拓冰网站优化 
1 简介物流运输方式由公路、铁路、水路、空运及管道等 5 种方式组成5 种运输方式在技术上、经济上各有长短都有适宜的 使用范围每种运输方式单独运用很难实现节约资源、降本增效。随着我国经济不断发展以及布局网络技术的不断深化多式 联运通过把传统的、单一的运输方式进行择优组合充分利用了各个运输方式现有的设施设备实现了运输过程中的资源整 合有利于运输过程中的可持续发展及达成规模经济中降本增效的目的同时提高了物流行业竞争力。特别是通过公铁水多式 联运路径优化构建以运输时间最少、运输线路距离最短、运输成本最低的公铁水多式联运模式对于物流企业节约资源、降本增效意义重大。本文提出了一个以遗传算法为主框架的解决方案,用来求解多式联运的路径规划问题。本文从运输需求内容、运输过程、应用场景等角度对多式联运在军事运输中的应用进行分析,定义多式联运路径规划问题,建立分别以时问最短、路线最短、成本最低为目标的多式联运路径规划模型。本文选取长沙为国际集装箱多式联运的始发城市德国柏林为终点城市选取了武汉、郑州、重庆、成都、西安、怀化、贵阳、南宁、北海、昆明、广州、上海、满洲里、二连浩特、阿拉山口、喀什、瓜达尔、仰光、曼谷、胡志明、新加坡、鹿特丹、汉堡、华沙、杜伊斯堡共25个城市作为中间节点。设定有10个20英尺的集装箱配货毛重17.5吨将从长沙运往柏林每相连两个城市节点之间有铁路运输、公路运输、水路运输中的1-3种运输方式可供选择。该算例的集装箱多式联运网络如图所示。2 部分代码clear allclose all%% 基于灰狼改进蚁群算法求解多式联运问题%%%%第一步变量初始化%% 距离数据startpoint1;%起点endpoint27;%终点C [0 0100 200200 -200300 -400200 300300 100400 -200300 -300400 -500400 500400 400400 200400 100500 100400 0400 -100400 -300400 -500500 -250500 -350500 400600 -500600 400600 200600 0600 -300800 0];%C n个城市的坐标n×2的矩阵QQ1000;%货运量nsize(C,1);%n表示问题的规模城市个数risk[0.9680.9550.9680.9620.9660.9520.9370.9280.9710.9480.9730.9740.8830.8900.9050.8970.9130.8380.8740.8430.9760.9670.9590.9790.980];%换装风险t_cost0.3;%时间权值h_cost0.3;%能耗权值d_cost0.2;%距离权值f_cost0.2;%风险权值v_rail35;%铁路速度v_road43;%公路速度v_water28;%水路速度distanceinf;%% 蚁群算法参数m10;%蚂蚁数量NC_max1;%%% NC_max 最大迭代次数Alpha3;%% Alpha 表征信息素重要程度的参数Beta2;%% Beta 表征启发式因子重要程度的参数Rho0.5;%% Rho 信息素蒸发系数Q1;%% Q 信息素增加强度系数%% 灰狼算法参数SearchAgents_no3; % 狼群数量Max_iter100; % 灰狼算法迭代次数dim3;%维度city{长沙,武汉,重庆,怀化,郑州,西安,成都,贵阳,南宁,满洲里,二连浩特,阿拉山口,...喀什,瓜达尔,上海 ,广州,昆明,北海,仰光,胡志明,曼谷,新加坡,...华沙,杜伊斯堡,汉堡,鹿特丹,柏林};lujing{铁路,公路,水路};for i1:length(Shortest_Route)-1fprintf(%s 经 %s 到 %s\n,city{Shortest_Route(i)},lujing{Shortest_Route_fangshi(i)},city{Shortest_Route(i1)})enddisp(最佳成本)Shortest_Lengthfitvalue(Shortest_Route,Shortest_Route_fangshi,distance_rail,distance_road,distance_water,v_rail,v_road,v_water,QQ,risk_rail,risk_road,risk_water,risk,t_cost,h_cost,d_cost,f_cost) %最大迭代次数后最短距离jieguoplot(startpoint,endpoint,Shortest_Route_fangshi,C,n,Shortest_Route,Shortest_Length,distance_rail,distance_road,distance_water,city);disp([最短时间,num2str(fit_t_best_quanju)])disp([最低能耗成本,num2str(fit_h_best_quanju)])disp([最短距离成本,num2str(fit_d_best_quanju)])disp([最低风险,num2str(fit_f_best_quanju)])% figure(2)% plot( L_best_quanju)% xlabel(迭代次数)% ylabel(适应度值)% title(蚁群适应度曲线) %标题figure(3)plot(Convergence_curve)xlabel(迭代次数)ylabel(适应度值)title(灰狼算法适应度曲线) %标题3 仿真结果4 参考文献[1]柳超. 基于遗传算法的多式联运路径规划[D]. 东南大学, 2015.[2]王旭, 张江, 崔平远. 一种基于蚁群算法求解路径规划问题的新方法[C]// 2003年中国智能自动化会议. 0. 【路径规划】基于灰狼算法结合蚁群算法求解多式联运路径规划问题matlab代码
