基于遗传优化算法的带时间窗多车辆路线规划matlab仿真

1.程序功能描述

2.测试软件版本以及运行结果展示

3.核心程序

4.本算法原理

5.完整程序

1.程序功能描述

基于遗传优化算法的带时间窗多车辆路线规划matlab仿真，通过输入各个节点坐标，以及出发点到节点的时间窗，来进行优化，输出最优的路线规划结果。

2.测试软件版本以及运行结果展示

MATLAB2022A版本运行

最后优化结果如下：

路线1：0-5-3-7-8-10-11-9-6-4-2-1-0

路线2：0-13-17-18-19-15-16-14-12-0

路线3：0-20-24-25-27-29-30-28-26-23-22-21-0

路线4：0-32-33-31-35-37-38-39-36-34-0

3.核心程序

..............................................................................
for ij=1: Miter
    ij
    %计算适应度值
    Jobj  = func_fitness(X1,Nums,Time_start,Time_end,Time_win2,Time_service,dmat);
    J_min = min(Jobj);
    Jobj2 = 1./Jobj;
    %选择
    Xsel  = func_select(X1,Jobj2,pg);
    %交叉 
    Xsel  = func_crossover(Xsel,pc);
    %编译
    Xsel  = func_mut(Xsel,pm);
    %局部搜
    Xsel  = func_neighbor1(Xsel, Nums, Time_start, Time_end, Time_win2, Time_service, dmat);
    X1    = func_reins(X1,Xsel,Jobj);
    X1    = func_dealrepeat(X1);
    Jobj  = func_fitness(X1,Nums,Time_start,Time_end,Time_win2,Time_service,dmat);
    JJ(ij)= min(Jobj);
end

figure;
plot(1:5:Miter,JJ(1:5:end),'r->',...
    'LineWidth',1,...
    'MarkerSize',5,...
    'MarkerEdgeColor','k',...
    'MarkerFaceColor',[0.9,0.9,0.0]);
grid on
xlabel('GA优化迭代次数');
ylabel('适应度值');

Jobj    = func_fitness(X1,Nums,Time_start,Time_end,Time_win2,Time_service,dmat);
[~,Idxs]= min(Jobj);
X_best  = X1(Idxs(1),:);
[Vdraw,Nbest,dbest,~,~]=func_decode(X_best, Nums, Time_start, Time_end, Time_win2, Time_service, dmat);
disp(['车辆数: ', num2str(Nbest), ', 总距离: ', num2str(dbest)]);

 
Numc = Pxy(2:end,:);                                      
NV   = size(Vdraw,1);                                                  
figure
hold on;box on
title('优化路径')
hold on;
colors =[0.3,0.5,0.6;
         0.9,0.3,0.3;
         0.4,0.8,0.4;
         1.0,0.6,0.2;];
for i=1:NV
    part_seq=Vdraw{i};            
    len=length(part_seq);
    for j=0:len
        if j==0
            fprintf('%s','路线',num2str(i),':');
            fprintf('%d->',0);
            c1=Numc(part_seq(1),:);
            plot([Pxy(1,1),c1(1)],[Pxy(1,2),c1(2)],'-','color',colors(i,:));
        elseif j==len
            fprintf('%d->',part_seq(j));
            fprintf('%d',0);
            fprintf('\n');
            c_len=Numc(part_seq(len),:);
            plot([c_len(1),Pxy(1,1)],[c_len(2),Pxy(1,2)],'-','color',colors(i,:));
        else
            fprintf('%d->',part_seq(j));
            c_pre=Numc(part_seq(j),:);
            c_lastone=Numc(part_seq(j+1),:);
            plot([c_pre(1),c_lastone(1)],[c_pre(2),c_lastone(2)],'-','color',colors(i,:));
        end
    end
end
plot(Numc(:,1),Numc(:,2),'bs','linewidth',1);hold on;
plot(Pxy(1,1),Pxy(1,2),'r>',...
    'LineWidth',1,...
    'MarkerSize',12,...
    'MarkerEdgeColor','k',...
    'MarkerFaceColor',[0.9,0.9,0.0]);
85

4.本算法原理

带时间窗的多车辆路线规划问题旨在为给定数量的车辆安排行驶路线，以服务多个客户点，同时要满足一系列约束条件。假设有n个客户点（编号为）需要被m辆车服务，每辆车都从配送中心（可视为编号为0的特殊节点）出发并最终返回配送中心。

遗传算法（Genetic Algorithm，GA）是一种模拟自然生物进化过程的随机搜索优化算法，它基于达尔文的进化论和孟德尔的遗传学说，通过选择、交叉、变异等操作对种群中的个体（在本问题中可视为车辆路线的一种编码表示）进行迭代更新，以逐步找到最优解或近似最优解。

在多车辆路线规划中，时间窗约束是一个关键因素，需要在算法的各个环节进行考虑和处理。

初始化阶段

在随机生成初始个体时，要尽量保证生成的车辆路线安排满足时间窗约束，例如可以按照时间窗的最早时间顺序优先安排客户点到车辆路线上，这样能在一定程度上减少初始个体中违反时间窗的情况。

适应度计算阶段

如前面所述，在计算适应度函数时，要准确计算违反时间窗产生的延迟时间，将其纳入适应度评价体系，使得违反时间窗严重的个体适应度值较低，从而在选择操作中被淘汰的概率更大。

交叉和变异操作阶段

在交叉和变异操作后，生成的新个体可能会出现违反时间窗约束的情况。对于新个体，需要重新检查其各条车辆路线是否满足时间窗要求，若不满足，可以采用一些修复策略，例如调整车辆在路线上服务客户点的顺序、尝试将客户点移动到其他车辆的路线上，或者对违反时间窗的部分进行局部优化等，以使个体重新满足约束条件。

5.完整程序

VVV