基于离散微粒群智能算法的废旧家电逆向回收物流网络优化模型.docxVIP

基于离散微粒群智能算法的废旧家电逆向回收物流网络优化模型 0 逆向回收物流成本控制 随着电子产品生命周期的缩短，大量废弃产品已成为环境的主要来源之一。为了有效控制环境的不断恶化和可持续发展的需要,德国、美国等发达国家均引入了生产者责任延伸制度,通过法律法规明确家电产品逆向物流渠道各成员的责任。但我国还没有建立起规范的废旧家电回收体系,大量废旧家电产品超期服役和任意处置的现象较为普遍,由此产生的安全隐患、能源浪费和环境污染等问题也越来越严重。因此,废旧家电的逆向回收问题是亟待解决的问题之一。 当前,我国废旧家电产品回收率较低的最主要原因就是回收过程中耗费的成本较高,而回收企业获取的利润又相对较低。因此,如何有效控制废旧家电的逆向回收物流成本成为解决该问题的关键。废旧家电的逆向回收物流成本主要取决于回收物流网络中各物流节点和运输路线的抉择。同时,在既有的对废旧家电的逆向回收网络研究中,要么是从回收站、回收处理中心等物流节点的选址问题角度进行研究;要么是从逆向物流运输路径的优化问题角度进行研究,缺乏从物流节点和运输路径优化两个要素的集成优化角度进行研究。为此,本文在系统分析废旧家电逆向回收物流网络结构的基础上,构建废旧家电逆向回收物流网络的集成定位-运输路线安排问题模型,来对废旧家电逆向回收物流网络进行集成优化与控制,从而有效降低废旧家电的逆向回收物流成本。 1 回收处理中心 废旧家电回收企业的逆向物流网络一般包括:消费者、回收站、回收处理中心、旧货市场、废旧原材料再加工工厂、无公害处理地共6个物流节点。回收站负责收集周边消费者使用后的废旧家电。回收处理中心由检测中心、再制造中心和拆解中心三个部门构成。检测中心首先对送达回收处理中心的废旧家电进行检测,经检测后一部分仍能使用的废旧家电将直接送往旧货市场进行再销售,一部分送往再制造中心经过再制造处理后再送往旧货市场进行再销售,一部分直接送往无公害处理地进行掩埋或燃烧,而剩余部分将送往拆解中心进行拆解。经拆解后,一部分废旧原材料送往原材料加工厂进行再加工,一部分则送往无公害处理地进行掩埋或燃烧。如图1所示。 1.1 回收站及回收物流的确定 构建基于集成定位-运输路线安排问题的废旧家电逆向回收物流网络优化模型的基本假设为: 1)各个废旧家电的回收站位置及其年回收量为已知; 2)忽略回收处理过程中废旧家电的损耗,即在进行检测、再制造和拆解作业中不考虑所有原材料的损耗问题; 3)废旧家电的再销售市场位置及市场容量为已知; 4)逆向回收物流网络中的运输成本只与运输量和运输距离相关。 1.2 原材料处理厂g i为各个回收站编号,回收站总数为n; j为各个回收处理中心编号,回收处理中心总数为m; s为各个原材料加工厂编号,原材料加工厂总数为g; Mj为第j个回收处理中心的年固定投资成本; Nt为第t个无公害处理地的年固定投资成本; Xij为从回收站i到回收处理中心j的运输距离; Yij为从回收站i到回收处理中心j的运输量; Ajr为从检测中心j到旧货市场r的运输距离; 1.3 收处理中心的输出量和输出量平衡 基于集成定位-运输路线安排问题的废旧家电逆向回收物流网络优化模型的目标函数为: 其相应的约束条件如下。 第j个回收处理中心的输入量与输出量平衡: 从第i个回收站运输到各回收处理中心的总量等于该回收站的总回收量: 第j个检测中心的检测总量不能超过其作业能力: 第j个再制造中心的检测总量不能超过其作业能力: 第j个拆解中心的检测总量不能超过其作业能力: 第t个无公害处理地的处理总量不能超过其作业能力: 第r个旧货市场的再销售量不能超过其市场容量: 其中: 2 分散尺寸优化 离散微粒群优化(Discrete Particle Swarm Optimization,DPSO)算法能在进化过程中同时保留和利用位置与速度信息,并将微粒的位置与速度模型化,得到一组显式的进化方程,而其他优化算法仅仅保留和利用了位置信息;离散微粒群优化算法不但具有遗传算法的全局搜索能力,还由于其微粒没有个体的杂交、变异等运算操作,其参数的调整就变得简单方便,很适合计算机编程,而通过各项参数的调整使微粒群优化算法又具有了很强的局部搜索能力。因此,本文选用离散微粒群优化算法来对废旧家电逆向回收物流网络的集成定位-运输路线安排问题模型进行优化和求解。 2.1 离散粒子群算法 离散微粒群算法则是在微粒群算法在离散优化上的改进与应用,其具体算法为:设在R维空间中有ψ个微粒,则第l个微粒的当前位置为xl=(xl1,xl2,…,xl R),l=1,2,…,ψ;第l个微粒的当前飞行速度为vl=(vl1,vl2,…,vl R),l=1,2,…,ψ;第l个微粒所经历过的最好位置(即第l个微粒的个体适合度最小的位置)为pl=(pl1,pl2,…,p