探究遗传算法应用于物流配送运输.docVIP

探究遗传算法应用于物流配送运输 　　摘要：随着社会经济和网络技术的不断发展，社会物流业也呈快速发展的趋势。在物流业中，物流配送是很重要的环节之一。本文以临沂地区的物流业为背景，为了更好地解决物流配送路径优化问题，建立了一种遗传算法模型。实验计算表明，通过用遗传算法进行物流配送路径优化，可以方便有效地得到问题的最优解或者近似最优解。 关键词：遗传算法 物流配送 优化 临沂地区 1.引言 市场经济的改革以及跨地区贸易的发展共同促进了物流业的快速发展。物流配送是指将客户所购的货物及时的送交客户的过程，物流配送不仅是物流业最重要的环节之一，同时物流配送的效率也直接影响着整个工作流程的效率，因此，需要不断地改进、优化物流配送路径。本文的研究背景是山东的临沂地区，临沂市被确定为省级物流节点城市，将利用商贸市场集聚的优势，以建设大物流促进商贸流通发展为目标，建立连接江苏、辐射长江三角洲，连通日照、连云港的商贸物流基地，服务于省内外商贸流通和经济建设。那么在这样一个重要的物流节点城市，合理地选择配送路径具有重要的意义，不仅能偶缩短配送时间，也能降低配送成本，在提高服务质量和提高经济效益方面都有较大贡献。 优化配送路径是一个NP-Hard问题，为了解决这一问题，近年来提出了不少算法，比如节约法、扫描法等，本文通过一系列的研究，将遗传算法应用于物流配送的决策分析中。遗传算法（Genetic　Algorithms，GA）最早是由John.H.Holland于1975年提出的，它是一种结合了生物自然选择和基因遗传学的优化搜索方法。它的优点非常多，比如鲁棒性强、速度快、搜索范围广等而广泛应用于各个领域。本文针对物流配送路径优化问题，首先分析了其数学模型，然后引入了遗传算法来优化，最后进行了实验计算，研究表明，将遗传算法应用于物流配送路径优化问题是行之有效的方法，取得较好的结果。 2.优化物流配送路径的数学模型 物流配送的优化可以描述为：配送中心用多辆汽车向多个客户送货，其中汽车的载量确定，客户的位置和需求量确定，通过优化，使得汽车所行驶的总路程最短，并且满足以下条件： （1）各路径上的客户的总需求量小于等于汽车载量； （2）各路径总长度小于等于汽车配送一次可行驶的最大长度； （3）一条路径由一辆汽车进行配送，且必须满足个客户需求。 通过对以上条件的分析，建立物流配送路径的数学模型。首先规定以下公式中各字母的意义：K为配送中心拥有的汽车总量；[Qk]（k=1，2，…，K）为各汽车的载量；[Dh]为汽车进行一次配送所行驶的最大长度；L为客户总数；[qi]为客户i的需求量；[d0j]为客户与配送中心的长度；[dij]为客户i和客户j之间的长度；[nk]为第k辆汽车负责的配送的客户数，若此值为0，则表示此汽车未使用；[Rk]为集合，表示第k条路径，其中[rki]表示客户[rki]在路径k中的顺序为i，令[rk0]=0表示配送中心。经过分析，建立如下数学模型： 3.优化物流配送路径的遗传算法 3.1遗传算法的基本思想 遗传算法是一种很好的搜索优化方法，它的操作对象为种群的所有个体，个体与问题的解是一一对应的，其中选择、交叉和变异是最主要的操作。它的流程图如下： 图1 遗传算法流程图 这种算法主要包括6个基本要素： （1）编码：通过编码将空间的数据转变为基因型串数据，在编码前先进行量化。 （2）生成种群：通过随机方法产生初始种群，每个个体对应问题的一个解。 （3）评估适应度：用来评估个体的优劣，评估结果作为遗传操作的依据。 （4）选择：通过“适者生存”的选择方法，从当前种群中选取适应度高的个体组成新的种群，适应度越高，被选择几率越大，但不能保证一定被选择。 （5）交叉：将选出的个体存入配对库，进行随机配对，产生新的个体。 （6）变异：引入变异是为了解决在交叉过程中引起的信息遗失现象，按概率改变染色体基因位。 3.2优化配送路径的遗传算法构造 （1）编码方法。在本文中，配送中心用0表示，客户用1表示（L个1表示有L个不同客户）。每条配送路径的起点和终点都是配送中心，配送路径的最大值由配送中心的汽车总数K决定，这样，L个1或者K—1个0随机排列成一条染色体，则对应一种配送路径方案。 （2）初始种群的产生。由1和0构成的序列称为一条染色体，那么由多条不同的染色体构成初始种群。 （3）适应度评估。在评价一种配送方案的优劣时，既要判断是否能够满足约束条件，又要计算它的目标函数值。因此，在进行评估时，首先判断各配送路径方案是否满足约束条件，如果不满足，则该路径为不可行的路径，然后计算目标函数值。适应度[Fi]的计算公式如