欢迎来到海神之光博客之家✅博主简介热爱科研的Matlab仿真开发者修心和技术同步精进个人主页海神之光代码获取方式海神之光Matlab王者学习之路—代码获取方式⛳️座右铭行百里者半于九十。更多Matlab优化求解仿真内容点击①Matlab优化求解 进阶版②付费专栏Matlab优化求解初级版⛳️关注CSDN海神之光更多资源等你来⛄一、背景介绍假定某群岛海域有20个小岛每个岛屿各产不同种类的海鲜现需对各岛屿的海鲜进行外向运输选取一个中心岛屿作为中心枢纽以下称其为中心岛各个岛屿的货物运送到中心枢纽岛屿然后从中心岛运往大陆其中参考各方因素确定最优的运送路线各个岛屿到中心岛运送的船只有两种船型并对船只进行选择。运用matlab编程禁忌搜索方法。鉴于偏远岛屿的地理特点其交通网络一般由三个节点组成大陆港口、中心岛和卫星岛。大陆港口是海岛依托大陆的物流运输通道中心岛是收集周围岛屿输送物资的枢纽卫星岛是供应生产物资到中心岛物资的末端岛屿。首先由于海上航行受台风影响很大需要防止岛间运输物资中断分析了该地区台风发生的统计资料并结合各岛的生活资料通过数据拟合得到台风影响时间的概率分布曲线。在一定的保证率下每个岛屿的日平均生产量在不腐坏的前提下建立运输模型。那么对中心岛的位置和交通的优化是必须的。其中运输系统结构包括航线数量、运输组织形式及到达顺序、每条航线的船型及时刻表、各岛码头规模等建立和优化存储系统包括存储容量和周期性供应等。显然运输系统成本和存储系统是优化目标统一成本的两个矛盾方面即如果某一航线的船舶尽可能满载则可以延长运输计划的间隔从而降低运输计划运输成本但同时也会增加货物储存和仓库建设成本如果船型不变增加航线上的供应岛它可以减少航线数量和船舶采购、集货周期和库存成本以及库存引起的货物存储成本和仓库建设的成本但是运输距离的增加和路线的延长会导致运输成本的增加从而导致系统总成本的变化。此外中心岛的位置将直接影响路径规划和运输组织形式的选择从而间接影响仓储系统的优化。在优化远洋集团货物海运系统的过程中除了上述传统的LIRP问题外还应考虑选址、运输和仓储的决策问题。除了相互作用外我们还需要考虑航运系统本身的特点①由于船舶的负荷一般远大于岛上的日生产量所以双向装货路线与单方向运输相比双向运输可以延长装货周期大大降低运输频率。虽然运输距离有所增加但运输成本可能会相对降低。即使库存和由此产生的货物储存成本和仓库建设成本增加最终系统的总成本也可能降低。具体运输组织形式的选择应根据线路岛屿的数量和距离确定。② 与小船型相比如果选择航线应根据航线中岛屿的数量和距离确定大型船型可以成倍定期装货延长输送周期减少运输次数降低运输成本但船舶采购成本和码头总建设成本、库存及由此产生的货物储存成本和仓库建设成本都会增加导致系统总成本的变化。在运输系统中无论有多少条线路所有卫星岛的终端总数都是固定的但由于不同航线的船型不同所以卫星岛码头的规模不同和由此带来的码头建设成本也不尽相同而且每增加一种船型中心岛都需要配备更多相应的船型的码头。因此它对码头的建设成本有很大的影响。综上所述离岛海运物流系统的优化应基于以上特点选出中心岛为卫星岛运输划分路线组建立各条线路循环运输的运输组织形式配置不同船型制定航次。在线路换班时设置各岛的存储容量以便在台风等影响下求得偏远岛屿的整个群岛物流系统总成本得最低。2 算法描述及实现2.1 遗传算法概述遗传算法(GAGenetic Algorithm)也称为进化算法。遗传算法是受达尔文的进化论的启发借鉴生物进化过程而提出的一种启发式搜索算法。其主要特点是直接对结构对象进行操作因此不同于其他求解最优解的算法遗传算法不存在求导和对函数连续性的限定采用概率化的寻优方法不需要确定的规则就能自动获取和指导优化的搜索空间自适应地调整搜索方向。以上是对遗传算法相对抽象的总结为了更具体形象的解释遗传算法的一般原理我们首先介绍一些生物学上的概念①种群不同生物个体形成的群体生物的进化以群体的形式进行这样的一个群体称为种群②个体组成种群的单个生物③基因带有遗传信息的DNA片段可以通俗的将基因理解为一段信息这段信息决定的生物个体的性状④表现型根据基因形成的个体的外部表现⑤适应度生物个体对于生存环境的适应程度越适应那么其得以存活和繁衍的概率就越大⑥遗传通过繁殖过程子代将从父母双方各获取一部分基因形成新的自己的基因这个过程中会发生基因的复制、交叉也会以较低的概率发生基因突变⑦自然选择物竞天择适者生存的自然淘汰机制。具体为对环境适应度高的个体参与繁殖的机会比较多后代就会越来越多。适应度低的个体参与繁殖的机会比较少后代就会越来越少⑧进化种群通过代际繁衍不断适应生存环境的过程在这个过程中以对外界环境的适应度为评判标准生物的性状不断得到改良。了解了这些术语的含义我们就可以进一步说说生物进化的过程了。由于自然选择是客观存在的即生物只能改变自己去适应环境那么在自然选择的过程中适应度低的个体会被淘汰适应度高的个体被保留高适应度的父体与母体又有更高的概率繁衍出适应度高的子代因此在一代又一代的繁衍之后高适应度的个体在种群中所占的比例越来越大种群就这样完成了进化。现在我们要参考生物进化的过程来设计算法解决求最优解的问题。对此遗传算法的思路是将要解决的问题模拟成一个生物进化的过程通过进化来寻找最优解。以我们题目中寻找多峰函数的最大值这个问题为例将(x, y)这一可能的解作为一个个体将多峰函数的函数值f(x, y)作为个体的适应度对(x, y)进行编码作为个体的基因以适应度为标准不断筛选生物个体通过遗传算子如复制、交叉、变异等不断产生下一代。如此不断循环迭代完成进化。最终根据设定的迭代次数可得到最后一代种群该种群中的个体适应度都较高而多峰函数的最大值就有比较大的概率存在于这一群解中以种群中适应度最高的个体作为问题的解则可以说该解有比较高的概率就是我们希望求得的最优解。文字述说终究还是不如图表好理解因此还是看图吧下图将本题与自然遗传联系了起来通过以上描述我们不难看出遗传算法不能保证一定能求得最优解而只能以一定的概率求最优解。