【正文】 把這些隨機(jī)性因素引入配送系統(tǒng)優(yōu)化，以便能更好的解決實(shí)際問(wèn)題。如何將現(xiàn)有的信息技術(shù)和智能優(yōu)化理論有機(jī)的結(jié)合，實(shí)現(xiàn)實(shí)時(shí)的調(diào)整安排，對(duì)現(xiàn)代物流配送的研究是很有益的。在未來(lái)的物流建設(shè)方面做以下展望：。、多需求點(diǎn)、有行駛距離限制的一體化配送路徑優(yōu)化模型，并介紹了在路徑優(yōu)化方面的退火遺傳混合算法。本文總結(jié)如下：，這種方法是將物流系統(tǒng)中的需求點(diǎn)和資源點(diǎn)看成是分布在某一平面范圍內(nèi)的物流系統(tǒng)，各點(diǎn)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(wǎng)點(diǎn)的最佳設(shè)置點(diǎn)，利用求物體系統(tǒng)重心的方法來(lái)確定物流網(wǎng)點(diǎn)的位置。這兩個(gè)層面可以滿足現(xiàn)代配送物流向系統(tǒng)化、集成化、網(wǎng)絡(luò)化發(fā)展的需求。第六章 結(jié)論與展望本文圍繞鄭明物流公司的物流配送流程，從系統(tǒng)工程的角度分析了其在配送系統(tǒng)的優(yōu)化問(wèn)題上的獨(dú)到之處。表56 個(gè)需求點(diǎn)的需求量（）及時(shí)間窗（時(shí)刻）需求點(diǎn)1234567891033424433 4 3615153 1 5(4,6)(1,2)(3,5)(1,4)(3,5)(4,6)(2,4)(2,4)(1,4)(3,5) 表57是經(jīng)過(guò)遺傳退火混合算法分析后得到的最優(yōu)路徑的結(jié)果。表55配送中心與各需求點(diǎn)間距離及各需求點(diǎn)之間的相互距離（單位：km）ij01234567891000210192020304190506200708090102.0基于案例數(shù)據(jù)，對(duì)仿真參數(shù)設(shè)定如下：退溫系數(shù)，算法終止判斷條件，交叉概率，變異概率。每輛運(yùn)輸車輛限載8噸，即，單次配送距離范圍在50千米以內(nèi)。 配送中心選址標(biāo)注圖配送中心針對(duì)圖51重慶市永輝超市分布圖，物流配送中心配置3輛配送汽車，對(duì)圖中10個(gè)需求點(diǎn)進(jìn)行配送。按照上述過(guò)程進(jìn)行迭代計(jì)算：第一次迭代計(jì)算： 第一次迭代計(jì)算圖A 第一次迭代計(jì)算 圖B解得 X1= Y1= C1= 因?yàn)镃1 C0所以要進(jìn)行二次迭代第二次迭代計(jì)算： 第二次迭代計(jì)算圖 A 第二次迭代計(jì)算圖 B解得 X2= Y2= C2= C2 C1 故需進(jìn)行第三次迭代。若CT(1) CT(0),說(shuō)明初始位置（Xd（0）,Yd（0））便是最優(yōu)解。對(duì)應(yīng)的總運(yùn)輸費(fèi)用CT(1)。（3） 將（Xd（0）,Yd（0））代入公式中，計(jì)算出倉(cāng)庫(kù)地址的改進(jìn)位置（Xd（1）Yd（1））。迭代計(jì)算步驟：（1） 確定倉(cāng)庫(kù)地址初始位置（Xd（0）,Yd（0））。隨后我們依據(jù)第三章重心計(jì)算模型中的式（）與式（）進(jìn)行計(jì)算。永輝超市作為重慶市幾家大型連鎖超市之一，是鄭明公司開(kāi)展物流運(yùn)輸服務(wù)的主要目標(biāo)之一，因此將以重慶市永輝超市為服務(wù)對(duì)象，對(duì)其配送中心進(jìn)行選址于分析。永輝集團(tuán)創(chuàng)建于1998年，是一家以經(jīng)營(yíng)生鮮農(nóng)產(chǎn)品為主，日用百貨、服裝鞋帽為輔的商業(yè)零售企業(yè)。