MATLAB遗传算法优化物流配送中心选址问题

1. 项目背景与核心价值

物流配送中心选址问题一直是供应链优化中的经典难题。传统方法如重心法、层次分析法等往往难以处理多约束条件下的复杂场景。遗传算法作为一种模拟自然进化过程的智能优化方法，特别适合解决这类NP难问题。我在实际物流系统优化项目中，曾多次遇到传统方法失效的情况，转而采用遗传算法后效果显著提升。

MATLAB作为工程计算领域的标杆工具，其强大的矩阵运算能力和丰富的优化工具箱，为遗传算法的实现提供了理想平台。特别是在处理物流网络中的大规模数据时，MATLAB的向量化运算优势尤为明显。这个项目将展示如何用MATLAB实现一个完整的遗传算法解决方案，解决实际物流选址问题。

2. 问题建模与算法设计

2.1 物流选址模型构建

典型的配送中心选址问题需要考虑以下要素：

• 客户点分布与需求量
• 候选选址点的固定成本
• 运输距离与单位运输成本
• 设施容量限制
• 服务响应时间约束

我们可以建立如下数学模型：

目标函数：
min Σ(固定成本) + Σ(运输成本×运输量)

约束条件：

1. 每个客户点只能由一个配送中心服务
2. 配送中心的服务量不超过其容量
3. 配送距离不超过最大服务半径
4. 必须选择至少K个配送中心

2.2 遗传算法设计要点

染色体编码方案：
采用二进制编码，每个基因位表示一个候选点是否被选中。例如有10个候选点，染色体"1001100010"表示选择第1、4、5、9号点。

适应度函数设计：
将目标函数取倒数作为适应度值，并加入惩罚项处理约束条件：

fitness = 1 / (总成本 + M×约束违反量)

其中M是足够大的惩罚系数。

3. MATLAB实现详解

3.1 基础数据结构

首先定义问题参数：

matlab复制% 客户点信息
customers = struct('x',[],'y',[],'demand',[]); 

% 候选点信息 
facilities = struct('x',[],'y',[],'fixedCost',[],'capacity',[]);

% 距离矩阵
distanceMatrix = zeros(length(facilities), length(customers));

3.2 遗传算法核心实现

matlab复制function [bestSolution, bestFitness] = gaLogistics()
    % 参数设置
    popSize = 100;       % 种群规模
    maxGen = 200;        % 最大迭代次数
    pc = 0.8;           % 交叉概率
    pm = 0.05;          % 变异概率