1.ソフトウェアバージョン
matlab2013b
2.このアルゴリズムの理論的知識
問題は、5つのコレクションパイルがあるコレクショントラックがあるとすると、これらの5つのコレクションパイルは4 * 20マトリックス(以下では4 * 10のみ)、各モジュール(たとえば、A31とA32の異なる要素コンテンツ)と見なされます。 、収集されるアイテムの数と要素の内容の要件を満たすために(たとえば、収集される5トン、要素の単位質量が65〜62)、各4*20マトリックスでどのモジュールが使用されるかを調べます。要件を満たし、最適なトラックを見つけるために出かけますか?
既知のデータ:
1.各コレクションパイルの元素含有量(Excel表のシート1)
2.各コレクションスタック内のモジュールの座標、長さ、幅、高さ(メートル単位)(Excelシートのシート1)
3.要素の内容と収集されたアイテムの数の要件(Excelフォームのシート2)には、さまざまなコンテンツの5つの最大値と最小値、および収集されたアイテムの数の要件があります。エラー。
4.線路左側の2つの収集杭はそれぞれタイプCとタイプAであり、2つの収集杭間の距離は30mであり、線路右側の3つの収集杭はBタイプ、Bタイプです。同様に、各コレクションスタック間の距離は20mです。5.コレクションヒープの形状は付録1に添付されています
付録1反対意見の獲得
高さ:10m(A.BC)
各レイヤーの幅と長さは異なり、特定のデータはExcelテーブルにあります
したがって、最初の行は三角形のボリュームであり、残りはラダー行のボリュームです。
これは実際には最適化問題です。つまり、アイテムを収集するニーズを満たすには、3種類の配送センターを5つロードする必要があり、毎回一番上のものだけを取得できます。現在の位置にあるアイテムがない場合少なくとも取得した場合は、最初に一番上のアイテムのみを取得し、次に積載軌道の距離をカウントし、最適化によって最短距離を計算できます。
次に、ここで問題を解決するための鍵は、目的関数を計算し、最適化アルゴリズムを使用して目的関数を最適化することです。このアルゴリズムの主な目標は、目的関数の設計であり、これは主題の難しさでもあります。
まず、上記の要件に従って、次の数学的モデルを確立します。
ここで、djは、あるモジュールから別のモジュールまでの距離を毎回表します。ある収集パイルから別の収集パイルに移動した場合、収集されたモジュール間の距離は、別のパイルで計算されます。
したがって、上記の式は次のとおりです。
つまり、異なる収集スタックでのすべての距離の合計です。ここでは、最適化を通じて、異なる収集スタック間の移動と、各収集でモジュールの収集がどのように実行されるかという2つの要素を考慮する必要があります。
私たちの目標は、収集ルートの軌道を取得するために、上記の関数の値を最小化することです。
ここで、考慮する必要のある問題は次のとおりです。
まず、空間軌道は3次元であり、2次元よりも複雑です。
第二に、制約の設定、プロジェクトのニーズに応じて以下の制約を設定します。
2.1収集ルールの制約。
つまり、毎回一番上のものだけを集めることができます。一番上のものを取り外さないと、一番下のものを直接集めることはできません。
ここでは、次のように数式を使用します。
4つのレイヤーのモジュールにそれぞれマークを付けます。一番上のレイヤーは4です。削除すると、直接0が割り当てられます。このようにして、毎回最大のラベルを持つモジュールにのみ移動できます。削除された場合、取得された値は0です。判断すると、次のように取得できます。すべて削除された場合はすべて0、すべてゼロの場合、この列は値を取得できません。つまり、すべてのゼロは空です。
2.2収集されたアイテムの数と要素の内容に関する制約を満たします
提供されたデータによると、アイテムの最大数は60000tで、エラーは1です。
要素の内容は制約条件です。
要素1 |
要素2 |
要素3 |
要素4 |
要素5 |
|
65 |
6 |
4 |
0.077 |
0.1 |
最大値 |
62 |
0 |
0 |
0 |
0 |
最小 |
主題によって与えられた制約に従って、最終的な総重量を60000にするために取得モジュールを通過する必要があり、収集されたアイテムの各要素の比率の影響は上記の制約を満たします。
つまり、上記の制約条件は、合計量が要件を満たし、5つの要素の単位質量が上記の制約を満たし、最終的に収集軌道が最短になるようにアイテムを収集することです。
したがって、上記の包括的な分析を通じて、必要な数式は次のようになります。
便宜上、必要なデータをExcelで整理し、数式で編集したデータの一部を実際のデータに変換します。変更されたExcelファイルは、新しく送信されたデータで確認でき、制約はプログラムで直接設定されます。
ここでは、デバイスが1つのエンドポイントから別のエンドポイントに移動するときに、前後ではなく徐々に前方に移動すると想定しています。つまり、デバイスは一度にトラックの一方の端からもう一方の端に移動します(実際、ルールは順番に移動します)
