Untitled.zip

Untitled.zip

clc

clear

close all

tic

data = xlsread（‘数据.xlsx‘‘C3:I12‘）;

JW = data（:1:2）;

dem = data（:3）;      % 各网点的需求量

demand = rem（dem6）;  % 各网点除去整车运输的量（整车运输是指网点需求量多于汽车装载量时，需要在该网点多次运输）

ntimes = （dem - demand）/6; % 各网点整车运输的次数

    %% 经纬度转大地坐标，单位km

e2=0.0066943799;
N=6386942;

H=44.4;                     % 海拔

W=JW（:2）/180*pi;           % 维度

J=JW（:1）/180*pi;           % 经度

X=-（N+H）*cos（W）.*cos（J）/1000;

Y=（N+H）*cos（W）.*sin（J）/1000;

position=[X Y];

%%

CityNum=9;     % 需求节点数

CarDistance=300000;% 车最大行驶距离

CarLoad=6;      % 车容量

speed=30;       % 车辆行驶速度

c0=0;          % 发车成本

c1=3;          % 车辆行驶单位距离成本

CarNum=18;      % 配送车辆总数，实际车辆可以少于该值

fitmax=10000000;% 最大惩罚

%%

NP=80;         % 种群个体数量

maxgen=200;

Pc=0.9;         % 交叉概率

Pm=0.1;         % 变异概率

Gap=0.9;        % 代沟（Generation gap）



%%

ET=data（:6）;  % 最早服务时间窗

LT=data（:7）;  % 最晚服务时间窗

ST=zeros（size（ET））;% 服务时间

CE=[0 ones（1CityNum）]*1000;  % 早到惩罚系数

CL=[0 ones（1CityNum）]*1000;  % 晚到惩罚系数

%% 计算各城市之间的距离

distance=zeros（CityNum+1）;

for i=1:CityNum+1

    for j=i+1:CityNum+1

        distance（ij）=（（position（i1）-position（j1））^2+（position（i2）-position（j2））^2）^0.5;

        distance（ji）=distance（ij）;

    end

end

%% 整车运输费用

for j = 2:length（dem）

    mT = distance（1j）/speed;

    if mT < ET（j）

        dpunish = （ET（j）-mT）*CE（j）;

    elseif mT > LT（j）

        dpunish = （mT-LT（j））*CL（j）;

    else

        dpunish = 0;

    end

    mCost（j）  =  ntimes（j）*（distance（1j）*c1*2）;

end

dCost = sum（mCost）;

%% 路径初始化

X=initpop（NPCityNumCarNum）;



Xa=X（1:）;

%% 迭代

gen=1;

while gen<=maxgen

    gen

    % 计算适应值矩阵

    [allcostfit]=fitness（distancedemandXETLTCECLSTCarDistanceCarLoadspeedfitmaxc0c1）;

    %找出最优个体适应值

    allcost=allcost+dCost;

    [leastcostbestindex]=min（allcost）;

    bestindex=bestindex（1）;

    fpbest（gen）=leastcost; % 最小适应值fit的集

    pbest（gen:）=X（bestindex:）;% 最优个体集

    % 选择

    XSel=Select（XfitGap）;

    % 交叉操作
    XSel=Cross（XSelPc）;

    % 变异
    XSel=Mutate（XSelPm）;

    % 逆转操作

    %XSel=Reverse（distancedemandXSelETLTCECLSTCarDistanceCarLoadspeedfitmaxc0c1）;

    % 重插入子代的新种群

    X=Reins（XXSelfit）;

    gen=gen+1;

end

% 找出最优的适应值、个体

[minfpbestminindex]=min（fpbest）;% 取最优适应值的位置、最优适应值

minindex=minindex（1）;

bestRoute=pbest（minindex:）; % 取最优个体

Path=bestRoute;

for i=1:length（Path）-1

    if Path（i）-Path（i+1）==0

        Path（i）=0;

    end

end



ii=find（Path==0）;

Path（ii）=[];

for j=1:length（Path） % 编码各减1，与文中的编码一致

    Path（j）= Path（j）-1;

end

fpbest;  %查看适应值的变化情况

%% 迭代图

figure

plot（fpbest）

title（‘遗传算法优化过程‘）

xlabel（‘迭代次数‘）

ylabel（‘最优值‘）

%% 计算结果数据输出

clc

toc

disp（[‘最优成本为：‘num2str（minfpbest）]）;

OutputResult（distancedemandPathETLTCECLSTCarDistanceCarLoadspeedf

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     文件        4049  2019-04-26 16:24  Untitled.m