遗传模拟退火混合解决三维装箱问题（部分代码）.zip_三维装箱问题_模拟退火遗传_装箱_装箱算法_装箱算法代码

clc; clear; close all; tic %% 数据录入 Box=[2.33 1.78 2.197 5000]; % 货箱数据 Cargo=[0.94 0.68 0.39 0.249288 270.5 6;0.81 1.02 0.6 0.495720 896 2;... 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 1.16 1.20 1.948800 420 8;0.82 0.37 0.18 0.54612 40 5]; % 货物数据 save Box Box save Cargo Cargo toc %% 模拟退火参数 tic T0=1000; % 初始温度 Tend=1e-3; % 终止温度 L=10; % 各温度下的迭代次数（链长） q=0.8; %降温速率 %% 遗传参数 Pc=0.9; %交叉概率 Pm=0.05; %变异概率 GGAP=0.9; %代沟 %% 加载数据 load Box load Cargo %% N=size(Cargo,1); % 待装箱类别数 %% 初始解 S1=randperm(N); %随机产生一个装箱顺序 [RestSpace,LoadOrder]=IniOrder(S1,Box,Cargo); fitness=FitFun(RestSpace,LoadOrder); %% 计算迭代的次数 Time Time=ceil(double(solve(['1000*(0.8)^x=',num2str(Tend)]))); count=0; %迭代计数 %Obj=zeros(Time,1); %目标值矩阵初始化 %track=zeros(Time,N); %每代的最优路线矩阵初始化 Obj=[]; %目标值矩阵初始化 track=[]; %每代的最优路线矩阵初始化 BestLoad=[];t=1; %% 迭代 while T0>Tend count=count+1; %更新迭代次数 % temp=zeros(L,N+1); % TempLoad={}; if t>1 Fit=temp(:,end); %% 选择 SelCh=Select(Order,Fit,GGAP); %% 交叉操作 SelCh=Recombin(SelCh,Pc); %% 变异 SelCh=Mutate(SelCh,Pm); %% 重插入子代的新种群 Order=Reins(Order,SelCh,Fit); end temp=zeros(L,N+1); TempLoad={}; for k=1:L %% 产生新解 if t>1 S1=Order(k,:); end Rindex=rand; flag=0; % S2=New Answer1(S1); if Rindex>0.3 S2=NewAnswer1(S1); else NewAnswer2(S1); flag=1; end %% Metropolis 法则判断是否接受新解 if flag==1 load Cargo1 [S1,R,Load]=Metropolis1(S1,Box,Cargo,Cargo1,T0); %Metropolis 抽样算法 else [S1,R,Load]=Metropolis2(S1,S2,Box,Cargo,T0); %Metropolis 抽样算法 end temp(k,:)=[S1 R]; %记录下一解及其适应度值 TempLoad{k}=Load; Order(k,:)=S1; end %% 记录每次迭代过程的最优解 [d0,index]=max(temp(:,end)); %找出当前温度下最优解 if count==1 || d0>Obj(count-1) Obj(count)=d0; BestLoad=TempLoad{index}; else Obj(count)=Obj(count-1); end a=Obj(count); a track(count,:)=temp(index,1:end-1); %记录当前温度的最优解 T0=q*T0; %降温 fprintf(1,'%d\n',count) %输出当前迭代次数 t=t+1; end %% 优化过程迭代图 save Best Load Best Load figure plot(1:length(Obj),Obj) xlabel('迭代次数') ylabel('目标han数值') title('youhua')