但是使用遗传算法时我们可以不用关心具体如何去找最优解要做的只是简单的否定一些表现不好的个体。这一优点也是遗传算法能够取得广泛应用的原因之一。2.2 算法的流程通过上文的阐述对于如何模拟自然进化来求题中多峰函数的最优解已经比较明晰了。这里我将列出遗传算法的主要步骤并一一解析第一步随机产生一个种群作为问题的初代解通常初代解可能与最优解相差较大这是可以容忍的只要保证初代解是随机产生的以确保个体基因的多样性即可第二步寻找一种合适的编码方案对种群中的个体进行编码可以选择如浮点数编码或二进制编码等常用编码方案需要指出的是不同的编码方案直接影响后续遗传算子的实现细节第三步以多峰函数的函数值 作为个体的适应度计算种群中每个个体的适应度算出的适应度将为后续的个体选择提供依据第四步根据适应度的高低选择参与繁衍的父体与母体选择的原则是适应度越高的个体越可能被选中以此不断淘汰适应度低的个体第五步对被选出的父体与母体执行遗传操作即复制父体与母体的基因并采用交叉、变异等算子产生出子代在较大程度保留优秀基因的基础上变异增加了基因的多样性从而提高找到最优解的概率第六步根据一定的准则判断是继续执行算法还是找出所有子代中适应度最高个体作为解返回并结束程序判断的准则可以是设定的解的阈值、指定的迭代次数等。⛄二、部分源代码clcclose allclear all%% 模型参数n20;Axes[35,44;13,36;22,59;30,7939,60;31,26;25,21;40,16;52,3863,17;66,71;62,50;41,29;71,3591,37;25,33;82,74;52,80;49,1122,11];Land[-8,65];Dom((Axes(1,1)-Land(1))2(Axes(1,2)-Land(2))2)^0.5;Distgetdist(Axes);Output[122,77,75,68,87,96,90,110,127,…155,141,135,103,163,170,81,147,145,129,95];Ship.Cp[1300000,2100000,1e15];Ship.Ctr[65,90,1e15];Ship.V[18,14,1e15];T.all15*365-1;T.main7;%% Ga参数GenMax200;Pc0.5;Pv0.5;Gen0;Popnum100;Chromstruct;NewChromstruct;%% 生成初始种群for i 1:PopnumChrom(i).Indexrandperm(n-1)1;Chrom(i).RouteNumrandi(n-1,1);Chrom(i).Routesgetdivide(Chrom(i).RouteNum,Chrom(i).Index,n);endwhile Gen GenMaxGenGen1;for i1:size(Chrom_all,2)ship[];RouteL[];ShipNumChrom_all(i).RouteNum;for j1:ShipNumEachL0;RouteChrom_all(i).Routes{j};EachOutput(j)sum(Output(Route(2:end-1)));if EachOutput(j)300ship(j)1;elseif EachOutput(j)500ship(j)2;elseship(j)3;endfor k1:length(Route)-1EachLEachLDist(Route(k),Route(k1));endRouteL(j)EachL;endChrom_all(i).Shipship;Chrom_all(i).LengthRouteL;end[bestC,ind]getbest(Chrom_all,Ship,Dom,T);ChromChrom_all(ind(1:Popnum));Best(Gen).GenChrom_all(ind(1));Best(Gen).CbestC(1);end% %% 淘汰plot([Best.C])title(‘总成本进化曲线’);xlabel(‘迭代次数’)ylabel(‘总成本’)%% end⛄三、运行结果⛄四、matlab版本及参考文献1 matlab版本2014a2 参考文献《智能优化算法及其MATLAB实例第2版》包子阳 余继周 杨杉著 电子工业出版社3 备注简介此部分摘自互联网仅供参考若侵权联系删除 仿真咨询1 各类智能优化算法改进及应用生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化2 机器学习和深度学习方面卷积神经网络CNN、LSTM、支持向量机SVM、最小二乘支持向量机LSSVM、极限学习机ELM、核极限学习机KELM、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断3 图像处理方面图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知4 路径规划方面旅行商问题TSP、车辆路径问题VRP、MVRP、CVRP、VRPTW等、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化5 无人机应用方面无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配6 无线传感器定位及布局方面传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化7 信号处理方面信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化8 电力系统方面微电网优化、无功优化、配电网重构、储能配置9 元胞自动机方面交通流 人群疏散 病毒扩散 晶体生长10 雷达方面卡尔曼滤波跟踪、航迹关联、航迹融合