1 简介

为了更好的提高物流中心选址的准确性,体现MATLAB的遗传算法在带有时效性的物流中心选址的问题中的计算优势。文中去掉了原有模型中对区域连续性要求的限制条件。利用简单算例,给出运用MATLAB的帝国企鹅算法求解的具体步骤,验证模型和算法的可行性。表明基于MATLAB帝国企鹅算法的优化算法是一种较其他算法更为有效的求解带有时效性约束的物流中心选址问题的算法。

2 部分代码

function [bestY,bestX,recording]=AFO2(x,y,option,data)%% Input% x----positions of initialized populaiton% y----fitnesses of initialized populaiton% option-----parameters set of the algorithm% data------Pre-defined parameters% This parameter is used for solving complex problems is passing case data%% outPut% bestY ----fitness of best individual% bestX ----position of best individual% recording ---- somme data was recorded in this variable%% initializationpe=option.pe;L=option.L;gap0=option.gap0;gap=gap0;dim=option.dim;maxIteration=option.maxIteration;recording.bestFit=zeros(maxIteration+1,1);recording.meanFit=zeros(maxIteration+1,1);numAgent=option.numAgent;At=randn(numAgent,dim);w2=option.w2; %weight of Moving strategy IIIw4=option.w4;%weight of Moving strategy IIIw5=option.w5;%weight of Moving strategy IIIpe=option.pe; % rate to judge Premature convergencegapMin=option.gapMin;dec=option.dec;ub=option.ub;lb=option.lb;v_lb=option.v_lb;v_ub=option.v_ub;fobj=option.fobj;count=1;%% center of population[y_c,position]=min(y);x_c=x(position(1),:);At_c=At(position(1),:);%% memory of populationy_m=y;x_m=x;%% update recordingrecording.bestFit=y_c;recording.meanFit=mean(y_m);%% main loopiter=1;while iter<=maxIteration    %Dmp(['AFO,iter:',num2str(iter),',minFit:',num2str(y_c)])    %% Moving Strategy I for center of population    if rem(iter, gap)==0        c0=exp(-30*(iter-gap0)/maxIteration); % EQ.2-11        Dx=ones(1,dim);        Dx=c0*Dx/norm(Dx)*norm(v_ub-v_lb)/2; %EQ.2-12 %+¡÷x        Dx1=-Dx; %-¡÷x        % +¡÷x        for j=1:dim            tempX(j,:)=x_c;            tempX(j,j)=x_c(1,j)+Dx(j);            if tempX(j,j)>ub(j)                tempX(j,j)=ub(j);                Dx(1,j)=tempX(j,j)-x_c(1,j);            end            if tempX(j,j)<lb(j)                tempX(j,j)=lb(j);                Dx(1,j)=tempX(j,j)-x_c(1,j);            end            tempY(j,:)=fobj(tempX(j,:));            if tempY(j)*y_c<0                g0(1,j)=(log(tempY(j))-log(y_c))./Dx(j); %EQ.2-18            else                temp=[tempY(j),y_c];                temp=temp+min(temp)+eps;                g0(1,j)=(log(temp(1))-log(temp(2)))./Dx(j);            end            g0(isnan(g0))=0;        end        G0=-g0(1,:)*norm(v_ub-v_lb)/2/norm(g0(1,:)); % part of Eq 2-18        G0(1,G0(1,:)>v_ub)=G0(1,G0(1,:)>v_ub)/max(G0(1,G0(1,:)>v_ub))*max(v_ub(G0(1,:)>v_ub));        G0(1,G0(1,:)<v_lb)=G0(1,G0(1,:)<v_lb)/min(G0(1,G0(1,:)<v_lb))*min(v_lb(G0(1,:)<v_lb));        G01=G0;        % -¡÷x        Dx=Dx1;        for j=1:dim            tempX(j+dim,:)=x_c;            tempX(j+dim,j)=x_c(1,j)+Dx(j);            if tempX(j+dim,j)>ub(j)                tempX(j+dim,j)=ub(j);                Dx(1,j)=tempX(j,j)-x_c(1,j);            end            if tempX(j+dim,j)<lb(j)                tempX(j+dim,j)=lb(j);                