m基于PSO粒子群优化的物流作业整合matlab仿真,计算最低运输费用、代理人转换费用、运输方式转化费用和时间惩罚费用

简介: m基于PSO粒子群优化的物流作业整合matlab仿真,计算最低运输费用、代理人转换费用、运输方式转化费用和时间惩罚费用

1.算法概述

    粒子群优化算法(PSO)是一种进化计算技术(evolutionary computation),1995 年由Eberhart 博士和kennedy 博士提出,源于对鸟群捕食的行为研究 。该算法最初是受到飞鸟集群活动的规律性启发,进而利用群体智能建立的一个简化模型。粒子群算法在对动物集群活动行为观察基础上,利用群体中的个体对信息的共享使整个群体的运动在问题求解空间中产生从无序到有序的演化过程,从而获得最优解。  

PSO 过程:
第1 步: 种群随机初始化。
第2 步: 对种群内的每一个个体计算适应值(fitness value) , 适应值与最优解的距离直接有关。
第3 步: 种群根据适应值进行复制。
第4 步: 如果终止条件满足, 则停止; 否则转到第2 步。

   PSO 算法中每个优化问题的解都有是搜索空间中的一只鸟, 称为粒子。与其他进化计算技术不同的是群体中的每个粒子可以记忆自己到过的最优位置, 并能感知邻近群体已达到的最优位置, 每个粒子能够根据自身到过的最优位置和邻近群体已到过的最优位置来更新自己, 然后粒子们不断地追随当前的最优粒子在解空间搜索。

  有M个作业(运输任务),S个代理人,k种运输方式,n个节点(城市)。每个作业都有时间限制,由第四方物流对各作业、各代理人、各种运输方式进行整合。各作业在任意节点上可由任意代理人进行代理,即在各节点可进行代理人之间的代理转换;各作业在任意节点之间只可选择一种运输方式,代理人在节点之间的运输能力不同,根据不同运量提供的代理价格折扣不同。模型为求解出各作业的运输路线及在各节点上选择由哪个代理人选择哪种运输方式。

1.png
2.png
3.png

成本分为四个部分:运输费用、代理人转换费用、运输方式转化费用和时间惩罚费用。

4.png

2.仿真效果预览
matlab2022a仿真结果如下:

5.png
6.png
7.png

3.核心MATLAB程序

%PSO
%x(s,k,m,i,j) = 1 表示作业m在节点i和节点j之间由代理人s采用k种运输方式代理;否则x(s,k,m,i,j)=0;
%r(s,l,m,i)   = 1 表示作业m在节点i由代理人s转换成代理人l;否则r(s,l,m,i)=0;
%R(k,v,m,i)   = 1 表示作业m在节点i由k种运输方式转换为v种运输方式,否则R(k,v,m,i)=0;
%由于算法较为复杂,这里无法直接将所有因素考虑,这里采用分级优化,即对性能影响最大的因素进行优化,再给予优化结果进行次级因素优化
 
%确定路线
%确定路线
%确定路线
%初始化x,r,R,初始化的值是随便设置的
for i = 1:n
    for j = 1:n
        if d(i,j) ~= 0 & d(i,j) ~= F
           x(:,:,:,i,j) = 1; 
           r(:,:,:,i)   = 1;
           R(:,:,:,i)   = 1;
        else
           x(:,:,:,i,j) = 0; 
           r(:,:,:,i)   = 0;
           R(:,:,:,i)   = 0;
        end
    end
end
 
All_cost = fitness(M,n,g,G,C,q,d,p,Z,T,LT,ET,R,r,x);
 
