设施规划选址——重心法

xsz123456p

已于 2024-04-07 16:31:09 修改

阅读量3.5k

点赞数 5

文章标签： python 机器学习算法矩阵线性回归

于 2022-04-11 23:03:58 首次发布

本文链接：https://blog.csdn.net/xsz123456p/article/details/124112071

版权

重心法

数据准备-格式

在这里插入图片描述

import numpy as np
from matplotlib import pyplot as plt
import pandas as pd

# 初始化工厂位置
def init_factory():
    data = [281.84548388749425, 288.61186536195504]
    
    return data


# 成本函数
def cost(x_d, y_d, data):
    cost = np.sum(data.loc[:, 'A'].to_numpy() * data.loc[:, 'W'].to_numpy() * data.loc[:, 'D'].to_numpy()) 
    return cost

# 读取数据：固定点坐标-二维
file = "data1.xlsx"               # 每行为一个点坐标，列为x,y,aj, wj
data = pd.read_excel(file)

#设置迭代次数
iteration = 10000


#初始值设置
x_factory = init_factory()[0]
y_factory = init_factory()[1]

#最优工厂位置
opt_x_factory = 0
opt_y_factory = 0
low_cost      = 100

#开始迭代
for k in range(iteration):
    
    print("第{0}次迭代".format(k +1))
    # 计算工厂到点的距离-并堆叠在data后一列
    distance=  np.sum((data.loc[:, ['X', 'Y']].to_numpy() - np.array([x_factory, y_factory]))**2, axis=1)**0.5
    data.loc[:, 'D'] = np.reshape(distance, (-1, 1))
    
    # 计算初始成本
    T_0 = cost(x_factory, y_factory, data)
    
    print("工厂位置为:(x, y)=({0}, {1})".format(x_factory, y_factory))
    
    
    #验证数据
    print(data)
    
    # 存储前一个工厂位置
    before_x_factory = x_factory
    before_y_factory = y_factory
    
    #工厂位置更新
    WC_j = np.sum(data.loc[:, 'A'].to_numpy()*data.loc[:, 'W'].to_numpy()/data.loc[:, 'D'].to_numpy())    
    WCX_j = np.sum(data.loc[:, 'A'].to_numpy() * data.loc[:, 'W'].to_numpy() * data.loc[:, 'X'].to_numpy()/data.loc[:, 'D'].to_numpy())
    WCY_j = np.sum(data.loc[:, 'A'].to_numpy()*data.loc[:, 'W'].to_numpy()*data.loc[:, 'Y'].to_numpy()/data.loc[:, 'D'].to_numpy())
    
    
    x_factory  = WCX_j  / WC_j
    y_factory  = WCY_j  / WC_j
    
    
    # 计算成本函数
    # 计算工厂到点的距离-并堆叠在data后一列
    distance=  np.sum((data.loc[:, ['X', 'Y']].to_numpy() - np.array([x_factory, y_factory]))**2, axis=1)**0.5
    data.loc[:, 'D'] = np.reshape(distance, (-1, 1))
    T_1 = cost(x_factory, y_factory, data)
    
    
    #判断是否达到成本函数最低
    if T_0 < T_1:
        # 最优工厂位置
        opt_x_factory = before_x_factory
        opt_y_factory = before_y_factory
        
        #最低运输成本
        low_cost = T_0
        print("------------end-----------------")
        break
        
    
# 最优工厂位置
print("最优工厂位置为:(x, y)=({0}, {1})".format(opt_x_factory, opt_y_factory))
print("最低成本：{0}".format(low_cost))