【文章內容簡介】 的選址問題為研究對象來研究物流中心的布設選址，則必須具備足夠的基礎資料，輔助以定量分析，否則將缺乏足夠的說服力。定量分析法定量分析法應用非常多，從建模方法角度分類，概括起來地歸納為三大類：啟發(fā)式算法、解析方法和模擬方法。（1）解析法解析法主要是通過建立數學模型進行計算以求得最優(yōu)選址方案的方法，一般來說可分為基于成本的模型和基于效益的模型?；诔杀镜哪Ｐ椭饕紤]成本最小化，而基于效益的模型則主要是考慮總收益最大化，雖然這兩類模型所考慮的因素不同，但在數學處理方法的本質上是一致的，而在現實中，多以研究成本為主。采用該類方法時，首先根據問題的特征、外部條件以及內在的聯(lián)系建立起數學模型，然后對模型求解，獲得最優(yōu)布局方案。這種方法的特點是能獲得精確最優(yōu)解。但是，這種方法對某些復雜問題難以建立起恰當的模型，或者由于模型太復雜，使得求解困難或要付出相當高的代價。因而，這種方法在實際運用中受到一定的限制。采用數學方法建立的模型通常有微積分模型，線形模型和整數模型等。對某個問題究竟應建立什么樣的模型，應該根據具體分析而定。（2）模擬方法物流中心網點布局的模擬方法，是將實際問題用數學方程和邏輯關系的模型來表示出來，然后通過模擬計算和邏輯推理確定最佳方案，這種方法較之數學模型找解析解較為簡單。采用這種方法進行布局時，分析者必須提供預定的各種網點組合方案，以供分析評價，從中找出最優(yōu)組合。因此，決策的效果主要依賴于分析者預定的組合方案來判斷是否接近最優(yōu)，這也是該方法的缺點。（3）啟發(fā)式方法啟發(fā)式方法是針對模型的求解方法而言的，是一種逐次逼近最優(yōu)解的方法，有的會有一些過濾條件，將劣解濾掉，以減少尋優(yōu)的復雜度，這種方法對所求得的解進行反復判斷與修正，直到滿意為止。啟發(fā)式方法的特點是模型簡單，需要進行方案組合的個數少，因此，便于尋求最終解，此方法雖不能保證得到最優(yōu)解，但只要處理得當，可獲得決策者滿意的近似解。用啟發(fā)式方法進行物流中心網點布局時，一般應包括以下幾個步驟：○1 定義一個計算總費用的方法；○2 擬定判別準則；○3 規(guī)定方案改進的途徑；○4 給出初始方案；○5 迭代求解。重心法是一種模擬方法，它將物流系統(tǒng)中的需求點和資源點看成是分布在某一平面范圍內的物流系統(tǒng)，各點的需求量和資源量分別看成是物體的重量，物體系統(tǒng)的重心作為物流網點的最佳設置點，利用求物體系統(tǒng)重心的方法來確定物流網點的位置。在連續(xù)區(qū)域內分布著 n 個資源點及配送點，求此區(qū)域內一個配送點使配送成本總額最小。模型假設（1）運輸費用只與配送中心與配送點，配送中心與資源點的直線距離以及運輸量有關，不考慮城市交通狀況；（2）運輸費率與運輸距離和運輸量呈線性關系；（3）選擇配送中心時，不考慮配送中心所處地理位置的地產價格?？臻g選址模型如下： ()其中：配送費率；為 i 點的配送量或資源量；為 i 點與配送中心的距離；各資源點或配送點的空間坐標為（xi，yi）；( x , y )為配送中心的空間坐標。對于連續(xù)空間單一配送中心的選址問題學術界一般都采用重心法，這種方法是將物流系統(tǒng)的需求點和資源點看成是分布在某一平面范圍內的物體系統(tǒng)，各點的需求量和資源量分別看成是物體的重量，物體系統(tǒng)的重心將作為物流網點的最佳設置點，利用確定物體重心的方法來確定物流網點的位置。運用重心法求解配送中心的空間坐標為： 其中：hi配送費率；為 i 點的配送量或資源量；為 i 點與配送中心的距離；各資源點或配送點的空間坐標為（xi，yi）；( x , y )為配送中心的空間坐標。對于連續(xù)空間單一配送中心的選址問題學術界一般都采用重心法，這種方法是將物流系統(tǒng)的需求點和資源點看成是分布在某一平面范圍內的物體系統(tǒng)，各點的需求量和資源量分別看成是物體的重量，物體系統(tǒng)的重心將作為物流網點的最佳設置點，利用確定物體重心的方法來確定物流網點的位置。 第四章 物流配送路徑優(yōu)化模型物流配送是指物流公司根據送貨單上的送貨信息進行分貨、配送的過程，并且能夠達到及時、安全、經濟的配送目的，讓收貨人能夠滿意。在配送過程中配送路徑的選擇非常重要，一條合理的配送路徑不僅能夠加快配送速度、降低配送成本，而且能夠極大的提高配送質量，使客戶得到滿足。整個物流配送過程是：配送中心根據每個配送點的配送信息，安排配送貨車向多個配送點配送貨物的過程，這個配送過程要綜合考慮配送路徑和配送的成本。此外配送還要求滿足以下幾個要求：（1）配送貨車要在要求的時間段之內準確及時地將貨物送到客戶手中；（2）配送結束后，貨車能夠在較短的時間內返回到配送中心；（3）配送的貨車不能超載。 物流配送路徑優(yōu)化問題是一個典型的多項式復雜程度的非確定性問題（NP問題），因此，物流配送路徑優(yōu)化問題解決的關鍵是找到一種有效的算法。