【正文】 有效地降低物流成本。 本文的主要研究工作及貢獻可歸納如下: (1)對隨機庫存系統(tǒng)建立了基于離散事件系統(tǒng)的計算機仿真模型。提出了M精英選擇算子,用于保護潛在的最優(yōu)個體,使它們在交叉、變異算子中不被破壞。在該算法中以變形的OX算子作為交叉算子,以2opt算法作為遺傳算法的變異算子。雙層染色體編碼方案不需要預先知道最優(yōu)解所需要的車輛數(shù),并能確保染色體不違反能力約束,這更適合求解實際物流配送系統(tǒng)中的車輛路徑問題。 (5)對于帶時間窗約束的車輛路徑問題(VRPTW,首先改進了雙層染色體編碼方案,以便在編程實現(xiàn)時更方便地進行子路徑的處理。VRP仿真實驗室在本文的研究中發(fā)揮了重要的作用,是研究車輛路徑問題的有力工具。已證明TSP問題是NP難題，因此，VRP也屬于NP難題。車輛路線的實際問題包括配送中心配送、公共汽車路線制定、信件和報紙投遞、航空和鐵路時間表安排、工業(yè)廢品收集等。 車輛路線問題研究現(xiàn)狀經(jīng)過幾十年的研究發(fā)展，車輛路線問題研究取得了大量成果。1995年，F(xiàn)isher曾將求解車輛路線問題的算法分成三個階段。 簡單啟發(fā)式方法包括節(jié)省法或插入法、路線內/間節(jié)點交換法、貪婪法和局部搜索法等方法。簡單啟發(fā)式方法簡單易懂、求解速度快，但只適合求解小型、簡單的VRP問題。禁忌搜索法（TS）基本上是屬于一種人工智能型（AI）的局部搜尋方法，Willard首先將此算法用來求解VRP ，隨后亦有許多位學者也發(fā)表了求解VRP的TS 算法?，F(xiàn)在多數(shù)學者采用混合策略，分別采用兩種人工智能方法進行路線分組和路線優(yōu)化。 4 遺傳算法介紹遺傳算法簡稱 GA(Genetic Algorithm)，在本質上是一種不依賴具體問題的直接搜索方法。遺傳算法是受生物進化學說和遺傳學說啟發(fā)而發(fā)展起來的，基于適者生存思想的一種較通用的問題求解方法。具有如下特點：(1) 遺傳算法運算的是解集的編碼，而不是解集本身；(2) 遺傳算法的搜索始于解的一個種群，而不是單個解；(3) 遺傳算法只使用報酬信息（適值函數(shù)），不使用導數(shù)或其他輔助知識；(4) 遺傳算法采用概率的，而不是確定的狀態(tài)轉移規(guī)則。遺傳算法中包含了如下5個基本要素：1)參數(shù)編碼；2)初始群體的設定；3)適應度函數(shù)的設計；4)遺傳操作設計；5）控制參數(shù)設定(主要是指群體大小和使用遺傳操作的概率等)。遺傳算法作為一種全局優(yōu)化搜索方法，具有簡單、通用普適性強，適用于并行處理和應用范圍廣等優(yōu)點。另外，變量和的值為0或1。其中，為客戶所要求的送貨時區(qū)，為時間窗，超過該范圍客戶將拒絕收貨，因此設定一個極大的懲罰成本以避免此情況的發(fā)生。按客戶對物流中心違反時間窗約束規(guī)定時的接受程度，可分為硬時間窗、軟時間窗和混合型時間窗。根據(jù)物流配送路徑優(yōu)化問題的特點，本文采用了簡單直觀的自然數(shù)編碼方法，用0表示配送中心，用…、L 表示各需求點。例如，對于一個有6 個需求點，用2 輛汽車完成配送任務的問題，則可用0、…、6 (0 表示配送中心)這7 個自然數(shù)的隨機排列表示物流配送路徑方案。 適應度分析初始種群形成以后，需要通過種群的適應度函數(shù)，對種群中的每個染色體進評價，并以此為標準選擇最優(yōu)解。2. 遺傳基因的交叉對通過選擇操作產(chǎn)生的新群體，需要進行配對交叉重組。在此引入新的 CX 交叉算子。B=6 2 9 8|8 3 2 9 5 4 1 6 7最后在39。 函數(shù)控制的終止條件優(yōu)化算法的結束條件是系統(tǒng)設定的最大遺傳代數(shù)。一旦車輛分配方案確定，那么路線安排問題也就比較容易求解（即求解變量）。