💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

目录

📋1 概述

📝2 运行结果

📃3 参考文献

📋4 Matlab代码实现

📋1 概述

    本文利用遗传算法解决了卡车无人机串联或包裹递送操作（即UPS，FedEx）的旅行推销员问题的“最后一英里”问题。每辆卡车都携带一架无人机，该无人机从一个站点发射，将范围内的包裹运送到附近的站点，同时与卡车并行运行。卡车和无人机并行工作以运送包裹。无人机受到航程和容量的限制。因此，它必须作为操作在卡车附近运行。操作是指卡车发射无人机，卡车和无人机运送到不同的位置，然后卡车在会合地点回收无人机以进行电池更换和装载。这个想法是确定卡车和无人机（以及操作）的路线，以最大限度地减少总时间。总时间基于操作（启动-交付-恢复）的时间。操作（卡车或无人机）的最大时间用于计算路径的总时间。

📝2 运行结果

部分代码：

% Find the Best Route in the Population
        [minDist,index] = min(totalDist);
        distHistory(iter) = minDist;
        if minDist < globalMin
            globalMin  = minDist; 
            optPop2    = pop2(index,:);
            optPop1    = pop(index,:);
            if showprogress % gaph results
                
                tr_route = (optPop2==0).*optPop1;
                tr_route = tr_route(tr_route>0);
                tr_route = [tr_route tr_route(1)];
                if optPop2(n)==1
                   dr_route = [optPop1 optPop1(1) ];
                else
                   dr_route = [optPop1 ];
                end
                plot(xy(dr_route,1), xy(dr_route,2), 'k.--'); hold on;
                plot(xy(tr_route,1),  xy(tr_route,2),'ks-');  
                xlabel('x-coordinate (km)');
                ylabel('y-coordinate (km)');
                legend('drone','truck');
                 title(sprintf('Truck-1-drone time %1.1f',minDist)); 
                hold off;   
                drawnow;
            end  
        end
        
        % Genetic Algorithm Operators
        randomOrder = randperm(popSize);

        for p = 5:5:popSize
                % basically a random sampling in matrix format with a 
            rtes   = pop(randomOrder(p-4:p),:); 
      
            dists = totalDist(randomOrder(p-4:p));
                % what are the min distances?
            [~,idx] = min(dists); 
                % what is the best route
            bestOf5Route  = rtes(idx,:);
     
                % randomly select two route insertion points and sort
            routeInsertionPoints = sort(ceil(n*rand(1,2)));

                I = routeInsertionPoints(1); 
                J = routeInsertionPoints(2);

                
            for k = 1:5 % Mutate the Best row (dist) to get Three New Routes and orig.
                % a small matrix of 4 rows of best time
                tmpPop(k,:)  = bestOf5Route;
        
                switch k
                       % flip two of the cities and cities between
                    case 2 % Flip
                           tmpPop(k,I:J) = tmpPop(k,J:-1:I);
                            
                    case 3 % Swap
                           tmpPop(k,[I J]) = tmpPop(k,[J I]);
                    case 4 % Slide segment 
                           tmpPop(k,I:J) = tmpPop(k,[I+1:J I]); 
%                            tmpPop2(k,I2)=flag;
                    case 5 % increment sequence one space 
                            tmpPop(k,1:end) = tmpPop(k,[2:end 1]);

                    otherwise % Do Nothing
                end
            end
             % using the original population, create a new population
            newPop(p-4:p,:) = tmpPop; 
        end
        pop = newPop;  % update entire populations with mutations 

 end
 res=[optPop2;
      optPop1]
end

📃3 参考文献

[1]黄书召,田军委,乔路,王沁,苏宇.基于改进遗传算法的无人机路径规划[J].计算机应用,2021,41(02):390-397.

📋4 Matlab代码实现