1 模型介绍

模型参考这里。

2 部分代码

%clear all;
tic
clc;
%format long;
%------给定初始化条件----------------------------------------------
c1=2;             %学习因子1
c2=2;             %学习因子2
w=0.7;              %惯性权重
MaxDT=20;            %最大迭代次数
HX=10;
D=8;                  %搜索空间维数（未知数个数）
N=40;                  %初始化群体个体数目
%K=10^6;           %设置精度(在已知最小值时候用)
M=110;%货车载重
V=250;%货车容积
weight=[64,52,50,41,22,20,14,2];%物体重量
volume=[110,108,96,80,49,50,40,7];%物体体积
%load('psodata.mat');
%------初始化种群的个体(可以在这里限定位置和速度的范围)------------
x=round(rand([N D]));  %随机初始化位置
v=rand([N D]);  %随机初始化速度
%------先计算各个粒子的适应度，并初始化Pi和Pg----------------------
for i=1:N
       plbest=fitness(x(i,:),D,M,V,weight,volume);%plbest表示个体最优值
       pxbest=x(i,:);%pxbest表示个体最优位置
end
gxbest=x(1,:);             %gxbest为全局最优位置
for i=2:N
      if fitness(x(i,:),D,M,V,weight,volume)>fitness(gxbest,D,M,V,weight,volume)
          gxbest=x(i,:);
      end
end
%fitness(gxbest,D,M,V,weight,volume)
%%------进入主要循环，按照公式依次迭代，直到满足精度要求------------
sumv=0;
summ=0;
for H=1:HX
Sum=0;
SUM=0;
for t=1:MaxDT
    for i=1:N
        v(i,:)=w*v(i,:)+c1*rand()*(pxbest-floor(x(i,:)))+c2*rand()*(gxbest-floor(x(i,:)));
        x(i,:)=x(i,:)+v(i,:);
        %%用于把每个分量取为0和1
        for j=1:D
        if rand()<=1/(1+exp(-v(i,j))) %Sigmoid函数
           x(i,j)=0;
        else
            x(i,j)=1;
        end
        end
        %x(i,:)
        x1=crossover(x(i,:),gxbest,D);%把当前粒子与全局最优粒子的位置进行交叉
        %x2=crossover(x1,y,D);
        x3=mutation(x1);%把当前粒子的位置进行变异
        if fitness(x3,D,M,V,weight,volume)>plbest
              plbest=fitness(x3,D,M,V,weight,volume);
              pxbest=x3;
        end
    end
    if plbest>fitness(gxbest,D,M,V,weight,volume)
             gxbest=pxbest;
    end
    glbest=fitness(gxbest,D,M,V,weight,volume);%glbest表示全局最优值
    Sum=Sum+glbest(1);
    aveg1=Sum/t;%体积平均
    SUM=SUM+glbest(2);
    aveg2=SUM/t;%载重平均
    Z1(t)=aveg1;
    Z2(t)=aveg2;
   % X(t)=Pbest(1);
    %Y(t)=Pbest(2);
    %Q(t)=Pbest(3);
end
%%----------------最后给出计算结果-----------------------------
disp('*************************************************************')
disp('函数的全局最优位置为：')
Solution=gxbest
disp('最后得到的优化极值为：')
Result=fitness(gxbest,D,M,V,weight,volume)
WV=Result(1)
WM=Result(2)
Z1(H)=WV;
Z2(H)=WM;
%disp('箱子的体积利用率：')
sumv=sumv+WV;
%disp('货车的载重利用率：')
summ=summ+WM;
end
for i=1:N
       plbest=fitness(x(i,:),D,M,V,weight,volume);%%plbest表示个体最优值
       pxbest=x(i,:);%pxbest表示个体最优位置
end
gxbest=x(1,:);             %gxbest为全局最优位置
for i=2:N
      if fitness(x(i,:),D,M,V,weight,volume)>fitness(gxbest,D,M,V,weight,volume)
          gxbest=x(i,:);
      end
end
%fitness(pg,D,M,V,weight,volume)
%%------进入主要循环，按照公式依次迭代，直到满足精度要求------------
Sum=0;
SUM=0;
for t=1:MaxDT
    for i=1:N
        v(i,:)=w*v(i,:)+c1*rand()*(pxbest-floor(x(i,:)))+c2*rand()*(gxbest-floor(x(i,:)));
        x(i,:)=x(i,:)+v(i,:);
        %用于把每个分量取为0和1
        for j=1:D
        if rand()<=1/(1+exp(-v(i,j))) %Sigmoid函数
           x(i,j)=0;
        else
            x(i,j)=1;
        end
        end
   
        if fitness(x(i,:),D,M,V,weight,volume)>plbest
              plbest=fitness(x(i,:),D,M,V,weight,volume);
 
        end
    if plbest>fitness(gxbest,D,M,V,weight,volume)
             gxbest=pxbest;
    end
    glbest=fitness(gxbest,D,M,V,weight,volume);%glbest表示全局最优值
    Sum=Sum+glbest(1);
    aveg1=Sum/t;%体积平均
    SUM=SUM+glbest(2);
    aveg2=SUM/t;%载重平均
    Z3(t)=aveg1;
    Z4(t)=aveg2;
    %X(t)=Pbest(1);
    %Y(t)=Pbest(2);
    %Q(t)=Pbest(3);
end

3 运行结果

​

4 参考文献

[1]胥珠峰. 基于优化粒子群的货物装箱管理方案[J]. 计算机与数字工程, 2018, 046(008):1520-1524,1626.