基于冷链物流配送的路径优化探讨.docVIP

基于冷链物流配送的路径优化探讨 摘 要：现阶段人们对物流的要求越来越高，对生鲜易腐产品需求的增大，冷链物流开始备受人们的关注。我国冷链物流的发展存在很多不足，成本过高就是其中的重要问题之一，主要原因是我国物流配送路径不够完善。因此加强对路径优化问题的研究，可以有效降低成本。 关键词：冷链物流；配送路径；优化 我国冷链物流在发展过程中，出现了众多问题，其中导致成本过高的重要原因之一就是配送路径缺乏科学性。相关人员应加强对期的研究，积极寻求能够保证成本最低的最优路径。现阶段我国在这一方面主要采用了C-W节约算法、改进遗传算法等方法进行路径的优化，并还在积极研究更有效的方法。 一、遗传算法的改进 1.基本概念 该算法是自然界进化机制的模拟，中心思想是优胜劣汰。整体思路是在每一代物种中选择具有代表性的个体，它拥有优秀的遗传基因，和较高的适应自然界的指数，父辈不仅将优秀的基因遗传给了它，并且在交叉和变异之下，生长出更优秀的基因，对环境的适应能力更强，该个体同其父母相比更加类似最优解。该算法自身带有较强的适应能力，能够对智能式物流配送车辆路径的优化事项进行整体搜索。 2.基本思想及步骤 对自然界不同种群进行遗传的模仿是该算法的中心思想，通过模仿、交叉等方式不断进化不同种群的相关解，并从中找到最优值，知道寻找到最优的个体。其中编码、设置初始群体遗传操作是主要内容。 首先，编码策略。应用遗传域内的个体或染色体来代替问题域中的参数，这些个体的构成以基因值为基础；其次，初始群体的随机生成，此处以P来表示其大小。种群的大小为N，N个随机产生的初始解代表着不同的个体，开始迭代由P（0）表示，最终要求的迭代次数的最高值；再次，f（x）为取值函数，能够对适应度进行确定，目标函数在这一过程中具有重要作用，通常处于修正或变形的中心，随后会出现新的函数；最后，应用Ps代表选择概率、Pc代表交叉概率、Pm代表变异概率，通过计算能够促使T代的遗传迭代实现。 3.改进步骤及意义 首先，优化冷链物流配送路径，应编码解向量，不仅要对冷藏车辆数进行确定，还要对单一车辆的服务对象数量和服务顺序进行明确，因此自然编码是最主要的方式；其次，初始重群的随机产生，优化路径时能够随机生成多个初始种群；再次，适应度函数的确定。该函数能够对个解优劣性进行评价，对下一代种群概率进行确定。函数随实际问题变化而变化。例如非负数应为个体的适应度值等。 该算法在求解智能式配送车辆路径问题中使用较广泛。对该算法的改进有助于广义运输成本的求解，能够有效对比各项成本构成同广义运输成本之间的差异，该算法就有耗时少和结果优的特点。 二、粒子群优化算法的改进 1.概述 PSO即粒子群优化算法，在飞鸟集群的基础上被提出。在一个固定的区域中，一群鸟在搜索食物，此时可能出现两个已知条件，一种是该区域内质拥有一块食物，另一种是鸟群明确自身所处的位置与食物的距离是多少；而未知的条件是该事物的具体地点是鸟群未知的，因此鸟群会对附近的区域进行食物搜索。 在这种情况下该算法能够将个体的鸟都视作一个最优解，叫做“粒子”。全部粒子都有自身的适应度值，而客观的不同条件是，它们的位置及速度不同，而接下来的方法及步骤就是对最优解进行空间搜索，其过程中应严格按照不同粒子及跟随每一迭代来进行。 2.基本思想及步骤 初始化时该算法的首要步骤，它是针对一群随机粒子来进行的。为了能够寻找到存在于该种群中的最优解，应以逐步的迭代来进行。不同的迭代，会导致两种极值产生于粒子群中。一种是个体极值，即最优解在个体粒子中的体现，应用pBest来表示。另一种是全局极值，即最优解在整个种群中全部个体极值中的体现，用gBest来表示。在不可擅自改动的规定及固定的公式下，粒子群发生每一次都不同的迭代。 首先，初始物种的随机产生，初始化该算法中的全部参数；其次，对该种群中的全部粒子进行评价，评价过程以提前设定的适应度函数为基础；再次，粒子的速度和位置是会发生转变的，转变过程中以速递和位置更新公式为基础；第四，评价该种群中全部粒子，对是硬度值进行重新计算，从而促使pBest和gBest得以更新；最后，如果能够不通过迭代而实现最大次数值，那么可以结束该算法，并将目标函数和gBest值进行输出，反之应从第三步骤重新开始迭代。 3.改进步骤及意义 首先，编码以自然数为主，针对个体粒子进行。优化冷链物流配送路径时，首先要解决路径问题，其次是服务次序。因此，编码对个体粒子而言拥有两部分，即问题和可行解。两段编码都有n位；其次，粒子群初始化。局部最优是现阶段粒子的位置适应度，全部局部最优的最优的适应度值是全局最优值gBest，同粒子最优解对应；再次，同遗传算法具有相同的粒子群优化算法，个体粒子的优劣要在适应度函数下进行衡量。这里的函数同遗传算法的函数相同。 粒子群优化算法在优化