基于蚁群算法物流配送路径优化.docVIP

基于蚁群算法物流配送路径优化 　　摘要:物流配送路径优化是个复杂的强约束优化问题，该问题的解决对降低配送成本有重要意义。本文将近年新出现的蚁群算法应用于物流配送的路径优化问题，设计了求解物流配送路径优化问题的蚁群算法。通过对应用实例的仿真计算，结果表明该方法对物流配送路径优化是实用和有效的。为解决物流配送路径优化问题提供了一种新的随机搜索寻优的有力手段。 　　关键词:蚁群算法；物流配送；路径优化 　　 　　一、引言 　　 　　市场经济的繁荣，促进了物流技术和人才的旺盛需求，推进了物流配送业的迅猛发展。物流配送是指按客户的订货要求，在配送中心进行分货、配货，并将配好的货物及时送交客户的活动。配送管理者经常需要决策的一个问题就是如何寻找一组费用最小的车辆路径，将货物配送到每个客户手中。物流配送的路径选择比经典的VRP模型更为复杂，它所涉及的约束条件与用户要求，例如种类、品种搭配、数量、时间等方面的关系密切。配送是送货、分货、配货等活动的有机结合体[1,2]。配送路线是否合理，对减少配送时间、降低配送成本、提高服务质量及提高经济效益都有较大影响。因此，采用科学合理的方法确定配送线路是配送业务中一项非常重要的工作。 　　本文将蚁群算法应用于物流配送的路径优化。仿真结果表明，该算法对于物流配送的路径优化是有效和实用的。 　　 　　二、物流配送问题的数学模型[3,4] 　　 　　假定配送中心最多可用K辆车对一批需求点进行运输配送，每个车辆载重为bk(k=1,2,…,K)，每个需求点的需求量为di(i=1,2,…L),需求点i到需求点j的运距为cij。设nk为第k辆车所包含的需求点数（若nk=0表示未启用第k辆车），用集合Rk表示第k条路径，其中的元素rki表示需求点rki在路径k中的顺序为i（不包含配送中心）。令表示配送中心，则物流配送路径问题的数学模型表示如下： 　　 　　（1）式要求每条路径上的配送车的容量大于这条路径上各个需求点的总需求量；（2）式要求每条路上的需求点数不超过总的需求点数；（3）式要求每个需求点都得到服务；（4）式表示每条路径上的需求点组成；（5）式要求每个需求点只能由一辆配送车服务。 　　 　　三、求解物流配送问题的ACO算法 　　 　　1998年，Dorigo针对离散优化问题提出了一种后启发式搜索算法―蚁群算法ACO（Ant Colony Optimization）算法是利有一群蚂蚁集体地求解优化问题[5,6]。 　　本文将蚁群算法应用于物流配送的路径优化。设n是客户数，m是蚂蚁的数目，dij(i,j=1,2,…n)表示客户i至客户j所需的费用（可以是距离、时间等），bi（t）表示t时刻位于客户i的蚂蚁的数目,。表示t时刻在ij间的菲汞蒙痕迹。初始时，各条路线上菲尔蒙浓度相等，设。蚂蚁k(k=1,2,…,m)在移动进程中，根据各条路线上的菲尔蒙决定前进方向，表示在t时刻蚂蚁k由客户i移向客户j的概率： 　　 　　 　　其中，allowde k={0,1,…n-1}-tab uk表示蚂蚁k下一步允许访问的客户。假设蚂蚁具有一定的智能，tab uk(k=1,2,…,m)记录蚂蚁k已经访问了的客户。随着时间的流逝，路线上的菲尔蒙逐渐消减，用参数1-ρ表示菲尔蒙消减程度，经过n个时刻，蚂蚁完成一次循环，各路径上菲尔蒙要根据下式作调整 　　 　　表示第k只蚂蚁在本次循环中留在路线ij上的菲尔蒙，表示本次循环中留在路线ij上的菲尔蒙。 　　 　　其中，Q是参数，Lk表示第k只蚂蚁在本次循环中路线上的费用。初始时， 其中,i,j=0,1,…,n-1。α，β分别表示蚂蚁在运动过程中所积累的菲尔蒙及启发式因子在蚂蚁选择路线中所起的不同作用。 表示由客户i转移到客户j的期望程度，可由某种启发式算法确定。参数Q、C、α，β、ρ可以用实验方法确定其最优组合。终止条件采用预先给定的迭代次数[7,8]。 　　 　　四、仿真结果 　　 　　本文以10个需求点1个配送中心的配送系统为例进行仿真验证，各个需求点的配送需求为di(i=1,2,…,10),配送中心由2辆载重10吨的汽车来完成配送任务，表1所示为配送中心到各个需求点的距离（0表示配送中心，最下表示各个需求点的需求量），要求寻找合适的配送路径使运距最小（总运费最少）。 　　五、结论 　　本文将蚁群算法应用到具体的物流配送案例中解决物流配送的路径优化问题，经过实验证明本算法的性能较好，可以很快地找到优化问题的解，从而合理地安排车辆的行车路线以达到缩短运距、提高经济效益的目的[10]。 　　 　　参考文献 　　[1]于文莉.基于混合蚁群算法的物流配送路径优化问题的研究[J].商场现代化，2007,(10)：137-138