【正文】 （計(jì)劃）時(shí)間/日期8 生產(chǎn)領(lǐng)用單：錄入和存儲(chǔ)車間領(lǐng)用物料的信息。該表包括領(lǐng)用車間信息，物料信息和時(shí)間信息。表 編號(hào)字段名字段含義數(shù)據(jù)類型字段長度1SCLYDBH生產(chǎn)領(lǐng)用單編號(hào)文本202YDLX源單類型文本203XDH選單號(hào)文本204WLDM物料代碼文本505WLMC物料名稱文本806GGXH規(guī)格型號(hào)文本1007WLSL物料數(shù)量數(shù)字108WLDW物料單位文本109LYSJ領(lǐng)用時(shí)間時(shí)間/日期8 成品入庫單：錄入和存儲(chǔ)產(chǎn)品入庫的基本信息。該表包括產(chǎn)品信息、車間信息和時(shí)間信息。 成品入庫單表編號(hào)字段名字段含義數(shù)據(jù)類型字段長度1CPRKDBH成品入庫單編號(hào)文本202YDLX源單類型文本203XDH選單號(hào)文本204SCCJ生產(chǎn)車間文本505CPDM產(chǎn)品代碼文本506CPMC產(chǎn)品名稱文本807GGXH規(guī)格型號(hào)文本1008CPSL產(chǎn)品數(shù)量數(shù)字109CPDW產(chǎn)品單位文本1010JYJL檢驗(yàn)記錄文本1011CPRKSJSJ成品完工時(shí)間（實(shí)際）時(shí)間/日期812CPWGSJJH成品完工時(shí)間（計(jì)劃）時(shí)間/日期813ZTBZ狀態(tài)備注文本100成品發(fā)貨單：主要用于錄入、存儲(chǔ)產(chǎn)品發(fā)貨的基礎(chǔ)信息，該表包括客戶信息、產(chǎn)品信息、交貨信息和合同信息。編號(hào)字段名字段含義數(shù)據(jù)類型字段長度1CPFHDBH成品發(fā)貨單編號(hào)文本202YDLX源單類型文本203XDH選單號(hào)文本204CPDM產(chǎn)品代碼文本505CPMC產(chǎn)品名稱文本806GGXH規(guī)格型號(hào)文本1007CPDJ產(chǎn)品單價(jià)貨幣308BB幣別文本49HL匯率數(shù)字10編號(hào)字段名字段含義數(shù)據(jù)類型字段長度10CPSL產(chǎn)品數(shù)量數(shù)字1011CPDW產(chǎn)品單位文本1012JHSJ交貨時(shí)間時(shí)間/日期813JHDD交貨地點(diǎn)文本10014XSFS銷售方式文本1015ZFFS支付方式文本10本章是整個(gè)生產(chǎn)物流管理系統(tǒng)設(shè)計(jì)實(shí)施的關(guān)鍵，對系統(tǒng)的總體設(shè)計(jì)原則進(jìn)行了論述，同時(shí)對系統(tǒng)的體系架構(gòu)、功能結(jié)構(gòu)、非功能性、網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)、數(shù)據(jù)庫分別進(jìn)行了設(shè)計(jì)。第五章 遺傳算法優(yōu)化在物流管理的應(yīng)用研究在物流管理系統(tǒng)當(dāng)中，其中最關(guān)鍵的一個(gè)環(huán)節(jié)就是物流車輛調(diào)度的實(shí)現(xiàn)。而通常在物流管理當(dāng)中，遺傳算法運(yùn)用最為廣泛。本文基于遺傳算法結(jié)合物流管理中的車輛調(diào)度問題進(jìn)行優(yōu)化。本章節(jié)主要介紹遺傳算法與物流管理中的車輛調(diào)度問題結(jié)合的相關(guān)應(yīng)用研究。本節(jié)主要介紹遺傳算法的主要概念，包括遺傳算法的基本思想，和遺傳算法的基本操作。