對于m輛車、n個客戶的車輛分配,可表示成mn矩陣。隨機產(chǎn)生初始車輛分配方案，并淘汰不符合約束條件的染色體,直到染色體群的種群數(shù)達N條。對變量的求解實質上是一個帶時間約束的單一車輛排序問題，即對中的元素進行排序，求解最小的，以滿足約束條件。對每一條染色體，求解變量，并計算每一條染色體的適配值：!本算法采用與適配值成比例的概率方法，對種群的個體進行選擇與復制。以概率對染色體群隨機地交換兩個個體的某些片段產(chǎn)生新的個體染色體，即對選定的需進行交叉運算的每一組布爾矩陣隨機設定交叉位置$通過交換布爾矩陣中的某些行或列的部分信息（二進制位），其他位不變，從而生成兩個新的布爾矩陣。變異概率取不同的值對算法性能的影響很大；過大，求解時間明顯增加$但算法收斂于局部最優(yōu)的可能性減少。由于該算法屬于種群非重疊amp。已知各客戶的需求和各客戶之間的距離如表 1(其中0 表示配送中心)，要求合理安排車輛的行駛路線，使總的運距最短。此實例引用了參考文獻 2 中的經(jīng)典案例，通過上面的具體實例，可以讓我們對遺傳算法在物流配送中的具體應用有了更深的理解。7 結束語隨著畢業(yè)日子的到來，畢業(yè)設計也接近了尾聲。通過這次畢業(yè)設計使我明白了自己原來知識還比較欠缺。我的心得也就這么多了，總之，不管學會的還是學不會的的確覺得困難比較多，真是萬事開頭難，不知道如何入手。在設計過程中，我通過查閱大量有關資料，與同學交流經(jīng)驗和自學，并向老師請教等方式，使自己學到了不少知識，也經(jīng)歷了不少艱辛，但收獲同樣巨大。8 參考文獻[1] 鐘石泉，賀國光. 單車場復雜情況下的車輛調度[J]. 系統(tǒng)工程，2005,23(5):2932.[2] 肖健梅，黃有方，李軍軍,等. 基于離散微粒群優(yōu)化的物流配送車輛路徑問題[J]. 系統(tǒng)工程，2005,23(4):97100.[3] 張建勇，郭耀煌，李軍. 基于顧客滿意度的多目標模糊車輛優(yōu)化調度問題研究[J]. 鐵道學報，2003,25(2):1517.[4] 李軍，郭耀煌. 物流配送車輛優(yōu)化調度理論與方法[M]. 北京：中國物資出版社，2001.[5] 郭惠昕，車曉毅，肖偉躍. 混沌遺傳優(yōu)化算法及其在機械優(yōu)化設計中的應用[J]. 機械設計，2003,20(10):2325.[6] YungChien Lin, FengSheng Wang, KaoShing Hwang. A hybrid method of evolutionary algorithms for mixedinteger nonlinear optimization problems[C] // Proceedings of the 1999 Congress on Evolutionary Computation, 1999:21602166.[7] 李愛國. 多粒子群協(xié)同優(yōu)化算法[J]. 復旦大學學報，2004(6):8790.[8] 陳一永，韓紅，龔延成. 帶時間約束的配載車輛調度問題研究[J]. 物流技術，2005,25(3):4850.[9] Savelsbergh search for routing problem with time windows. Annals of OperationsResearch,1985,16(4): 285305.[10] 曾凡超. 車輛路徑問題的改進遺傳算法[J]，重慶大學, 2007.[11] 徐天亮. 運輸與配送[M]，北京：中國物資出版社, 2002.[12] 晏夢君. 遺傳算法在配送線路優(yōu)化系統(tǒng)中的應用[J], 吉林大學, .[13]:Anovevriewofexactandapproximatealgorithms[J].EuroPeanJounralofOPerationalReseareh，:34535