基于遗传算法的医药配送路径规划.docVIP

基于遗传算法的医药配送路径规划 　　摘要:在物流配送业务中,存在许多优化决策的问题,该文只讨论物流配送路线规划问题。该文主要以医药物流配送为研究对象,将现实的地理网络抽象为便于计算机实现的抽象的点线网络。论文中选择了基于遗传算法作为该网络模型的分析算法的基础,并对配送线路进行了规划。 　　关键词:医药物流遗传算法路径规划旅行商问题 　　中图分类号:TP301文献标识码:A文章编号:1009-3044(2010)11-2717-02 　　 　　医药物流是指医药器械从医药配送中心分发、配送到各个医院和医疗中心的过程,甚至包括通过医院到达消费者(患者)手中的过程,其中所产生的物流成本是医药器械成本的重要组成部分。降低医药运输成本是减少患者医疗负担的重要途径之一。而药物配送实际上就是旅行商问题[1]。遗传算法作为一种求解问题的高效并行全局搜索方法,成为目前解决NP完全问题的较为有效的方法之一。 　　1 旅行商问题与遗传算法 　　1.1 旅行商问题原理 　　旅行商问题(Traveling Saleman Problem,TSP)是VRP[2]的特例,已证明TSP问题是NP难题。旅行商问题(TSP)又译为旅行推销员问题、货郎担问题,简称为TSP问题。TSP问题可描述为:给定一组n个城市和它们两两之间的直达距离,寻找一条闭合的旅程,使得每个城市刚好经过一次而且总的旅行路径最短。TSP问题的描述很简单,简言之就是寻找一条最短的遍历n个城市的路径,或者说搜索整数子集X={1,2,…,n}(X中的元素表示对n个城市的编号)的一个排列π(X)={v1,v2,…,vn},使取最小值。式中的d(vi,vi+1)表示城市vi到城市vi+1的距离。 　　1.2 遗传算法基本原理与描述 　　1.2.1 算法原理 　　遗传算法是一种借鉴生物界自然选择和自然遗传机制的随机搜索算法,由美国J.Holland教授提出,其主要内容是种群搜索策略和种群中个体之间的信息交换,搜索不依赖于梯度信息。该算法是一种全局搜索算法,尤其适用于传统搜索算法难于解决的复杂和非线性问题。 　　1.2.2 算法描述 　　该算法包括以下6个基本要素: 　　1) 编码:遗传算法不能直接处理解空间的数据,必须通过编码将它们表示成基因型串数据。常对参数采用二进制编码,编码当作一条染色体,编码前应先量化[3]。 　　2) 生成初始种群:初始种群的个体通过随机方法产生,且对应研究问题的一个解。 　　3) 评估适应度:遗传算法在搜索过程中用适应度来评估个体的优劣,并把它作为遗传操作的依据。适应度函数常取非负数,且适应度增大的方向与目标函数的优化方向一致。 　　4) 选择:根据适者生存的选择原理,从当前种群中选择生命力强的个体(即适应度高的个体),产生新的种群。适应度越高的个体,被选择的机会就越大,但并不意味着适应度高的个体一定会被选择[4]。 　　5) 交叉:将选择出的个体存入配对库,用随机的方法进行配对,以产生新一代的个体。 　　6) 变异:在交叉过程中可能丢失一些重要的遗传信息(特定位置的0或1)1必须引入适度的变异,即按一定的概率改变染色体基因位。 　　2 优化路径遗传算法的构造 　　针对优化物流配送路径的特点,本文构造了求解该问题的遗传算法。 　　2.1 初始种群的生成与编码方法的选定 　　随机生成规模为N的初始种群。采用巡回旅行路线所经过的各个城市的顺序排,列来表示各个个体的编码串,这是TSP问题最自然的一种个体编码方式。例如对于一个10个城市的TSP:2-5-3-4-7-1-6-8-9(可简单表示为[253471698]),表示从城市2出发依次经过城市5,3,4,7,1,6,8,9,然后返回城市2的一条路径。这种编码方式满足TSP问题的约束条件,保证了每个城市经过且只经过一次,在任何一个城市子集中不形成回路[5]。 　　2.2 适应度评估 　　对于某条染色体,设其对应的配送路径方案的不可行路径数为Ni(Ni=0表示该个体对应一个可行解),其目标函数7值为Td,则该个体的适应度可用下式表示:,式中α为对每条不可行路径的惩罚权重,可根据目标函数的取值范围取一个相对较大的正数(α值太小则会影响适应度的比较)。 　　2.3 遗传操作 　　2.4.1 选择操作 　　选择将使适应度较大个体有较大的存在机会,而适应度较小的个体继续存在的机会也较小。简单遗传算法采用赌轮选择机制,令Σfi表示群体的适应度值之总和,fi表示种群中第i个染色体的适应度值,它产生后代的能力正好为其适应度值所占份额fi/Σfi。作为其被选中的概率Psi。这方法既可保证最优个体生存至下一代,又能保证适应度较大的个体以较大的机会进入下一代。 　　2.4.2 杂交操作 　　采用顺