1 简介物流运输方式由公路、铁路、水路、空运及管道等 5 种方式组成5 种运输方式在技术上、经济上各有长短都有适宜的 使用范围每种运输方式单独运用很难实现节约资源、降本增效。随着我国经济不断发展以及布局网络技术的不断深化多式 联运通过把传统的、单一的运输方式进行择优组合充分利用了各个运输方式现有的设施设备实现了运输过程中的资源整 合有利于运输过程中的可持续发展及达成规模经济中降本增效的目的同时提高了物流行业竞争力。特别是通过公铁水多式 联运路径优化构建以运输时间最少、运输线路距离最短、运输成本最低的公铁水多式联运模式对于物流企业节约资源、降本增效意义重大。本文提出了一个以遗传算法为主框架的解决方案,用来求解多式联运的路径规划问题。本文从运输需求内容、运输过程、应用场景等角度对多式联运在军事运输中的应用进行分析,定义多式联运路径规划问题,建立分别以时问最短、路线最短、成本最低为目标的多式联运路径规划模型。本文选取长沙为国际集装箱多式联运的始发城市德国柏林为终点城市选取了武汉、郑州、重庆、成都、西安、怀化、贵阳、南宁、北海、昆明、广州、上海、满洲里、二连浩特、阿拉山口、喀什、瓜达尔、仰光、曼谷、胡志明、新加坡、鹿特丹、汉堡、华沙、杜伊斯堡共25个城市作为中间节点。设定有10个20英尺的集装箱配货毛重17.5吨将从长沙运往柏林每相连两个城市节点之间有铁路运输、公路运输、水路运输中的1-3种运输方式可供选择。该算例的集装箱多式联运网络如图所示。2 部分代码clear allclose all%% 基于灰狼改进蚁群算法求解多式联运问题%%%%第一步变量初始化%% 距离数据startpoint1;%起点endpoint27;%终点C [0 0100 200200 -200300 -400200 300300 100400 -200300 -300400 -500400 500400 400400 200400 100500 100400 0400 -100400 -300400 -500500 -250500 -350500 400600 -500600 400600 200600 0600 -300800 0];%C n个城市的坐标n×2的矩阵QQ1000;%货运量nsize(C,1);%n表示问题的规模城市个数risk[0.9680.9550.9680.9620.9660.9520.9370.9280.9710.9480.9730.9740.8830.8900.9050.8970.9130.8380.8740.8430.9760.9670.9590.9790.980];%换装风险t_cost0.3;%时间权值h_cost0.3;%能耗权值d_cost0.2;%距离权值f_cost0.2;%风险权值v_rail35;%铁路速度v_road43;%公路速度v_water28;%水路速度distanceinf;%% 蚁群算法参数m10;%蚂蚁数量NC_max1;%%% NC_max 最大迭代次数Alpha3;%% Alpha 表征信息素重要程度的参数Beta2;%% Beta 表征启发式因子重要程度的参数Rho0.5;%% Rho 信息素蒸发系数Q1;%% Q 信息素增加强度系数%% 灰狼算法参数SearchAgents_no3; % 狼群数量Max_iter100; % 灰狼算法迭代次数dim3;%维度city{长沙,武汉,重庆,怀化,郑州,西安,成都,贵阳,南宁,满洲里,二连浩特,阿拉山口,...喀什,瓜达尔,上海 ,广州,昆明,北海,仰光,胡志明,曼谷,新加坡,...华沙,杜伊斯堡,汉堡,鹿特丹,柏林};lujing{铁路,公路,水路};for i1:length(Shortest_Route)-1fprintf(%s 经 %s 到 %s\n,city{Shortest_Route(i)},lujing{Shortest_Route_fangshi(i)},city{Shortest_Route(i1)})enddisp(最佳成本)Shortest_Lengthfitvalue(Shortest_Route,Shortest_Route_fangshi,distance_rail,distance_road,distance_water,v_rail,v_road,v_water,QQ,risk_rail,risk_road,risk_water,risk,t_cost,h_cost,d_cost,f_cost) %最大迭代次数后最短距离jieguoplot(startpoint,endpoint,Shortest_Route_fangshi,C,n,Shortest_Route,Shortest_Length,distance_rail,distance_road,distance_water,city);disp([最短时间,num2str(fit_t_best_quanju)])disp([最低能耗成本,num2str(fit_h_best_quanju)])disp([最短距离成本,num2str(fit_d_best_quanju)])disp([最低风险,num2str(fit_f_best_quanju)])% figure(2)% plot( L_best_quanju)% xlabel(迭代次数)% ylabel(适应度值)% title(蚁群适应度曲线) %标题figure(3)plot(Convergence_curve)xlabel(迭代次数)ylabel(适应度值)title(灰狼算法适应度曲线) %标题3 仿真结果4 参考文献[1]柳超. 基于遗传算法的多式联运路径规划[D]. 东南大学, 2015.[2]王旭, 张江, 崔平远. 一种基于蚁群算法求解路径规划问题的新方法[C]// 2003年中国智能自动化会议. 0.