用MATLAB写一个灰狼算法解决VRP问题的代码

以下是一个用MATLAB实现灰狼算法解决VRP问题的简单示例代码:

% VRP问题的数据
num_cities = 20; % 客户数量
num_vehicles = 5; % 车辆数量
capacity = [50, 40, 30, 20, 10]; % 车辆容量
demand = randi([10, 20], [1, num_cities]); % 客户需求
distances = randi([1, 10], [num_cities+1, num_cities+1]); % 客户之间的距离矩阵（包括仓库）

% 灰狼算法参数设置
num_wolves = 10;
max_iter = 100;
alpha = 0.5;
beta = 0.8;

% 初始化灰狼位置
wolves = zeros(num_wolves, num_cities);
for i = 1:num_wolves
    for j = 1:num_vehicles
        idx = randperm(num_cities, num_cities/capacity(j));
        wolves(i, idx) = j;
    end
end

% 迭代优化
for iter = 1:max_iter
    % 计算灰狼适应度
    fitness = zeros(num_wolves, 1);
    for i = 1:num_wolves
        fitness(i) = vrp_fitness(wolves(i,:), demand, distances, capacity);
    end
    
    % 更新alpha, beta, delta狼的位置
    [~, idx] = min(fitness);
    delta_wolf = wolves(idx, :);
    for i = 1:num_wolves
        a = alpha * (2 * rand() - 1);
        c = beta * rand();
        D = abs(c * delta_wolf - wolves(i,:));
        new_pos = delta_wolf - a .* D;
        
        % 限制新位置的可行性
        for j = 1:num_vehicles
            idx = find(new_pos == j);
            if sum(demand(idx)) > capacity(j)
                [~, min_idx] = min(demand(idx));
                new_pos(idx(min_idx)) = 0;
            end
        end
        
        % 更新灰狼位置
        wolves(i,:) = new_pos;
    end
end

% 输出最优解
[~, idx] = min(fitness);
opt_route = wolves(idx, :);
disp(opt_route);

其中，`vrp_fitness`函数用来计算VRP问题的适应度，具体实现可根据需要自行编写。

需要注意的是，该代码仅作为示例，实际使用时需要根据具体问题进行适当的修改和调整，以达到更好的性能和效果。