不确定条件下的生产库存优化研究.ppt

不确定条件下生产库存优化研究 学号：200804912 内容安排 生产库存的研究意义 遗传算法 算例 一、生产库存的研究意义 库存控制是物流系统降低物流成本的一个重要环节。它通过对库存物资的保管保养，克服了产品的生产与消费在时间上的差异，创造了物资的时间效用，保证流通和生产的顺利进行。但库存既有保证生产、销售不间断的积极作用，也会因为占用了大量的流动资金，对生产发展或销售产业产生消极作用。 经营者必须解决好保证生产或销售的需要与减少资金占用的矛盾，寻求最佳的合理物资库存量。所以如何保持一个合理的库存量已经成为企业急需解决的问题。 二、遗传算法 定义 特点 遗传算法（Genetic Algorithm）是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法 在优化问题中，如果目标函数是多峰的，或搜索空间不规则，就要求所使用的算法必须具有高度的鲁棒性，以避免在局部最优解的附近徘徊。遗传算法的优点恰好是擅长全局搜索。 全局最优 局部最优 局部最优 原理 生物遗传物质的主要载体是染色体，在遗产算法中，染色体通常是一串儿数据（或数组），用来作为优化问题的解的代码 例如： 2 3 9 10 6 8 4 遗传算法一般经过以下几个过程： 初始化 评价 选择 交叉 变异 进化 初始化：随机产生一定数目的染色体并组成一个种群。 评价：评价每一个染色体的优劣，即染色体对环境的适应程度（称为适 应度），用来作为以后遗传操作的依据。 选择：从当前种群中选择出优良的染色体，使它们成为新一代的染色体。判断 染色体优良与否的准则是染色体的适应度，适应度越高，其被选择的机会就越多。通过选择过程，产生一个新的种群。 交叉：反映了随机信息交换 变异：变异操作的目的是挖掘种群中个体的多样性，克服有可能陷入局部解的弊端 最好的染色体 三、算例 需要设置的重要参数 在程序中需要对以下参数进行设置： 染色体数 POP_SIZE 生产阶段数 Period 迭代次数 ITERATION 遗传代数 GEN 每次生产的生产装配费用 Setup_cost 迭代次数 ITERATION 单位存储费用 Inventory_cost 生产速度 Product 变异概率 P_MUTATION 交叉概率 P_CROSSOVER 在程序中每阶段的需求量Demand是随机的，每阶段的需求量是在100到1000之间随机选择的。 初始化（以Period =10为例） 根据阶段数Period产生POP_SIZE个染色体 6 2 9 0 10 5 6 8 0 0 0 生产的次数 第一次生产停止阶段 最后一次生产停止阶段 每次生产停止的阶段 交叉 6 2 9 0 6 5 8 0 10 0 0 3 5 7 2 7 4 5 8 9 0 10 0 0 4 2 0 5 0 5 0 7 0 2 10 4 5 0 10 9 8 6 2 0 0 0 0 0 变异 2 8 7 6 4 4+8=12 12/2=6 5 3 4 5 0 0 0 0 6 8 7 3 5 7 10 10 0 0 0 寻求最优交叉和变异概率 保持变异概率为0.1得 根据上述两个图表可得出最优交叉概率为0.5 保持交叉概率为0.5得 根据上述两个图表可得出最优变异概率为0.25 最后可得最优交叉概率与变异概率分别为0.5和0.25 在最优交叉和变异概率下可以求得最优解和最优目标值 最优解 ：（3,4,5,6,7,9,10,0,0,0） 最优目标值 ： 257384 谢谢 * *