三维装箱遗传算法matlab程序

1、NP 难题,很难精确求解。目前的求,如 NF(NextFit)近似算法、 NP 难题,很难精确求解。目前的求,如 NF(NextFit)近似算法、 FF(FirstFit)近似算法、Matlab 环境下进行实现。,对一,需本文考虑待装箱子的空间利u 为装箱方案从计算复杂性理论来讲 ,装箱问题是一个解方法主要是一些近似算法FFD(FirstFitDecreasing)近似算法等。近似算法的求解结果与物品的体积数据有较大关系,有时在极端情况下的求解结果很不理想。本文以三维离线装箱问题为研究对象， 利用遗传算法和模拟退火算法集成的思路对该问题进行求解，并编写程序代码在1、 问题描述假设有一批待装货物

2、 ,它们有多种货物种类 ,每种货物的尺寸重量是不同的尺寸己知的集装箱进行装载。这里所面临的问题是在满足一定约束的条件下要找到一种装箱方案进行装载 ,能够得到一种最佳的装载效果 ,这里指的是空间容积率最高或者载重利用率达到最高。2、 优化模型优化模型中的目标函数值可以评价装箱方案的优劣，用率最大以及所使用箱子数目最小，目标函数规定为：其中：m 为所使用的箱子数目，Cmax为一个足够大的常数，在本文中取为 1000，以保证 Cmax/m 为大于 1 的正数，后一项为箱子的空间利用率，违背约束条件时的处罚值。注：帮人代写 matlab 程序，有问题请咨询 qq：778961303 部分代码如下：Us

3、e: 输入变量（可修改量）：Cargo：货物的属性order：要求货物的装载次序输出：author：0.81 1.02 0.70 0.578340 868 4;0.73 0.69 0.80 0.40296 240 2;. 1.20 0.72 0.72 0.622080 280 2;1.10 0.84 0.26 0.24024 80 1;. 0.80 0.74 0.72 0.426240 180 1;1.60 1.07 0.75 1.28400 774 12;. 1.19 1.11 1.08 1.426572 960 11;1.19 1.11 0.9 1.18810 800 10;. 1.40

4、1.16 1.20 1.948800 420 8;0.82 0.37 0.18 0.54612 40 5; % 货物数宽度（m）%所使用的箱子数参数遗传模拟退火算法主程序Box：箱子的属性bestLoadOrder:具体装箱Use: 输入变量（可修改量）：Cargo：货物的属性order：要求货物的装载次序输出：author：0.81 1.02 0.70 0.578340 868 4;0.73 0.69 0.80 0.40296 240 2;. 1.20 0.72 0.72 0.622080 280 2;1.10 0.84 0.26 0.24024 80 1;. 0.80 0.74 0.72

5、0.426240 180 1;1.60 1.07 0.75 1.28400 774 12;. 1.19 1.11 1.08 1.426572 960 11;1.19 1.11 0.9 1.18810 800 10;. 1.40 1.16 1.20 1.948800 420 8;0.82 0.37 0.18 0.54612 40 5; % 货物数宽度（m）%所使用的箱子数参数遗传模拟退火算法主程序Box：箱子的属性bestLoadOrder:具体装箱怡宝 2号高度（m）体积（m3）重量（kg）数量% % % % % % % clc; clear; close all; tic % 数据录入% B

6、ox=2.33 1.78 2.197 5000; % 货箱数据 长，宽，高，限重% Cargo=0.94 0.68 0.39 0.249288 270.5 6;0.81 1.02 0.6 0.495720 896 2;. % % % % % 据%长度（m）order=6,3,11,7,8,5,1,2,4,9,10,12; cmax=300; % save Box Box % save Cargo Cargo % toc % 模拟退火参数tic % 初始温度% 终止温度% 各温度下的迭代次数（链长）%降温速率%交叉概率% 初始温度% 终止温度% 各温度下的迭代次数（链长）%降温速率%交叉概率%变

7、异概率%代沟% 待装箱类别数%随机产生一个装箱顺序Time %solve(1000Tend=1e-3; L=5; q=0.8; G=100; % 遗传参数Pc=0.9; Pm=0.05; popsize=20; retain=10; GGAP=0.9; % 加载数据load Box load Cargo % N=size(Cargo,1); for i=1:popsize chrom(i,:)=randperm(N); end for i=1:popsize tempchrom=chrom(i,:); RestSpace,LoadOrder=IniOrder(tempchrom,Box,Car

8、go); fitness(i)=FitFun(cmax,RestSpace,LoadOrder,Box,tempchrom,order); end fitness=fitness; % 计算迭代的次数Time=ceil(double(solve(1000*(0.8)x=,num2str(Tend); %迭代计数%目标值矩阵初始化%每代的最优路线矩阵初始化%更新迭代次数*(0.8)x=1e-3)这样也可以%迭代计数%目标值矩阵初始化%每代的最优路线矩阵初始化%更新迭代次数count=0; Obj=; track=; bestchrom=; % 迭代while TTend count=count+

9、1; temp=; temp index=sort(fitness,descend); chrom=chrom(index,:); chromone=chrom(1:retain,:); fitnessone=temp(1:retain,:); chromtwo=chrom(retain+1:end,:); % 交叉操作SelCh=Recombin(chromtwo,Pc); % 变异SelCh=Mutate(SelCh,Pm); tempchrom=; for i=1:size(SelCh,1) tempchrom=SelCh(i,:); RestSpace,LoadOrder=IniOrd

10、er(tempchrom,Box,Cargo); fitnesstwo(i,:)=FitFun(cmax,RestSpace,LoadOrder,Box,tempchrom,order); end for k=1:L % 产生新解for j=1:(popsize-retain) newchrom(j,:)=randperm(N); else %则原种群和解不变 ,即不接受模拟else %则原种群和解不变 ,即不接受模拟tempchrom=; for i=1:(popsize-retain) tempchrom=newchrom(i,:); RestSpace,LoadOrder=IniOrder(tempchrom,Box,Cargo); newfitness(i,:)=FitFun(cmax,RestSpace,LoadOrder,Box,tempchrom,order); end newfitness=G-newfitness; for i=1:(popsize-retain) if newfitness(i,:)fitnesstwo SelCh(i,:)=newchrom(