建筑工地的水泥分配和料场选址问题(Cplex求解线性规划模型+粒子群搜索算法)【Java实现】

问题

建筑工地的水泥分配和料场选址问题(Cplex求解线性规划模型+粒子群搜索算法)【Java实现】_第1张图片

问题一求解

求解思路

该问题可以直接建立一个线性规划模型,然后使用cplex求解器来求解

模型

决策变量

x i j :第 i 个料场向第 j 个工地运送的水泥吨数,其中 1 ≪ i ≪ m ; 1 ≪ j ≪ n 其中 x i j 的取值范围是 [ 0 , d j ] ,即供给工地的吨数要小于等于工地的需求量 x_{ij}:第i个料场向第j个工地运送的水泥吨数,其中1\ll i\ll m; 1\ll j\ll n \\ 其中x_{ij}的取值范围是[0,d_j],即供给工地的吨数要小于等于工地的需求量 xij:第i个料场向第j个工地运送的水泥吨数,其中1im1jn其中xij的取值范围是[0,dj],即供给工地的吨数要小于等于工地的需求量

目标函数

o b j : m i n   z = x i j p i j    ∀ i , j 其中 p i j 指的是第 i 个料场到第 j 个工地之间的距离 obj: min\ z=x_{ij}p_{ij}\ \ \forall i,j \\ 其中p_{ij}指的是第i个料场到第j个工地之间的距离 obj:min z=xijpij  i,j其中pij指的是第i个料场到第j个工地之间的距离

约束

约束 1 :任意料场运出的水泥总量不能超出日储量 ∑ j = 1 n x i j ≪ 20    ∀ i 约束 2 :每个工地收到的水泥量等于自己的需求量 ∑ i = 1 m x i j = d j    ∀ j 约束1:任意料场运出的水泥总量不能超出日储量\\ \sum_{j=1}^n{x_{ij}\ll 20\ \ \forall i}\\ 约束2:每个工地收到的水泥量等于自己的需求量\\ \sum_{i=1}^m{x_{ij}=d_j\ \ \forall j} 约束1:任意料场运出的水泥总量不能超出日储量j=1nxij20  i约束2:每个工地收到的水泥量等于自己的需求量i=1mxij=dj  j

代码实现

【存储结果的类】

package com.dam.intelligentWorkshopTrain.supply_of_raw_materials;

import lombok.Data;

/**
 * @Author dam
 * @create 2023/8/15 20:32
 */
@Data
public class Solution {
    /**
     * 目标函数值
     */
    private double objectValue;
    /**
     * 料场i 向 料场j 运输的吨数
     */
    private double[][] xArr;
}

【问题一模型求解主类】

package com.dam.intelligentWorkshopTrain.supply_of_raw_materials;

import ilog.concert.*;
import ilog.cplex.IloCplex;

/**
 * @Author dam
 * @create 2023/8/15 17:29
 */
public class Question1 {

    public static void main(String[] args) throws IloException {
         声明变量
        // 各个工地的坐标位置
        double[][] constructionSitePositionArr = {
                {1.25, 1.25},
                {8.75, 0.75},
                {0.5, 4.75},
                {5.75, 5},
                {3, 6.5},
                {7.25, 7.75}
        };
        // 各个工地的需求量
        double[] demandArr = {3, 5, 4, 7, 6, 11};
        // 各个料场的坐标位置
        double[][] materialYardPositionArr = {
                {5, 1},
                {2, 7}
        };
        // 每个料场的水泥储量
        double[] totalArr = {20, 20};

        IloCplex cplex = new IloCplex();
        Solution solution = cplexSolve(cplex, constructionSitePositionArr, demandArr, materialYardPositionArr, totalArr);
        // 问题求解完成,释放cplex资源
        cplex.end();

