【正文】 的問題，則可用0、…、6 (0 表示配送中心)這7 個(gè)自然數(shù)的隨機(jī)排列表示物流配送路徑方案。本文采用隨機(jī)產(chǎn)生一種l～L＋m－l 這L＋m－l 個(gè)互不重復(fù)的自然數(shù)的排列，即形成一個(gè)個(gè)體。 適應(yīng)度分析初始種群形成以后，需要通過種群的適應(yīng)度函數(shù)，對(duì)種群中的每個(gè)染色體進(jìn)評(píng)價(jià)，并以此為標(biāo)準(zhǔn)選擇最優(yōu)解。新種群的產(chǎn)生是在上一代的基礎(chǔ)上對(duì)原有的各染色體按其適應(yīng)度大小進(jìn)行保留，并將其進(jìn)行交叉和變異形成新一代的個(gè)體；適應(yīng)度計(jì)算之后是實(shí)際的選擇，按照適應(yīng)度進(jìn)行父代個(gè)體的選擇，本文由輪盤賭算法進(jìn)行種子的選??；計(jì)算每個(gè)個(gè)體的相對(duì)適應(yīng)度值，以之作為概率，將[0,1]空間劃分成n 份。2. 遺傳基因的交叉對(duì)通過選擇操作產(chǎn)生的新群體，需要進(jìn)行配對(duì)交叉重組。同理，可以得到另一個(gè)新染色體child2。在此引入新的 CX 交叉算子。其操作方法如下：首先，隨機(jī)在父代染色體中選擇一個(gè)交配區(qū)域，如兩個(gè)父代染色體及交配區(qū)域選定為：A=3 5|6 2 9 8|4 7 1B=8 3|2 9 5 4|1 6 7其次，將B 的交配區(qū)域加到A 的前面，A 的交配區(qū)域加到B 的前面，得到：39。B=6 2 9 8|8 3 2 9 5 4 1 6 7最后在39。B 中自交配區(qū)域后依次刪除與交配區(qū)域相同的自然數(shù)，得到最終的兩個(gè)后代：C1=2 9 5 4 3 6 8 7 1C2=6 2 9 8 3 8 4 1 73. 遺傳基因的變異基因的變異是在選出的染色體中按其變異概率隨機(jī)找出若干基因位置，再隨機(jī)產(chǎn)生一個(gè)基因替換原有位置基因，并查找因替換基因產(chǎn)生的此基因的另一重復(fù)位置，修改使之成為一個(gè)不重復(fù)基因染色體。 函數(shù)控制的終止條件優(yōu)化算法的結(jié)束條件是系統(tǒng)設(shè)定的最大遺傳代數(shù)。判斷迭代的代數(shù)是否為要求代數(shù)maxt，若是，停止進(jìn)化，選性能最好的染色體所對(duì)應(yīng)的路徑集合，作為問題的優(yōu)化解輸出。一旦車輛分配方案確定，那么路線安排問題也就比較容易求解（即求解變量）。遺傳算法的關(guān)鍵之一是確定染色體并對(duì)它進(jìn)行編碼處理。對(duì)于m輛車、n個(gè)客戶的車輛分配,可表示成mn矩陣。在本問題中，對(duì)于種群數(shù)目為N的染色體群，其個(gè)體染色體i的適配值的值越小,則表示個(gè)體適配值越高。隨機(jī)產(chǎn)生初始車輛分配方案，并淘汰不符合約束條件的染色體,直到染色體群的種群數(shù)達(dá)N條。過大不但增加計(jì)算量，而且不能有效地獲得迭代解。對(duì)變量的求解實(shí)質(zhì)上是一個(gè)帶時(shí)間約束的單一車輛排序問題，即對(duì)中的元素進(jìn)行排序，求解最小的，以滿足約束條件。首先對(duì)中的元素按照客戶要求到達(dá)的時(shí)間從小到大進(jìn)行排序，如果有兩個(gè)以上的客戶要求到達(dá)的時(shí)間相同，則對(duì)這些客戶按照配送區(qū)域（時(shí)區(qū)）從小到大進(jìn)行排序。對(duì)每一條染色體，求解變量，并計(jì)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(duì)種群的個(gè)體進(jìn)行選擇與復(fù)制。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(gè)體的適配值并沒有降低。以概率對(duì)染色體群隨機(jī)地交換兩個(gè)個(gè)體的某些片段產(chǎn)生新的個(gè)體染色體，即對(duì)選定的需進(jìn)行交叉運(yùn)算的每一組布爾矩陣隨機(jī)設(shè)定交叉位置$通過交換布爾矩陣中的某些行或列的部分信息（二進(jìn)制位），其他位不變，從而生成兩個(gè)新的布爾矩陣。的經(jīng)驗(yàn)值為,~。