《表1 不同布局的行驶距离分析》
由于0-1规划模型和CVRP模型都是NP难题,遗传算法的每次求解不一定能获得最优解.最优解即为保证每台移动机器人不超载的情况下,保证全体移动机器人的走过总路径最短.在遗传算法参数是本算法中,设置最大迭代次数为Max=1 000,种群大小pop=40,交叉概率p=0.4,变异概率q=0.8,S0=100,Si在(10,20)上均匀分布,即Si~U(10,20).在每种布局的条件完成1 000次随机的工作任务,获得结果如图4所示.实验结果可见,GA-M-CVRP算法比文[3]提出的GA-CVRP算法效果要好得多.随着布局规模的增加,两种算法的非最优率有所提高,但是GA-M-CVRP在7×7提取点布局以内的非最优率接近为0%,到了10×10布局非最优率超过10%,而GA-CVRP所得的非最优率几乎与布局规模的增大成正比.采用GA-M-CVRP算法后的平均减少行驶距离如表1所示,在不同的布局下,本算法比GA-CVRP获得的平均行驶距离有不同程度的减少,特别是随着提货点数量的增大,算法平均减少行驶距离越多,可见本算法是有效的.
图表编号 | XD00220827800 严禁用于非法目的 |
---|---|
绘制时间 | 2020.10.20 |
作者 | 郑誉煌、卜国富、聂永怡 |
绘制单位 | 广东第二师范学院教务处、广东第二师范学院物理与信息工程系、广东第二师范学院物理与信息工程系 |
更多格式 | 高清、无水印(增值服务) |