        System.out.println("目标函数:" + solution.getObjectValue());
        for (int j = 0; j < solution.getXArr()[0].length; j++) {
            for (int i = 0; i < solution.getXArr().length; i++) {
                double value = solution.getXArr()[i][j];
                if (value > 0) {
                    System.out.println("料场" + (i + 1) + "分配给工地" + (j + 1) + "的吨数是:" + value);
                }
            }
        }
    }

    /**
     * cplex求解模型
     *
     * @param constructionSitePositionArr
     * @param demandArr
     * @param materialYardPositionArr
     * @param totalArr
     * @return
     * @throws IloException
     */
    public static Solution cplexSolve(IloCplex cplex, double[][] constructionSitePositionArr, double[] demandArr, double[][] materialYardPositionArr, double[] totalArr) throws IloException {
        // 存储求解结果
        Solution solution = new Solution();

         建立模型
        /// 决策变量
        // 料场i 向 料场j 运输的吨数
        IloNumVar[][] xArr = new IloNumVar[materialYardPositionArr.length][constructionSitePositionArr.length];
        for (int i = 0; i < xArr.length; i++) {
            for (int j = 0; j < xArr[0].length; j++) {
                // 最大不超过需求量
                xArr[i][j] = cplex.numVar(0, demandArr[j]);
            }
        }

        /// 添加目标函数:最小化运输费用,即最小化吨千米数
        IloLinearNumExpr iloLinearNumExpr = cplex.linearNumExpr();
        for (int i = 0; i < xArr.length; i++) {
            for (int j = 0; j < xArr[0].length; j++) {
                iloLinearNumExpr.addTerm(Question1.getDistance(materialYardPositionArr[i], constructionSitePositionArr[j]), xArr[i][j]);
            }
        }
        cplex.addMinimize(iloLinearNumExpr);

        /// 添加约束
        // 约束1:每个工地收到的量等于自己的需求量
        for (int j = 0; j < demandArr.length; j++) {
            IloLinearNumExpr iloNumExpr = cplex.linearNumExpr();
            for (int i = 0; i < materialYardPositionArr.length; i++) {
                iloNumExpr.addTerm(xArr[i][j], 1);
            }
            cplex.addEq(iloNumExpr, demandArr[j]);
        }
        // 约束2:每个料场给工地所提供的水泥总量小于等于料场总量
        for (int i = 0; i < totalArr.length; i++) {
            IloLinearNumExpr iloNumExpr = cplex.linearNumExpr();
            for (int j = 0; j < constructionSitePositionArr.length; j++) {
                iloNumExpr.addTerm(xArr[i][j], 1);
            }
            cplex.addLe(iloNumExpr, totalArr[i]);
        }

        /// 模型求解
        // 让cplex不要输出一些奇怪的东西,可以注释掉来看看效果
        cplex.setOut(null);
        if (cplex.solve()) {
            solution.setObjectValue(cplex.getObjValue());
            solution.setXArr(new double[xArr.length][xArr[0].length]);
            for (int j = 0; j < xArr[0].length; j++) {
                for (int i = 0; i < xArr.length; i++) {
                    double value = cplex.getValue(xArr[i][j]);
                    solution.getXArr()[i][j] = value;
                }
            }
        }
        // 清除模型,方便重复使用同一个cplex
        cplex.clearModel();
        return solution;
    }

    /**
     * 获取两个位置之间的距离
     *
     * @param position1
     * @param position2
     * @return
     */
    private static double getDistance(double[] position1, double[] position2) {
        return Math.sqrt(Math.pow(position1[0] - position2[0], 2) + Math.pow(position1[1] - position2[1], 2));
    }

}

【运行结果】

目标函数:136.22751988318154
料场1分配给工地1的吨数是:3.0
料场1分配给工地2的吨数是:5.0
料场2分配给工地3的吨数是:4.0
料场1分配给工地4的吨数是:7.0
料场2分配给工地5的吨数是:6.0
料场1分配给工地6的吨数是:1.0
料场2分配给工地6的吨数是:10.0

