基于改进遗传算法的农产品配送路径优化研究.docVIP

基于改进遗传算法的农产品配送路径优化研究 [摘要]以第三方物流企业为视角，在保证配送质量最高的情况下，将配送成本最低作为优化目标，构建多目标农产品配送路径优化模型。针对此类NP问题，结合改进的遗传算法，在Matlab2015环境下设计仿真实验。结果表明，改进的遗传算法在解决此类问题时，可行解能够快速收敛到帕累托最优，同时证明了模型和算法的科学性。 网:m [关键词]遗传算法；农产品物流；多目标优化；VRP [DOI]1013939/jcnkizgsc201801136 1引言 当前，我国农产品流通过程中物流成本过高。一方面，在运输过程中，由于农产品自身的特点使得产品损失率较大，导致货损成本过高；另一方面，由于农产品呈现地域性特点，面对多网点的产地和销售点，传统的凭经验选择配送路线显得太不科学，造成了产品在途时间过长、迂回运输等现象。基于以上背景，文章以第三方物流企业为视角，在保证配送质量最高的情况下，将配送成本最低作为优化目标，构建多目标农产品配送路径优化模型。 文章研究的时间窗约束下的路径优化问题（VRP）属于多目标优化问题，对于这类问题很难用全局搜索法精确求解，目前解决这类问题大多数依靠启发式算法。例如，遗传算法、蚁群算法、粒子群算法、模拟退火算法等。[1]FengXuLi通过分析农产品流通的现状，提出一种?时间窗约束下多类型车辆配送路径优化模型，创新性地考虑了在不同类型的车辆有不同的边际和成本费用，通过遗传算法解决；[2]王飞军等人在分析农产品配送车辆调度问题的基础上，引入蚁群算法解决该问题。实验证明，蚁群算法能够快速收敛到帕累托最优解，研究对于实现车辆合理调度、缩短运输路程、降低运输费用有较大意义。[3]张逊逊等人为了实现农产品配送系统的节能减排，将碳排放量考虑到VRP问题中去，构建碳排放量最低和最短路径决策模型，提出了基于相似性选择的演化算法，最后通过案例仿真验证了所提出算法的科学性。[4] 2多目标VRP优化问题模型构建 21货损成本 因为农产品自身的特性，如易变质性、地域性等特点，加上我国冷链不完善、温度的波动以及流通环节中不专业操作等因素，从生产到销售这段时间内产生的货损成本。 22物流满意度 一般而言，将现实中货物在途时间分为两部分，第一部分是客户期望收到货物的时间，这段时间内客户的物流满意度为100%；第二部分是客户在可以接受的时间范围内接收货物，假设在这段时间内，客户的物流满意度与时间呈线性关系。 3VRP问题下改进的遗传算法 GA主要依靠选择、交叉、变异等遗传算子实现种群的优胜劣汰，对于二进制编码的染色体而言，当种群不具多样性，算法易陷入早熟、收敛；对于十进制编码的染色体，面对组合优化问题时，不能在任意基因位交叉染色体，交叉会使得新产生的染色体不是优化问题的解。PGA的遗传操作仅在两条染色体上进行“交叉”为主，在一条染色体上进行变异操作为辅，即通过单个个体繁殖后代，所以称为单亲遗传算法。PGA的选择算子功能和GA无异；不同的是，PGA利用基因重组算子实现了GA的交叉和变异功能。 31基因换位操作[5] GA主要通过交叉算子实现整个种群的迭代，但使用序数编码时候个别问题不能进行交叉操作，必须使用PMX、OX和CX等特殊的交叉算子。这些特殊的交叉算子操作复杂，并且执行效率不高。所以此处借助另一种遗传算子实现种群的更迭―基因换位算子。PGA的基因换位算子是按一定概率p随机交换染色体中基因位的过程。基因换位可以分为单点换位和多点换位，单点换位一次只交换一对基因位；多点换位是对于预先给定的正整数u，取随机数i（1≤i≤u），一次交换i对基因位。当u取3，i取2，PGA的多点换位操作如下： R=258741369 R′=278549361 32编码及解码方案 本文采用十进制编码，0表示配送中心，1，2，3…表示目的地。首先，随机产生一组排列。假设有9个目的地，随机产生326481957的排列，具体编码思路如下： （1）从左向右依次累计目的地的需求量，一旦累计需求量超过货车的载重量就停止计数，设经过n次累计之后累积量超过货车的载重，记录此时的断点1为n-1，累积量清零。 （2）从排列的第n位开始继续重复第一步，假设再次超过货车载重量时，此时的累计次数为m，记录断点2为n+m-1，累积量清零。 （3）重复上述步骤直至排列的最后一位，生成断点矩阵。 （4）依据断点矩阵，在排列对应基因位和首末位加上0，编码完成。 33适应度函数[6] 适应度函数（ft）用于评价解集中的个体对于目标函数的优劣性，通常根据实际问题需要设定。在适应度函数的设计方面，常采用将目标函数映射成适应度函数的方法。本文选取（ft）=1/（Zmin+V?q）。V表示惩罚系数。 34算法流程 Step1：确定编码方案，将待优化问题的潜在解表示成染色体。 St