この仮定によれば、私たちの設計のアイデアは、パイルに移動するとき、最初にこのアイテムのパイルを収集することです。これは、アイテムの各パイル間の距離が、各パイル内の各モジュール間の距離よりもはるかに大きいためです。実際には、グラブモジュールを2つの異なるヒープ間で切り替えることはできません。これも、上記の仮定に沿ったものです。
上記の仮定によれば、取得する順序は、Bヒープ、Cヒープ、Aヒープ、Aヒープ、Bヒープです。
3.コアコード
%根据这个假设,我们设计的思路为当每次运动到一堆的时候,首先在这一堆物品上进行采集,由于
%每堆物品之间的间距远大于每堆内部的各个模块之间的间隔,所以在实际中也不可能在两个不同的
%堆之间来回切换的抓取模块,这也符合我们上面的假设。
%根据上面的假设,我们抓取的顺序为B堆,C堆,A堆,A堆,B堆。
%这里,我们所使用的算法是局部PSO优化,然后再整体PSO优化的算法,即首先通过再每一堆的采集
%的时候进行PSO优化,并使的各个元素含量满足约束的条件下,得到路径最短的采集轨迹,然后通过
%后面三堆重复相同的优化算法,最后第五堆的时候,在做相同的优化前提下,同时检测总量是否满足
%条件,如果不满足进入下一次大迭代循环,然后重复上面的操作,最后得到满足条件的总的采集轨迹。
clc;
clear;
close all;
warning off;
pack;
addpath 'func\'
%**********************************************************************************
%步骤一:调用数据
%步骤一:调用数据
Dat = xlsread('Dat\datas.xlsx');
%分成ABC三组
A_set = Dat( 1:40 ,:);
B_set = Dat(41:80 ,:);
C_set = Dat(81:120,:);
%A相关数据
%坐标
A_POS = A_set(:,1:3);
%元素含量
A_FAC = A_set(:,4:8);
%体积长宽高
A_VUM = A_set(:,9:11);
%B相关数据
%坐标
B_POS = B_set(:,1:3);
%元素含量
B_FAC = B_set(:,4:8);
%体积长宽高
B_VUM = B_set(:,9:11);
%C相关数据
%坐标
C_POS = C_set(:,1:3);
%元素含量
C_FAC = C_set(:,4:8);
%体积长宽高
C_VUM = C_set(:,9:11);
%**************************************************************************
%**************************************************************************
%**********************************************************************************
%步骤二:参数初始化
%步骤二:参数初始化
%约束参数
%59999 ~ 60001
Mass_all = 60000;
Mass_err = 1;
%元素1
Mass1_max= 65;
Mass1_min= 62;
%元素2
Mass2_max= 6;
Mass2_min= 0;
%元素3
Mass3_max= 4;
Mass3_min= 0;
%元素4
Mass4_max= 0.077;
Mass4_min= 0;
%元素5
Mass5_max= 0.1;
Mass5_min= 0;
%优化算法参数
%优化算法参数
%迭代次数
Iteration_all = 1;
Iteration_sub = 10000;
%粒子数目
Num_x = 200;
%密度
P = 2.1;
%计算各个模块的质量,单位t
%注意,本课题一个堆中有个四个形状的模块,即三角形,三种梯形,所以我们根据长宽高以及对应的形状计算体积,从而计算质量
A_Vulome = func_cal_volume(A_VUM);
B_Vulome = func_cal_volume(B_VUM);
C_Vulome = func_cal_volume(C_VUM);
%计算每个采集堆的各个模块的质量
A_mass = P*A_Vulome;
B_mass = P*B_Vulome;
C_mass = P*C_Vulome;
%以下根据实际轨迹上的堆的分布来设置
maxs_sets = [B_mass;C_mass;A_mass;A_mass;B_mass];
FAC_sets = [B_FAC;C_FAC;A_FAC;A_FAC;B_FAC];
%**************************************************************************
%**************************************************************************
%**********************************************************************************