Process finished with exit code 0

问题二求解

求解思路

如果直接使用建模的方式来求解,可以将两个料场的位置定为决策变量,即只需要修改上面的目标函数并增加决策变量,但是这样子建立的模型是非线性的,使用cplex无法求解,不过当然是可以使用其他工具来求解的,比如Matlab。

我这里是使用java语言来实现的,因此可以换一种方法来求解该问题,比如结合粒子群算法和上面的线性规划模型来求解。线性规划模型的作用是:给定料场的位置,可以求得料场给每个工地的供给量和总的目标函数值。而粒子群算法可以用来搜索料场的位置,将料场的位置定义为每个粒子的位置即可,在搜索的过程中,粒子每到一个新的位置,就可以调用模型来求解获得目标函数值,以此可以判断粒子的好坏。

代码实现

【克隆工具类】

因为在搜索的过程中,需要不断记录最优的料场位置,而本文的料场位置是使用二维数组来记录的(当然也可以使用一维数组,一维数组的代码实现更加方便,但是我个人觉得二维数组可以更好地理解),二维数组的clone方法不能直接使用,因此需要自己实现一个克隆的方法

package com.dam.intelligentWorkshopTrain.supply_of_raw_materials.question2;

/**
 * 克隆工具类
 * @Author dam
 * @create 2023/8/16 10:10
 */
public class CloneUtil {
    /**
     * 二维数组克隆
     * @param oldArr
     * @return
     */
    public static double[][] twoDArrClone(double[][] oldArr) {
        double[][] newArr = new double[oldArr.length][oldArr[0].length];
        for (int i = 0; i < oldArr.length; i++) {
            newArr[i] = oldArr[i].clone();
        }
        return newArr;
    }
}

【粒子类】

每一个粒子需要保存一些个体信息,比如粒子当前所在位置、粒子速度、粒子曾经遍历到的历史最优解及其所在位置

初始化粒子的时候,需要设置粒子的位置,我这里直接让粒子随机在布局中的一个位置,这样可以让粒子群的粒子更加分散,找到质量较高的结果的概率更高

package com.dam.intelligentWorkshopTrain.supply_of_raw_materials.question2;

import lombok.Data;

import java.util.Arrays;
import java.util.Random;

/**
 * 粒子类
 *
 * @Author dam
 * @create 2023/8/15 20:40
 */
@Data
public class Particle {

    /**
     * 例子当前位置,即料场的位置
     */
    private double[][] materialYardPositionArr;
    /**
     * x轴方向上的速度
     */
    private double[] xVArr;
    /**
     * y轴方向上的速度
     */
    private double[] yVArr;
    /**
     * 该粒子找到的历史最优解
     */
    private double pBest;
    /**
     * 该粒子找到的历史最优解对应的位置
     */
    private double[][] bestMaterialYardPositionArr;

    public Particle(double xMin, double xMax, double yMin, double yMax, double xV, double yV, int materialYardNum, Random random) {
        this.xVArr = new double[materialYardNum];
        Arrays.fill(this.xVArr, xV);
        this.yVArr = new double[materialYardNum];
        Arrays.fill(this.yVArr, yV);

        // 初始化粒子信息,即初始化位置
        this.materialYardPositionArr = new double[materialYardNum][2];
        for (int i = 0; i < materialYardNum; i++) {
            this.materialYardPositionArr[i][0] = random.nextDouble() * (xMax - xMin) + xMin;
            this.materialYardPositionArr[i][1] = random.nextDouble() * (yMax - yMin) + yMin;
        }
    }


    /**
     * 设置最优解
     */
    public void setBest(double[][] materialYardPositionArr) {
        this.bestMaterialYardPositionArr = CloneUtil.twoDArrClone(materialYardPositionArr);
    }

