【正文】 找到較佳的可行解為止。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。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$即適配值最小的車輛分配方案其選擇概率最大；依據(jù)選擇概率對種群中的個體進行復制，選擇概率大的個體被重復復制的機會大，而選擇概率小的個體則趨向于減少或淘汰，直到復制N條染色體。由于復制操作并沒有產(chǎn)生新的車輛分配方案，因此種群中最好的個體的適配值并沒有降低。對染色體群實施交叉操作crossover（）可以產(chǎn)生新的體。以概率對染色體群隨機地交換兩個個體的某些片段產(chǎn)生新的個體染色體，即對選定的需進行交叉運算的每一組布爾矩陣隨機設定交叉位置$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。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,~。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,（）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。算法停止準則的設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)構的SGA(simple genetic algorithm),并在選擇操作前保留當前最好解:因此以概率收斂到全局最優(yōu)解。 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。種群設為40，最大代數(shù)為400，運輸成本參數(shù)設為3，時間懲罰參數(shù)設為6，并且第4 次及第7 次實驗中人為設置較高變異率（）,以達到人為增加變異次數(shù)避免局部最優(yōu)解的出現(xiàn)，共進行了八次運算，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,?？山?jīng)驗證，該解正是問題的最優(yōu)解。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。在物流配送業(yè)務中，合理確定配送路徑是提高服務質(zhì)量、降低配送成本、增加經(jīng)濟效益的重要手段。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。所構造的物流配送路徑優(yōu)化的遺傳算法，包括設計個體編碼方法、個體適應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。7 結(jié)束語隨著畢業(yè)日子的到來，畢業(yè)設計也接近了尾聲。經(jīng)過幾周的奮戰(zhàn)我的畢業(yè)設計終于完成了。在沒有做畢業(yè)設計以前覺得畢業(yè)設計只是對這幾年來所學知識的單純總結(jié)，但是通過這次做畢業(yè)設計發(fā)現(xiàn)自己的看法有點太片面。畢業(yè)設計不僅是對前面所學知識的一種檢驗，而且也是對自己能力的一種提高。通過這次畢業(yè)設計使我明白了自己原來知識還比較欠缺。自己要學習的東西還太多，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)設計，我才明白學習是一個長期積累的過程，在以后的工作、生活中都應該不斷的學習，努力提高自己知識和綜合素質(zhì)。在這次畢業(yè)設計中也使我們的同學關系更進一步了，同學之間互相幫助，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。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。最后終于做完了有種如釋重負的感覺。此外，還得出一個結(jié)論：知識必須通過應用才能實現(xiàn)其價值！有些東西以為學會了，但真正到用的時候才發(fā)現(xiàn)是兩回事，所以我認為只有到真正會用的時候才是真的學會了。在此要感謝我的指導老師雷德明對我悉心的指導，感謝老師給我的幫助。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。在整個設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，相信會對今后的學習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。雖然這個設計做的也不太好，但是在設計過程中所學到的東西是這次畢業(yè)設計的最大收獲和財富，使我終身受益。8 參考文獻[1] 鐘石泉，賀國光. 單車場復雜情況下的車輛調(diào)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(diào)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(diào)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(diào)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，:345