所謂遺傳算法的本質(zhì)就是一種通過對大自然中生物的觀察研究，找到它們在大自然發(fā)展中對于環(huán)境適應(yīng)程度的一般規(guī)律，并且根據(jù)這個(gè)遺傳規(guī)律進(jìn)行升華，形成一種全新的運(yùn)行模式，然后根據(jù)這個(gè)模式的具體運(yùn)作，將其運(yùn)用到現(xiàn)在生活生產(chǎn)之中。所謂遺傳算法就是指生物在大自然的進(jìn)化和遺傳過程中為了更好地適應(yīng)大自然發(fā)展的一種算法，它的存在意義就是為了使得自身在遺傳發(fā)展中能夠更好地適應(yīng)大自然的變化。在這個(gè)層面上來說，算法最開始的步驟就是旨在實(shí)現(xiàn)種群個(gè)體的編碼，也就是說要實(shí)現(xiàn)種群中間的個(gè)體完成從表現(xiàn)型到遺傳型的一種映射。種群遺傳最初始的種群稱為初始種群，這種初始種群在產(chǎn)生之后，種群內(nèi)部的不同個(gè)體就開始經(jīng)歷各種優(yōu)勝劣汰的規(guī)則，而且在這種規(guī)則下，適者生存，在這種不斷的淘汰和進(jìn)化過程中演變成更能夠適應(yīng)種群的個(gè)體，這些個(gè)體經(jīng)過一系列的發(fā)展進(jìn)化之后更能適應(yīng)種群。這種適應(yīng)度比較高的個(gè)體已然不是最初的種群內(nèi)部的個(gè)體，在每一次種群對個(gè)體的篩選中，每一個(gè)個(gè)體進(jìn)化的時(shí)候，不僅需要個(gè)體適應(yīng)度比較高，同時(shí)也需要根據(jù)自然的遺傳學(xué)進(jìn)行交叉，從而形成的變異的操作，在滿足這幾種條件之后才能完成進(jìn)化升級(jí)，從而形成下一代更適應(yīng)種群的個(gè)體。這個(gè)過程跟大自然里面生物進(jìn)化的過程大致想死，下一代個(gè)體的出現(xiàn)肯定會(huì)比上一代更適應(yīng)種群，可以說是青出于藍(lán)而勝于藍(lán)，下一代是上一代的進(jìn)化。算法得到最后的近似最優(yōu)解，這并不是簡單的就能實(shí)現(xiàn)，只有經(jīng)歷個(gè)體的不斷進(jìn)化，在最適應(yīng)種群的時(shí)候進(jìn)行解碼，這個(gè)時(shí)候的個(gè)體就可以作為問題的近似最優(yōu)解。 遺傳算法的基本操作 遺傳算法的基本操作遺傳算法主要由三個(gè)遺傳操作部分組成，包括選擇，交叉還有變異。下面就是關(guān)于這三個(gè)遺傳操作的介紹：第一、選擇 反觀不同的生物界進(jìn)化歷程，什么樣的染色體更容易被下一代遺傳所選用，那必然是適應(yīng)度比較高的染色體，在這個(gè)意義上來說，對種群適應(yīng)度比較低的染色體就很難被下一代遺傳，這樣優(yōu)勝劣汰的遺傳方式就為種群個(gè)體的篩選提供了很好地保障。遺傳算法的操作就是對這種現(xiàn)象的一種模擬，換言之就是在上一代的種群中找出能夠適應(yīng)種群的種群個(gè)體，并且將這種個(gè)體遺傳到下一代的種群。比較常見的幾種評(píng)估方式就有：1) 按照個(gè)體比例的適應(yīng)度來進(jìn)行計(jì)算； 2) 根據(jù)排序的適應(yīng)度來進(jìn)行下一步計(jì)算。 常用的選擇方法如下： ① 輪盤賭選擇； ② 截?cái)噙x擇； ③ 錦標(biāo)賽選擇； ④ 隨機(jī)遍歷抽樣； ⑤局部選擇 。 第二、 交叉或基因重組 交叉操作：這種交叉程序指的是遺傳算法中需要進(jìn)行的交叉操作，這種交叉操作有既定的概率進(jìn)行，這種概率是需要按照系統(tǒng)中的既有設(shè)定，經(jīng)過上一代種群中選出來的兩個(gè)個(gè)體，在這兩個(gè)個(gè)體染色體的部分基因序列進(jìn)行加工操作，并且在這種替換重組之后形成全新的個(gè)體。交叉操作的本質(zhì)就是希望通過這種不斷地重組替換，從而選出最接近種群中最優(yōu)解的個(gè)體，而且這也是最直接，最簡單的方法，同時(shí)誤差也會(huì)很小。根據(jù)不同個(gè)體的不同編碼。 