%步骤三:开始优化运算
%步骤三:开始优化运算
X_pos{1} = B_POS(:,1);
Y_pos{1} = B_POS(:,2);
Z_pos{1} = B_POS(:,3);
X_pos{2} = C_POS(:,1);
Y_pos{2} = C_POS(:,2);
Z_pos{2} = C_POS(:,3);
X_pos{3} = A_POS(:,1);
Y_pos{3} = A_POS(:,2);
Z_pos{3} = A_POS(:,3);
X_pos{4} = A_POS(:,1);
Y_pos{4} = A_POS(:,2);
Z_pos{4} = A_POS(:,3);
X_pos{5} = B_POS(:,1);
Y_pos{5} = B_POS(:,2);
Z_pos{5} = B_POS(:,3);
%先通过PSO优化需求模型
for Num_pso = 4:40%这里没有必要设置太大,设置大了需求量肯定会超过60000,因此,这个值得大小根据需求量来确定,大概范围即可
Num_pso
x = zeros(Num_x,Num_pso);
i = 0;
%产生能够满足采集规则的随机粒子数据
for jj = 1:Num_x
%产生随机数的时候,必须是先采集第一层,然后才采集第二层,依次类推
%第1层
index1 = [1:10,41:50,81:90,121:130,161:170];
%第2层
index2 = [1:10,41:50,81:90,121:130,161:170]+10;
%第3层
index3 = [1:10,41:50,81:90,121:130,161:170]+20;
%第4层
index4 = [1:10,41:50,81:90,121:130,161:170]+30;
%根据采集规则产生随机数
%根据采集规则产生随机数
%根据采集规则产生随机数
index = [index1;index2;index3;index4];
i = 0;
while i < Num_pso
i = i + 1;
if i> 1
for j = 1:50;
index(IS(j),ind(1)) = 9999;
end
end
for j = 1:50;
[VS,IS(j)] = min(index(:,j));
tmps(1,j) = index(IS(j),j);
end
ind = randperm(40);
a(i) = tmps(ind(1));
if a(i) == 9999
i = i-1;
end
end
x(jj,:) = a;
end
n = Num_pso;
F = fitness_mass(x,maxs_sets,Mass_all);
Fitness_tmps1 = F(1);
Fitness_tmps2 = 1;
for i=1:Num_x
if Fitness_tmps1 >= F(i)
Fitness_tmps1 = F(i);
Fitness_tmps2 = i;
end
end
xuhao = Fitness_tmps2;
Tour_pbest = x; %当前个体最优
Tour_gbest = x(xuhao,:) ; %当前全局最优路径
Pb = inf*ones(1,Num_x); %个体最优记录
Gb = F(Fitness_tmps2); %群体最优记录
xnew1 = x;
N = 1;
while N <= Iteration_sub
%计算适应度
F = fitness_mass(x,maxs_sets,Mass_all);
for i=1:Num_x
if F(i)<Pb(i)
%将当前值赋给新的最佳值
Pb(i)=F(i);
Tour_pbest(i,:)=x(i,:);
end
if F(i)<Gb
Gb=F(i);
Tour_gbest=x(i,:);
end
end
Fitness_tmps1 = Pb(1);
Fitness_tmps2 = 1;
for i=1:Num_x
if Fitness_tmps1>=Pb(i)
Fitness_tmps1=Pb(i);
Fitness_tmps2=i;
end
end
nummin = Fitness_tmps2;
%当前群体最优需求量差
Gb(N) = Pb(nummin);
for i=1:Num_x
%与个体最优进行交叉
c1 = round(rand*(n-2))+1;
c2 = round(rand*(n-2))+1;
while c1==c2
c1 = round(rand*(n-2))+1;
c2 = round(rand*(n-2))+1;
end
chb1 = min(c1,c2);
chb2 = max(c1,c2);
cros = Tour_pbest(i,chb1:chb2);
%交叉区域元素个数
ncros= size(cros,2);
%删除与交叉区域相同元素
for j=1:ncros
for k=1:n
if xnew1(i,k)==cros(j)
xnew1(i,k)=0;
for t=1:n-k
temp=xnew1(i,k+t-1);
xnew1(i,k+t-1)=xnew1(i,k+t);
xnew1(i,k+t)=temp;
