《虚拟物流与电子物流复习资料.docxVIP

物流系统优化是实现物流管理目标、体现物流管理效率与效益的必要过程和手段。物流系统优化主要有运筹学方法、智能优化方法和模拟仿真法等三种方法。系统是由相互作用和相互依赖的若干组成部分结合而成的、具有特定功能的有机整体，而且这个整体又是它从属的更大的系统的组成部分。输入、处理（转换）、输出是组成系统的三大要素 .物流系统的特点：是一个大跨度系统是一个可分系统是一个动态系统: 是一个复杂系统物流系统运行对象一“物”，遍及全部社会物质资源，资源的大量化和多样化带来了物流的复杂化 是一个多目标函数系统物流系统的目标：将货物按照规定的时间、规定的数量送达到目的地 合理配置物流中心，维持适当的库存 实现装卸、保管、包装等物流作业的省力化、效率化 维持合适的物流成本 实现从订货到出货全过程信息的顺畅流动等 物流系统优化方法：运筹学方法：（非）线性规划、网络与图论法、库存论、排队论智能优化算法： 与精确算法相比的明显优势在于:1.能显著的节省时间开支；2.灵活，在不能用定量表示的约束集合中，用它制订计划；3.比较简单，常能由缺乏高级训练的实践者来实现；模拟仿真法：系统仿真的目的在于利用人为控制的环境条件，改变某些特定的参数，观察模型的反应，研究真实系统的现象或过程，是一种间接的研究方法。 优势 ：符合人们的思维习惯，有助于系统分析 系统仿真可以是一种非解析的分析方法，对各种复杂的系统具有很好的适应性系统仿真有利于解决随机因素的影响 系统仿真可以帮助系统优化 遗传算法中处理的是染色体，或者叫基因型个体。一定数量的个体组成了群体(population)。群体中个体的数目称为群体规模(population size)。而各个体对环境的适应程度叫作适应度(fitness)。 遗传算子 ：选择算子 交叉算子 变异算子 运用遗传算法进行问题求解的过程 编码 初始群体的生成 适应性值评估检测 选择 交叉 变异 遗传算法的应用步骤：确定决策变量及其各种约束条件，即确定个体的表现型和问题的解空间。建立优化模型，即确定出目标函数的类型及其数学描述形式或量化方法。确定表示可行解的染色体编码方法，也即确定出个体的基因型及遗传算法的搜索空间。确定解码方法，即确定出由个体基因型到个体表现型的对应关系或转换方法。确定个体适应度的量化评价方法，即确定由目标函数值f(X)到个体适应度F(X)的转换规则。设计遗传算子，即确定出选择运算、交叉运算、变异运算等遗传算子的具体操作方法。确定遗传算法的有关运行参数，即确定出遗传算法的群体规模popSize，终止进化代数maxGen，交叉概率pc和变异概率pm。优点：遗传算法可以直接根据目标函数值进行搜索，而无需其它信息，如导数信息；遗传算法同时使用多个搜索点的搜索信息，隐含并行搜索特性； 遗传算法使用概率搜索特性，其选择、交叉和变异等运算都是以一种概率的方式来进行的，增加了其搜索过程的灵活性； 遗传算法具有全局搜索能力，善于搜索复杂问题和非线性问题； 遗传算法同求解问题的其它启发式算法有较好的兼容性，可以与其它优化算法进行结合，改进算法性能。 如模拟退火遗传算法。 缺点：编码不规范及编码存在表示的不准确性。单一的遗传算法编码不能全面地将优化问题的约束表示出来。 易于陷入局部最优点，导致早熟。模拟退火算法的基本思想 ：1.初始化：初始温度T(充分大)，初始解状态S(是算法迭代的起点)，每个T值的迭代次数L 。2.对k=1，……，L做第(3)至第6步 。3.产生新解S′。4.计算增量Δt′=C(S′)-C(S)，其中C(S)为评价函数 。5.若Δt′0则接受S′作为新的当前解，否则以概率exp(-Δt′/T)接受S′作为新的当前解.。6.如果满足终止条件则输出当前解作为最优解，结束程序。 7.T逐渐减少，且T-0，然后转第2步。蚁群算法（ACO）是受自然界中蚂蚁搜索食物行为启发而提出的一种智能优化算法。 正反馈机制和通讯机制是蚁群算法的两个重要基础粒子群算法和遗传算法的比较相同：都是随机全局优化算法，都需要随机初始化种群，都是使用适应值来评价，都是根据适应值来进行一定的随机搜索，两种算法都只能不断逼近最优解，不一定能找到最优解。 不同：遗传算法需要复制、交叉、变异等遗传操作来产生新个体，在群体中产生新个体是寻优的必须途径。但粒子群优化(PSO)算法没有遗传算法中的复制、交叉、变异等复杂操作，而是根据自己的速度来决定搜索，通过动态跟踪两个极值来更新自己。粒子还有一个重要的特点，就是有记忆。 信息共享机制也不同。在遗传算法中，复制、交叉和变异操作都是围绕染色体进行的，染色体(chromosomes)互相共享信息，所以整个种群的移动是比较均匀地向最优区域移动，在粒子群算法中，只有全局极值(gbest)才传递信息给其它粒子，这只是单向的信息流动，整个