大连海事大学Matlab作业：MATLAB期末作业2.docxVIP

MATLAB期末作业周苗苗学号：1 问题描述本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本最低为目标函数，考虑配送中心的建设成本、上端厂家到配送中心的运输成本、及配送中心至下端顾客的配送成本。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。本文的模型具有两层决策变量，解的规模极大，上层解又会影响下层，属于一个NP难问题。文章基于Matlab遗传算法求解本文的模型，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：(2-1)2）约束条件：总建设投资不超过预算： (2-2)建设配送中心的个数约束： (2-3)保证每个顾客都有对应的配送中心给予服务： (2-4)3）符号说明：① 决策变量上层的决策变量：下层的决策变量：② 其他参数：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的单位成本；：从配送中心j到顾客i的单位配送成本；：顾客i的需求量；：在第j个地点建配送中心的固定成本；：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，编码寻找问题的全局最满意解，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、目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，交叉出种群子代。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)变异进程：代表生物进化中染色体的基因变异过程。在一定的变异概率下，随机出变异位，把二进制染色体中0-1互换，由此获得全新的染色体。此异化解有一定几率破除局部最优，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。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[pop0,initpop]=init(popsize,chromlength,J,I)子函数，用于生成初代种群，本文的模型具有上下两层决策变量，所以子函数的输出为[pop0,initpop]，其中pop0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。pop0=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”1”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：if pop0(I,j)==1;pop(I,((j-1)*I+1):(j-1)*I+I))=round(rand(1,I));end2)种群中个体适应度子函数：适应度是评价染色体优劣的指标，是接下来选择进程的基础，适应度高的染色体更有机会进入种群子代。本文的编码如下：i