【路径规划】基于遗传算法求解带时间窗多电动车充电路径规划问题附matlab代码
【路径规划】基于遗传算法求解带时间窗多电动车充电路径规划问题附matlab代码
TT_Matlab
博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，完整matlab代码或者程序定制加qq1575304183。
1 简介
电动车在物流领域中取代燃油车是一个广泛的发展趋势.但电动车的电池利用率低,充电时间长,相关充电配套设施建设不完善,存在"续驶里程焦虑"等现象成为了电动车推广和应用的重要制约因素,也是一般路径规划模型不适用于电动车的原因.因此,针对电动车的特性研究路径规划问题具有重要的理论研究价值和实用价值.此外,现有的电动车路径规划研究中关于电量消耗模型的构建,大多假设与速度和载重无关.但是,电动车的实际行驶效果和理论研究表明,速度和载重对电动车的电量消耗具有显著的非线性影响,行驶速度每增加或减少10km/h,单位里程电量消耗量变化10%以上,而车辆载重每增加或减少100kg,单位里程电量消耗平均变化约4.2%,这些影响是不可忽略的,在研究路径规划时需加以考虑.本文基于速度和载重对电量消耗的非线性影响以及客户时间窗,车辆载重及电量的约束,以最小化电动车启动成本,充电成本,总行驶里程成本和总时间惩罚成本为目标函数,构建了基于非线性电量消耗的电动车路径规划模型,并采用遗传算法算法分别对问题求解,综合比较选择更优的路径规划结果.
2 部分代码
%
% 计算一条路线上车辆对顾客的开始服务时间，还计算车辆返回集配中心的时间
%
输入route： 一条配送路线
%
输入a： 最早开始服务的时间窗
%
输入s： 对每个点的服务时间
%
输入dist： 距离矩阵
%
输出bs： 车辆对顾客的开始服务时间
%
输出back： 车辆返回集配中心的时间
function [bs,back]= begin_s( route,a,s,dist,chesu,bl )
n=length(route); %配送路线上经过顾客的总数量
bs=zeros(1,n); %车辆对顾客的开始服务时间
%
bs(1)=max(a(route(1)),dist(1,route(1)+1));%距离和最早时间窗大小比较
%
for
i=1:n
%
if
i~=1
%
bs(i)=max(a(route(i)),bs(i-1)+s(route(i-1))+dist(route(i-1)+1,route(i)+1));
%
end
%
end
%
bs(1)=a(route(1))+bl;
bs(1)=(dist(route(1)+1,1)/chesu)+bl;
for i=1:n
if i~=1
bs(i)=bs(i-1)+s(route(i-1))+(dist(route(i-1)+1,route(i)+1)/chesu);
end
end
back=bs(end)+s(route(end))+(dist(route(end)+1,1)/chesu);
end
3 仿真结果
4 参考文献
[1]谭学怡. 基于重量与速度的非线性电量消耗的电动车配送路径规划研究. 华南理工大学, 2019.