大连海事大学matlab平时作业范本10

《大连海事大学matlab平时作业范本10》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、MATLAB期末作业专业：交通运输规划与管理学号：1120130389姓名：周苗苗1问题描述木文旨在建模解决配送中心选址问题，在备选点中选址建设配送中心，并确定其对顾客的配送网络。模型以配送中心总成木最低为目标函数，考虑配送中心的建设成木、上端厂家到配送中心的运输成木、及配送中心至下端顾客的配送成木。在目标函数下，模型对配送中心建设个数进行限制，要求建设投资不超过预算，并保证每个顾客都被配送中心覆盖。木文的模型具有两层决策变量，解的规模极大，上层解乂会影响下层，属于一个NP难问题。文章基于Matl

2、ab遗传算法求解木文的模型，考虑了上下层决策变量间对应关系，编码对问题解进行智能搜索，合理设置参数寻找全局最满意解。2数学模型1）目标函数：JminF(兀,y)=工c严內+J1J工勺9+工工°昇必（2J）/=!;=1/=1;=12）约束条件：1.总建设投资不超过预算:JVex.13.保证每个顾客都有对应的配送中心给予服务：誤皿21(2-4)3）符号说明：①决策变量卜第/个地点建立配送中心上层的决策变量：Xj=〈0,否则1,第/个配送中

3、心为第2•个顾客提供服务下层的决策变量：yi}=<0,否则②其他参数叮配送中心j的平均货物储备量；从厂家运输货物到配送中心j的单位成木；C..:从配送屮心j到顾客i的单位配送成本；%：顾客i的需求量；勺：在第j个地点建配送中心的固定成本；B：配送中心建设预算；计划建立配送中心的个数上限3求解方法—遗传算法（GA）遗传算法是近年来兴起的解决NP难问题的优化算法，属于一种解的人工智能随机搜索方法，其模拟了生物种群进化规律，编码寻找问题的金局最满意解,遗传算法的基本流程及作用如下：1）参数设置：除了准确

4、输入案例数据，合理的参数设置对遗传算法搜索能力具有极大的影响，这些参数主要有种群规模、遗传代数、及交叉概率、变异概率；2）解的初始化：在一定的逻辑限制下编写函数，随机生成初代种群，初代种群越优化对后期择优过程越有利。基于此，除设置种群规模和遗传代数，我们也需要重复运行程序，以使初代种群更优；3）个体适应度评价：此阶段通常需要将二进制染色体解码，转换成真实值,再根据模型约束、FI标函数编写适应度函数。适应度代表染色体对环境的适应情况，往往适应度越高，解越优异；4）选择进程:参考染色体适应度筛选优异个

5、体，复制为子代染色体。在复制时本文采用轮盘选择法，其原理是：适应度跨度越大，在选择中优化解进入子代的概率越大，但同时也有一些劣质解保留下来。通常经过此种选择过程，可以获得更优化的解，但是重复此方法容易使得解进入局部最优，对此遗传算法中巧妙的交叉、变异进程有助于破除局部限制；5）交叉进程：代表生物繁衍进化过程，交叉岀种群子代。在操作中存在多种交叉方式，通常需要考虑进化方向，自行编码交叉函数，这有助于解的尽快收敛。6）变界进程:代表生物进化中染色体的基因变界过程。在一定的变界概率下,随机出变界位，把二

6、进制染色体中0・1互换，由此获得全新的染色体。此界化解有一定儿率破除局部最优，在迭代中进化出更满意解。遗传算法基本流程图上述进程是种群中染色体的进化过程，迭代结束时可以获得更接近本代优化解的子代。经过特定的遗传代数后，可以在破除局部最满意解下，尽量靠近全局最满意解。本文应用Matlab语言对文章的模型进行遗传算法编码。4本文编码思路为了降低遗传算法编码难度，Matlab软件对遗传算法命令进行了封装，开发出了遗传算法工具箱。该工具箱编码难度相对低，但同样的灵活性不足，针对不同的问题求解效果有限。为使

7、种群向全局最满意解方向进化，作者自行编码算法子函数，本节文章会详细阐述作者的编码思路。主函数中设有案例数据、必要参数和主要命令，是Matlab的主要运行逻辑，此处本文先介绍其他子函数的编码思路，最后阐述主函数中遗传算法的进化思路。1)生成初代种群子函数：种群中染色体表达的是模型的决策解，算法后期迭代过程是在初代种群上进行的，所以编写与模型解相匹配的染色体串是本步的关键。编码[popO,initpop]=init(popsize,chromlength,J,I)子函数,用于生成初代种群，本文的模型具

8、有上下两层决策变量，所以子函数的输岀为[popOzinitpop],其中popO是配送中心选址方案，initpop是顾客配送方案。而子函数的输入变量来自于主函数，包括种群规模popsize.染色体长度chromlength^备选配送中心数量J、顾客数量I。popO=round(rand(popsize,J))生成一组0-1序列，是配送中心的选址方案,序列汇总〃丄〃表示备选点被选中建设配送中心。由于被选中的配送中心才能为顾客配送，为保证上下层决策变量匹配，作者如下编码：ifpopO(