人工蜂群算法求解货位优化问题

2024-06-13 09:58

本文主要是介绍人工蜂群算法求解货位优化问题,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

人工蜂群算法求解货位优化问题

【标签】 ABC TSP Matlab

data:2018-10-19 author:怡宝2号

【总起】利用人工蜂群算法(Artificial Bee Colony Algorithm, 简称ABC算法)求解TSP问题,语言:matlab

1. 算法简介

人工蜂群算法(Artificial Bee Colony Algorithm, 简称ABC算法)是一个由蜂群行为启发的算法,在2005年由Karaboga小组为优化代数问题而提出。其主要是为了解决多变量函数优化问题。

2. 算法原理

标准的ABC算法通过模拟实际蜜蜂的采蜜机制将人工蜂群分为3类: 采蜜蜂、观察蜂和侦察蜂。整个蜂群的目标是寻找花蜜量最大的蜜源。在标准的ABC算法中,采蜜蜂利用先前的蜜源信息寻找新的蜜源并与观察蜂分享蜜源信息;观察蜂在蜂房中等待并依据采蜜蜂分享的信息寻找新的蜜源;侦查蜂的任务是寻找一个新的有价值的蜜源,它们在蜂房附近随机地寻找蜜源。所以算法总体分为3个部分。
假设问题的解空间是D维的,采蜜蜂与观察蜂的个数都是S,采蜜蜂的个数或观察蜂的个数与蜜源的数量相等。则标准的ABC算法将优化问题的求解过程看成是在D维搜索空间中进行搜索。每个蜜源的位置代表问题的一个可能解,蜜源的花蜜量对应于相应的解的适应度。一个采蜜蜂与一个蜜源是相对应的。与第i个蜜源相对应的采蜜蜂依据如下公式寻找新的蜜源:
在这里插入图片描述
其中,i=1,2,···,S,表示蜜源、采蜜蜂、观察蜂的个数,D=1,2,···,D,表示优化变量的个数。Φid为[-1,1]之间的随机数,k≠i。
将新生成的可能解{Xi1’,Xi2’,···,XiD’}与原来的解{Xi1,Xi2,···,XiD}做比较,采用贪婪选择策略保留较好的解。
在这里插入图片描述
对每个采蜜蜂按上式对每个采蜜蜂计算一个概率。观察蜂以上面计算的概率接受采蜜蜂,并利用采蜜蜂更新的公式进行更新,再进行贪婪选择。
当所有的采蜜蜂和观察蜂都搜索完整个搜索空间时,如果一个蜜源的适应值在给定的步骤内(定义为控制参数“limit”) 没有被提高, 则丢弃该蜜源,而与该蜜源相对应的采蜜蜂变成侦查蜂,侦查蜂通过已下公式搜索新的可能解。
在这里插入图片描述
其中,r是[0,1]的随机数,xmin和xmax是第d个变量空间的下界和上界。

3. 模型

3.1 模型假设
根据已知条件,可作出以下假设:
(1)立体货架模型被定义为一个标准的长方体的点集合(x,y,z),以理想模型进行考虑,并将(0,0,0)作为出口坐标;
(2)商品有销售记录;
(3)堆垛机按直线运行;
(4)只考虑商品出库;
(5)堆垛机取货时间不计,只考虑堆垛机的运行速度;
(6)每个巷道只有一个堆垛机;
(7)货物体积完全相同,质量不同;
(8)货架长宽高均为1m,货物体积均为1m3。

3.2 符号规定
在这里插入图片描述

货位优化的多目标数学模型是建立以出库效率作为主要目标,货架稳定性作为次要目标的基础上。如下所示:
在这里插入图片描述

4. 总结

  • 人工蜂群算法主要分:采蜜、观察、侦察三个阶段;
  • 整个原理和遗传算法的原理很类似,采蜜蜂就相当于初始化父代chrom,观察蜂相当于轮盘赌选择之后的子代,侦察蜂就是在limit次中没能找到更优秀的解时,舍弃该解,再随机初始化。

