基于遗传算法与模糊聚类的最佳路径规划研究.docVIP

基于遗传算法与模糊聚类的最佳路径规划研究 　　摘要：物流配送路径规划对于提高物流配送效率、节约配送成本具有重要意义。针对各配送地点提出最佳路径，在给定的目标点中寻求最小配送成本的路径解。首先利用最适模糊聚类将目标点分割成若干组与独立点，再利用遗传算法与距离所定义的适应度函数，分别对各组与独立点的外层路径及各组间的内层路径求得最佳路径，最后结合成完整的最佳路径解。 　　关键词关键词：最适模糊聚类；遗传算法；适应度函数；最佳路径 　　中图分类号：TP312 　　文献标识码：A 文章编号文章编号2014）004002803 　　基金项目基金项目：高新技术产业培育与发展计划项目（11C262145056011005）；广西自然科学基金项目（2012GXNSFAA053218）；硕士研究生科研创新项目（20121106030703M03） 　　作者简介作者简介：罗琨（1978-），男，广西师范学院计算机与信息工程学院硕士研究生，广西壮族自治区标准技术研究院工程师，研究方向为计算机网络与信息系统；杨荐（1989-），男，广西师范学院计算机与信息工程学院硕士研究生，研究方向为智能控制及其应用；杨磊（1966-），男，广西师范学院计算机与信息工程学院研究员、硕士生导师，研究方向为计算机网络与信息系统；周明超（1982-），男，广西师范学院计算机与信息工程学院硕士研究生，研究方向为计算机教育技术。 　　0 引言 　　由于电子商务的蓬勃发展，使网络购物与快速取货成为目前重要的消费行为模式。这种经济行为出现的主要原因是产销成本的提高与消费者购物行为的改变。要在这种高度竞争的商业型态中提高竞争力、增强获利能力，就必须拥有迅速而有效率的配送配销，这样不但能够满足客户的需求，提高购物满意度，而且可以降低成本、减少开销。物流配送路径规划对于提高物流配送效率、节约配送成本具有重要意义。 　　遗传算法的优点在于求得局部合理解，但使用遗传算法在样本太大时相对运算成效会大打折扣，所以本文将对样本点先作模糊聚类，使用遗传算法算出各组与各独立点间的最佳连结，然后对各组组内成员作遗传算法计算以取得最佳路径解，最后再结合成完整的路径规划。 　　1 预备知识 　　1.1 遗传算法 　　遗传算法（GA）由霍兰德（Holland）教授于1975年提出，是一类借鉴生物界进化规律（适者生存，优胜劣汰遗传机制）演化而来的自适应概率性随机化迭代搜索算法。 　　遗传算法对求解问题本身一无所知，它所需要的仅仅是对算法产生的每个染色体进行评价，并基于适应值来选择染色体，使适应性好的染色体有更多的繁殖机会。在遗传算法中，通过随机方式产生若干个所求解问题的数字编码，即染色体，形成初始种群；通过适应度函数给每个个体一个数值评价，淘汰低适应度的个体，选择高适应度的个体参加遗传操作，经过遗传操作后的个体集合形成下一代新的种群，再对这个新种群进行下一轮进化。 　　1.2 模糊聚类 　　传统的聚类分析是一种硬划分，它把每个待辨识的对象严格地划分到某一类中，具有“非此即彼”的性质，因此这种类别划分的界限是分明的。模糊聚类分析是将一个无类别标记的样本集按某种准则划分成若干个子集类， 使相似样本尽可能归为一类， 而不相似样本尽量划分到不同的类中， 表达了样本类属的中介性， 即建立起了样本对于类别的不确定性描述，更能客观地反映现实世界，是一种软划分手段。 　　1.2.1 最适模糊聚类 　　对于模糊集来说，一个数据点都以一定程度属于某个类，也可以同时以不同的程度属于几个类。传统的模糊聚类必须先指定分割的群组数，这样可能太过于主观而丧失得到最佳解的机会。为了改善算法的不足，本文提出采用最适模糊聚类算法。 　　本文利用最适模糊聚类的方式来分割群组，将样本分为若干群组后，再分别对各群组进行遗传算法计算。1973 年Bezdek 提出CMeans（KMeans）的改良式算法Fuzzy CMeans算法，其目标函数定义如同KMeans 聚类法，但其权重矩阵W 不再是二位元矩阵，而是应用了模糊理论的概念，使得每一输入向量不再仅归属于某一特定的群集，而以其归属程度来表现属于各群集的程度。 　　J=∑ki=1Ji=∑ki=1∑nj=1wjiXj-Ci2（1） 　　1.2.2 最适模糊聚类算法步骤 　　步骤一：设定分类个数k，订定初始权重矩阵，随机给定0～1的值，并满足权重总和为 1，如式（2）。 　　∑ki=1wji=1，j=1，……，n（2） 　　步骤二：计算聚类中心点： 　　Ci=∑nj=1wmjiXj∑nj=1wmji（3） 　　步骤三：由式（1）计算目标函数值，当目标函数值小于设定的容忍误差可结束迭代计算，否则执行步骤四。 　　步骤四：重新计算权重矩