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

Vue3 的 shallowRef 和 shallowReactive:优化性能

大家对 Vue3 的 ref 和 reactive 都很熟悉,那么对 shallowRef 和 shallowReactive 是否了解呢? 在编程和数据结构中,“shallow”(浅层)通常指对数据结构的最外层进行操作,而不递归地处理其内部或嵌套的数据。这种处理方式关注的是数据结构的第一层属性或元素,而忽略更深层次的嵌套内容。 1. 浅层与深层的对比 1.1 浅层(Shallow) 定义

不懂推荐算法也能设计推荐系统

本文以商业化应用推荐为例,告诉我们不懂推荐算法的产品,也能从产品侧出发, 设计出一款不错的推荐系统。 相信很多新手产品,看到算法二字,多是懵圈的。 什么排序算法、最短路径等都是相对传统的算法(注:传统是指科班出身的产品都会接触过)。但对于推荐算法,多数产品对着网上搜到的资源,都会无从下手。特别当某些推荐算法 和 “AI”扯上关系后,更是加大了理解的难度。 但,不了解推荐算法,就无法做推荐系

HDFS—存储优化(纠删码)

纠删码原理 HDFS 默认情况下,一个文件有3个副本,这样提高了数据的可靠性,但也带来了2倍的冗余开销。 Hadoop3.x 引入了纠删码,采用计算的方式,可以节省约50%左右的存储空间。 此种方式节约了空间,但是会增加 cpu 的计算。 纠删码策略是给具体一个路径设置。所有往此路径下存储的文件,都会执行此策略。 默认只开启对 RS-6-3-1024k

好题——hdu2522(小数问题:求1/n的第一个循环节)

好喜欢这题,第一次做小数问题,一开始真心没思路,然后参考了网上的一些资料。 知识点***********************************无限不循环小数即无理数,不能写作两整数之比*****************************(一开始没想到,小学没学好) 此题1/n肯定是一个有限循环小数,了解这些后就能做此题了。 按照除法的机制,用一个函数表示出来就可以了,代码如下

hdu1043(八数码问题,广搜 + hash(实现状态压缩) )

利用康拓展开将一个排列映射成一个自然数,然后就变成了普通的广搜题。 #include<iostream>#include<algorithm>#include<string>#include<stack>#include<queue>#include<map>#include<stdio.h>#include<stdlib.h>#include<ctype.h>#inclu

康拓展开(hash算法中会用到)

康拓展开是一个全排列到一个自然数的双射(也就是某个全排列与某个自然数一一对应) 公式: X=a[n]*(n-1)!+a[n-1]*(n-2)!+...+a[i]*(i-1)!+...+a[1]*0! 其中,a[i]为整数,并且0<=a[i]<i,1<=i<=n。(a[i]在不同应用中的含义不同); 典型应用: 计算当前排列在所有由小到大全排列中的顺序,也就是说求当前排列是第

使用opencv优化图片(画面变清晰)

文章目录 需求影响照片清晰度的因素 实现降噪测试代码 锐化空间锐化Unsharp Masking频率域锐化对比测试 对比度增强常用算法对比测试 需求 对图像进行优化,使其看起来更清晰,同时保持尺寸不变,通常涉及到图像处理技术如锐化、降噪、对比度增强等 影响照片清晰度的因素 影响照片清晰度的因素有很多,主要可以从以下几个方面来分析 1. 拍摄设备 相机传感器:相机传

csu 1446 Problem J Modified LCS (扩展欧几里得算法的简单应用)

这是一道扩展欧几里得算法的简单应用题,这题是在湖南多校训练赛中队友ac的一道题,在比赛之后请教了队友,然后自己把它a掉 这也是自己独自做扩展欧几里得算法的题目 题意:把题意转变下就变成了:求d1*x - d2*y = f2 - f1的解,很明显用exgcd来解 下面介绍一下exgcd的一些知识点:求ax + by = c的解 一、首先求ax + by = gcd(a,b)的解 这个

综合安防管理平台LntonAIServer视频监控汇聚抖动检测算法优势

LntonAIServer视频质量诊断功能中的抖动检测是一个专门针对视频稳定性进行分析的功能。抖动通常是指视频帧之间的不必要运动,这种运动可能是由于摄像机的移动、传输中的错误或编解码问题导致的。抖动检测对于确保视频内容的平滑性和观看体验至关重要。 优势 1. 提高图像质量 - 清晰度提升:减少抖动,提高图像的清晰度和细节表现力,使得监控画面更加真实可信。 - 细节增强:在低光条件下,抖

【数据结构】——原来排序算法搞懂这些就行,轻松拿捏

前言:快速排序的实现最重要的是找基准值,下面让我们来了解如何实现找基准值 基准值的注释:在快排的过程中,每一次我们要取一个元素作为枢纽值,以这个数字来将序列划分为两部分。 在此我们采用三数取中法,也就是取左端、中间、右端三个数,然后进行排序,将中间数作为枢纽值。 快速排序实现主框架: //快速排序 void QuickSort(int* arr, int left, int rig