机器学习

基于PSO的运输优化算法的MATLAB仿真

本文主要是介绍基于PSO的运输优化算法的MATLAB仿真,对大家解决编程问题具有一定的参考价值,需要的程序猿们随着小编来一起学习吧!

       假设有一个收集轨道,上面有5个采集堆,这5个采集堆分别被看作一个4*20的矩阵(下面只有4*10),每个模块(比如:A31和A32的元素含量不同),为了达到采集物品数量和元素含量的要求(比如:需采集5吨和某元素单位质量在65与62之间),求出在每个4*20的矩阵中哪个模块被拿出可以达到要求并找出最优化的轨道?(在拿出模块的时候要考虑只有先拿出上面的,才可以采集下面的)

 

已知数据:

1.每个采集堆的元素含量(在excel表格的 sheet 1)

2.每个采集堆里面模块的坐标,长宽高(米为单位)(在excel表格的 sheet 1)

3.元素含量和采集物品数量的要求 (在excel 表格的 sheet 2), 分别有五种不同含量的最大值和最小值, 还有采集数量的要求,以及误差。

4.在轨道左侧的两个采集堆分别是C型号和A型号的,两个采集堆只见距离30m; 轨道右侧的三个采集堆按照顺序分别是B型号,B型号和C型号,同样每个采集堆之间相距20m。5.采集堆形状附在附录1

%根据这个假设,我们设计的思路为当每次运动到一堆的时候,首先在这一堆物品上进行采集,由于
%每堆物品之间的间距远大于每堆内部的各个模块之间的间隔,所以在实际中也不可能在两个不同的
%堆之间来回切换的抓取模块,这也符合我们上面的假设。
%根据上面的假设,我们抓取的顺序为B堆,C堆,A堆,A堆,B堆。
%这里,我们所使用的算法是局部PSO优化,然后再整体PSO优化的算法,即首先通过再每一堆的采集
%的时候进行PSO优化,并使的各个元素含量满足约束的条件下,得到路径最短的采集轨迹,然后通过
%后面三堆重复相同的优化算法,最后第五堆的时候,在做相同的优化前提下,同时检测总量是否满足
%条件,如果不满足进入下一次大迭代循环,然后重复上面的操作,最后得到满足条件的总的采集轨迹。

clc;
clear;
close all;
warning off;
pack;
addpath 'func\'

%**********************************************************************************
%步骤一:调用数据
%步骤一:调用数据
Dat = xlsread('Dat\datas.xlsx');

%分成ABC三组
A_set = Dat( 1:40 ,:);
B_set = Dat(41:80 ,:);
C_set = Dat(81:120,:);


%A相关数据
%坐标
A_POS = A_set(:,1:3);
%元素含量
A_FAC = A_set(:,4:8);
%体积长宽高
A_VUM = A_set(:,9:11);


%B相关数据
%坐标
B_POS = B_set(:,1:3);
%元素含量
B_FAC = B_set(:,4:8);
%体积长宽高
B_VUM = B_set(:,9:11);


%C相关数据
%坐标
C_POS = C_set(:,1:3);
%元素含量
C_FAC = C_set(:,4:8);
%体积长宽高
C_VUM = C_set(:,9:11);


%**************************************************************************
%**************************************************************************

%**********************************************************************************
%步骤二:参数初始化
%步骤二:参数初始化
%约束参数
%59999 ~ 60001
Mass_all = 60000;
Mass_err = 1;
%元素1
Mass1_max= 65;
Mass1_min= 62;
%元素2
Mass2_max= 6;
Mass2_min= 0;
%元素3
Mass3_max= 4;
Mass3_min= 0;
%元素4
Mass4_max= 0.077;
Mass4_min= 0;
%元素5
Mass5_max= 0.1;
Mass5_min= 0;

%优化算法参数
%优化算法参数
%迭代次数
Iteration_all = 1;
Iteration_sub = 10000;
%粒子数目
Num_x     = 200;

%密度
P         = 2.1;
%计算各个模块的质量,单位t
%注意,本课题一个堆中有个四个形状的模块,即三角形,三种梯形,所以我们根据长宽高以及对应的形状计算体积,从而计算质量
A_Vulome = func_cal_volume(A_VUM);
B_Vulome = func_cal_volume(B_VUM);
C_Vulome = func_cal_volume(C_VUM);
%计算每个采集堆的各个模块的质量
A_mass   = P*A_Vulome;
B_mass   = P*B_Vulome;
C_mass   = P*C_Vulome;

