接