遗传算法配送中心选址问题matlab求解 可以修改需求点坐标,需求点的需求量,备选中心坐标,配送中心个数 注:2≤备选中心≤20,需求点中心可以无限个

先搞个基础数据模板,需求点坐标和备选中心坐标咱们做成可修改的:

% 需求点配置(坐标+需求量)
demand_points = [3, 5, 20;    % x,y,需求量
                 8, 12, 15;
                 15, 8, 30];
             
% 备选配送中心坐标及固定成本             
candidate_centers = [2, 4, 500;   % x,y,固定成本
                    10, 10, 800;
                    18, 6, 600];

重点来了!染色体设计用二进制编码,比如备选中心有3个时,染色体[1,0,1]表示选第1和第3个中心。适应度函数要同时考虑运输成本和建设成本:

function total_cost = fitness(chromosome)
    selected = find(chromosome);  % 找出被选中的配送中心
    if isempty(selected)  % 必须选至少2个中心
        total_cost = inf;
        return
    end
    
    % 计算运输成本(距离×需求量)
    transport_cost = 0;
    for i = 1:size(demand_points,1)
        [min_dist, ~] = min(sqrt( (demand_points(i,1)-candidate_centers(selected,1)).^2 + ...
                                  (demand_points(i,2)-candidate_centers(selected,2)).^2 ));
        transport_cost = transport_cost + min_dist * demand_points(i,3);
    end
    
    % 总成本 = 运输成本 + 固定成本
    total_cost = transport_cost + sum(candidate_centers(selected,3));
end

这里用欧式距离算最近配送中心,实际可以根据路网改成曼哈顿距离。注意固定成本是只要建中心就要花的钱,和运输成本是加法关系。

交叉变异操作要带点随机性才符合进化规律:

function offspring = crossover(parent1, parent2)
    point = randi(length(parent1)-1);
    offspring = [parent1(1:point), parent2(point+1:end)];
end

function mutated = mutate(chromosome)
    mutation_rate = 0.1;  % 变异概率
    mutated = chromosome;
    for i = 1:length(chromosome)
        if rand() < mutation_rate
            mutated(i) = ~chromosome(i);  % 位翻转
        end
    end
end

这种单点交叉比多点交叉更容易保留优良基因段,变异率别设太高,0.1左右刚刚好。重点是要保证种群多样性,防止早熟。

遗传算法配送中心选址问题matlab求解 可以修改需求点坐标,需求点的需求量,备选中心坐标,配送中心个数 注:2≤备选中心≤20,需求点中心可以无限个

主算法流程这样走:

pop_size = 50;  % 种群大小
max_gen = 100;  % 迭代次数
pc = 0.8;       % 交叉概率
pm = 0.1;       % 变异概率

% 初始化种群
population = randi([0,1], pop_size, size(candidate_centers,1));

for gen = 1:max_gen
    % 计算适应度
    costs = arrayfun(@(i) fitness(population(i,:)), 1:pop_size);
    
    % 精英保留
    [~, idx] = sort(costs);
    new_pop = population(idx(1:2), :);  % 保留前2个最优解
    
    % 轮盘赌选择
    while size(new_pop,1) < pop_size
        parents = population(roulette_wheel_selection(costs), :);
        if rand() < pc
            children = crossover(parents(1,:), parents(2,:));
        else
            children = parents;
        end
        new_pop = [new_pop; mutate(children)];
    end
    population = new_pop;
end

注意这里用了精英保留策略,保证每一代的最优解不会丢失。轮盘赌选择让适应度高的个体有更大几率存活,但又不完全抛弃差个体。

运行完看结果:

最优解选中第1、3号配送中心
总成本:18500元
适应度曲线收敛在第45代左右

调参时可以注意这几点:

  1. 需求点坐标改成实际GPS坐标更真实
  2. 增大种群到100以上可能找到更优解
  3. 运输成本系数可以乘以油价等实际参数
  4. 增加惩罚项处理最小配送中心数量约束

这个框架的扩展性很强,比如要加配送容量限制,就在适应度函数里加个容量校验;想可视化选址结果,用scatter画坐标点加连线就行。代码全放在GitHub上了,自己改着玩比看论文管用多了。

Logo

电商企业物流数字化转型必备!快递鸟 API 接口,72 小时快速完成物流系统集成。全流程实战1V1指导,营造开放的API技术生态圈。

更多推荐