變異概率取不同的值對(duì)算法性能的影響很大；過大，求解時(shí)間明顯增加$但算法收斂于局部最優(yōu)的可能性減少。算法停止準(zhǔn)則的設(shè)計(jì)淘汰不符合約束條件2）、3）的染色體。由于該算法屬于種群非重疊amp。 實(shí)例分析本文仍采用的經(jīng)典測(cè)試集。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(yùn)距最短。種群設(shè)為40，最大代數(shù)為400，運(yùn)輸成本參數(shù)設(shè)為3，時(shí)間懲罰參數(shù)設(shè)為6，并且第4 次及第7 次實(shí)驗(yàn)中人為設(shè)置較高變異率（）,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(yùn)算，得到測(cè)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(tái)車，得到的優(yōu)化路徑為OACEHBO 和OFGDO,。此實(shí)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(shí)例，可以讓我們對(duì)遺傳算法在物流配送中的具體應(yīng)用有了更深的理解。由于物流配送路徑優(yōu)化問題是一個(gè)NP難題，因此，采用啟發(fā)式算法求解是一個(gè)重要的研究方向。7 結(jié)束語隨著畢業(yè)日子的到來，畢業(yè)設(shè)計(jì)也接近了尾聲。在沒有做畢業(yè)設(shè)計(jì)以前覺得畢業(yè)設(shè)計(jì)只是對(duì)這幾年來所學(xué)知識(shí)的單純總結(jié)，但是通過這次做畢業(yè)設(shè)計(jì)發(fā)現(xiàn)自己的看法有點(diǎn)太片面。通過這次畢業(yè)設(shè)計(jì)使我明白了自己原來知識(shí)還比較欠缺。通過這次畢業(yè)設(shè)計(jì)，我才明白學(xué)習(xí)是一個(gè)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(shí)和綜合素質(zhì)。我的心得也就這么多了，總之，不管學(xué)會(huì)的還是學(xué)不會(huì)的的確覺得困難比較多，真是萬事開頭難，不知道如何入手。此外，還得出一個(gè)結(jié)論：知識(shí)必須通過應(yīng)用才能實(shí)現(xiàn)其價(jià)值！有些東西以為學(xué)會(huì)了，但真正到用的時(shí)候才發(fā)現(xiàn)是兩回事，所以我認(rèn)為只有到真正會(huì)用的時(shí)候才是真的學(xué)會(huì)了。在設(shè)計(jì)過程中，我通過查閱大量有關(guān)資料，與同學(xué)交流經(jīng)驗(yàn)和自學(xué)，并向老師請(qǐng)教等方式，使自己學(xué)到了不少知識(shí)，也經(jīng)歷了不少艱辛，但收獲同樣巨大。而且大大提高了動(dòng)手的能力，使我充分體會(huì)到了在創(chuàng)造過程中探索的艱難和成功時(shí)的喜悅。8 參考文獻(xiàn)[1] 鐘石泉，賀國光. 單車場(chǎng)復(fù)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(biāo)模糊車輛優(yōu)化調(diào)度問題研究[J]. 鐵道學(xué)報(bào)，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(jī)械優(yōu)化設(shè)計(jì)中的應(yīng)用[J]. 機(jī)械設(shè)計(jì)，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(fù)旦大學(xué)學(xué)報(bào)，2004(6):8790.[8] 陳一永，韓紅，龔延成. 帶時(shí)間約束的配載車輛調(diào)度問題研究[J]. 物流技術(shù)，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(jìn)遺傳算法[J]，重慶大學(xué), 2007.[11] 徐天亮. 運(yùn)輸與配送[M]，北京：中國物資出版社, 2002.[12] 晏夢(mèng)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，:34535