end
end
end
end
xnew = xnew1;
%插入交叉区域
for j=1:ncros
xnew1(i,n-ncros+j) = cros(j);
end
%判断产生需求量差是否变小
masses=0;
masses = sum(maxs_sets(xnew1(i,:)));
if F(i)>masses
x(i,:) = xnew1(i,:);
end
%与全体最优进行交叉
c1 = round(rand*(n-2))+1;
c2 = round(rand*(n-2))+1;
while c1==c2
c1=round(rand*(n-2))+1;
c2=round(rand*(n-2))+1;
end
chb1 = min(c1,c2);
chb2 = max(c1,c2);
%交叉区域矩阵
cros = Tour_gbest(chb1:chb2);
%交叉区域元素个数
ncros= size(cros,2);
%删除与交叉区域相同元素
for j=1:ncros
for k=1:n
if xnew1(i,k)==cros(j)
xnew1(i,k)=0;
for t=1:n-k
temp=xnew1(i,k+t-1);
xnew1(i,k+t-1)=xnew1(i,k+t);
xnew1(i,k+t)=temp;
end
end
end
end
xnew = xnew1;
%插入交叉区域
for j=1:ncros
xnew1(i,n-ncros+j) = cros(j);
end
%判断产生需求量差是否变小
masses=0;
masses = sum(maxs_sets(xnew1(i,:)));
if F(i)>masses
x(i,:)=xnew1(i,:);
end
%进行变异操作
c1 = round(rand*(n-1))+1;
c2 = round(rand*(n-1))+1;
temp = xnew1(i,c1);
xnew1(i,c1) = xnew1(i,c2);
xnew1(i,c2) = temp;
%判断产生需求量差是否变小
masses=0;
masses = sum(maxs_sets(xnew1(i,:)));
if F(i)>masses
x(i,:)=xnew1(i,:);
end
end
Fitness_tmps1=F(1);
Fitness_tmps2=1;
for i=1:Num_x
if Fitness_tmps1>=F(i)
Fitness_tmps1=F(i);
Fitness_tmps2=i;
end
end
xuhao = Fitness_tmps2;
L_best(N) = min(F);
%当前全局最优需求量
Tour_gbest = x(xuhao,:);
N = N + 1;
end
%判断含量是否满足要求
for ii = 1:5
Fac_tmps(ii) = sum(FAC_sets(Tour_gbest,ii)'.*maxs_sets(Tour_gbest))/sum(maxs_sets(Tour_gbest));
end
if (Fac_tmps(1) >= Mass1_min & Fac_tmps(1) <= Mass1_max) &...
(Fac_tmps(2) >= Mass2_min & Fac_tmps(2) <= Mass2_max) &...
(Fac_tmps(3) >= Mass3_min & Fac_tmps(3) <= Mass3_max) &...
(Fac_tmps(4) >= Mass4_min & Fac_tmps(4) <= Mass4_max) &...
(Fac_tmps(5) >= Mass5_min & Fac_tmps(5) <= Mass5_max)
flag(Num_pso-3) = 1;
else
flag(Num_pso-3) = 0;
end
Mass_fig(Num_pso-3) = min(L_best);
Mass_Index{Num_pso-3}= Tour_gbest ;
end
figure;
plot(Mass_fig,'b-o');
xlabel('采集模块个数');
ylabel('需求量计算值和标准需求量的差值关系图');
save temp\result1.mat Mass_fig Mass_Index flag
4.操作手順とシミュレーションの結論
まず、プログラムrun_first.mを実行して、 59999〜60001の需要を持つ取得の組み合わせについてすべての取得方法を検索します。シミュレーション結果を保存します。
このステップのシミュレーション結果は次のとおりです。
このステップにより、取得ルールと要素の内容を満たし、需要を満たすモジュールセットが最適化され、次にrun_second.mが実行されて軌道が最適化されます。
最終的に最適化されたデメリット、つまり、条件下での最短の軌道長が得られます。
5.参考文献
A06-10
6.完全なソースコードを入手する方法
方法1:WeChatまたはQQ経由でブロガーに連絡する
方法2:MATLAB / FPGAチュートリアルを購読し、チュートリアルケースと2つの完全なソースコードを無料で入手します