智慧物流与供应链管理-刘伟华-第5章.pptxVIP

;学习目的 通过本章的学习，学员应该能够： 理解智慧物流与智慧供应链中智能计算技术的重要性 了解智慧物流与智慧供应链中常用的智能计算优化方法 掌握常用智能优化算法、云计算与大数据的基本原理 了解智能计算技术在物流与供应链中的应用;/;5.1 智能优化算法及其在物流供应链中的应用; 受到人类智能、生物群体社会性或自然现象规律的启发，很多智能优化算法被开发研究来解决诸如物流与供应链领域的大型复杂优化问题。常用的智能优化算法主要包括：模仿自然界生物进化机制的遗传算法（Genetic Algorithm, GA）、模拟蚂蚁集体寻径行为的蚁群算法（Ant Clony Optimization，ACO）、模拟鸟群和鱼群群体行为的粒子群算法（Particle Swarm Optimization, PSO）、源于固体物质退火过程的模拟退火算法(Simulated annealing, SA)、模拟人类智力记忆过程的禁忌搜索算法(Tabu Search,TS)、模拟生物免疫系统学习和认知功能的免疫算法(Immune Algorith, IA)等，在优化领域称它们为智能优化算法。其中模拟退火算法（SA）等是基于个体的智能优化方法，而遗传算法（GA）、蚁群算法（ACO）和粒子群优化算法（PSO）等都是基于种群的智能优化方法。 智能算法主要特点： ? 是一类不确定的优化算法。不确定性体现了自然界生物的生理机制，并且在求解某些问题时优于确定性算法。 ? 是一类概率型的全局搜索算法。随着搜索优化过程的不断推进，找到优质解的概率大于得到劣质解的概率，能以更大概率求得全局最优解。 ? 在优化过程中，不依赖于优化问题本身的某些数学特性。如目标函数和约束条件的精确数学描述、目标函数的连续性及可导性等。 ? 是一类基于多个智能体的算法。各个智能体之间通过相互协作来更好适应环境，以获取所需性能，具有潜在的并行性。 ? 搜索过程同时从多点出发，分布式并行计算模式极大地提高了整个算法的运行效率、鲁棒性和反应能力，具有很好的学习能力。 ? 在复杂的、不确定的、时变的物流与供应链的问题环境中，能通过自我学习不断提高个体的适应性。 ;5.1.1 传统优化方法与智能优化算法及其区别 ;5.1.2 智能优化方法简介;5.1.2 智能???化方法简介;5.1.2 智能优化方法简介;2. 模拟退火算法（Simulated Annealing Algorithm , SAA）;(1) 初始化：初始温度T(充分大)，初始解状态S(是算法迭代的起点)，每个T值的迭代次数L (2) 对k=1, …, L做第(3)至第(6)步 (3) 产生新解S′ (4) 计算增量ΔT=C(S′)-C(S)，其中C(S)为评价函数，即优化的目标函数 (5) 若ΔT0则接受S′作为新的当前解；否则以概率exp(-ΔT/T)接受S′作为新的当前解. (6) 如果满足终止条件则输出当前解作为最优解，结束程序。终止条件通常取为连续若干个新解，都没有被接受时终止算法。 (7) T逐渐减少，且T=T-1，T0，然后转第2步。 模拟退火算法是一种通用的优化算法，是局部搜索算法的扩展。它与局部搜索算法的不同之处在于以一定的概率选择邻域中目标值大的状态。从理论上讲，它是一种全局最优算法。另外，模拟退火算法具有十分强大的全局搜索性能，这是因为它采用了许多独特的方法和技术，基本不用搜索空间的知识或者其他的辅助信息，而只是定义邻域结构，在邻域结构内选取相邻解，再利用目标函数进行评估。同时，采用概率的变迁来指导它的搜索方向，它所采用的概率仅仅是作为一种工具来引导其搜索过程朝着更优化解的区域移动。因此，虽然看起来它是一种盲目的搜索方法，但实际上有着明确的搜索方向。 SAA的优点是捜索过程根据Metropoli准则决定接受新解与否，即以一定概率接受劣解，来使算法具有避免陷入局部极值与过早收敛的全局优化能力，具有较强的跳出局部最优值的能力，该算法求解效率高、灵活性强，同时具有较好的鲁棒性和通用性。但是，SAA对初始值，如初始湿度和退温系数有较强的依赖性，初始参数选择合理与否对求解结果影响较大。;3. 禁忌搜索算法（Tabu Search, TS）;（1）给定算法参数，随机产生初始解x，置禁忌表为空。 （2）判断算法终止条件是否满足？若是，则结束算法并输出优化结果；否则，继续以下步骤。 （3）利用当前解的邻域函数产生其所有（或若干）邻域解，并从中确定若干候选解。 （4）对候选解判断藐视准则是否满足，也就是若成立，则用满足藐视准则的最佳状态y替代x成为新的当前解，即x=y，并用与y对应的禁忌对象替换最早进入禁忌表的禁忌对象，同时用y替换列表中“目前最好”状态，然后转步骤6；否则，继续以下步骤。 （5）判断候选解对应的各对象的禁