粒子群算法求解物流配送路線問題（python）

1.查找論文文獻

找一篇物流配送路徑優化+粒子群算法求解的論文

參考文獻：基于混沌粒子群算法的物流配送路徑優化

2.了解粒子群算法的原理

講解通俗易懂，有數學實例的博文：https://blog.csdn.net/daaikuaichuan/article/details/81382794
可參考文獻：車輛路徑問題的粒子群算法研究
里面給出了粒子群算法求解一般VRP問題的算法實現步驟。

3.確定編碼方式和解碼策略

3.1編碼方式

物流配送路線的粒子編碼方式：

3.2解碼策略

例如 ， 假如一個有 7個客戶點， 3臺車輛的物流配送問題 ，
其第 i 個粒子的位置向量 z如表 1所示

4.算例的輸入參數

5.處理關鍵技術

5.1將不可行解轉化為可行解

在迭代過程中形成的粒子可能是不滿足數學模型約束條件的不可行解，要將進化生成的不可行解轉變為可行解。

def get_feasible_x(x):# 修正粒子為滿足約束的可行解粒子，超過其范圍時按邊界取值vehicle_element = np.rint(x[:demand_node_num]) # 取整數表示哪輛車拜訪哪個客戶點for index in range(len(vehicle_element)):# x_bound = [[1, vehicle_num], [1, demand_node_num]] # 自變量的上下限限制if vehicle_element[index] < x_bound[0][0]:vehicle_element[index] = x_bound[0][0]elif vehicle_element[index] > x_bound[0][1]:vehicle_element[index] = x_bound[0][1]x[:demand_node_num] = vehicle_elementreturn x

判斷生成的粒子是否滿足車輛最大行駛里程數限制和車輛最大裝載量約束限制，若不滿足上述的兩個條件的其一，則隨機生成新的粒子直到滿足所有的約束條件。
文獻：車輛路徑問題的粒子群算法研究
采用的方式是：對于有某條路徑上的各發貨任務的總需求量超過此條路徑配送車容量的不可行解，則將該方案的評價值置為一個可行解不可達到的極大值。

def get_feasible_solution(x):"""# 判斷是否滿足車輛最大行駛里程數限制和車輛最大載重量限制，若原粒子不滿足條件則生成滿足約束條件的可行解:param x: x為一個粒子:return:"""x = get_feasible_x(x)length, total_path_list = calculate_fitness(x)result_list = []for i in range(len(total_path_list)):path_list = total_path_list[i]path_length = 0for j in range(len(path_list)-1):segment = [path_list[j], path_list[j+1]]path_length += distance_graph[segment[0], segment[1]]if path_length > length_max:new_x = set_codeForm(1)[0]result_list.append(False)else:# 候選解滿足車輛行駛最大里程數要求，再判斷車輛的實際裝載量是否在最大裝載量范圍內path_list = total_path_list[i][1:-1]capacity = sum([quantity_graph[j-1] for j in path_list])if capacity > capacity_max:new_x = set_codeForm(1)[0]result_list.append(False)else:result_list.append(True)if False not in result_list:return x, length, total_path_listelse:return get_feasible_solution(new_x)

5.2根據解碼規則計算適應度函數值

優化物流配送路徑問題的粒子群編碼方式類似于遺傳算法的雙層整數編碼方式，第一層片段上面的數字表示客戶點由哪輛車來進行配送，該表示方法的最大優點是使每個客戶需求點都得到車輛的配送服務，并限制每個需求點的需求僅能由某一車輛來完成 ，使解的可行化過程計算大大減少；第二層利用數字的大小來確定車輛拜訪各個由它服務的客戶點的次序。
該算例的適應度函數值為車輛的總行駛里程數最小。

def calculate_fitness(x):"""# 計算適應度函數:param x: x為一個粒子:return:"""# x = [[1.6,1.3,2.9,2.5,3.4,3.5,1.3,2,3,1,2,2,1,1]]total_path_list = []vehicle_element = x[:demand_node_num]path_element = x[demand_node_num:]actual_vehicle = list(set(vehicle_element))for j in range(len(actual_vehicle)):# customer_list表示第j輛車負責配送的客戶位置索引列表customer_list = np.where(vehicle_element == actual_vehicle[j])path_list = path_element[customer_list]path_list = [customer_list[0][customer_index] for customer_index in np.argsort(path_list)]path_list = [element + 1 for element in path_list]path_list.insert(0, 0)path_list.append(0)# path_list表示第j輛車訪問各個客戶節點的拜訪順序total_path_list.append(path_list)# 0-3-1-2-0total_length = 0for path in total_path_list:for index in range(len(path)-1):segment = [path[index], path[index+1]]total_length += distance_graph[segment[0]][segment[1]]return total_length, total_path_list

6.算例結果

運行python3程序，運行環境為win64，pycharm2019.3.2，在某一次運行中得到的算例結果如下：

全局最優解結構為： [1. 1. 1. 2. 1. 2. 2. 1. 4. 7. 6. 6. 6. 4. 4. 6.]
最優路線長度為： 67.5
最優車輛運行路線為： [[0, 1, 3, 5, 8, 2, 0], [0, 6, 7, 4, 0]]，表示車輛1的配送方案為：0-1-3-5-8-2-0（從配送中心0出發依次訪問客戶點1、客戶點3、客戶點5、客戶點8和客戶點2，最后再返回配送中心）；車輛2的配送方案為：0-6-7-4-0。

參考文獻：
Matlab實現粒子群算法的程序代碼：https://www.cnblogs.com/kexinxin/p/9858664.html
matlab代碼求解函數最優值：https://blog.csdn.net/zyqblog/article/details/80829043

numpy模塊中矩陣和數組的區別：https://www.cnblogs.com/wj-1314/p/10244807.html
random模塊的常用方法：https://www.cnblogs.com/liangmingshen/p/8909376.html
numpy模塊入門級用法介紹：
https://www.jianshu.com/p/3e566f09a0cf
matplotlib模塊簡單使用技巧：https://www.cnblogs.com/bainianminguo/p/10952586.html
PYTHON 畫圖神器 Matplotlib：https://www.jianshu.com/p/c41ac57cea33

總結

以上是生活随笔為你收集整理的粒子群算法求解物流配送路线问题（python）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。