Dx(1,j)=tempX(j,j)-x_c(1,j);            end            tempY(j+dim,:)=fobj(tempX(j,:));            if tempY(j)*y_c<0                g0(1,j)=(log(tempY(j))-log(y_c))./Dx(j); %EQ.2-18            else                temp=[tempY(j),y_c];                temp=temp+min(temp)+eps;                g0(1,j)=(log(temp(1))-log(temp(2)))./Dx(j);            end            g0(isnan(g0))=0;        end        G0=-g0(1,:)*norm(v_ub-v_lb)/2/norm(g0(1,:)); % part of Eq 2-18        G0(1,G0(1,:)>v_ub)=G0(1,G0(1,:)>v_ub)/max(G0(1,G0(1,:)>v_ub))*max(v_ub(G0(1,:)>v_ub));        G0(1,G0(1,:)<v_lb)=G0(1,G0(1,:)<v_lb)/min(G0(1,G0(1,:)<v_lb))*min(v_lb(G0(1,:)<v_lb));        G02=G0;        G0=G01+G02; % part of Eq 2-18        G0(isnan(G0))=0;        if sum(G0)==0            N=numAgent-2*dim;            Dm=mean(x-repmat(x_c,numAgent,1));            Dm=norm(Dm); %EQ.2-22            if Dm<norm(v_ub-v_lb)/20*iter/maxIteration                Dm=norm(v_ub-v_lb);            end            for j=2*dim+(1:N)                G0=randn(1,dim);                tempX(j,:)=x(i,:)+5*rand*G0./norm(G0)*Dm; %EQ.2-21                tempX(j,tempX(j,:)<lb)=lb(tempX(j,:)<lb);                tempX(j,tempX(j,:)>ub)=ub(tempX(j,:)>ub);                tempY(j,:)=fobj(tempX(j,:));            end        else            N=numAgent-2*dim;            r1=exp(-10*(0:N-1)/(N-1));            unitG=norm(Dx)/norm(G0); %EQ.2-19            if unitG~=1                r2=1:-(1-unitG)/(N-1):unitG;                a=r1.*r2; %EQ.2-17            else                a=r1;            end            for j=2*dim+(1:N)                tempX(j,:)=x_c+G0*a(j-2*dim); %EQ,2-20                tempX(j,tempX(j,:)<lb)=lb(tempX(j,:)<lb);                tempX(j,tempX(j,:)>ub)=ub(tempX(j,:)>ub);                tempY(j,:)=fobj(tempX(j,:));            end        end        [minY,no]=min(tempY);        if minY<y_c            y_c=tempY(no);            x_c=tempX(no,:);        end        if rand>(no-dim*2)/(numAgent-dim*2)*(maxIteration-iter)/maxIteration            gap=max(gapMin,gap-dec); %EQ.2-15        end    else        R1=rand(numAgent,dim);        R2=rand(numAgent,dim);        R3=rand(numAgent,dim);        Rn=rand(numAgent,dim);        indexR1=ceil(rand(numAgent,dim)*numAgent);        indexR2=ceil(rand(numAgent,dim)*numAgent);        std0=exp(-20*iter/maxIteration)*(v_ub-v_lb)/2;        std1=std(x_m);        % In order to use matrix operations, all individuals of the population are updated.        % Although more individuals were updated, the running time of the algorithm dropped tremendously.        % This is because MATLAB is extremely good at matrix operations.        % If you want to rewrite this code in another language, we suggest you refer to AFO1.        % AFO2 is optimized for MATLAB and may not be suitable for your language.        for j=1:dim            x_m1(:,j)=x_m(indexR1(:,j),j);            x_m2(:,j)=x_m(indexR2(:,j),j);            y_m1(:,j)=y_m(indexR1(:,j));            y_m2(:,j)=y_m(indexR2(:,j));            AI(:,j)=R1(:,j).*sign(y_m1(:,j)-y_m2(:,j)).