<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[nonety_Yu的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/nonety_Yu</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; nonety_Yu]]></copyright><item><title><![CDATA[遗传算法结解决31个客户点的CVRP问题（存在车辆容量和行驶距离限制-MATLAB，引用他人的思想）]]></title><link>https://blog.youkuaiyun.com/nonety_Yu/article/details/118804634</link><guid>https://blog.youkuaiyun.com/nonety_Yu/article/details/118804634</guid><author>nonety_Yu</author><pubDate>Fri, 16 Jul 2021 16:20:47 +0800</pubDate><description><![CDATA[引用链接
针对31个客户的配送问题
引用链接中的代码采用了基于距离加入客户节点的编码方式，之后的迭代采用的是正常的遗传算法的锦标赛选择、顺序交叉、单点变异操作。我又严格按照引用链接中的引用链接（俄罗斯套娃，哈哈哈）中想法，选择自身逆序、当前最优和全局最优作为可能的一个父代进行交叉，且没有变异操作。得到的结果如下：①得到最优解的概率较低②程序运行时间较长，大于1分钟。
下面是我按照上面引用链接中的引用链接（俄罗斯套娃，哈哈哈）中想法进行的matlab编程，即将他的程序从python翻译到matlab。而上面引]]></description><category></category></item><item><title><![CDATA[遗传算法解决7和12个客户点的配送问题（仅考虑车辆容量限制，没有行驶距离限制）]]></title><link>https://blog.youkuaiyun.com/nonety_Yu/article/details/118788003</link><guid>https://blog.youkuaiyun.com/nonety_Yu/article/details/118788003</guid><author>nonety_Yu</author><pubDate>Fri, 16 Jul 2021 11:18:57 +0800</pubDate><description><![CDATA[问题描述
①7个客户点（1-7）和配送中心（0）的序号、坐标及需求量如下
0	18	54	0
1	22	60	0.89
2	58	69	0.14
3	71	71	0.28
4	83	46	0.33
5	91	38	0.21
6	24	42	0.41
7	18	40	0.57
②12个客户点（1-12）和配送中心（0）的序号、坐标及需求量如下
0	81.5	41.5	0
1	87	37	1.2
2	75	53	1.7
3	85	52	1.5
4	89	41	1.4
5	77	58	1.7
6	76	45	1.]]></description><category></category></item><item><title><![CDATA[遗传算法结解决31个客户点的CVRP问题（存在车辆容量和行驶距离限制-MATLAB）]]></title><link>https://blog.youkuaiyun.com/nonety_Yu/article/details/118787178</link><guid>https://blog.youkuaiyun.com/nonety_Yu/article/details/118787178</guid><author>nonety_Yu</author><pubDate>Fri, 16 Jul 2021 10:59:23 +0800</pubDate><description><![CDATA[CVRP问题-31个客户点的车辆容量和行驶距离限制问题的GA解决方案
不同点与相同点
不同点：①上文链接中使用了Python进行编程计算，本文使用MATLAB编程；②上文使用了所谓的全局最优染色体、自身最优染色体及染色体本身的一定选择概率作为染色体的父代，本文使用了普遍的精英选择操作产生父代。
相同点：产生染色体编码时，先随机选择一个客户，再根据距离选择下一个距离最近的客户加入路径。
代码
①主函数main
% 问题：找到精确解的概率较低（但增加迭代次数后，得到次优解的概率较大）
%编码：自然数编码，先随机]]></description><category></category></item><item><title><![CDATA[遗传算法解决简单的路径优化问题]]></title><link>https://blog.youkuaiyun.com/nonety_Yu/article/details/118186291</link><guid>https://blog.youkuaiyun.com/nonety_Yu/article/details/118186291</guid><author>nonety_Yu</author><pubDate>Thu, 24 Jun 2021 13:44:52 +0800</pubDate><description><![CDATA[简单路径优化问题
以链接为例，下面是我的程序，请各位大佬斧正。
①主函数main
clear;
clc;
close all;

[N,D,Iter,Pm] = constant();

GA = zeros(N,D+1);


[Path,GA] = initialization(N,D,GA);

[GA,Path] = iteration(Iter,GA,Path,N,D,Pm);


[mincost,row] = min(Path(:,D+1));
[~,col] = max(Path(row,1]]></description><category></category></item><item><title><![CDATA[遗传算法初学习]]></title><link>https://blog.youkuaiyun.com/nonety_Yu/article/details/118033664</link><guid>https://blog.youkuaiyun.com/nonety_Yu/article/details/118033664</guid><author>nonety_Yu</author><pubDate>Fri, 18 Jun 2021 21:07:25 +0800</pubDate><description><![CDATA[引用：遗传算法思想原理讲解
优化算法之间主要的不同就在于迭代方式的不同；而同一个算法在使用中也有不同的选择。以遗传算法为例，选择父代染色体主要有轮盘赌和精英选择两种方式；交叉方式有部分匹配交叉和顺序交叉等方式；变异的操作也不尽相同。
我针对引用链接中的一元函数最大值问题，编写了算法程序，产生了一两个问题：①每次运行之后的解有一定的可能并不是最优解。且目前不知道问题如何解决？②我曾看到有交叉算子，这个何时需要用到？下面是我的程序，请各位大佬斧正。
①主函数main
clear ;
clc ;
close al]]></description><category></category></item><item><title><![CDATA[灰狼算法解决简单二元函数最小值问题]]></title><link>https://blog.youkuaiyun.com/nonety_Yu/article/details/117356036</link><guid>https://blog.youkuaiyun.com/nonety_Yu/article/details/117356036</guid><author>nonety_Yu</author><pubDate>Fri, 28 May 2021 12:27:21 +0800</pubDate><description><![CDATA[灰狼算法解决简单二元函数最小值问题原理引用小结对引用链接的小结粒子群、灰狼小结代码
原理引用
链接: https://blog.youkuaiyun.com/u011835903/article/details/107716390.
小结
对引用链接的小结

公式（1）（2）是灰狼算法模拟灰狼捕食的数学表示，但是在实际优化问题中，我们并不知道猎物（最优解）的位置，因此用α、β、δ三个较好的解来代替猎物的位置。所以最终代码中的数学模型是：

粒子群、灰狼小结
群智能体算法的相同点：①随机初始化可能解②其他解向初始解产生的]]></description><category></category></item></channel></rss>