遺傳算法的算法描述即使近些年來不斷有人對遺傳算法進(jìn)行實(shí)踐和發(fā)展，同時(shí)不斷的有人對遺傳算法中很多問題進(jìn)行探索，而且這些努力也獲得了不錯(cuò)的進(jìn)展，但是總的說來，這些不同的算法都有著共同的特點(diǎn)，那就是它們都是對生物進(jìn)化的觀察和探索發(fā)現(xiàn)出規(guī)律并進(jìn)行歸納總結(jié)，之后進(jìn)行模擬，最終完成最優(yōu)解的發(fā)現(xiàn)過程[44]。Goldberg教授根據(jù)以上所述的特點(diǎn)，歸納出遺傳算法的幾個(gè)比較基本的步驟，一般來說都稱之為基本遺傳算法，英文名字是Simple Genetic Algorithms，SGA這個(gè)算法包含了選擇交叉和變異三種比較基本的操作，這種算法有很多優(yōu)點(diǎn)，比如說非常簡單易懂，結(jié)構(gòu)非常簡單，同時(shí)也具有實(shí)現(xiàn)方便等特點(diǎn)，這種算法是很多混合算法的基礎(chǔ)，很多其他類型的算法基本上也都是依據(jù)這種基本算法作為基礎(chǔ)演變而成的。SGA 的基本流程如下圖51所示： 圖51 基本遺傳算法流程圖首先，這種初始種群并不是自己憑空產(chǎn)生的，而是在在考慮問題的走向的時(shí)候，按照一定的規(guī)則篩選中隨機(jī)產(chǎn)生的，在初始種群產(chǎn)生之后，再按照染色體不同的編碼來表示初識(shí)眾群中的每個(gè)個(gè)體；其次，還需要對種群中的個(gè)體進(jìn)行評(píng)價(jià)，根據(jù)這種評(píng)價(jià)來評(píng)估此刻的種群是否滿足問題的需要，如果這個(gè)時(shí)候已經(jīng)滿足問題的需要，就不需要繼續(xù)進(jìn)行下去，只需要將這個(gè)階段的種群中的個(gè)體進(jìn)行解碼，就可以輸出問題的最優(yōu)解，如果無法滿足，那么就需要再進(jìn)行第三步繼續(xù)進(jìn)行運(yùn)算，直到這個(gè)種群適應(yīng)問題的需要；第三步，在這個(gè)步驟中，需要根據(jù)已經(jīng)計(jì)算好的算法適應(yīng)度來對每個(gè)個(gè)體進(jìn)行驗(yàn)證，換言之就是從上一代的種群中根據(jù)個(gè)體適應(yīng)度的不同進(jìn)行遺傳操作，這種操作就可以不斷地篩選，從而不斷發(fā)現(xiàn)更優(yōu)解；第四步，對進(jìn)行計(jì)算的個(gè)體采用交叉操作的方法，對種群中的個(gè)體進(jìn)行交叉操作，通過這種交叉操作的方法產(chǎn)生下一個(gè)新的個(gè)體，組成全新的種群，在這個(gè)步驟一般就是產(chǎn)生最優(yōu)解的步驟，因?yàn)樗梢圆粩嗟耐扑统鲂碌姆N群，直至最優(yōu)解的出現(xiàn)；第五步，進(jìn)行變異操作，這個(gè)步驟就是對種群中的個(gè)體進(jìn)行變異，從而產(chǎn)生新的個(gè)體，如果產(chǎn)生的新個(gè)體組成的種群并不是最優(yōu)解，那么就需要繼續(xù)進(jìn)行變異，一直到變異出最適應(yīng)種群的個(gè)體，第六步，當(dāng)一個(gè)種群進(jìn)入這個(gè)算法之后，會(huì)經(jīng)歷交叉操作，變異操作等產(chǎn)生全新的種群，并且這個(gè)全新的種群也會(huì)繼續(xù)作為初始種群進(jìn)行下一步的操作，如此往復(fù)，直至最優(yōu)解的出現(xiàn)。