灾害发生后的关键救援期内，应急物资有限且受灾点对应急物资的需求具有不确定性。为提高应急物流工作效率，需对应急资源分配和运输车辆路径进行统一优化决策。针对救援关键期内应急物资可能供应不足的特点，在假设物资需求为随机服从正态分布的前提下，以最小化供应不足和供应过量所带来的损失、运输成本和车辆使用成本等为优化目标，考虑服务时间窗和车辆装载能力等约束，建立了随机需求环境下应急物流车辆路径问题的优化模型，并基于遗传算法设计了模型的求解方法。算例分析表明，所提出的优化方法运算快捷且结果合理，可为相关决策者提供科学的决策依据。

利用蚁群算法求解车辆路径优化问题，实用的matlab代码

为了达到提升公路运输的效益，降低货运成本的目的，我们提出带时间窗的基于货物运输共享的路径优化模型

通过该模型求解带软时间窗的vrptw模型，得到车辆路径问题的最优解

本资源采用了改进的遗传算法，进行，具体改进如下： 与传统的交叉和变异的遗传方式不同，这里提出一种改进遗传操作。具体步骤是设定一个变异概率p ，如图1所示，先在染色体中随机选择一个点G1，如G1=34。产生一个随机小数，若小于p，则第二个点G2来自同一个个体的另外一个任意点，如G2=52，然后点G1和G2之间的部分被倒置；若随机小数大于p，则从种群中任意再选择一个个体，找出G1=34在该个体中，上一个位置的点，如下一个点G3=3，则回到原来的个体，点34到3之间被倒置。这种遗传的思路在于，它能尽量利用种群中获得的信息，来指引个体的变异或者导致操作，最后使得遗传算子比较高效。

matlab解决路径优化代码gptp_multi_output 该工具包用于实现多元高斯过程回归（MV-GPR）和多元Student-t过程回归（MV-TPR）。 设置 该工具包基于GPML MATLAB Code 3.6版。 您必须先在GPML 3.6中运行startup.m ，然后在此工具箱中运行add_path.m 。 代码结构 主要功能是gptp_general.m ，其依赖于四个功能在solver的文件夹。 解算器 这四个功能分别用于解决GPR，TPR，MV-GPR和MV-TPR。 gp_solve_gpml.m tp_solve_gpml.m mvgp_solve_gpml.m mvtp_solve_gpml.m 在里面 这些函数用于为相应的协方差函数生成初始超参数。 请注意以下初始化功能： Omega_init.m ， SE_init.m和nv_init.m （在TPR和MV-TPR中） 。 这些功能在最终结果中起着重要作用，如果您想获得可观的结果，请使用培训数据根据您自己的专家意见使用您自己的功能。 如果您自己编写一个新的，请不要忘记用相应的内核初始化函数替换SE_in

公交车最佳乘车路径优化算法.pdf

粒子群算法是进化算法中比较不多的算法之一，该算法用于众多领域。这里采用粒子群算法来优化TSP最优路径，以路径函数作为适应度函数进行优化。该代码赋有TSP城市之间的坐标位置，读者可根据修改城市坐标位置来进行自己的模拟测试

Modeling_and_Simulation2021 2021.4 建模与仿真 - 使用A*算法的最短路径优化设计 使用python实现 Author: GitHub@laorange 开源授权协议: AGPL-3.0 License 示例中， 地图大小为 100 × 100 × 100 起点为 (10, 10, 10) 终点为 (80, 80, 80) 障碍物设置为 if y < x - 30 or z < y - 30 or x < z - 30: print("这是障碍物") 效果图： 以上图片为浏览器打开demo.html的截图 4.13晚 更新 新增功能：2D/3D选择，路径模式/扫描模式 已解决了：死胡同会卡死的bug 未解决：死胡同拐出的拐角并非最短路径的问题

matlab船舶路径优化仿真（研究生难度）模型+代码 常用变量符号说明： trial：循环实验 (每一个主程序均包含7组实验数据) Ts：仿真步长(采样时间间隔) dcpa：两船最近会遇距离 tcpa：到达最近会遇距离所需要的时间 index：碰撞危险度 全局变量： scale： 全局变量赋初值（初始值放大或缩小） MAX_X： 全局变量赋初值（图形x轴坐标） MAX_Y： 全局变量赋初值（图形y轴坐标） v： 全局变量赋初值（os速度） rangeDetec：全局变量赋初值（os检测范围） 主程序包括： CrossGiveway：交叉会遇情况下避碰仿真 Headon： 对遇会遇情况下避碰仿真 Overtake： 追越会遇情况下避碰仿真 StaticObs： 静态障碍物情况下避碰仿真 子程序包括： arrow：箭头指示船移动方向 RiskAssess：风险评估