多物流配送中心路徑優(yōu)化問(wèn)題及其遺傳算法(文件)
【正文】 物流配送算法[J ] . 計(jì)算機(jī)工程,2005 ,31 (21) :192 194.[ 2 ] Skok M , Skrlec D , Krajcar S. The genetic algorithm methodfor multiple depot capacitated vehicle routing problem solving[ C]/ / The Fourth International Conference on Knowled ge based Intelligent Engineering Systems amp。這樣一來(lái)就加大了尋優(yōu)的難度，需要迭代更多的代數(shù)才能尋得最優(yōu)解或近似最優(yōu)解。（2）遺傳算法是模擬生物遺傳學(xué)的規(guī)律的算法，但是，在生物體內(nèi)的基因是存在無(wú)效基因的，而目前使用的遺傳算法編碼的基因都是有效的。路徑2：1，5，6，9，1；路徑3：2，4，7，2；路徑4：2，2，8，2），6次得到了問(wèn)題的近似最優(yōu)解，這種方法求解多物流配送中心路徑優(yōu)化問(wèn)題明顯的優(yōu)于把多個(gè)配送中心問(wèn)題通過(guò)任務(wù)分派轉(zhuǎn)化為單物流配送中心問(wèn)題求解。要求安排合理的配送路線，使得總的配送路徑最短。 終止準(zhǔn)則采用最佳個(gè)體保留指定代數(shù)的終止準(zhǔn)證，即若某個(gè)體在連續(xù)若干代都是最佳個(gè)體，說(shuō)明該個(gè)體是很好的個(gè)體，則停止操作?！〗徊娌僮鲗?duì)通過(guò)選擇操作產(chǎn)生的新群體,除排在第一位的最優(yōu)個(gè)體外,另ｍ 1 個(gè)個(gè)體要按交叉概率Pc 進(jìn)行配對(duì)交叉重組?！∵x擇操作。這種染色體結(jié)構(gòu)子路徑內(nèi)部是有序的，子路徑中需求點(diǎn)1和2交換位置，會(huì)使目標(biāo)函數(shù)值改變；而子路徑之間是無(wú)序的，若子路徑1和2交換位置，卻不會(huì)改變目標(biāo)函數(shù)值。這樣的染色體結(jié)構(gòu)可解釋為：（1） 從負(fù)數(shù)對(duì)應(yīng)的配送中心出發(fā)向緊接著該負(fù)數(shù)后面的若干個(gè)正數(shù)所對(duì)應(yīng)的需求點(diǎn)配送，再回到該配送中心，形成一條子路徑。3 遺傳算法設(shè)計(jì) 編碼方法的確定和初始種群的產(chǎn)生根據(jù)多物流配送中心路徑優(yōu)化問(wèn)題的特點(diǎn),作者提出了一種配送中心和需求點(diǎn)直接排列的編碼方法。 (4) 式表明每個(gè)客戶都得到配送服務(wù)。為了研究的方便且具有實(shí)際意義，做以下假設(shè)：(1) 每條配送路徑上各需求點(diǎn)的需求量之和不超過(guò)配送車的載重量；(2) 每個(gè)需求點(diǎn)都必須滿足，且只能由一輛配送車送貨。所謂無(wú)效基因就是在一次基因表達(dá)的過(guò)程中不作表達(dá)的基因。因此本文亦采用遺傳算法求解。由于配送路徑優(yōu)化問(wèn)題是一個(gè)NP 難題，因此，研究者大都使用啟發(fā)式算法和智能算法或者是在智能算法優(yōu)化過(guò)程中加入優(yōu)化策略以構(gòu)造混合智能算法來(lái)求解物流配送問(wèn)題。仿真實(shí)驗(yàn)證明了該方法的有效性和可操作性。本文提出了無(wú)效基因的概念，從而不局限于使得個(gè)體中每個(gè)基因都必須表達(dá)出來(lái)，因此增強(qiáng)了編碼的靈活性。近年來(lái)，國(guó)內(nèi)外學(xué)者對(duì)物流配送問(wèn)題進(jìn)行了大量的研究，這些研究主要集中在單物流配送中心的車輛調(diào)度及路徑安排方面。由于遺傳算法具有良好的全局尋優(yōu)性能，并且對(duì)不要求搜索空間具是連續(xù)的，這正符合該問(wèn)題的特點(diǎn)和要求。為解決基因編碼的問(wèn)題，本文提出了無(wú)效基因的概念。2 模型的建立多物流配送路徑優(yōu)化問(wèn)題
教學(xué)教案相關(guān)推薦
鄂ICP備17016276號(hào)-1