目录

1.算法概述

2.部分程序

3.算法部分仿真结果图

4.完整程序获取

CSDN用户：我爱C编程
CSDN主页：https://blog.csdn.net/hlayumi1234567?type=blog
擅长技术：智能优化，路径规划，通信信号，图像处理，深度学习，控制器等。

1.算法概述

       有M个作业（运输任务），S个代理人，k种运输方式，n个节点（城市）。每个作业都有时间限制，由第四方物流对各作业、各代理人、各种运输方式进行整合。各作业在任意节点上可由任意代理人进行代理，即在各节点可进行代理人之间的代理转换；各作业在任意节点之间只可选择一种运输方式，代理人在节点之间的运输能力不同，根据不同运量提供的代理价格折扣不同。模型为求解出各作业的运输路线及在各节点上选择由哪个代理人选择哪种运输方式。

 成本分为四个部分：运输费用、代理人转换费用、运输方式转化费用和时间惩罚费用。

2.部分程序

..............................................................
%PSO
%x(s,k,m,i,j) = 1 表示作业m在节点i和节点j之间由代理人s采用k种运输方式代理；否则x(s,k,m,i,j)=0；
%r(s,l,m,i)   = 1 表示作业m在节点i由代理人s转换成代理人l；否则r(s,l,m,i)=0;
%R(k,v,m,i)   = 1 表示作业m在节点i由k种运输方式转换为v种运输方式，否则R(k,v,m,i)=0;
%由于算法较为复杂，这里无法直接将所有因素考虑，这里采用分级优化，即对性能影响最大的因素进行优化，再给予优化结果进行次级因素优化%确定路线
%确定路线
%确定路线
%初始化x，r，R,初始化的值是随便设置的
for i = 1:nfor j = 1:nif d(i,j) ~= 0 & d(i,j) ~= Fx(:,:,:,i,j) = 1; r(:,:,:,i)   = 1;R(:,:,:,i)   = 1;elsex(:,:,:,i,j) = 0; r(:,:,:,i)   = 0;R(:,:,:,i)   = 0;endend
endAll_cost = fitness(M,n,g,G,C,q,d,p,Z,T,LT,ET,R,r,x);%下面开始PSO优化
itmax               = 300;%进化代数，就是预设的迭代次数。
W(1)                = 0.729;% 粒子先前速度保持。惯性权重
a(1)                = 0.316;% 用于计算W。
c1                  = 2; %认知部分 加速系数
c2                  = 2; %社会部分 加速系数
xmax                = 1;
xmin                = 0;
ii                  = 1;
num_particle        = 100;
D                   = size(d,1);
particle            = zeros(2*num_particle,D,D,M,itmax); particle(:,:,:,:,1) = xmin+(xmax-xmin)*rand(2*num_particle,D,D,M); 
V(:,:,:,:,1)        = round((xmin-xmax)+2*(xmax-xmin)*rand(2*num_particle,D,D,M));fit                 = zeros(num_particle,itmax);% 用于存储粒子的适应值
pbest               = zeros(2*num_particle,D,D,M,itmax); % 用于存储粒子的位置x2                  = zeros(g,G,M,n,n,2*num_particle);for m = 1:Mfor i = 1:nfor j = 1:nfor nn = 1 : 2*num_particlex2(:,:,m,i,j,nn) = particle(nn,i,j,m,1);endend  end   
endx_tmp = zeros(g,G,M,n,n);
for nn = 1 : num_particlex_tmp     = x2(:,:,:,:,:,nn);fit(nn,1) = fitness(M,n,g,G,C,q,d,p,Z,T,LT,ET,R,r,x_tmp);
end%*********************************************************
pbest(:,:,:,:,1)   = particle(:,:,:,:,1);
pbest_value(:,1) = fit(:,1);  %个体最优值
[Cs,I]           = min(pbest_value(:,1));
gbest_value(1)   = Cs; % 群最优值for i=1:num_particlegbest(2*i-1:2*i,:,:,:,1)=particle(2*I-1:2*I,:,:,:,1);  %群最优粒子位置
endtmps = 0;
route = zeros(n,n,M,2*num_particle);
for ii=2:itmaxiiV(:,:,:,:,ii)        = 0.729*V(:,:,:,:,ii-1)+c1*rand*(pbest(:,:,:,:,ii-1)-particle(:,:,:,:,ii-1))+...c2*rand*(gbest(:,:,:,:,ii-1)-particle(:,:,:,:,ii-1));V(:,:,:,:,ii)        = min(V(:,:,:,:,ii),xmax-xmin);V(:,:,:,:,ii)        = max(V(:,:,:,:,ii),xmin-xmax);particle(:,:,:,:,ii) = particle(:,:,:,:,ii-1)+V(:,:,:,:,ii);particle(:,:,:,:,ii) = min(particle(:,:,:,:,ii),xmax);  particle(:,:,:,:,ii) = max(particle(:,:,:,:,ii),xmin); for m = 1:Mfor i = 1:nfor j = 1:nfor nn = 1 : 2*num_particleif d(i,j) > 0x2(:,:,m,i,j,nn) = double(particle(nn,i,j,m,ii)>0.5);%对于优化结果，只取0或者1elsex2(:,:,m,i,j,nn) = 0;%对于优化结果，只取0或者1 endendend  end  endfor m = 1:Mfor i = 1:nfor j = 1:nfor nn = 1 : 2*num_particleif d(i,j) > 0route(i,j,m,nn)    = particle(nn,i,j,m,ii);elseroute(i,j,m,nn)    = 0;endendend  end    endfor nn = 1 : num_particlex_tmp      = x2(:,:,:,:,:,nn);fit(:,ii)  = fitness(M,n,g,G,C,q,d,p,Z,T,LT,ET,R,r,x_tmp);end    %下面更新 pbest and pbest_value pbest_value(:,ii)=min(pbest_value(:,ii-1),fit(:,ii));for i=1:num_particleif pbest_value(i,ii) == fit(i,ii)   pbest(2*i-1:2*i,:,:,:,ii) = particle(2*i-1:2*i,:,:,:,ii);elsepbest(2*i-1:2*i,:,:,:,ii) = pbest(2*i-1:2*i,:,:,:,ii-1);endend........................................................

3.算法部分仿真结果图

 02-006m

4.完整程序获取

使用版本matlab2022a

解压密码：C+123456

获得方式1(面包多下载)：

获取方式2：

如果下载链接失效，加博主微信，或私信。