 
%下面开始PSO优化
itmax               = 300;%进化代数,就是预设的迭代次数。
W(1)                = 0.729;% 粒子先前速度保持。惯性权重
a(1)                = 0.316;% 用于计算W。
c1                  = 2; %认知部分 加速系数
c2                  = 2; %社会部分 加速系数
xmax                = 1;
xmin                = 0;
ii                  = 1;
num_particle        = 100;
D                   = size(d,1);
particle            = zeros(2*num_particle,D,D,M,itmax); 
 
particle(:,:,:,:,1) = xmin+(xmax-xmin)*rand(2*num_particle,D,D,M); 
V(:,:,:,:,1)        = round((xmin-xmax)+2*(xmax-xmin)*rand(2*num_particle,D,D,M));
 
fit                 = zeros(num_particle,itmax);% 用于存储粒子的适应值
pbest               = zeros(2*num_particle,D,D,M,itmax); % 用于存储粒子的位置
 
x2                  = zeros(g,G,M,n,n,2*num_particle);
 
for m = 1:M
    for i = 1:n
        for j = 1:n
            for nn = 1 : 2*num_particle
                x2(:,:,m,i,j,nn) = particle(nn,i,j,m,1);
            end
        end  
    end   
end
 
x_tmp = zeros(g,G,M,n,n);
for nn = 1 : num_particle
    x_tmp     = x2(:,:,:,:,:,nn);
    fit(nn,1) = fitness(M,n,g,G,C,q,d,p,Z,T,LT,ET,R,r,x_tmp);
end
 
%*********************************************************
pbest(:,:,:,:,1)   = particle(:,:,:,:,1);
pbest_value(:,1) = fit(:,1);  %个体最优值
[Cs,I]           = min(pbest_value(:,1));
gbest_value(1)   = Cs; % 群最优值
 
for i=1:num_particle
    gbest(2*i-1:2*i,:,:,:,1)=particle(2*I-1:2*I,:,:,:,1);  %群最优粒子位置
end
 
tmps = 0;
route = zeros(n,n,M,2*num_particle);
for ii=2:itmax
     
    ii
    
    V(:,:,:,:,ii)        = 0.729*V(:,:,:,:,ii-1)+c1*rand*(pbest(:,:,:,:,ii-1)-particle(:,:,:,:,ii-1))+...
                                                 c2*rand*(gbest(:,:,:,:,ii-1)-particle(:,:,:,:,ii-1));
 
    V(:,:,:,:,ii)        = min(V(:,:,:,:,ii),xmax-xmin);
    V(:,:,:,:,ii)        = max(V(:,:,:,:,ii),xmin-xmax);
    particle(:,:,:,:,ii) = particle(:,:,:,:,ii-1)+V(:,:,:,:,ii);
    particle(:,:,:,:,ii) = min(particle(:,:,:,:,ii),xmax);  
    particle(:,:,:,:,ii) = max(particle(:,:,:,:,ii),xmin); 
    for m = 1:M
        for i = 1:n
            for j = 1:n
                for nn = 1 : 2*num_particle
                    if d(i,j) > 0
                       x2(:,:,m,i,j,nn) = double(particle(nn,i,j,m,ii)>0.5);%对于优化结果,只取0或者1
                    else
                       x2(:,:,m,i,j,nn) = 0;%对于优化结果,只取0或者1 
                    end
                end
            end  
        end  
    end
    for m = 1:M
        for i = 1:n
            for j = 1:n
                for nn = 1 : 2*num_particle
                    if d(i,j) > 0
                       route(i,j,m,nn)    = particle(nn,i,j,m,ii);
                    else
                       route(i,j,m,nn)    = 0;
                    end
                end
            end  
        end    
    end
    
    
    for nn = 1 : num_particle
        x_tmp      = x2(:,:,:,:,:,nn);
        fit(:,ii)  = fitness(M,n,g,G,C,q,d,p,Z,T,LT,ET,R,r,x_tmp);
    end    
 
    %下面更新 pbest and pbest_value 
    pbest_value(:,ii)=min(pbest_value(:,ii-1),fit(:,ii));
    
    for i=1:num_particle
        if pbest_value(i,ii) == fit(i,ii)   
           pbest(2*i-1:2*i,:,:,:,ii) = particle(2*i-1:2*i,:,:,:,ii);
        else
           pbest(2*i-1:2*i,:,:,:,ii) = pbest(2*i-1:2*i,:,:,:,ii-1);
        end
    end
 
