物流老司机都头疼的配送中心选址问题,今天咱们用遗传算法来盘它。核心就一句话:用最少的钱覆盖所有客户需求。直接上代码边说边撸,看完你也能自己调参数玩选址
·
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:
- 需求点坐标改成实际GPS坐标更真实
- 增大种群到100以上可能找到更优解
- 运输成本系数可以乘以油价等实际参数
- 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。

更多推荐




所有评论(0)