基于遗传算法的农产品物流配送问题研究.docVIP

基于遗传算法的农产品物流配送问题研究 　　摘 要：农产品物流配送环节，需要综合考虑配送的成本以及配送过程中产品的腐坏情况。为了实现农产品的优化配送，本文设计了基于遗传算法的农产品配送优化模型。通过实验表明，该模型具有较高的求解精度，具有一定的实际应用价值。 中国论文网 /8/view-7237596.htm 　　关键词：物流；配送；调度；遗传算法 　　1.引言 　　在农产品销售过程中，物流环节是连接农产品产地和销售场所的桥梁，对于农产品物流环节的研究能够有效的提升农产品配送效率，从而带动整个产业链的发展。农产品配送过程涉及到诸多约束条件，属于NP-hard问题。遗传算法具有并行、高效的特点，基于遗传算法实现农产品配送问题求解，为农产品配送提供量化依据。 　　2.问题描述 　　无向完全图G=（V， A）中，V={v0，v1，…，vn}为顶点集合，A={（vi，vj）： i≠j； vi， vj∈V}为路网集合。顶点集合中v0为配送中心，所有的物流车辆均由此出发并在完成农产品配送任务之后返回配送中心。路网集合A中各个网段的距离由对称矩阵C={cij： i，j = （0，1， …，n）}表示。顶点集合中除去配送中心，其又可以分为发货点S={s1，s2，…，sm}和收货点R={r1，r2，…，rm}两种类型，发货点只装货不卸货，收货点只卸货不装货，并且有集合运算关系V=S R {v0}。对于S集合中的节点{si，i∈（1，2，…，m）}有数量为di的货物需要物流车辆进行装载，R集合中的节点{ri，i∈（1，2，…，m）}有数量为ei的收货需求，并且满足等式关系∑di=∑ei。路网A中每一条道路的路况一定，并且每一台物流配送车辆在路网中匀速行驶。车辆每运行Dmax的距离就需要停止h个小时方能继续运行。货运车辆所运载的货物的价值会随着在途运输而有所损耗。配送中心共有K种配送车辆，每种运输车辆的数量为pi台，车辆总数为∑pi=TVN，每台货运车辆在一次任务调度中只能被使用一次。每台货运车辆的容量为Q，并且有∑di≤TVN×Q。货物在每种配送车辆中的价值损耗情况不同。对货物的配送按照先装车先卸货的原则。每台车辆有固定的的启用费用G。p类型的车辆车辆单位距离空驶费用为Fp，单位载货量在单位距离的运输费用为载货量与运行系数gp的乘积。求解使得车辆总行驶费用和农产品总损耗加权和最小的车辆调度方案，车辆行驶费用和农产品损耗权重分别为α，β。 　　3.遗传算法建模 　　3.1染色体编码策略 　　本文设计了长度为n-1的双串染色体编码策略对问题进行基因表示。 　　例如：某染色体R的编码结构如 　　根据染色体编码策略可知，R表示了三条车辆配送路径。即：车辆1负责路径0→2→8→6→0，车辆2负责路径0→3→7→5→0，车辆3负责路径0→9→1→4→0。 　　3.2种群初始化 　　本文采用如下步骤进行种群初始化操作： 　　（1）对于染色体子串r1各个基因位在发货收货点的[1，n-1]编号中进行无回放的随机选择并插入到各个基因位； 　　（2）在染色体子串r2的第i（1≤i≤n-1）个基因位插入表示车辆序号的[1，TVN]区间中所产生的随机值； 　　（3）在染色体子串r2的第i+1个基因位插入与第i个基因位相同的编码，并检验已插入的编号所形成的路径是否满足约束条件； 　　（4）如果染色体子串r2的第i+1个基因位的车辆序号插入结果会造成不可行解的产生，则在第i+1个基因位无回放的随机选择另外一个编号进行插入； 　　3.3适应度函数 　　适应度函数的设计应当体现染色体在该世代中的优劣程度。本文设计了染色体适应度评价函数为：Fitness（Ri）=Zi/Zmin 　　公式的分子为根据该染色体的路径方案求解的目标函数值，分母为该世代中所有染色体中目标函数的最小值。 　　3.4选择方法 　　选择轮盘赌的方法进行染色体选择。其具体操作步骤如下： 　　（1）计算各个染色体的被选中概率 　　（2）对染色体从1开始进行编号。随机生成一个位于[0，1]区间的实数r。将r所在累计区间的染色体选中。 　　3.5交叉操作 　　交叉策略具体运算步骤如下： 　　（1）从选定进行交叉的染色体Ri、Rj中，随机生成两个交叉点，两个染色体的第一子串在交叉点中间的一段为匹配段； 　　（2）根据匹配段的基因位映射关系，对两个父染色中间匹配段进行交叉，首尾两端按照匹配规则进行插入，形成两个新的染色体O1、O2； 　　（3）对新生成的两个染色体进行可行性验证，如果染色体所代表的解满足数学模型的约束调价，则将其作为新一代的染色体。如果不满足约束条件则对其进行调整。 　　3.6变异操作 　　对选定的基因位第二串染色体的配送车辆编号在[1，TVN]范围