遺傳算法（GA）和模擬退火算法（SA）是兩種解決這方面問題的兩種算法，并體現出了很好的優(yōu)勢【7】。GA算法易出現早熟收斂問題，且進化后期的搜索效率也不高，但是，GA在全局搜索方面有很好的性能。SA在全局搜索方面的能力也很好，但過于依賴參數。以下將會對配送路徑優(yōu)化的數學模型和這兩種算法進行介紹。用表示貨車的數量，包括配送中心在內的需求點共有個，貨車的數量等于路徑的數量，每條路徑有一輛貨車服務，每個需求點只能由一輛車負責送貨，貨車送貨過程中單位距離需要單位費用和單位時間，即。表示第輛送貨車從需求點到需求點，表示從需求點到需求點，和分別表示貨車到達頂點的時間和貨車在頂點的等待時間，分別表示貨車數量和需求點的數量，表示需求點到需求點的距離，表示貨車從需求點到需求點的送貨時間，表示貨車從需求點到需求點的費用， 為需求點的需求量，為第輛貨車的載重量，為需求的服務時間，和分別為貨車到達需求點的最早時間和最晚時間， 表示第輛貨車的結束時間。根據以上定義的各個參數建立以下數學模型：目標函數： （41）滿足以下條件： （42） （43） （44） （45） （46） （47） （48） （49） （410）其中，（41）是目標函數, 方程（42）規(guī)定了最多的路徑數量，（43）表示貨車的出發(fā)點和返回點都是配送中心，（44）和（45）確保每個需求點只被一輛貨車送貨一次，（46）表示貨車運輸過程不能超載，（47） 表示貨車的運輸結束時間，（48）、（49）、（410）定義了車流路徑的時間窗。（SA）模型及其實現SA算法模型的建立是基于物理中的固態(tài)物質的退火過程在一般的優(yōu)化問題方面存在很大的相似性，通過設置初始的狀態(tài)和初始的溫度，隨著溫度的降低，結合概率理論中的突跳特性在空間中通過鄰域函數進行隨機的搜索得到最優(yōu)的解。退火算法模型可以分為三個部分，即初始解、目標函數和解空間。其模擬過程大概分為以下幾個方面：（1）初始化設置：設置初始溫度、初始狀態(tài)，每個初始溫度迭代的次數；（2）對的各個值，重復（3）到（6）步；（3）對當前的狀態(tài)的隨機的擾動產生一個解；（4）計算增加量，為評價函數；（5）若，則以為當前解，否則以概率接受為當前解；（6）判斷當前的解是否滿足條件，如果滿足則輸出當前解；（7）當趨于0時，跳到第（2）步重復執(zhí)行。 遺傳算法（GA）模型及其實現遺傳算法模型是建立在生物進化理論和遺傳學理論基礎上的一種算法，這是模仿遺傳算子在選擇、交叉和變異過程中的原理，應用在集合物的全局搜索上。遺傳算法模型的步驟如下【9】：（1）對求解空間進行初始和編碼；（2）初始化種群，；（3）計算當前種群中的染色體的適應程度；（4）應用遺傳算子生成新一代群體；（5）判斷是否產生終止，若終止則返回第（3）步。GA算法模型通過模仿遺傳過程中的進化選擇過程原理，最終使求解的狀態(tài)最優(yōu)。為了加快算法的收斂速度，選擇適應度函數值大的個體。交叉算子通過對兩個父代進行基因交換而搜索出更優(yōu)的個體。變異操使進化群體產生多樣性， 避免算法陷入局部最優(yōu)。（GASA）模型及其實現模擬退火算法和遺傳算法兩種算法都是全局隨機優(yōu)化算法，它們在傳統(tǒng)的基于梯度的優(yōu)化方法難以解決的復雜優(yōu)化問題中顯示了優(yōu)良的求解特性，得到廣泛研究和應用【8】。雖然遺傳算法有較強的全局搜索性能，但它的爬山能力弱，在實際應用中容易產生早熟收斂的問題，且在進化后期搜索效率較低。而模擬退火算法卻具有擺脫局部最優(yōu)點的能力，能抑制遺傳算法的早熟現象。因此，考慮將模擬退火的思想引入遺傳算法，有效地緩解了遺傳算法的選擇壓力。理論上，GA 和 SA 兩種算法均屬于基于概率分布機制的優(yōu)化算法。不同的是，SA 通過賦予搜索過程一種時變且最終趨于零的概率突跳性，從而可有效避免陷入局部極小并最終趨于全局最優(yōu)；GA 則通過概率意義下的基于“優(yōu)勝劣汰”思想的群體遺傳操作來實現優(yōu)化。對選擇優(yōu)化機制上如此差異的兩種算法進行混合，有利于豐富優(yōu)化過程中的搜索行為，增強全局和局部意義下的搜索能力和效率。SA 算法采用串行優(yōu)化結構，而GA采用群體并行搜索。兩者相結合，能夠使 SA成為并行SA算法，提高其優(yōu)化性能；同時SA作為一種自適應變概率的變異操作，增強和補充了GA的進化能力。SA算法的狀態(tài)產生和接受操作每一時刻僅保留一個解，缺乏冗余和歷史搜索信息；而GA的復制操作能夠在下一代中保留種群中的優(yōu)良個體，交叉操作能夠使后代在一定程度上繼承父代的優(yōu)良模式，變異操作能夠加強種群中個體的多樣性。這些不同作用的優(yōu)化操作相結合，豐富了優(yōu)化過程中的鄰域搜索結構，增強了全空間的搜索能力