【導(dǎo)讀】物流的目標(biāo)就在于以最少的費用滿足消費者的需求。配送的核心為配送車輛的調(diào)度、貨物配裝及送貨過程。益、實現(xiàn)物流科學(xué)化。本文主要對單車場非滿載無時間窗的車輛路徑問題和動態(tài)。論文首先對現(xiàn)有車輛優(yōu)化調(diào)度問題歸類分析。在對遺傳算法中的選擇操作、鄰域結(jié)構(gòu)操作進(jìn)行改進(jìn)的基礎(chǔ)上,提出了一種求解車輛路徑問題的自適應(yīng)遺傳算法。應(yīng)用C語言編程進(jìn)行實例計算,結(jié)果表明改進(jìn)的遺傳算法明顯增強了群體演化的質(zhì)量,提高了算法的收斂速度,得到了問題的滿意解。與傳統(tǒng)遺傳算法相比,掃描法和改進(jìn)遺傳算法的結(jié)合,其優(yōu)?；芰Α⑦\行效率、可靠性均有一定的提高。問題進(jìn)行求解,在保證客戶服務(wù)水平的要求下,取得了比較好的結(jié)果。間窗裝卸問題的遺傳算法作了充分準(zhǔn)備。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(jìn)行比較，學(xué)科研究人員的極大重視，成為運籌學(xué)與組合優(yōu)化領(lǐng)域的熱點問題。成本最小化，即總代價最小。

　　

【正文】 值 ： ! 種群的選擇與復(fù)制 本算法采用與適配值成比例的概率方法 ， 對種群的個體進(jìn)行選擇與復(fù)制 。 首先根據(jù)前面計算的 計算個體 i 在下一代中應(yīng)復(fù)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(jìn)行復(fù)制 ， 選擇概率大的個體被重復(fù)復(fù)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(fù)制 N 22 條染色體 。 交叉操作 由于復(fù)制操作并沒有產(chǎn)生新的車輛分配方案 ， 因此種群中最好的個體的適配值并沒有降低 。 對染色體群實施交叉操作 crossover（） 可以產(chǎn)生新的 體 。 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(jìn)行交叉運算的每一組布爾矩陣隨機設(shè)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(jìn)制位 ）， 其他位不變 ， 從而生成兩個新的布爾矩陣 。 交叉概率 對算法的收斂有較大的影響 ， 越大 ， 優(yōu)秀的個體出現(xiàn)的幾率也越大 ， 新舊個體替換快 ， 算法收斂也快 。 的經(jīng)驗值為 ,~ 效果較佳 。 變異操作 變異操作 mutation（） 以概率 對染色體群中的某些染色體的某些位進(jìn)行變異 ， 產(chǎn)生新的個體染色體 、 作為交叉運算的補充 ， 變異操作可增加車輛分配方案的多樣性 ， 克服求解可能出現(xiàn)的早熟和陷入局部最優(yōu)解的現(xiàn)象 。 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 。 本文中 ， 取 , 變異操作 mutation（） 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(chǎn)生新的布爾矩陣 。算法停止準(zhǔn)則的設(shè)計淘汰不符合約束條件 2）、 3） 的染色體 。 如果 ，則轉(zhuǎn) 啟發(fā)式算法求解 ， 否則在染色體群中選擇 最小的染色體 ， 作為該問題的求解變量 值 ； 與該變量相對應(yīng)的變量 就是優(yōu)化的路線安排 。 由于該算法屬于種群非重疊 amp。遺傳操作重疊結(jié)構(gòu)的 SGA(simple geic algorithm),并在選擇操作前保留當(dāng)前最好解 :因此以概率 收斂到全局最優(yōu)解 。 23 實例分析 本文仍采用的經(jīng)典測試集。用上述的帶時間窗的遺傳算法，對一個有 8 個客戶和 1 個配送中心，兩輛車（容量均為 8 噸）的配送系統(tǒng)的車輛路徑問題進(jìn)行求解。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。 表 1 客戶間距離表 設(shè)置車輛數(shù)為 3，最大負(fù)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。種群設(shè)為 40，最大代數(shù)為 400，運輸成本參數(shù)設(shè) 為 3，時間懲罰參數(shù)設(shè)為 6，并且第 4 次及第 7 次實驗中人為設(shè)置較高變異率（分別為 和 ） ,以達(dá)到人為增加變異次數(shù)避免局部最優(yōu)解的出現(xiàn)，共進(jìn)行了八次運算，得到 測試 結(jié)果如下 ： 表 2 優(yōu)化結(jié)果表 最終優(yōu)化結(jié)果為需要調(diào)度兩臺車，得到的優(yōu)化路徑為 OACEHBO 和OFGDO,運輸長度為 ，成本為 ?？