5. 程序和结果

%     Author:    怡宝2号        博士猿工作室
%     淘宝链接: https://shop437222340.taobao.com/index.htm?spm=2013.1.w5002-16262391244.6.733e1fb4LF2f58%     Use:       基于人工蜂群算法的三维货位优化/基于坐标点的编码方式
%                输入变量(可修改量):     TurnOver:每个货物的周转率
%                                         Weight:每个货物的重量
%                                         runtime:运行的次数
%                                         numgoods:货物的个数
%                              
%                输出:                   res:最优结果记录
%     Remark:   本人qq:778961303,如有疑问请咨询clc;clear all;close all;format compact% 参数初始化
[parameter] = initialtwo();% 画出初始货位位置
initialDraw(parameter);% 所有空货位的集合
[CHROM] = TotalGoods(parameter.X, parameter.Y, parameter.Z);for r = 1:parameter.runtime% 随机生成初始种群for i=1:parameter.foodnumbertemp = randperm(parameter.totaltray);Foods(i,:) = temp;end% 计算目标函数和种群适应度[ Fitness, fitval] = calculatefitness(Foods, parameter, CHROM);% 初始化搜索次数,用于和Limit比较trial=zeros(1,parameter.foodnumber);%找出适应度函数值的最小值BestInd=find(Fitness==min(Fitness));BestInd=BestInd(end);       %避免有两个相同的位置,只取其一GlobalMin=Fitness(BestInd);GlobalParams=Foods(BestInd,:);%迭代开始iter=1;     %初始化迭代次数while((iter <= parameter.maxCycle))%% 采蜜蜂for i=1:parameter.foodnumber%计算新蜜源的适应度函数值[FitnessSol, ~]=calculatefitness(Sol, parameter, CHROM);%使用贪婪准则,寻找最优蜜源if (FitnessSol<Fitness(i)) %若找到更好的蜜源,搜索次数清零Foods(i,:)=Sol;Fitness(i)=FitnessSol;trial(i)=0;elsetrial(i)=trial(i)+1;  %不能找到更优解超过设定的Limit次,则该蜂成为侦察蜂/重新初始化endend%计算采蜜蜂被选出的概率prob=(0.9.*Fitness./max(Fitness))+0.1;%% 观察蜂i=1;      %要跟随的采蜜蜂t=0;      %标记观察蜂while(t<parameter.foodnumber)if (rand<prob(i))   %按概率选择要跟随的采蜜蜂t=t+1;%计算新蜜源的适应度函数值[FitnessSol, ~]=calculatefitness(Sol, parameter, CHROM);%使用贪婪准则,保留优秀的蜜蜂if (FitnessSol<Fitness(i))		%若找到更好的蜜源,搜索次数清零Foods(i,:)=Sol;Fitness(i)=FitnessSol;trial(i)=0;elsetrial(i)=trial(i)+1;		%超过设定的Limit次,则该蜂成为侦察蜂//重新初始化endendi=i+1;                      		%要跟随的下一个采蜜蜂if (i==(parameter.foodnumber)+1)i=1;endend% 记录最优解ind=find(Fitness==min(Fitness));ind=ind(end);if (Fitness(ind)<GlobalMin)GlobalMin=Fitness(ind);GlobalParams=Foods(ind,:);end%% 侦查蜂ind=find(trial==max(trial));ind=ind(end);if (trial(ind) > parameter.Limit)   %若搜索次数超过极限值,则进行随机搜索产生新解end%%记录每代的最优解trace(iter) = GlobalMin;	% 最小值bestABC(iter,:) = GlobalParams;		% 最优参数iter=iter+1;endres{r}.min = GlobalMin;res{r}.trace = trace;res{r}.param = GlobalParams;disp(['第',num2str(r),'次运行得到的参数为:',num2str(GlobalParams(1:parameter.numgoods) ),',此参数对应的目标函数最小值为:',num2str(GlobalMin)])endminnumber = res{1}.min;
index = 1;
for i=2:parameter.runtimeif minnumber > res{i}.minminnumber = res{i}.min;index = iendend
%% 画出迭代图
figure(2);
plot(res{index}.trace,'b');
xlabel('迭代次数');
ylabel('目标值');%% 画出优化后的货位分配情况图
%解码染色体
result = res{index}.param(1:parameter.numgoods);
p = [];
for i=1:length(result)p = [p CHROM(result(i),:)];coordinate(i,:) = CHROM(result(i),:);
end
% disp(['优化前目标函数为:',num2str(max(trace))]);
disp(['优化后目标函数为:',num2str(res{index}.min)]);
disp(['优化后货物分配的货位为:',num2str(p)]);
coordinatefigure()
%%画出优化后的货位分配
finalDraw(coordinate, parameter);

