问题描述

假设快递集散中心负责n个配送点的快递配送任务以及包装回收，每个配送点都配备了快递柜以及快递包装回收容器，配送点工作人员在负责快递柜的投放工作以及寄件服务的同时还负责废旧包装的打包工作。快递运输车辆从快递集散中心出发向配送点配发快件并收取配送点需邮寄的快件和打包好的快递包装，快递运输车辆在完成配送任务后返回快递集散中心并卸载需邮寄的快件和打包好的快递包装，快递集散中心负责将卸载的快件向上一级配送中心邮寄并把回收的快递包装整合交给废旧包装回收公司。

符号说明

模型假设

假设1：快递包装为标准规格包装；
假设2：不考虑不同路面及交通延误对配送方案的影响；
假设3：配送车辆均为标准规格的快递配送车；
假设4：不考虑各配送点的时间窗约束；
假设5：各配送点均自行负责回收的快递包装打包工作，因此配送方案不考虑回收的快递包装打包产生的人工费用，
模型建立

假设某一快递配送中心为27个配送点配送和收取快递同时收取废旧包装[13]，各配送点及配送中心的位置和货物信息如下表所示；运送的快件多为4号标准规格的包装，即360×300×250MM规格包装，因此本文将所有快件都视为此规格的快件，回收的包装材料也打包为同等规格的包装，具体参数如下表所示。

tic
clear
clc
%% 用importdata这个函数来读取文件 
load('data1');
cap=25;
%% 提取数据信息
vertexs=data(:,2:3);                %所有点的坐标x和y
customer=vertexs(2:end,:);          %顾客坐标
cusnum=size(customer,1);            %顾客数
v_num=16;                           %初始车辆使用数目
demands=data(2:end,4);              %需求量
qujian=data(2:end,5);%取件量
huishou=data(2:end,5);%回收量
h=pdist(vertexs);
dist=squareform(h);                 %距离矩阵
%% 遗传算法参数设置
alpha=1000;                                                       %违反的容量约束的惩罚函数系数
NIND=200;                                                        %种群大小
MAXGEN=1000;                                                     %迭代次数
Pc=0.9;                                                         %交叉概率
Pm=0.05;                                                        %变异概率
GGAP=0.9;                                                       %代沟(Generation gap)
N=cusnum+v_num-1;                                               %染色体长度=顾客数目+车辆最多使用数目-1
%% 种群初始化
Chrom=InitPop(NIND,N);
%% 输出随机解的路线和总距离
disp('初始种群中的一个随机值:')
[currVC,NV,TD]=decode(Chrom(1,:),cusnum,cap,demands,dist);       %对初始解解码
currCost=costFuction(currVC,dist,demands,cap,alpha,NV,qujian,huishou);        %求初始配送方案的成本=车辆行驶总成本+alpha*违反的容量约束之和
disp(['车辆使用数目：',num2str(NV),'，车辆行驶总距离：',num2str(TD)]);
disp('~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~')
%% 优化
BestCost=zeros(MAXGEN,1);       %记录每一代全局最优解的总成本
gen=1;
while gen<=MAXGEN
    %% 计算适应度
    ObjV=calObj(Chrom,cusnum,cap,demands,dist,alpha,qujian,huishou);                           %计算种群目标函数值
    FitnV=Fitness(ObjV);
    %% 选择
    SelCh=Select(Chrom,FitnV,GGAP);
    %% OX交叉操作
    SelCh=Recombin(SelCh,Pc);
    %% 变异
    SelCh=Mutate(SelCh,Pm);
    %% 局部搜索操作
%     SelCh=LocalSearch(SelCh,cusnum,cap,demands,dist,alpha,qujian,huishou);
    %% 重插入子代的新种群
    Chrom=Reins(Chrom,SelCh,ObjV);
%     %% 删除种群中重复个体，并补齐删除的个体
%     Chrom=deal_Repeat(Chrom);
    %% 打印当前最优解
    ObjV=calObj(Chrom,cusnum,cap,demands,dist,alpha,qujian,huishou);                           %计算种群目标函数值
    [minObjV,minInd]=min(ObjV);
    BestCost(gen)=minObjV;
    disp(['第',num2str(gen),'代最优解:'])
    [bestVC,bestNV,bestTD]=decode(Chrom(minInd(1),:),cusnum,cap,demands,dist);
    disp(['车辆使用数目：',num2str(bestNV),'，车辆行驶总距离：',num2str(bestTD)]);
    fprintf('\n')
    %% 更新迭代次数
    gen=gen+1 ;
end
%% 打印外层循环每次迭代的全局最优解的总成本变化趋势图
figure;
plot(BestCost,'LineWidth',1);
title('全局最优解的总成本变化趋势图')
xlabel('迭代次数');
ylabel('总成本');
%% 打印全局最优解路线图
draw_Best(bestVC,vertexs);
toc
VX：zhangshu2274