山?jīng)驗證，該解正是問題的最優(yōu)解。 24 此實例引用了參考文獻(xiàn) 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(yīng)用有了更深的理解。在物流配送業(yè) 務(wù)中，合理確定配送路徑是提高服務(wù)質(zhì)量、降低配送成本、增加經(jīng)濟(jì)效益的重要手段。由于物流配送路徑優(yōu)化問題是一個 NP 難題，因此，采用啟發(fā)式算法求解是一個重要的研究方向。所構(gòu)造的物流配送路徑優(yōu)化的遺傳算法，包括設(shè)計個體編碼方法、個體適應(yīng)度值的計算方法以及選擇、交叉和變異算子，對解決類似的組合優(yōu)化問題具有一定的參考價值。 25 7 結(jié)束語 隨著畢業(yè)日子的到來，畢業(yè)設(shè)計也接近了尾聲。經(jīng)過幾周的奮戰(zhàn)我的畢業(yè)設(shè)計終于完成了。在沒有做畢業(yè)設(shè)計以前覺得畢業(yè)設(shè)計只是對這幾年來所學(xué)知識的單純總 結(jié)，但是通過這次做畢業(yè)設(shè)計發(fā)現(xiàn)自己的看法有點太片面。畢業(yè)設(shè)計不僅是對前面所學(xué)知識的一種檢驗，而且也是對自己能力的一種提高。通過這次畢業(yè)設(shè)計使我明白了自己原來知識還比較欠缺。自己要學(xué)習(xí)的東西還太多，以前老是覺得自己什么東西都會，什么東西都懂，有點眼高手低。通過這次畢業(yè)設(shè)計，我才明白學(xué)習(xí)是一個長期積累的過程，在以后的工作、生活中都應(yīng)該不斷的學(xué)習(xí)，努力提高自己知識和綜合素質(zhì)。 在這次畢業(yè)設(shè)計中也使我們的同學(xué)關(guān)系更進(jìn)一步了，同學(xué)之間互相幫助，有什么不懂的大家在一起商量，聽聽不同的看法對我們更好的理解知識，所以在這里 非常感謝幫助我的同學(xué)。 我的心得也就這么多了，總之，不管學(xué)會的還是學(xué)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。最后終于做完了有種如釋重負(fù)的感覺。此外，還得出一個結(jié)論：知識必須通過應(yīng)用才能實現(xiàn)其價值！有些東西以為學(xué)會了，但真正到用的時候才發(fā)現(xiàn)是兩回事，所以我認(rèn)為只有到真正會用的時候才是真的學(xué)會了。 在此要感謝我的指導(dǎo)老師雷德明對我悉心的指導(dǎo)，感謝老師給我的幫助。在設(shè)計過程中，我通過查閱大量有關(guān)資料，與同學(xué)交流經(jīng)驗和自學(xué)，并向老師請教等方式，使自己學(xué)到了不少知識，也經(jīng)歷了不少艱辛，但收獲同樣巨大 。在整個設(shè)計中我懂得了許多東西，也培養(yǎng)了我獨立工作的能力，樹立了對自己工作能力的信心，相信會對今后的學(xué)習(xí)工作生活有非常重要的影響。而且大大提高了動手的能力，使我充分體會到了在創(chuàng)造過程中探索的艱難和成功時的喜悅。雖然這個設(shè)計做的也不太好，但是在設(shè)計過程中所學(xué)到的東西是這次畢業(yè)設(shè)計的最大收獲和財富，使我終身受益。 26 8 參考文獻(xiàn) [1] 鐘石泉，賀國光 . 單車場復(fù)雜情況下的車輛調(diào)度 [J]. 系統(tǒng)工程，2020,23(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， 2020,23(4):97100. [3] 張建勇，郭耀煌，李軍 . 基于顧客滿意度的多目標(biāo)模糊車輛優(yōu)化調(diào)度問題研究 [J]. 鐵道學(xué)報， 2020,25(2):1517. [4] 李軍，郭耀煌 . 物流配送車輛優(yōu)化調(diào)度理論與方法 [M]. 北京：中國物資出版社， 2020. [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(shè)計中的應(yīng)用 [J]. 機械設(shè)計， 2020,20(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(fù)旦大學(xué)學(xué)報， 2020(6):8790. [8] 陳一永，韓紅，龔延成 . 帶時 間約束的配載車輛調(diào)度問題研究 [J]. 物流技術(shù)， 2020,25(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(jìn)遺傳算法 [J]，重慶大學(xué) , 2020. [11] 徐天亮 . 運輸與配送 [M]，北京：中國物資出版社 , 2020. [12] 晏夢君 . 遺傳算法在配送線 路優(yōu)化系統(tǒng)中的應(yīng)用 [J], 吉林大學(xué) , . [13]:Anovevriewofexactandapproximatealgorithms[J].EuroPeanJounralofOPerationalReseareh，:345358.