【正文】 在設計過程中，我通過查閱大量有關資料，與同學交流經驗和自學，并向老師請教等方式，使自己學到了不少知識，也經歷了不少艱辛，但收獲同樣巨大。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。此實例引用了參考文獻 2 中的經典案例，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。由于該算法屬于種群非重疊amp。以概率對染色體群隨機地交換兩個個體的某些片段產生新的個體染色體，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。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。對于m輛車、n個客戶的車輛分配,可表示成mn矩陣。 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)。在此引入新的 CX 交叉算子。 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。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。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。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。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。 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。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。 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。 車輛路線問題研究現(xiàn)狀經過幾十年的研究發(fā)展，車輛路線問題研究取得了大量成果。已證明TSP問題是NP難題，因此，VRP也屬于NP難題。 (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。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。 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。2選題的目的物流已被認為是繼降低原材料消耗和提高勞動生產率之后的“第三利潤源”。采用多組通用算例測算，將多策略分組編碼遺傳算法與其它算法進行比較，其求解結果和計算時間都有明顯改進，驗證了多策略分組編碼遺傳算法能夠有效穩(wěn)定地收斂到所求問題的解。關鍵詞：物流車輛路徑問題。對配送車輛進行優(yōu)化調度,有利于提高物流經濟效益、實現(xiàn)物流科學化。配送作為物流中一種特殊的、綜合的活動形式,在當今社會經濟發(fā)展中發(fā)揮著越來越重要的作用。應用C語言編程進行實例計算,結果表明改進的遺傳算法明顯增強了群體演化的質量,提高了算法的收斂速度,得到了問題的滿意解。 本文首先介紹了遺傳算法在解決簡單約束車輛路徑問題上的應用，改進了交叉算子，為研究有時間窗裝卸問題的遺傳算法作了充分準備。有容量約束的車輛路徑問題（Capacitated Vehicle routing problem，CVRP）是由一個服務中心（或車場）的若干車輛向多個客戶點進行配送服務，在已知待服務客戶點和出發(fā)點的位置、客戶需求及車輛最大負載的前提下，設計車輛配送路徑，規(guī)劃設計方案，使運輸成本最小化，即總代價最?。ㄊ褂密囕v盡量少，行車總距離盡量短）。 遺傳算法是一種應用很廣泛的智能優(yōu)化算法,本文對遺傳算法進行了分析研究,針對遺傳算法的一些缺陷提出了相應的改進方法。針對兩種常用的庫存控制策略進行了仿真優(yōu)化的實驗,結果表明本文提出的仿真優(yōu)化方法是有效的。此外,相對于常用的單層染色體編碼方案,該編碼方案還能降低搜索空間的大小,從而提高搜索效率并降低計算時間。本文對大量的基準測試實例(Benchmark)進行了仿真計算,計算結果表明,本文所提出的一系列算法能有效求解物流系統(tǒng)中的庫存優(yōu)化問題與車輛路徑問題。 車輛路徑問題的類型一般而言車輛路線問題大致可以分為以下三種類型（Ballou，1992）： 相異的單一起點和單一終點。第一階段是從1960年到1970年，屬于簡單啟發(fā)式方式，包括有各種局部改善啟發(fā)式算法和貪婪法（Greedy）等；第二階段是從1970年到1980年，屬于一種以數(shù)學規(guī)劃為主的啟發(fā)式解法，包括指派法、集合分割法和集合涵蓋法；第三階段是從1990開始至今，屬于較新的方法，包括利用嚴謹啟發(fā)式方法、人工智能方法等。 兩階段方法包括先分組后定路線（clusterfirstroute second）和先定路線后分組（routefirstcluster second）兩種啟發(fā)式策略。Ombuk提出了用遺傳算法進行路線分組，然后用禁忌搜索方法進行路線優(yōu)化的混合算法。利用遺傳算法進行尋優(yōu)時，編碼、選擇、交叉、變異是四個重要步驟。這5個要素構成了遺傳算法的核心內容。若車輛k為客戶i服務，則1，否則為0，即：此變量表示車輛分配方案，可用布爾矩陣表示；若車輛k經由客戶i到客戶j，則為1，否則為0，即：，表示車輛路線安排。硬時間窗(Hard Time Windows)：指配送車輛必須在特定時間區(qū)段，將貨物送達顧客手中，不論是遲到或早到都完全不予接受；軟時間窗(Soft Time Windows)：允許服務的開始時間有所偏離時間窗，則必須按照違反時間的長短施以一定的罰金或其他懲罰法則；混合型時間窗（Mixed Time Windows）：是指系統(tǒng)中有些客戶只接受硬時間窗服務，有些客戶接受軟時間窗服務，或者同一客戶，往往軟、硬兩種時間窗服務混合使用。如個體0l26354 表示的配送路徑方案為：路徑1：0126，路徑2：354共有2條配送路徑； 種群的初始化群體初始化時，采用兩種機制，一種是隨機生成個體，一種是按前相插入啟發(fā)式算法。簡單的說就是人為選取較好的一對染色體作為新染色體的父母，按染色體按長度分為前后兩段，取其中一個染色體的前半部分放在另一個染色體的前邊，再順序遍歷新染色體的基因并剔除重復基因，從而得到新的染色體child1。A， 39?？梢圆捎眠z傳算法的思想作為總體框架對該問題進行求解，用遺傳算法求解變量，而變量則用啟發(fā)式算法求解。N的取值不宜過大或過小。首先根據(jù)前面計算的計算個體i在下一代中應復制自身的比例；定義選擇概率為個體適配值所占比例的反向排序$即適配值最小的車輛分配方案其選擇概率最大；依據(jù)選擇概率對種群中的個體進行復制，選擇概率大的個體被重復復制的機會大，而選擇概率小的個體則趨向于減少或淘汰，直到復制N條染色體。本文中，取,（）采用反順序變異法改變布爾矩陣中的某些位（1變成0,0變成1），產生新的布爾矩陣。表1客戶間距離表設置車輛數(shù)為 3，最大負載10，車輛容積30，最大行駛距離為200，運輸成本系數(shù)4，平均時速為40，不考慮裝卸及休息時間。經過幾周的奮戰(zhàn)我的畢業(yè)設計終于完成了。最后