1 简介
现有的区域内多配送中心配送多采用分区域独立配送模式．多个配送中心虽同属于一家企业，但一般情况下，企业会根据行政区划为每个配送中心划分一个业务范围，各配送中心间相对独立．在分区域独立配送模式下，一个客户会固定从属于某一特定配送中心，而不会根据客户的地理分布和需求特性进行调整，易导致各配送中心间任务分配不均．从理论研究 的 角 度 来 看，此 类 求 解 ＭＤＶＲＰ 的 方 法 是“先分组后路径”，即分区域规划思想，将各配送中心割裂开来．分区的结果会直接影响区内路径的规划结果，不合理的分区算法常常会导致较差的路径规划．为避免此 类 问 题 的 出 现，本 文 采 用 整 体 配 送 模式，引入一个与所有的实际配送中心相连且距离为０的虚拟配送中心，所有车辆均从该虚拟配送中 心出发，经过实际配送中心对客户进行服务，然后再经实际配送中心返回该虚拟配送中心。
2 部分代码
%%遗传算法求解vrp问题(为选择操作从新设计后程序)
%D是距离矩阵，n为种群个数
%C为停止代数，遗传到第 C代时程序停止,C的具体取值视问题的规模和耗费的时间而定
%交叉概率Pc，变异概率Pm
%R为最短路径,Rlength为路径长度
clc
clear all
close all
volume_shangyuan=30; %一架飞机对伤员的载量约束
volume_wuzi=200; %一架飞机对物资的载量约束
sudu_feiji=200; %一架飞机的速度
base_num1=5; %各个仓库的飞机数量
base_num2=5;
base_num3=5;
n=100; %个体数
C=100; %迭代次数
Pc=0.8;
Pm=0.3;
%主程序入口
tab=2 ; %tab=1,则程序跑的是所有点
%tab=2,则程序跑的是有缺失的点
if tab==1
%初始化
load('h.mat');
demand_shangyuan(1,:)=a(:,4);
demand_wuzi(1,:)=a(:,6);
zuobiao(1,:)=a(:,2);zuobiao(2,:)=a(:,3);
timewindow(1,:)=a(:,8);timewindow(2,:)=a(:,9);
D = linjiejuzhen( zuobiao );
[N,NN]=size(D);
%初始化点的出发仓库和回归仓库
for i=1:N;
dis(1,i)=sqrt((zuobiao(1,i)-22)^2+(zuobiao(2,i)-75)^2);
dis(2,i)=sqrt((zuobiao(1,i)-75.8)^2+(zuobiao(2,i)-80.1)^2);
dis(3,i)=sqrt((zuobiao(1,i)-53.4)^2+(zuobiao(2,i)-59.9)^2);
if (dis(1,i)<=dis(2,i))
if (dis(1,i)<=dis(3,i))
dis(4,i)=1;
else
dis(4,i)=3;
end
else
if (dis(2,i)<=dis(3,i))
dis(4,i)=2;
else
dis(4,i)=3;
end
end
end
clear i;
[R,minlen]=geneticVRP(D,dis,timewindow,demand_shangyuan,demand_wuzi,volume_shangyuan,volume_wuzi,sudu_feiji,base_num1,base_num2,base_num3,n,C,Pc,Pm,zuobiao);%运算返回最优路径R和其总距离Rlength
else
%初始化
delete=[49 34 9 10 58];%要删除的点
delete=sort(delete,'descend');
[M,MM]=size(delete);
load('h.mat');
demand_shangyuan(1,:)=a(:,4);
demand_wuzi(1,:)=a(:,6);
zuobiao(1,:)=a(:,2);zuobiao(2,:)=a(:,3);
timewindow(1,:)=a(:,8);timewindow(2,:)=a(:,9);
xiba=0;
for i=1:MM
xiba=xiba+demand_shangyuan(1,delete(i))+demand_wuzi(1,delete(i));
end
[B,BB]=size(demand_shangyuan);
old=(1:BB);
for new=1:MM
old(delete(new))=[];
demand_shangyuan(delete(new))=[ ];
demand_wuzi(delete(new))=[];
zuobiao(:,delete(new))=[];
timewindow(:,delete(new))=[];
end
D = linjiejuzhen( zuobiao );
[N,NN]=size(D);
%初始化点的出发仓库和回归仓库
for i=1:N;
dis(1,i)=sqrt((zuobiao(1,i)-22)^2+(zuobiao(2,i)-75)^2);
dis(2,i)=sqrt((zuobiao(1,i)-75.8)^2+(zuobiao(2,i)-80.1)^2);
dis(3,i)=sqrt((zuobiao(1,i)-53.4)^2+(zuobiao(2,i)-59.9)^2);
if (dis(1,i)<=dis(2,i))
if (dis(1,i)<=dis(3,i))
dis(4,i)=1;
else
dis(4,i)=3;
end
else
if (dis(2,i)<=dis(3,i))
dis(4,i)=2;
else
dis(4,i)=3;
end
end
end
[R,minlen]=geneticVRP_delete(old,xiba,D,dis,timewindow,demand_shangyuan,demand_wuzi,volume_shangyuan,volume_wuzi,sudu_feiji,base_num1,base_num2,base_num3,n,C,Pc,Pm,zuobiao);%运算返回最优路径R和其总距离Rlength
end
3 仿真结果
4 参考文献
[1]张露. (2020). 基于改进遗传算法求解带时间窗车辆路径规划问题. 中国物流与采购(14).
**部分理论引用网络文献，若有侵权联系博主删除。**