}

【粒子群算法类】

该类为粒子群算法类,主要用来初始化粒子群,不断迭代来控制粒子的速度变化及位置变化,在迭代过程中不断更新所找到的最优解

因为整个搜索过程需要调用多次cplex求解器来求解模型,我这里做了一点小优化,并不是每次求解模型都new一个IloCplex对象出来,而是只new一个,后面反复清空重新使用

package com.dam.intelligentWorkshopTrain.supply_of_raw_materials.question2;


import com.dam.intelligentWorkshopTrain.supply_of_raw_materials.Question1;
import com.dam.intelligentWorkshopTrain.supply_of_raw_materials.Solution;
import ilog.concert.IloException;
import ilog.cplex.IloCplex;

import java.util.Arrays;
import java.util.Random;

/**
 * 非线性模型,无法求解
 *
 * @Author dam
 * @create 2023/8/15 19:59
 */
public class PsoApi {

    /**
     * 粒子数量
     */
    private int particleNum;
    /**
     * 个体学习因子,设置得越大,粒子越容易根据自己的想法飞行,若设置过大,容易跳出局部最优,但收敛较慢
     */
    private double c1;
    /**
     * 社会学习因子,设置得越大,粒子越容易根据群体的想法飞行,若设置过大,容易陷入局部最优,收敛较快
     */
    private double c2;
    /**
     * 速度最大值
     */
    private double vMax;
    /**
     * 速度的惯性权重
     */
    private double w;
    /**
     * 迭代次数
     */
    private int genMax;

    public PsoApi(int particleNum, double c1, double c2, double vMax, double w, int genMax) {
        this.particleNum = particleNum;
        this.c1 = c1;
        this.c2 = c2;
        this.vMax = vMax;
        this.w = w;
        this.genMax = genMax;
    }

    /**
     * 求解
     */
    public void solve(double[][] constructionSitePositionArr, double[] demandArr, double[] totalArr) throws IloException {
         变量声明
        // 存储粒子
        Particle[] particleArr;
        // 所有粒子找到的最优解(由于问题为最小化问题,设置初始最优值为较大的数)
        double globalBest = Double.MAX_VALUE;
        // 群体最优解对应的x和y
        double[][] bestMaterialYardPositionArr = null;
        // 随机数工具
        Random random = new Random();
        // cplex对象
        IloCplex cplex = new IloCplex();
        long start = System.currentTimeMillis();
        int materialYardNum = totalArr.length;

         初始化粒子
        // 根据工地找出最大最小坐标
        double xMin = Double.MAX_VALUE;
        double xMax = -Double.MAX_VALUE;
        double yMin = Double.MAX_VALUE;
        double yMax = -Double.MAX_VALUE;
        for (int i = 0; i < constructionSitePositionArr.length; i++) {
            double curX = constructionSitePositionArr[i][0];
            double curY = constructionSitePositionArr[i][1];
            xMin = Math.min(curX, xMin);
            xMax = Math.max(curX, xMax);
            yMin = Math.min(curY, yMin);
            yMax = Math.max(curY, yMax);
        }
        particleArr = new Particle[this.particleNum];
        for (int i = 0; i < particleArr.length; i++) {
            // 初始化粒子群,注意:这里设置每个粒子的速度一样,读者可以根据自己的喜爱进行设置
            // 初始化粒子的坐标和速度
            particleArr[i] = new Particle(xMin, xMax, yMin, yMax, 0.01, 0.01, materialYardNum, random);
            // 初始化粒子的函数值(粒子还没有开始飞,当前位置肯定是找到过的最优位置啦)
            particleArr[i].setBest(particleArr[i].getMaterialYardPositionArr());
            Solution solution = Question1.cplexSolve(cplex, constructionSitePositionArr, demandArr, particleArr[i].getMaterialYardPositionArr(), totalArr);
            particleArr[i].setPBest(solution.getObjectValue());
            // 由于问题为最小化问题,目标函数越小越好
            if (solution.getObjectValue() < globalBest) {
                bestMaterialYardPositionArr = CloneUtil.twoDArrClone(particleArr[i].getMaterialYardPositionArr());
                globalBest = solution.getObjectValue();
            }
        }

