基于云自适应遗传算法物流配送中心选址问题研究.docVIP

基于云自适应遗传算法物流配送中心选址问题研究 　　摘要： 物流配送中心是整个物流系统的关键环节，对于降低物流成本、提高物流效率具有重大意义。现有求解物流配送中心选址问题的传统遗传算法，存在种群多样性较差、个体退化等缺点，算法性能有待进一步改善。针对该问题，在云模型理论的基础上，本文提出了求解物流配送中心选址问题的云自适应遗传算法。算法的核心思想在于利用云模型理论生成交叉和变异概率。最后的仿真实例表明，本文所提算法具有更好的求解性能。 　　Abstract： The logistics distribution center is a key link in the whole logistics system， and it has great significance for reducing logistics costs and improving logistics efficiency. The traditional genetic algorithm for solving the location problem of logistics distribution center has many shortcomings， such as poor population diversity， degradation of individual， and so on， so the algorithm performance needs to be further improved. To solve the problem， based on the cloud model theory， the paper proposed to solve the problem of logistics distribution center location by cloud adaptive genetic algorithm. The core idea of the algorithm is to use the cloud model theory to generate crossover and mutation probability. The simulation examples show that the proposed algorithm has better solving performance. 　　关键词： 物流中心选址；遗传算法；云模型 　　Key words： location of logistics center；genetic algorithm；cloud model 　　中图分类号：F224 文献标识码：A 文章编号：1006-4311（2015）23-0060-03 　　0 引言 　　随着我国经济的增长，物流行业也取得了快速的发展。如今，物流作为“第三方利润源泉”，已然成为我国经济发展的新增长点，整个物流系统包含着巨大的经济效益[1]。物流配送中心作为物流系统的关键节点，能够提高物流系统的运作效率，降低运作成本，因此广受学者关注，关于物流中心选址问题的求解算法更是不甚枚举。其中，由于并发性能较好、搜索范围较大等优点，遗传算法被应用得最为广泛，如文献[2]-[5]。传统遗传算法虽然在一定程度上解决了物流配送中心选址的难题，但固定的交叉和变异概率值一方面限制了种群的多样性。另一方面，个体在算法进化过程中也时常产生退化现象，进而算法求解性能有待提高。 　　云理论来源于“隶属云与语言原子模型”等概念，是一种定量定性转换模型，最初由李德毅院士提出[6]-[7]。云自适应遗传算法则是由文献[8]针对传统遗传算法中种群多样性较差、算法退化等现象，在云模型理论的基础上提出的一种自适应遗传算法。该算法通过云模型理论生成遗传算法中的交叉和变异概率，利用云滴的稳定倾向性使交叉概率具有稳定倾向性，从而避免了算法出现退化现象，加快了算法的求解速度；此外，由于云滴还具有随机性，因此通过云模型设计交叉和变异概率，还能提高种群的多样性，进而提高算法求解性能。 　　基于上述分析，本文提出了求解物流配送中心选址问题的云自适应遗传算法。 　　1 物流配送中心选址问题的数学模型 　　物流配送中心选址问题一般可以描述为：企业需要从一系列候选地点中选择几个点建立物流配送中心。候选地点、配送中心供应商、客户以及配送成本等相关信息全部已知，要求在合理的地点建立数量合理的配送中心，使整个网络的成本最小，包括配送中心费用和配送费用。 　　设m、n和l分别表示供应商、配送中心候选地点、配送中心服务客户的数量；k（k=1，2，…，m）、i（i=1，2，…，n）和j（j=1，2，…，l）分别表示供应商、