*(x_m1(:,j)-x_m2(:,j));            if std1(j)<=std0(j)                position=find(AI(:,j)==0);                AI(position,j)=Rn(position,j)*(v_ub(j)-v_lb(j))/2;                position=find(AI(:,j)~=0);                AI(position,j)=R2(:,j).*sign(y_m1(:,j)-y_m2(:,j)).*sign(x_m1(:,j)-x_m2(:,j))*(v_ub(j)-v_lb(j))/2;            end        end        for i=1:numAgent            p =tanh(abs(y(i)-y_c)); %EQ.2-30            if rand<p*(maxIteration-iter)/maxIteration                % EQ 2-28                At(i,:)=w2*At(i,:)+w4*R1(i,:).*(x_c-x(i,:))+w5*R2(i,:).*(x_m(i,:)-x(i,:));                x(i,:)=x(i,:)+At(i,:); %EQ 2-29                x(i,x(i,:)<lb)=lb(x(i,:)<lb);                x(i,x(i,:)>ub)=ub(x(i,:)>ub);                tempY(i,:)=y(i);                y(i)=fobj(x(i,:));                if tempY(i,:)<y(i)                    for j=1:dim                        r1=indexR1(i,j);                        r2=indexR2(i,j);                        v(i,j)=R3(i,j).*(x_m(r1,j)-x_m(r2,j))*-sign(y_m(r1)-y_m(r2));                        if std1(j)<=std0(j)                            if v(i,j)==0                                v(i,j)=randn*(v_ub(j)-v_lb(j))/2;                            else                                v(i,j)=rand.*sign(x_m(r1,j)-x_m(r2,j))*-sign(y_m(r1)-y_m(r2))*(v_ub(j)-v_lb(j))/2;                            end                        end                    end                end            else                x(i,:)=x_c+AI(i,:);                At(i,:)=AI(i,:);                x(i,x(i,:)<lb)=lb(x(i,:)<lb);                x(i,x(i,:)>ub)=ub(x(i,:)>ub);                y(i)=fobj(x(i,:));            end            if y(i)<y_m(i)                y_m(i)=y(i);                x_m(i,:)=x(i,:);                if y_m(i)<y_c                    y_c=y_m(i);                    x_c=x_m(i,:);                    At_c=At(i,:);                end            end        end    end    % EQ.2-31    if abs(y_c-recording.bestFit(iter))/abs(recording.bestFit(iter))<=pe        count=count+1;    else        count=0;    end    %% ¸üмǼ    recording.bestFit(1+iter)=y_c;    recording.meanFit(1+iter)=mean(y_m);    %     recording.std(1+iter)=mean(std(x_m));    %     recording.DC(1+iter)=norm(x_m-repmat(x_c,numAgent,1));    %     recording.x1(1+iter,:)=x(1,:);    iter=iter+1;    %%    if count>L        for i=1:numAgent            x(i,:)=(ub-lb)*rand+lb;            y(i)=fobj(x(i,:));            if y(i)<y_m(i)                y_m(i)=y(i);                x_m(i,:)=x(i,:);                if y_m(i)<y_c                    y_c=y_m(i);                    x_c=x_m(i,:);                    At_c=At(i,:);                end            end        end        count=0;        recording.bestFit(1+iter)=y_c;        recording.meanFit(1+iter)=mean(y_m);        iter=iter+1;    endendbestY=y_c;bestX=x_c;end%%

3 仿真结果

4 参考文献

[1]李卫江, 郭晓汾, 张毅,等. 基于Matlab优化算法的物流中心选址[J]. 长安大学学报（自然科学版）, 2006, 026(003):76-79.

博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，相关matlab代码问题可私信交流。

部分理论引用网络文献，若有侵权联系博主删除。