         开始求解
        for (int i = 0; i < this.genMax; i++) {
            // 对每个粒子进行操作
            for (int j = 0; j < this.particleNum; j++) {
                // 更新速度
                updateSpeed(particleArr, bestMaterialYardPositionArr, random, materialYardNum, j);

                // 更新位置
                updatePosition(materialYardNum, xMin, xMax, yMin, yMax, particleArr[j]);

                /// 更新粒子历史最优解和粒子全体最优解
                Solution solution = Question1.cplexSolve(cplex, constructionSitePositionArr, demandArr, particleArr[j].getMaterialYardPositionArr(), totalArr);
                if (solution.getObjectValue() < particleArr[j].getPBest()) {
                    particleArr[j].setBest(particleArr[j].getMaterialYardPositionArr());
                    particleArr[j].setPBest(solution.getObjectValue());
                }
                // 由于问题为最小化问题,目标函数越小越好
                if (solution.getObjectValue() < globalBest) {
                    bestMaterialYardPositionArr = CloneUtil.twoDArrClone(particleArr[j].getMaterialYardPositionArr());
                    globalBest = solution.getObjectValue();
                    System.out.println("当前最优解:" + globalBest);
                    System.out.println("料场最优坐标");
                    for (int w = 0; w < bestMaterialYardPositionArr.length; w++) {
                        System.out.println(Arrays.toString(bestMaterialYardPositionArr[w]));
                    }
                    System.out.println("当前是第" + (i + 1) + "代");
                    System.out.println();
                }
            }
        }

        // 问题求解完成,释放cplex资源
        cplex.end();
        // 输出保留6位小数
        System.out.println("---------------------------结果输出---------------------------");
        System.out.println("最优目标函数值:" + String.format("%.6f", globalBest));
        System.out.println("料场最优坐标");
        for (int i = 0; i < bestMaterialYardPositionArr.length; i++) {
            System.out.println(Arrays.toString(bestMaterialYardPositionArr[i]));
        }
        System.out.println("求解时间:" + (System.currentTimeMillis() - start) + "ms");

    }

    /**
     * 更新例子的位置
     * @param materialYardNum
     * @param xMin
     * @param xMax
     * @param yMin
     * @param yMax
     * @param particleArr
     */
    private void updatePosition(int materialYardNum, double xMin, double xMax, double yMin, double yMax, Particle particleArr) {
        for (int k = 0; k < materialYardNum; k++) {
            //todo 这部分的冗余代码比较多,读者可以想办法优化,比如将xVArr和yVArr合并为一个二维的数组,这样一个遍历就可以解决了
            
            double nextX = particleArr.getMaterialYardPositionArr()[k][0] + particleArr.getXVArr()[k];
            // 处理越界
            if (nextX > xMax) {
                nextX = xMax;
            } else if (nextX < xMin) {
                nextX = xMin;
            }
            particleArr.getMaterialYardPositionArr()[k][0] = nextX;

            double nextY = particleArr.getMaterialYardPositionArr()[k][1] + particleArr.getYVArr()[k];
            // 处理越界
            if (nextY > yMax) {
                nextY = yMax;
            } else if (nextY < yMin) {
                nextY = yMin;
            }
            particleArr.getMaterialYardPositionArr()[k][1] = nextY;
        }
    }

    /**
     * 更新粒子的速度
     * @param particleArr
     * @param bestMaterialYardPositionArr
     * @param random
     * @param materialYardNum
     * @param j
     */
    private void updateSpeed(Particle[] particleArr, double[][] bestMaterialYardPositionArr, Random random, int materialYardNum, int j) {
        for (int k = 0; k < materialYardNum; k++) {
            //todo 这部分的冗余代码比较多,读者可以想办法优化,比如将xVArr和yVArr合并为一个二维的数组,这样一个遍历就可以解决了
            