算法中最優(yōu)解的出現(xiàn)就會(huì)終止這個(gè)計(jì)算，但是具體最優(yōu)解的限定也是要根據(jù)不同問題的不同要求，根據(jù)不同的優(yōu)化問題進(jìn)行確定， 一般采用一下準(zhǔn)則中的一種作為判斷條件： (1) 在初始種群進(jìn)入這個(gè)算法之后，它的循環(huán)周期會(huì)有一個(gè)最大值，也就是說當(dāng)循環(huán)周期達(dá)到最系統(tǒng)設(shè)定的頂峰的時(shí)候?qū)⒉荒軌蚶^續(xù)進(jìn)行這個(gè)運(yùn)算；(2) 這個(gè)遺傳算法在進(jìn)行遺傳操作過程中不斷產(chǎn)生新的個(gè)體，但是如果算法再繼續(xù)過程中不再能夠產(chǎn)生全新的個(gè)體，最優(yōu)個(gè)體無法更新，那么算法將無法繼續(xù)，此時(shí)將會(huì)導(dǎo)致算法在此終結(jié)；(3) 當(dāng)遺傳算法在進(jìn)行中，產(chǎn)生的最優(yōu)個(gè)體已經(jīng)達(dá)到系統(tǒng)問題所需要的值的時(shí)候，算法將會(huì)停止，并將當(dāng)前的個(gè)體最為最優(yōu)解解碼輸出；(4) 在進(jìn)行遺傳算法過程中，如果有個(gè)體的適應(yīng)度達(dá)到要求，那么也會(huì)導(dǎo)致算法的終止。 問題描述 在現(xiàn)代物流管理當(dāng)中，物流配送問題是比較重要的一個(gè)環(huán)節(jié)，發(fā)展至今，眾多傳統(tǒng)的優(yōu)化方式很難得到最優(yōu)化的解決。在物流管理當(dāng)中，車輛路徑問題也是隨著物流管理的發(fā)展而發(fā)展。在物流管理發(fā)展初期，當(dāng)時(shí)的車輛調(diào)度問題主要集中在廠房當(dāng)中一些固定的貨物車輛調(diào)度。整個(gè)調(diào)度支配過程十分簡單，僅從運(yùn)籌學(xué)的角度考慮調(diào)度即可。而隨著物流管理的發(fā)展，物流管理中心當(dāng)中慢慢面臨了更大的運(yùn)力需求，于是隨著物流管理方式的改革，在許多城市交通樞紐地帶建立大型的區(qū)域中心來滿足不同地點(diǎn)的車輛調(diào)度需求。主要的管理實(shí)現(xiàn)目標(biāo)就是，利用較短的里程，較少的車輛資源實(shí)現(xiàn)最大的物流需求。在現(xiàn)實(shí)的物流管理當(dāng)中，逐漸形成了對應(yīng)的集中不同問題的擴(kuò)展。為了完成以上實(shí)際情況的模型討論，設(shè)立以下幾個(gè)條件：（1） 物流中心配送貨物相同（2） 該城市的每個(gè)送貨點(diǎn)為已知（3） 每個(gè)收貨方的貨物數(shù)目已知（4） 每個(gè)收貨地點(diǎn)距離網(wǎng)點(diǎn)的實(shí)際距離已知（5） M的數(shù)量充盈，不會(huì)出現(xiàn)車輛資源短缺的情況 同樣的，對于物流配送的相關(guān)約束條件如下所示：（1） 必須覆蓋城市當(dāng)中所有的需求點(diǎn)（2） 對物流車的核定裝載必須嚴(yán)格把控（3） 對發(fā)送車的總時(shí)間有預(yù)定的上限（4） 必須按時(shí)配送 綜上，問題模型是待解決以上約束條件下，如何分配有限的配送車資源，如何為配送車輛規(guī)劃合理的路線，以最小的時(shí)間和運(yùn)輸成本完成對應(yīng)的發(fā)貨需求。 問題分析 在上節(jié)描述的描述當(dāng)中，可以對問題的路徑變量進(jìn)行對應(yīng)的定義，始發(fā)于配送網(wǎng)點(diǎn)，通過完成其他送貨需求所到達(dá)的送貨點(diǎn)序列稱之為合法子路徑，而對應(yīng)的遍歷路徑不包括重復(fù)的配送點(diǎn)的幾個(gè)合法子路徑的序列。 因?yàn)橛卸噍v車可用,除去實(shí)際的配送網(wǎng)點(diǎn),我們假設(shè)幾個(gè)虛擬的配送網(wǎng)點(diǎn),使之與配送車一一對應(yīng),然后把全部發(fā)送路線劃分為幾條大的路線,每一輛發(fā)送車只沿一條大路線送貨,即只訪問配送網(wǎng)點(diǎn)一次。