1、NP 難題,很難精確求解。目前的求,如 NF(NextFit)近似算法、 NP 難題,很難精確求解。目前的求,如 NF(NextFit)近似算法、 FF(FirstFit)近似算法、Matlab 環(huán)境下進(jìn)行實(shí)現(xiàn)。,對(duì)一,需本文考慮待裝箱子的空間利u 為裝箱方案從計(jì)算復(fù)雜性理論來(lái)講 ,裝箱問(wèn)題是一個(gè)解方法主要是一些近似算法FFD(FirstFitDecreasing)近似算法等。近似算法的求解結(jié)果與物品的體積數(shù)據(jù)有較大關(guān)系,有時(shí)在極端情況下的求解結(jié)果很不理想。本文以三維離線裝箱問(wèn)題為研究對(duì)象， 利用遺傳算法和模擬退火算法集成的思路對(duì)該問(wèn)題進(jìn)行求解，并編寫(xiě)程序代碼在1、 問(wèn)題描述假設(shè)有一批待裝貨物

2、 ,它們有多種貨物種類 ,每種貨物的尺寸重量是不同的尺寸己知的集裝箱進(jìn)行裝載。這里所面臨的問(wèn)題是在滿足一定約束的條件下要找到一種裝箱方案進(jìn)行裝載 ,能夠得到一種最佳的裝載效果 ,這里指的是空間容積率最高或者載重利用率達(dá)到最高。2、 優(yōu)化模型優(yōu)化模型中的目標(biāo)函數(shù)值可以評(píng)價(jià)裝箱方案的優(yōu)劣，用率最大以及所使用箱子數(shù)目最小，目標(biāo)函數(shù)規(guī)定為：其中：m 為所使用的箱子數(shù)目，Cmax為一個(gè)足夠大的常數(shù)，在本文中取為 1000，以保證 Cmax/m 為大于 1 的正數(shù)，后一項(xiàng)為箱子的空間利用率，違背約束條件時(shí)的處罰值。注：幫人代寫(xiě) matlab 程序，有問(wèn)題請(qǐng)咨詢 qq：778961303 部分代碼如下：Us

3、e: 輸入變量（可修改量）：Cargo：貨物的屬性order：要求貨物的裝載次序輸出：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; % 貨物數(shù)寬度（m）%所使用的箱子數(shù)參數(shù)遺傳模擬退火算法主程序Box：箱子的屬性bestLoadOrder:具體裝箱Use: 輸入變量（可修改量）：Cargo：貨物的屬性order：要求貨物的裝載次序輸出：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; % 貨物數(shù)寬度（m）%所使用的箱子數(shù)參數(shù)遺傳模擬退火算法主程序Box：箱子的屬性bestLoadOrder:具體裝箱怡寶 2號(hào)高度（m）體積（m3）重量（kg）數(shù)量% % % % % % % clc; clear; close all; tic % 數(shù)據(jù)錄入% B

6、ox=2.33 1.78 2.197 5000; % 貨箱數(shù)據(jù) 長(zhǎng)，寬，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;. % % % % % 據(jù)%長(zhǎng)度（m）order=6,3,11,7,8,5,1,2,4,9,10,12; cmax=300; % save Box Box % save Cargo Cargo % toc % 模擬退火參數(shù)tic % 初始溫度% 終止溫度% 各溫度下的迭代次數(shù)（鏈長(zhǎng)）%降溫速率%交叉概率% 初始溫度% 終止溫度% 各溫度下的迭代次數(shù)（鏈長(zhǎng)）%降溫速率%交叉概率%變

7、異概率%代溝% 待裝箱類別數(shù)%隨機(jī)產(chǎn)生一個(gè)裝箱順序Time %solve(1000Tend=1e-3; L=5; q=0.8; G=100; % 遺傳參數(shù)Pc=0.9; Pm=0.05; popsize=20; retain=10; GGAP=0.9; % 加載數(shù)據(jù)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; % 計(jì)算迭代的次數(shù)Time=ceil(double(solve(1000*(0.8)x=,num2str(Tend); %迭代計(jì)數(shù)%目標(biāo)值矩陣初始化%每代的最優(yōu)路線矩陣初始化%更新迭代次數(shù)*(0.8)x=1e-3)這樣也可以%迭代計(jì)數(shù)%目標(biāo)值矩陣初始化%每代的最優(yōu)路線矩陣初始化%更新迭代次數(shù)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); % 變異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 % 產(chǎn)生新解for j=1:(popsize-retain) newchrom(j,:)=randperm(N); else %則原種群和解不變 ,即不接受模擬else %則原種群和解不變 ,即不接受模擬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(