结果:
在这里插入图片描述

这篇关于人工蜂群算法求解货位优化问题的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1056976

相关文章

Spring Boot + MyBatis Plus 高效开发实战从入门到进阶优化(推荐)

《SpringBoot+MyBatisPlus高效开发实战从入门到进阶优化(推荐)》本文将详细介绍SpringBoot+MyBatisPlus的完整开发流程,并深入剖析分页查询、批量操作、动... 目录Spring Boot + MyBATis Plus 高效开发实战:从入门到进阶优化1. MyBatis

MyBatis 动态 SQL 优化之标签的实战与技巧(常见用法)

《MyBatis动态SQL优化之标签的实战与技巧(常见用法)》本文通过详细的示例和实际应用场景,介绍了如何有效利用这些标签来优化MyBatis配置,提升开发效率,确保SQL的高效执行和安全性,感... 目录动态SQL详解一、动态SQL的核心概念1.1 什么是动态SQL?1.2 动态SQL的优点1.3 动态S

Python如何使用__slots__实现节省内存和性能优化

《Python如何使用__slots__实现节省内存和性能优化》你有想过,一个小小的__slots__能让你的Python类内存消耗直接减半吗,没错,今天咱们要聊的就是这个让人眼前一亮的技巧,感兴趣的... 目录背景:内存吃得满满的类__slots__:你的内存管理小助手举个大概的例子:看看效果如何?1.

一文详解SpringBoot响应压缩功能的配置与优化

《一文详解SpringBoot响应压缩功能的配置与优化》SpringBoot的响应压缩功能基于智能协商机制,需同时满足很多条件,本文主要为大家详细介绍了SpringBoot响应压缩功能的配置与优化,需... 目录一、核心工作机制1.1 自动协商触发条件1.2 压缩处理流程二、配置方案详解2.1 基础YAML

SpringBoot实现MD5加盐算法的示例代码

《SpringBoot实现MD5加盐算法的示例代码》加盐算法是一种用于增强密码安全性的技术,本文主要介绍了SpringBoot实现MD5加盐算法的示例代码,文中通过示例代码介绍的非常详细,对大家的学习... 目录一、什么是加盐算法二、如何实现加盐算法2.1 加盐算法代码实现2.2 注册页面中进行密码加盐2.

SpringBoot启动报错的11个高频问题排查与解决终极指南

《SpringBoot启动报错的11个高频问题排查与解决终极指南》这篇文章主要为大家详细介绍了SpringBoot启动报错的11个高频问题的排查与解决,文中的示例代码讲解详细,感兴趣的小伙伴可以了解一... 目录1. 依赖冲突:NoSuchMethodError 的终极解法2. Bean注入失败:No qu

MySQL新增字段后Java实体未更新的潜在问题与解决方案

《MySQL新增字段后Java实体未更新的潜在问题与解决方案》在Java+MySQL的开发中,我们通常使用ORM框架来映射数据库表与Java对象,但有时候,数据库表结构变更(如新增字段)后,开发人员可... 目录引言1. 问题背景:数据库与 Java 实体不同步1.1 常见场景1.2 示例代码2. 不同操作

Java时间轮调度算法的代码实现

《Java时间轮调度算法的代码实现》时间轮是一种高效的定时调度算法,主要用于管理延时任务或周期性任务,它通过一个环形数组(时间轮)和指针来实现,将大量定时任务分摊到固定的时间槽中,极大地降低了时间复杂... 目录1、简述2、时间轮的原理3. 时间轮的实现步骤3.1 定义时间槽3.2 定义时间轮3.3 使用时

MySQL中慢SQL优化的不同方式介绍

《MySQL中慢SQL优化的不同方式介绍》慢SQL的优化,主要从两个方面考虑,SQL语句本身的优化,以及数据库设计的优化,下面小编就来给大家介绍一下有哪些方式可以优化慢SQL吧... 目录避免不必要的列分页优化索引优化JOIN 的优化排序优化UNION 优化慢 SQL 的优化,主要从两个方面考虑,SQL 语

如何解决mysql出现Incorrect string value for column ‘表项‘ at row 1错误问题

《如何解决mysql出现Incorrectstringvalueforcolumn‘表项‘atrow1错误问题》:本文主要介绍如何解决mysql出现Incorrectstringv... 目录mysql出现Incorrect string value for column ‘表项‘ at row 1错误报错