本章第五節(jié)著重介紹了將模擬退火算法的思想引入遺傳算法中，將兩種算法很好的結(jié)合在一起，能起到很好的互補(bǔ)的作用，這種遺傳退火混合算法在優(yōu)化物流配送路徑方面已顯示出很好的特性。再基于這些要求建立物流配送路徑優(yōu)化數(shù)學(xué)模型。當(dāng)連續(xù)代沒(méi)有發(fā)生變化時(shí)，即可認(rèn)為算法收斂并終止計(jì)算。令，若成立，則將復(fù)制到下一代群體中，否則，以作為復(fù)制到下一代群體的條件。為減小范圍遷移和增加多樣性，選擇INV作為變異算子。PMX交叉方法能夠避免交叉操作后出現(xiàn)不合格染色體，PMX是隨機(jī)對(duì)染色體編碼中的兩個(gè)交叉點(diǎn)進(jìn)行基因交換。貨車運(yùn)輸?shù)淖畹唾M(fèi)用可以表示為： ， （412）采用比例選擇算子，該算子是一個(gè)隨機(jī)采樣的方法。適應(yīng)函數(shù)是遺傳算法的關(guān)鍵。3. 確定初溫和退溫設(shè)和分別為初始種群中的最大和最小目標(biāo)函數(shù)值，初溫可以表示為，其中為常數(shù)。產(chǎn)生初始種群的過(guò)程要借助于方法，種群數(shù)量為，即在網(wǎng)絡(luò)邊上插入需求點(diǎn)，且要保證需求點(diǎn)的費(fèi)用最低，產(chǎn)生部分初始解，隨機(jī)產(chǎn)生剩余部分的可行解。Step1： 設(shè)定群體規(guī)模、初溫時(shí)的系數(shù)、退溫系數(shù)，交叉和變異的概率系數(shù)，終止規(guī)則中的，迭代計(jì)數(shù)器數(shù)；Step2：利用 PHIF 方法產(chǎn)生個(gè)染色體作為初始種群，通過(guò)計(jì)算目標(biāo)函數(shù)值來(lái)得到初始溫度，且令；Step3： 計(jì)算出染色體的適應(yīng)值，保證下一代是優(yōu)質(zhì)的；Step4：對(duì)染色體的目標(biāo)函數(shù)進(jìn)行重新計(jì)算，實(shí)施最優(yōu)保留的執(zhí)行條件；Step5：復(fù)制產(chǎn)生下一代群體，這個(gè)過(guò)程要嚴(yán)格按照Metropolis 判別準(zhǔn)則進(jìn)行；Step6：執(zhí)行退溫操作，即，令；Step7：計(jì)算出新一代的群體的目標(biāo)函數(shù)值，令；Step8：對(duì)和的大小進(jìn)行比較，若小于，令，否則；Step9：比較和的大小，若，則為最終解，并輸出，否則回到Step3；種群中的成員用字符串實(shí)體表示，對(duì)長(zhǎng)度為的字符串進(jìn)行求解，每個(gè)實(shí)體需求點(diǎn)用染色體中的一個(gè)數(shù)字表示，貨車行駛的路徑和方向用染色體基因順序表示。GA和SA的相混合，使算法各方面的搜索能力均有提高，因此對(duì)算法參數(shù)的選擇不必過(guò)分嚴(yán)格。SA和GA對(duì)算法參數(shù)具有很強(qiáng)的依賴性。另一方面，SA的優(yōu)化行為對(duì)退溫歷程具有很強(qiáng)的依賴性，而理論上的全局收斂對(duì)退溫歷程的限制條件很苛刻，因此 SA優(yōu)化時(shí)間性能較差。這些不同作用的優(yōu)化操作相結(jié)合，豐富了優(yōu)化過(guò)程中的鄰域搜索結(jié)構(gòu)，增強(qiáng)了全空間的搜索能力。兩者相結(jié)合，能夠使 SA成為并行SA算法，提高其優(yōu)化性能；同時(shí)SA作為一種自適應(yīng)變概率的變異操作，增強(qiáng)和補(bǔ)充了GA的進(jìn)化能力。對(duì)選擇優(yōu)化機(jī)制上如此差異的兩種算法進(jìn)行混合，有利于豐富優(yōu)化過(guò)程中的搜索行為，增強(qiáng)全局和局部意義下的搜索能力和效率。理論上，GA 和 SA 兩種算法均屬于基于概率分布機(jī)制的優(yōu)化算法。而模擬退火算法卻具有擺脫局部最優(yōu)點(diǎn)的能力，能抑制遺傳算法的早熟現(xiàn)象。