基于改进MMAS多配送中心车辆调度问题研究.docVIP

基于改进MMAS多配送中心车辆调度问题研究 　　[摘　要]针对城市多配送中心车辆调度问题，在分析最大最小蚁群算法的基础上，提出了改进MMAS算法，该算法重点对信息素的挥发机制进行探讨，并引入自适应机制对信息素的确定方案进行改进。实验结果证明，改进MMAS算法对于优化多配送中心物流车辆路径问题是有效的。 　　[关键词]多配送中心　最大最小蚁群算法　车辆调度 　　车辆凋度问题(Vehicle Scheduling Problem，VSP)是物流研究中的一个重要的领域，对于减少企业物流配送成本，提高服务品质有很重要的意义。如何在达到客户满意度的同时通过路径优化降低运送成本，成为多配送中心车辆调度问题研究的一个重要方面。目前，在解决路径优化等问题时，蚁群算法是理论和实践关注的焦点，本文研究了最大最小蚁群算法（MMAS，max-min ant system），并对信息素的计算公式进行改进，达到在多配送中心车辆调度中确保解的??局性，构造以降低配送总费用为目标的配送方案。 　　一、多配送中心车辆调度问题描述 　　在城市尤其是大规模城市的车辆调度中，由于节点规模都比较大，物流配送车辆又受到交通拥挤等因素的影响，如果每个节点只有一个配送中心，难以保证配送的及时性，容易导致整个服务水平降低，进而降低客户满意度。同时，从配送成本上考虑，在规模大的节点内单一配送中心的成本也较高。为了解决以上问题，多数物流公司在同一个大节点内一般设立多个配送中心，如图1，其中矩形代表仓库，椭圆形代表配送中心，圆点代表客户。由图1可知，从物流公司仓库到配送中心的距离是不变的，可变的是循环到不同客户配送线路距离。 　　二、蚁群算法描述 　　由于受到自然界真实蚁群集体行为的启发，由意大利学者M．Dorigo等人首先提出了一种基于种群的模拟优化算法—蚁群算法(ant system,AS)，该算法在物流配送路径优化应用过程中，存在的问题是车辆选择路径时容易陷入局部最优解，MMAS算法在一定程度上消除了基本蚁群算法中的停滞现象。 　　1. 最大最小蚁群算法 　　设m是蚁群中蚂蚁的总数，n是节点的总数，dij(i,j=1,2,...,n)表示节点i和节点j之间的距离。假设目前蚂蚁处于节点i，以τij（t）表示t时刻节点i与节点j之间的信息素浓度，ηij（t）表示t时刻蚂蚁由节点i转移到节点j的期望程度（可见度），则t时刻蚂蚁k由节点i转移到节点j概率为： 　　(1) 　　0 ，其他 　　其中，使用禁忌集合tabuk(k=1,2,...,m) 记录蚂蚁k当前走过的节点，则式中allowedk={1,2,...,n}-taubk表示允许蚂蚁k下一步走过节点的集合；α表示路径上的信息量对蚂蚁选择路径所起作用的大小；β表示在选择公式中两点间可见度对蚂蚁选择路径所起作用的大小；ηij（t）取值一般为1/dij。 　　为了避免残留信息过多引起的残留信息淹没启发信息的问题，在每个蚂蚁完成对所有n个节点的访问后(即一个循环)，需对路径上的信息素浓度进行如下调整：①一次循环中只有最短路径的蚂蚁才可以进行信息素修改增加；②把信息素的取值范围限制在一个特定区间[τmin,τmax]内，超出这个范围的值被强制设为τmin或τmax，避免了信息素的无限制累加和可能出现的信息素为零的现象；③设信息素的初始值设为τmax，这样可以使算法遍历搜索空间，不致早熟，同时把信息素残留系数ρ设置较小，以便蚂蚁在开始搜索时选择更多路径；④采用了平滑机制（pheromone trail smoothing,PTS）,当系统停滞时，所有的信息素重新被初始化,当所有蚂蚁完成一次迭代后，蚂蚁释放的信息素为 　　(2) 　　其中参数δ决定了对以前信息素保留的多少：δ=0是完全保留，PTS不起作用；δ=1则完全去掉以前的信息素分布，重新开始计算。这种机制在较长时间计算中对于消除停滞现象有比较好的作用。 　　2. MMAS算法的改进 　　MAS中仅对最好路径上的信息素进行全局更新，而蚂蚁在行进过程中常常选择信息量较大的路径，当许多蚂蚁选中同一条路径时，该路径中的信息量就会陡然增大，从而造成堵塞现象，表现在使用该算法解决问题时就容易导致早熟和局部收敛。目前，我国大部分城市规模的不断扩张和电子商务的迅速发展，使得企业面对的顾客群体日益壮大，道路容量超负荷，车辆堵塞成为常见现象。为了解决这类较大规模的问题，本文从解的分布状态入手，提出了一种新的自适应改变τ值的方法：在每次迭代后对所有路径上的信息素　　进行判断，如果在[τmin,τmax]内，按公式（3）进行计算；如果τij超出[τmin,τmax]界限，则按照公式（4）和公式（5）对 值进行修正。 　　(3) 　　(4) 　　(5) 　　(6) 　　其中 是一个与收敛次数m成正比的函数