物流配送途径优问题研讨 .docVIP

物流配送途径优化问题研讨 　　1.前言 　　问题描述与研究意义 　　物流配送运输指的是短途运输，适合多客户、小批量的货物运输。虽然配送路线比较固定，但由于同一路线往返次数较多，即使一次节约的费用不多，但由于运输次数多，总费用也能降低很多，所以合理的规划配送路线对运输成本的影响较大。在物流配送中存在多种优化策略，但是车辆配送路径优化问题是其中较关键的一个，选择合理有效的车辆路径方案，尽量减少车辆的配送里程数，有利于节约时间和运输成本。 　　本文主要工作 　　物流配送的一个重要方面是，力争实现车辆行驶里程最短、运输总费用最低等目标。针对车辆路径优化这一典型的NP难题，本文运用遗传算法来求解该问题的最优解。本文使用图和边来表示路径问题，任意边的权重为两个端点的欧几里得距离。图中的结点代表城市，用数字1到n编号，d(Ci,Ci+1)表示城市Ci到城市Ci+1的距离，其中Ci、Ci+1坐标分别为(xi,yi)，(xi+1,yi+1)。另外数字0代表配送中心的出发点C。物流配送的路径问题就是搜索整数子集x={0,1,2,3,…,n}的一个排列{C,C1,C2,C3,…,Cn}，需要使目标函数总路径距离dis取最小值。其中，dis=d(C,Ci)+∑i=1n-1d(Ci,Ci+1)+d(C,Cn)d(Ci,Ci+1)=(xi-xi+1)2-(yi-yi+1)2。 　　2.遗传算法基本原理概述 　　遗传算法是模拟生物自然选择和遗传学机理的生物进化过程的计算模型，按照“优胜劣汰，适者生存”的原则对目标函数进行优化。经过多次迭代计算，得到最优结果。它最初由美国Michigan大学教授于1975年提出来。GA涉及到五大要素：编码、初始种群的设定、适应度函数的设计、遗传操作的设计和控制参数的设计。五大要素中最重要的是参数编码和遗传操作的设计。参数编码决定了算法的计算效率，遗传操作决定了算法的优化成功与否。遗传操作主要由三部分组成：选择(selection)、交叉(crossover)和变异(mutation)。 　　编码 　　经典GA编码多采用二进制表示形式。另外，在实际应用中还有多种编码形式：动态参数编码、实数编码、整数和字母排列编码等。 　　初始种群的设定 　　初始种群的设定是由于GA的群体型操作需要。为遗传操作准备一个由若干初始解组成的初始群体。通常初始种群采用随机生成的形式，数量一般要根据染色体的长度而定。 　　适应度函数的设计 　　GA在搜索进化过程中用评估函数值来评估个体或解的优劣，并作为以后遗传操作的依据。评估函数值又称为适应度(fitness)。因此，适应度函数就是我们要优化的指标函数。 　　遗传操作的设计 　　①选择选择提供了GA的驱动力。主要的选择方式有：适应值比例选择、联赛选择、精英选择等。适应值比例选择是最基本的选择方法，其中每个个体被选择的期望数量与其适应值和群体平均适应值的比例有关，通常采用轮盘赌的方式实现。这种方式首先计算每个个体的适应值，然后计算出此适应值在群体适应值总和中所占的比例，表示该个体在选择过程中的概率。②交叉操作交叉操作是GA具备的原始性的独有特征，是模仿自然界有性繁殖的基因重组过程，其作用在于将原有的优良基因模式遗传给下一代个体，并生成包含更复杂基因结构的新个体。③变异操作变异操作模拟自然界生物进化中染色体上某一位基因发生的突变现象，从而改变了染色体的结构和物理性状。在GA中，变异算子通过按变异概率，随机反转某一位等位基因的二进制字符值来实现。 　　控制参数的设计 　　①交叉概率一般在～之间，通常用Pc表示。主要的交叉方法有：单点交叉、多点交叉、均匀交叉、洗牌交叉等。单点交叉的染色体长n时，可能有n-1个不同的交叉。交叉的过程分为两步：随机产生交叉点；对匹配的位串进行交叉繁殖，产生新位串。②变异概率一般在～之间，通常用Pm表示。变异是防止因过渡成熟而丢失重要信息的保险策略，可起到恢复位串字符多样性的作用，并可以适当提高GA的搜索效率。 　　的运行过程 　　GA的运行过程是一个迭代过程，其必须完成的工作内容的基本步骤如下： 　　(1)选择编码策略； 　　(2)定义适应度函数f(x)； 　　(3)参数初始化，包括选择群体大小，迭代次数，确定选择、交叉、变异方法，以及确定交叉概率Pc、变异概率Pm等遗传参数； 　　(4)随机初始化生成群体P； 　　(5)计算群体中个体解码后的适应度f(x)； 　　(6)按照遗传策略，运用选择、交叉和变异算子作用于群体，形成下一代，保留最好解； 　　(7)迭代，判断群体性能是否满足指标或达到迭代次数，不满足则返回(6)；满足则转到(8)； 　　(8)获得最优解，计算结束。 　　在物流配送路径问题中的应用 　　编码策略 　　用GA求解物流配送的路径问题，编码的方式很重要。这里采用