%以下根据实际轨迹上的堆的分布来设置
maxs_sets = [B_mass;C_mass;A_mass;A_mass;B_mass];
FAC_sets  = [B_FAC;C_FAC;A_FAC;A_FAC;B_FAC];


%**************************************************************************
%**************************************************************************

%**********************************************************************************
%步骤三:开始优化运算
%步骤三:开始优化运算
X_pos{1} = B_POS(:,1);
Y_pos{1} = B_POS(:,2);
Z_pos{1} = B_POS(:,3);

X_pos{2} = C_POS(:,1);
Y_pos{2} = C_POS(:,2);
Z_pos{2} = C_POS(:,3);

X_pos{3} = A_POS(:,1);
Y_pos{3} = A_POS(:,2);
Z_pos{3} = A_POS(:,3);

X_pos{4} = A_POS(:,1);
Y_pos{4} = A_POS(:,2);
Z_pos{4} = A_POS(:,3);

X_pos{5} = B_POS(:,1);
Y_pos{5} = B_POS(:,2);
Z_pos{5} = B_POS(:,3);


%先通过PSO优化需求模型
for Num_pso = 4:40%这里没有必要设置太大,设置大了需求量肯定会超过60000,因此,这个值得大小根据需求量来确定,大概范围即可
    Num_pso
    x = zeros(Num_x,Num_pso);
    
    i = 0;
    
    %产生能够满足采集规则的随机粒子数据
    for jj = 1:Num_x
        %产生随机数的时候,必须是先采集第一层,然后才采集第二层,依次类推
        %第1层
        index1 = [1:10,41:50,81:90,121:130,161:170];
        %第2层
        index2 = [1:10,41:50,81:90,121:130,161:170]+10;
        %第3层
        index3 = [1:10,41:50,81:90,121:130,161:170]+20;
        %第4层
        index4 = [1:10,41:50,81:90,121:130,161:170]+30;
        
        %根据采集规则产生随机数
        %根据采集规则产生随机数
        %根据采集规则产生随机数
        index  = [index1;index2;index3;index4];

        i = 0;
        while i < Num_pso
            i = i + 1;
            if i> 1
                for j = 1:50;
                    index(IS(j),ind(1)) = 9999;
                end
            end

            for j = 1:50;
                [VS,IS(j)] = min(index(:,j));
                tmps(1,j)  = index(IS(j),j);
            end
            ind  = randperm(40);
            a(i) = tmps(ind(1));
            if a(i) == 9999
               i = i-1;
            end
        end

        x(jj,:) = a; 

    end
    
    
    n             = Num_pso;  
    F             = fitness_mass(x,maxs_sets,Mass_all);
    Fitness_tmps1 = F(1);
    Fitness_tmps2 = 1;
    
    for i=1:Num_x
        if Fitness_tmps1 >= F(i)
           Fitness_tmps1 =  F(i);
           Fitness_tmps2 =  i;
        end
    end
    xuhao      = Fitness_tmps2;
    Tour_pbest = x;                        %当前个体最优
    Tour_gbest = x(xuhao,:) ;              %当前全局最优路径
    Pb         = inf*ones(1,Num_x);        %个体最优记录
    Gb         = F(Fitness_tmps2);         %群体最优记录
    xnew1      = x;
    N          = 1;
    
    while N <= Iteration_sub
        %计算适应度 
        F = fitness_mass(x,maxs_sets,Mass_all);
        for i=1:Num_x
            if F(i)<Pb(i)
               %将当前值赋给新的最佳值
               Pb(i)=F(i);      
               Tour_pbest(i,:)=x(i,:);
            end
            
            if F(i)<Gb
               Gb=F(i);
               Tour_gbest=x(i,:);
            end
        end

        Fitness_tmps1 = Pb(1);
        Fitness_tmps2 = 1;
        
        for i=1:Num_x
            if Fitness_tmps1>=Pb(i)
               Fitness_tmps1=Pb(i);
               Fitness_tmps2=i;
            end
        end
        
        nummin = Fitness_tmps2;
        %当前群体最优需求量差
        Gb(N)  = Pb(nummin);   
        