            // 更新x轴方向上的速度
            particleArr[j].getXVArr()[k] = this.w * particleArr[j].getXVArr()[k]
                    + this.c1 * random.nextDouble() * (particleArr[j].getBestMaterialYardPositionArr()[k][0] - particleArr[j].getMaterialYardPositionArr()[k][0])
                    + this.c2 * random.nextDouble() * (bestMaterialYardPositionArr[k][0] - particleArr[j].getMaterialYardPositionArr()[k][0]);
            // 处理x轴方向速度越界
            if (particleArr[j].getXVArr()[k] > this.vMax) {
                particleArr[j].getXVArr()[k] = this.vMax;
            } else if (particleArr[j].getXVArr()[k] < -this.vMax) {
                particleArr[j].getXVArr()[k] = -this.vMax;
            }

            // 更新y轴方向上的速度
            particleArr[j].getYVArr()[k] = this.w * particleArr[j].getYVArr()[k]
                    + this.c1 * random.nextDouble() * (particleArr[j].getBestMaterialYardPositionArr()[k][1] - particleArr[j].getMaterialYardPositionArr()[k][1])
                    + this.c2 * random.nextDouble() * (bestMaterialYardPositionArr[k][1] - particleArr[j].getMaterialYardPositionArr()[k][1]);
            // 处理y轴方向速度越界
            if (particleArr[j].getYVArr()[k] > this.vMax) {
                particleArr[j].getYVArr()[k] = this.vMax;
            } else if (particleArr[j].getYVArr()[k] < -this.vMax) {
                particleArr[j].getYVArr()[k] = -this.vMax;
            }
        }
    }

}

【主类】

该类主要用来声明数据,给粒子群算法设置参数,最后调用粒子群算法来对问题进行求解

package com.dam.intelligentWorkshopTrain.supply_of_raw_materials.question2;

import ilog.concert.IloException;

/**
 * @Author dam
 * @create 2023/8/15 21:24
 */
public class Question2_PSO {
    public static void main(String[] args) {
         声明变量
        // 各个工地的坐标位置
        double[][] constructionSitePositionArr = {
                {1.25, 1.25},
                {8.75, 0.75},
                {0.5, 4.75},
                {5.75, 5},
                {3, 6.5},
                {7.25, 7.75}
        };
        // 各个工地的需求量
        double[] demandArr = {3, 5, 4, 7, 6, 11};
        // 每个料场的水泥储量
        double[] totalArr = {20, 20};
        
        // 设置粒子群算法的参数
        PsoApi psoApi = new PsoApi(100, 0.05, 0.05, 5, 0.9, 100);
        try {
            // 调用粒子群算法
            psoApi.solve(constructionSitePositionArr, demandArr, totalArr);
        } catch (IloException e) {
            throw new RuntimeException(e);
        }

    }
}

【运行】

当前最优解:88.50017762115978
料场最优坐标
[6.995460835765463, 7.431965294573079]
[2.4232613334428765, 5.420225506839392]
当前是第1代

当前最优解:88.43200001652829
料场最优坐标
[7.003560835765462, 7.4400652945730785]
[2.4313613334428767, 5.428325506839392]
当前是第2代

当前最优解:88.37092613583344
料场最优坐标
[7.010850835765463, 7.447355294573079]
[2.4386513334428765, 5.435615506839392]
当前是第3代

当前最优解:88.31619438714196
料场最优坐标
[7.017411835765462, 7.453916294573078]
[2.4452123334428766, 5.442176506839392]
当前是第4代

当前最优解:88.26712846008976
料场最优坐标
[7.023316735765462, 7.459821194573078]
[2.4511172334428766, 5.448081406839392]
当前是第5代

当前最优解:88.22312716663495
料场最优坐标
[7.028631145765463, 7.465135604573079]
[2.4564316434428766, 5.453395816839392]
当前是第6代

当前最优解:88.1836555959095
料场最优坐标
[7.0334141147654625, 7.469918573573079]
[2.4612146124428764, 5.458178785839392]
当前是第7代