例如設(shè)有配送網(wǎng)點(diǎn)(編號(hào)0)需運(yùn)貨物到其余編號(hào)為1,2,...,N的N個(gè)送貨點(diǎn),有M輛汽車可用,設(shè)置M1個(gè)虛擬配送網(wǎng)點(diǎn)(實(shí)際就是同一個(gè)配送網(wǎng)點(diǎn),編號(hào)分別為N+1,N+2,...,N+M1),并根據(jù)實(shí)際意義設(shè)置距離矩陣。這樣就把CMTSP問題轉(zhuǎn)化為(N+M)個(gè)點(diǎn)的TSP問題。 配送體系進(jìn)行日常工作時(shí)，其主要研究工作即為路經(jīng)規(guī)劃的重點(diǎn)研究內(nèi)容。在此過程之中是需要找尋費(fèi)用最短的線路，這也是可以將其作為最短的路徑。通常情況下可以將路經(jīng)規(guī)劃和最短路經(jīng)設(shè)計(jì)進(jìn)行聯(lián)合分析。在現(xiàn)實(shí)中的配送路徑最短問題是有著很多現(xiàn)實(shí)條件需要分析，這其中包括著測量面、時(shí)間、空間、成本等各個(gè)要素。它是將路徑最短問題應(yīng)用于物流環(huán)節(jié)中，以此產(chǎn)生最佳的物流操作效果。不可否認(rèn)這是有著具體分析分析的效能體現(xiàn)，但是具體的分析過程中其算法的運(yùn)作是具有共性特點(diǎn)，其差差異化內(nèi)容主要是體現(xiàn)在不同弧段具有不同的權(quán)值。假設(shè)要找尋最短距離，可以將權(quán)值設(shè)計(jì)為路徑中的實(shí)際距離，假設(shè)要將其設(shè)計(jì)為運(yùn)輸時(shí)間，這是需要將其設(shè)計(jì)為路經(jīng)中的最快捷距離。其時(shí)間和路程是具有正比關(guān)系，所以通過算法的計(jì)算，就可以達(dá)到相關(guān)的操作效果，這也是要保障其能夠達(dá)到最大化經(jīng)濟(jì)性價(jià)比，一次構(gòu)建出最優(yōu)化的路經(jīng)。 首先根據(jù)已知的首個(gè)送貨點(diǎn)點(diǎn)去搜索相應(yīng)的下一個(gè)送貨地點(diǎn)，確定給定距離數(shù)據(jù)查看是否為最短的思想，然后加入時(shí)間限制的相關(guān)約束。然后如果確定不是最有效的路徑方式，則以下述方式計(jì)算概率，根據(jù)所給送貨點(diǎn)的坐標(biāo)位置，找到此送貨點(diǎn)最靠近的路段，并根據(jù)距離和速度計(jì)算規(guī)定時(shí)間之內(nèi)所有可到達(dá)的下一個(gè)點(diǎn)，獲取這些送貨點(diǎn)的最短路徑，此處獲取最短路徑以路段長度為權(quán)重，Dijkstra 算法已被證明是能得出最短路徑的最優(yōu)算法之一。由上面的算法描述可知，該算法是有一個(gè)大循環(huán)構(gòu)成求解過程，其中外循環(huán)運(yùn)行n1 次，內(nèi)循環(huán)為2 個(gè)，均運(yùn)行n1 次，因此算法的時(shí)間復(fù)雜度為以上合起來就是O（n）+O（1）+O（n）+O（n^2）=O（n^2)。對地圖相關(guān)局部區(qū)域范圍內(nèi)采用遺傳算法，基于該算法的基礎(chǔ)上則對于某個(gè)收貨點(diǎn)所能達(dá)到的最短路徑的概率計(jì)算如下： (1)其中m表示區(qū)域網(wǎng)店車源的第m輛，n表示相應(yīng)交叉點(diǎn)為點(diǎn)n，路徑r表示{S1, S2, ..., SNr}系列路段的組合，Nr 表示對于路徑r經(jīng)過的交叉點(diǎn)數(shù)目，Si與Si+1分別表示路徑r上連續(xù)經(jīng)過的路段。 所有路徑的平均概率為： (2)其中Np 表示所有3分鐘之內(nèi)可到達(dá)的送貨地點(diǎn)，Prr表示某一時(shí)間段內(nèi)相應(yīng)路徑的概率。最終，對于該網(wǎng)點(diǎn)所有的車源車輛的數(shù)據(jù)進(jìn)行模型集成，其中權(quán)重的初始化為，同為一周之中的第幾天設(shè)定最高，同為工作日或者周末