        for i=1:Num_x
            %与个体最优进行交叉
            c1 = round(rand*(n-2))+1;  
            c2 = round(rand*(n-2))+1;
            while c1==c2
                  c1 = round(rand*(n-2))+1;
                  c2 = round(rand*(n-2))+1;
            end   
            chb1 = min(c1,c2);
            chb2 = max(c1,c2);
            cros = Tour_pbest(i,chb1:chb2); 
            %交叉区域元素个数
            ncros= size(cros,2);       
            %删除与交叉区域相同元素
            for j=1:ncros
                for k=1:n
                    if xnew1(i,k)==cros(j)
                       xnew1(i,k)=0;
                       for t=1:n-k
                           temp=xnew1(i,k+t-1);
                           xnew1(i,k+t-1)=xnew1(i,k+t);
                           xnew1(i,k+t)=temp;
                       end
                    end
                end
            end
            xnew = xnew1;
            %插入交叉区域
            for j=1:ncros
                xnew1(i,n-ncros+j) = cros(j);
            end
            %判断产生需求量差是否变小
            masses=0;
            masses = sum(maxs_sets(xnew1(i,:)));
            if F(i)>masses
               x(i,:) = xnew1(i,:);
            end
 
            %与全体最优进行交叉
            c1 = round(rand*(n-2))+1;  
            c2 = round(rand*(n-2))+1;
            while c1==c2
                  c1=round(rand*(n-2))+1; 
                  c2=round(rand*(n-2))+1;
            end   
            chb1 = min(c1,c2);
            chb2 = max(c1,c2);
            %交叉区域矩阵
            cros = Tour_gbest(chb1:chb2); 
            %交叉区域元素个数
            ncros= size(cros,2);       
            %删除与交叉区域相同元素
            for j=1:ncros
                for k=1:n
                    if xnew1(i,k)==cros(j)
                       xnew1(i,k)=0;
                       for t=1:n-k
                           temp=xnew1(i,k+t-1);
                           xnew1(i,k+t-1)=xnew1(i,k+t);
                           xnew1(i,k+t)=temp;
                       end                 
                    end
                end
            end
            xnew = xnew1;
            %插入交叉区域
            for j=1:ncros
                xnew1(i,n-ncros+j) = cros(j);
            end
            %判断产生需求量差是否变小
            masses=0;
            masses = sum(maxs_sets(xnew1(i,:)));
            if F(i)>masses
              x(i,:)=xnew1(i,:);
            end
            %进行变异操作
            c1          = round(rand*(n-1))+1;  
            c2          = round(rand*(n-1))+1;
            temp        = xnew1(i,c1);
            xnew1(i,c1) = xnew1(i,c2);
            xnew1(i,c2) = temp;
            %判断产生需求量差是否变小
            masses=0;
            masses = sum(maxs_sets(xnew1(i,:)));

            if F(i)>masses
               x(i,:)=xnew1(i,:);
            end
        end

        Fitness_tmps1=F(1);
        Fitness_tmps2=1;
        for i=1:Num_x
           if Fitness_tmps1>=F(i)
              Fitness_tmps1=F(i);
              Fitness_tmps2=i;
           end
        end
        xuhao      = Fitness_tmps2;
        L_best(N)  = min(F);
        %当前全局最优需求量
        Tour_gbest = x(xuhao,:);     
        N          = N + 1;
        
    end
    %判断含量是否满足要求
    for ii = 1:5
        Fac_tmps(ii) = sum(FAC_sets(Tour_gbest,ii)'.*maxs_sets(Tour_gbest))/sum(maxs_sets(Tour_gbest));
    end
    
    if (Fac_tmps(1) >= Mass1_min & Fac_tmps(1) <= Mass1_max) &...
       (Fac_tmps(2) >= Mass2_min & Fac_tmps(2) <= Mass2_max) &...
       (Fac_tmps(3) >= Mass3_min & Fac_tmps(3) <= Mass3_max) &...
       (Fac_tmps(4) >= Mass4_min & Fac_tmps(4) <= Mass4_max) &... 
       (Fac_tmps(5) >= Mass5_min & Fac_tmps(5) <= Mass5_max)
       flag(Num_pso-3) = 1;
    else
       flag(Num_pso-3) = 0; 
    end
    Mass_fig(Num_pso-3)  = min(L_best);
    Mass_Index{Num_pso-3}= Tour_gbest ;
end

figure;
plot(Mass_fig,'b-o');
xlabel('采集模块个数');
ylabel('需求量计算值和标准需求量的差值关系图');

save temp\result1.mat Mass_fig Mass_Index flag

最后得到的优化记过,即满足条件下的最短轨迹长度

A-06-10

 

这篇关于基于PSO的运输优化算法的MATLAB仿真的文章就介绍到这儿,希望我们推荐的文章对大家有所帮助,也希望大家多多支持为之网!