当前最优解:88.14823739455572
料场最优坐标
[7.0377187868654625, 7.474223245673079]
[2.4655192845428764, 5.462483457939392]
当前是第8代

当前最优解:87.87110543103842
料场最优坐标
[7.37221941415926, 7.472158486930282]
[3.744400991411965, 5.193926703167144]
当前是第9代

当前最优解:86.94994195734931
料场最优坐标
[7.1143623064881805, 7.627892453016968]
[3.4019200051871716, 5.430391345444132]
当前是第10代

当前最优解:86.23975720549879
料场最优坐标
[7.324184226794703, 7.663656711228883]
[3.012995154097673, 5.642541692214598]
当前是第11代

当前最优解:86.23745998092613
料场最优坐标
[7.236137326506472, 7.75]
[2.804696509875521, 5.792557866752227]
当前是第13代

当前最优解:85.79420546873902
料场最优坐标
[7.277291908434675, 7.75]
[3.042386487841036, 5.490155588705559]
当前是第13代

当前最优解:85.7401223802724
料场最优坐标
[7.252795182230648, 7.75]
[2.9139246554783913, 5.622177963512921]
当前是第15代

当前最优解:85.71122420252955
料场最优坐标
[7.2226019632563165, 7.75]
[3.2656022819683046, 5.871079972622107]
当前是第19代

当前最优解:85.49458063165437
料场最优坐标
[7.245769701653424, 7.75]
[3.2946251539561096, 5.904325759516212]
当前是第20代

当前最优解:85.4509241798177
料场最优坐标
[7.264671022225204, 7.75]
[3.3014973294756103, 5.749172090266563]
当前是第25代

当前最优解:85.383103191951
料场最优坐标
[7.258010737754079, 7.75]
[3.340243912257952, 5.695326263970876]
当前是第25代

当前最优解:85.37611196230958
料场最优坐标
[7.260859212787864, 7.75]
[3.2305121221006603, 5.668446593189184]
当前是第28代

当前最优解:85.37028591165853
料场最优坐标
[7.2536923453472015, 7.75]
[3.376598914930889, 5.6973535637469315]
当前是第29代

当前最优解:85.32396377315396
料场最优坐标
[7.252168191046689, 7.75]
[3.1676286576076826, 5.760573217144864]
当前是第29代

当前最优解:85.30131868341802
料场最优坐标
[7.249047625903025, 7.75]
[3.20787665106796, 5.760005370791448]
当前是第31代

当前最优解:85.27628292994825
料场最优坐标
[7.250787629818613, 7.75]
[3.263808468189787, 5.679476503001795]
当前是第41代

当前最优解:85.27025155292363
料场最优坐标
[7.249905732152565, 7.75]
[3.268868570723304, 5.679396795227463]
当前是第45代

当前最优解:85.26812668241098
料场最优坐标
[7.250191427294184, 7.75]
[3.2498860087141708, 5.661247085205052]
当前是第57代

当前最优解:85.26657211227986
料场最优坐标
[7.249971762881258, 7.75]
[3.24862404799676, 5.660537597317892]
当前是第71代

当前最优解:85.26646536552198
料场最优坐标
[7.250041161365652, 7.75]
[3.252702374447127, 5.653289733955173]
当前是第90代

当前最优解:85.2662612100008
料场最优坐标
[7.250020608545754, 7.75]
[3.2528207689360498, 5.654146585813984]
当前是第91代

当前最优解:85.26608067383026
料场最优坐标
[7.250002111007846, 7.75]
[3.2529273239760803, 5.654917752486913]
当前是第92---------------------------结果输出---------------------------
最优目标函数值:85.266081
料场最优坐标
[7.250002111007846, 7.75]
[3.2529273239760803, 5.654917752486913]
求解时间:956ms

Process finished with exit code 0

你可能感兴趣的:(智能优化算法,java,开发语言,Cplex,粒子群算法,PSO)