........................................................
02-006m
相关文章
|
2天前
|
机器学习/深度学习 算法 计算机视觉
基于CNN卷积神经网络的金融数据预测matlab仿真,对比BP,RBF,LSTM
本项目基于MATLAB2022A,利用CNN卷积神经网络对金融数据进行预测,并与BP、RBF和LSTM网络对比。核心程序通过处理历史价格数据,训练并测试各模型,展示预测结果及误差分析。CNN通过卷积层捕捉局部特征,BP网络学习非线性映射,RBF网络进行局部逼近,LSTM解决长序列预测中的梯度问题。实验结果表明各模型在金融数据预测中的表现差异。
|
4天前
|
移动开发 算法 计算机视觉
基于分块贝叶斯非局部均值优化(OBNLM)的图像去噪算法matlab仿真
本项目基于分块贝叶斯非局部均值优化(OBNLM)算法实现图像去噪,使用MATLAB2022A进行仿真。通过调整块大小和窗口大小等参数,研究其对去噪效果的影响。OBNLM结合了经典NLM算法与贝叶斯统计理论,利用块匹配和概率模型优化相似块的加权融合,提高去噪效率和保真度。实验展示了不同参数设置下的去噪结果,验证了算法的有效性。
|
3天前
|
算法 决策智能
基于SA模拟退火优化算法的TSP问题求解matlab仿真,并对比ACO蚁群优化算法
本项目基于MATLAB2022A,使用模拟退火(SA)和蚁群优化(ACO)算法求解旅行商问题(TSP),对比两者的仿真时间、收敛曲线及最短路径长度。SA源于金属退火过程,允许暂时接受较差解以跳出局部最优;ACO模仿蚂蚁信息素机制,通过正反馈发现最优路径。结果显示SA全局探索能力强,ACO在路径优化类问题中表现优异。
|
5月前
|
安全
【2023高教社杯】D题 圈养湖羊的空间利用率 问题分析、数学模型及MATLAB代码
本文介绍了2023年高教社杯数学建模竞赛D题的圈养湖羊空间利用率问题,包括问题分析、数学模型建立和MATLAB代码实现,旨在优化养殖场的生产计划和空间利用效率。
253 6
【2023高教社杯】D题 圈养湖羊的空间利用率 问题分析、数学模型及MATLAB代码
|
5月前
|
存储 算法 搜索推荐
【2022年华为杯数学建模】B题 方形件组批优化问题 方案及MATLAB代码实现
本文提供了2022年华为杯数学建模竞赛B题的详细方案和MATLAB代码实现,包括方形件组批优化问题和排样优化问题,以及相关数学模型的建立和求解方法。
149 3
【2022年华为杯数学建模】B题 方形件组批优化问题 方案及MATLAB代码实现
|
5月前
|
数据采集 存储 移动开发
【2023五一杯数学建模】 B题 快递需求分析问题 建模方案及MATLAB实现代码
本文介绍了2023年五一杯数学建模竞赛B题的解题方法,详细阐述了如何通过数学建模和MATLAB编程来分析快递需求、预测运输数量、优化运输成本,并估计固定和非固定需求,提供了完整的建模方案和代码实现。
120 0
【2023五一杯数学建模】 B题 快递需求分析问题 建模方案及MATLAB实现代码
|
8月前
|
数据安全/隐私保护
耐震时程曲线,matlab代码,自定义反应谱与地震波,优化源代码,地震波耐震时程曲线
地震波格式转换、时程转换、峰值调整、规范反应谱、计算反应谱、计算持时、生成人工波、时频域转换、数据滤波、基线校正、Arias截波、傅里叶变换、耐震时程曲线、脉冲波合成与提取、三联反应谱、地震动参数、延性反应谱、地震波缩尺、功率谱密度
基于混合整数规划的微网储能电池容量规划(matlab代码)
基于混合整数规划的微网储能电池容量规划(matlab代码)
|
8月前
|
算法 调度
含多微网租赁共享储能的配电网博弈优化调度(含matlab代码)
含多微网租赁共享储能的配电网博弈优化调度(含matlab代码)
|
8月前
|
Serverless
基于Logistic函数的负荷需求响应(matlab代码)
基于Logistic函数的负荷需求响应(matlab代码)