编程语言
首页 > 编程语言> > ​【路径规划】基于蚁群算法求解带时间窗车辆路径问题(VRPTW)matlab代码

​【路径规划】基于蚁群算法求解带时间窗车辆路径问题(VRPTW)matlab代码

作者:互联网

1 简介

车辆路径问题(Vehicle Routing Problem)是近二十年来运筹学,应用数学,网络分析,图诊,计算机应用及交通运输等学科研究的一个热点问题,也是组合优化中的NP完全难题.VRP不但为离散优化领域中其他的各类算法提供了思想方法平台,而且还广泛地应用于运输,生产,国防,生物,计算机应用等领域.该文着重于对有时间窗的车辆路径问题(Vehicle Routing Problem with TimeWindow,简称VRPTW)的近似算法进行研究.

2 部分代码

clear all; %清除所有变量  
close all; %清图  
clc ;      %清屏  
tic%开始计时。考虑拥堵时间段,以总费用作为比较目标
%%SOLOMON问题数据

wenjian=textread('RXx201.txt');%%调用文件
changdu=size(wenjian,1);%%调用文件的长度
city_coordinate=zeros(changdu,2);%%需求点坐标
demands=zeros(1,changdu);%%需求
earlytime=zeros(1,changdu);%%需求点时间最早服务限制
windowtime=zeros(1,changdu);%%需求点时间限制
servicetime=zeros(1,changdu);%服务时间

for i=1:changdu     
city_coordinate(i,1)=(wenjian(i,2));%坐标 
city_coordinate(i,2)=(wenjian(i,3));%坐标
demands(i)=(wenjian(i,4));%需求量
earlytime(i)=10;%(wenjian(i,5))-30;%时间限制,最早时间窗
windowtime(i)=(wenjian(i,6))+60;%时间限制
servicetime(i)=(wenjian(i,7));%服务时间
end


% city_coordinate %需求点坐标
% demands%需求量
% earlytime%%需求点时间最早服务限制
% windowtime%时间窗限制
% servicetime%服务时间

% city_coordinate=[42,59;6,17;37,19;22,76;28,11;21,16;12,65;35,18;38,29];%坐标           
% demands=[0,90,40,60,70,70,40,20,40];%需求量
% windowtime=[0,100,200,300,300,300,300,300,300];%时间窗限制
% earlytime=[0,20,40,230,110,220,40,220,40];%服务时间
% servicetime=[0,20,40,30,10,20,40,20,40];%服务时间

%%初始化变量
m=40;% m 蚂蚁个数
NC_max=100;% 最大允许运行次数
Alpha=1;% Alpha 表征信息素重要程度的参数
Beta=3;% Beta 表征启发式因子重要程度的参数
Rho=0.25;% Rho 信息素蒸发系数
Q=20;% Q 信息素增加强度系数
vehiclecapacity=200;%车辆容量
C=city_coordinate;
n=size(C,1);%n需求点个数
%%计算节点之间的距离
D=zeros(n,n);%D距离矩阵 
for i=1:n 
  for j=1:n 
    if i~=j 
        D(i,j)=((C(i,1)-C(j,1))^2+(C(i,2)-C(j,2))^2)^0.5; 
    else 
       D(i,j)=eps; 


%% 第四步记录本代各种参数
L=zeros(m,1);
for i=1:m 
    MM=Tabu(i,:); 
    R=MM(MM>0);
 for j=1:(length(R)-1)
      L(i)=L(i)+D(R(j),R(j+1)); 
 end 
end 
NC=NC+1 %迭代计数器
%% 全局信息素更新
%Delta_Tau=zeros(n,n); 
for i=1:m 
    MM=Tabu(i,:); 
    R=MM(MM>0);
    cd=length(R);
    for j=1:cd
    Tabu(i,j)=R(j);
    end
 for j=1:(cd-1) 
   %Delta_Tau(R(j),R(j+1))=Delta_Tau(R(j),R(j+1))+Q/L(i); 
   Delta_Tau(Tabu(i,j),Tabu(i,j+1))=Delta_Tau(Tabu(i,j),Tabu(i,j+1))+Q/L(i); %此次循环在路径(i,j)上的信息素增量  
 end
 %Delta_Tau(R(n),R(1))=Delta_Tau(R(n),R(1))+Q/L(i); %此次循环在整个路径上的信息素增量  
 Delta_Tau(Tabu(i,cd),Tabu(i,1))=Delta_Tau(Tabu(i,cd),Tabu(i,1))+Q/L(i);  
        %此次循环在整个路径上的信息素增量  
end 
Tau=(1-Rho).*Tau+Delta_Tau; %考虑信息素挥发,更新后的信息素  

%% ????????? 
Tabu=zeros(m,n); 
load_w=0;
end

%%输出最优路线的相关信息
   minmubiao
   bestfuelconsumptionofcar
   bestroute
   bestjuli
   besttravletime
   bestcarbon
   

%% 画图画出路线
subplot(1,2,1) 
plot([C(bestroute,1)],[C(bestroute,2)],'-*')%最优路径
subplot(1,2,2)                  %绘制第二个子图形
% plot(iterbestlength)%各代的最短距离
% hold on
plot(length_ave,'r')%各代的平均距离
% title('平均距离和最短距离')     %标题
toc

3 仿真结果

4 参考文献

[1]刘小兰. 有时间窗的车辆路径问题(VRPTW)的近似算法研究. Diss. 华南理工大学, 2003.

图片

标签:Tau,蚁群,40,%%,路径,Tabu,zeros,VRPTW,Delta
来源: https://blog.csdn.net/qq_59747472/article/details/121535133