（GASA）模型及其實(shí)現(xiàn)模擬退火算法和遺傳算法兩種算法都是全局隨機(jī)優(yōu)化算法，它們?cè)趥鹘y(tǒng)的基于梯度的優(yōu)化方法難以解決的復(fù)雜優(yōu)化問(wèn)題中顯示了優(yōu)良的求解特性，得到廣泛研究和應(yīng)用【8】。交叉算子通過(guò)對(duì)兩個(gè)父代進(jìn)行基因交換而搜索出更優(yōu)的個(gè)體。GA算法模型通過(guò)模仿遺傳過(guò)程中的進(jìn)化選擇過(guò)程原理，最終使求解的狀態(tài)最優(yōu)。 遺傳算法（GA）模型及其實(shí)現(xiàn)遺傳算法模型是建立在生物進(jìn)化理論和遺傳學(xué)理論基礎(chǔ)上的一種算法，這是模仿遺傳算子在選擇、交叉和變異過(guò)程中的原理，應(yīng)用在集合物的全局搜索上。退火算法模型可以分為三個(gè)部分，即初始解、目標(biāo)函數(shù)和解空間。根據(jù)以上定義的各個(gè)參數(shù)建立以下數(shù)學(xué)模型：目標(biāo)函數(shù)： （41）滿足以下條件： （42） （43） （44） （45） （46） （47） （48） （49） （410）其中，（41）是目標(biāo)函數(shù), 方程（42）規(guī)定了最多的路徑數(shù)量，（43）表示貨車的出發(fā)點(diǎn)和返回點(diǎn)都是配送中心，（44）和（45）確保每個(gè)需求點(diǎn)只被一輛貨車送貨一次，（46）表示貨車運(yùn)輸過(guò)程不能超載，（47） 表示貨車的運(yùn)輸結(jié)束時(shí)間，（48）、（49）、（410）定義了車流路徑的時(shí)間窗。用表示貨車的數(shù)量，包括配送中心在內(nèi)的需求點(diǎn)共有個(gè)，貨車的數(shù)量等于路徑的數(shù)量，每條路徑有一輛貨車服務(wù)，每個(gè)需求點(diǎn)只能由一輛車負(fù)責(zé)送貨，貨車送貨過(guò)程中單位距離需要單位費(fèi)用和單位時(shí)間，即。SA在全局搜索方面的能力也很好，但過(guò)于依賴參數(shù)。遺傳算法（GA）和模擬退火算法（SA）是兩種解決這方面問(wèn)題的兩種算法，并體現(xiàn)出了很好的優(yōu)勢(shì)【7】。此外配送還要求滿足以下幾個(gè)要求：（1）配送貨車要在要求的時(shí)間段之內(nèi)準(zhǔn)確及時(shí)地將貨物送到客戶手中；（2）配送結(jié)束后，貨車能夠在較短的時(shí)間內(nèi)返回到配送中心；（3）配送的貨車不能超載。在配送過(guò)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(zhì)量，使客戶得到滿足。對(duì)于連續(xù)空間單一配送中心的選址問(wèn)題學(xué)術(shù)界一般都采用重心法，這種方法是將物流系統(tǒng)的需求點(diǎn)和資源點(diǎn)看成是分布在某一平面范圍內(nèi)的物體系統(tǒng)，各點(diǎn)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(wǎng)點(diǎn)的最佳設(shè)置點(diǎn)，利用確定物體重心的方法來(lái)確定物流網(wǎng)點(diǎn)的位置。對(duì)于連續(xù)空間單一配送中心的選址問(wèn)題學(xué)術(shù)界一般都采用重心法，這種方法是將物流系統(tǒng)的需求點(diǎn)和資源點(diǎn)看成是分布在某一平面范圍內(nèi)的物體系統(tǒng)，各點(diǎn)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(wǎng)點(diǎn)的最佳設(shè)置點(diǎn)，利用確定物體重心的方法來(lái)確定物流網(wǎng)點(diǎn)的位置。模型假設(shè)（1）運(yùn)輸費(fèi)用只與配送中心與配送點(diǎn)，配送中心與資源點(diǎn)