《人工蜂群算法在连锁超市物流配送中的应用案例综述》2900字.docx

人工蜂群算法在连锁超市物流配送中的应用案例综述

目录

TOC\o1-2\h\u30946人工蜂群算法在连锁超市物流配送中的应用案例综述 1

42451.1改进的人工蜂群算法流程 1

6651.1.1路径编码和解码 1

203231.1.2目标函数和适应度计算 2

220011.1.3采蜜蜂邻域搜索 3

151551.1.4观察蜂的选择 5

268891.2仿真实验及结果分析 6

110651.2.1数据介绍 6

168771.2.2仿真环境和结果分析 7

鉴于人工蜂群算法的优点及其在优化问题中的广泛应用，本文提出了一种采用序列编码、解码、邻域搜索和交叉变异的人工蜂群算法模型。该模型将连锁超市的可能配送路径投影到排列空间，并利用采蜜蜂的邻域搜索和侦查蜂的探测来寻找最优路径，同时引入遗传算法对排列问题的交叉、变异策略，大大提升了模型的求解性能。

1.1改进的人工蜂群算法流程

连锁超市的物流配送问题是从所有可能的配送路径中选择一种最优的配送方案，其可行解的范围是非连续的。然而，传统的人工蜂群算法无论采蜜蜂的邻域搜索还是侦查蜂的生成初始蜜源操作都是针对连续的变量提出的，这对物流配送问题的离散问题并不适用。基于此，本文对传统的人工蜂群算法进行改进，通过借鉴遗传算法的交叉、变异等操作，针对人工蜂群算法提出了一种新的邻域搜索、蜂群变异策略。

1.1.1路径编码和解码

本文利用序号编码的方式对配送中心和超市进行编码和解码操作。具体的，首先利用0来表示配送中心，则所有的超市对应于集合S={1,?,N},其中N表示超市的个数。以5个超市为例对编码进行介绍，侦查蜂随机生成排列{3,2,1,4,5}，这表示配送车辆从0开始依次经过超市3、超市2、超市1，超市4和超市5，然后回到配送中心0。

然而，由于配送车辆的的容量有限，所以该编码并不是配送车辆的实际运输路线。因此，对于任意编码X={x1,x2,?,xN}

Step1:配送车辆从配送中心出发，车辆的已经装载的货物重量为CAPcur=CAP

Step2:判断若CAPcur≥demi,执行Step3

Step3:对当前超市进行配送。将超市xi放入实际解码路径Y中，即Y={Y,xi}，车辆的当前载重量

Step4:回配送中心。此时解码路径Y={Y,0}，车辆的当前载重量CAPcur

Step5:当iN,表示此时已经遍历所有的超市，则配送车辆回到配送中心，此时Y={Y,0}。

在实际蜂群算法中，侦查蜂生成N个超市的随机排列作为初始蜜源。

1.1.2目标函数和适应度计算

针对任意蜜源，即任意的编码方案X=x1,x2,?,xN，通过1.1.1得到解码后的实际运输方案X=y1,y2,?,y

f

本文中，fX表示蜜源X的目标函数值。但是，由于适应度应该越大越好，所以对f

fit

在上式中，fitX表示蜜源X

1.1.3采蜜蜂邻域搜索

由于传统的采蜜蜂的邻域搜索是针对连续性变量提出的，但是本文中的蜜源都是排列。根据遗传算法提出的交叉、变异操作在组合优化问题中取得很好的应用，我们利用部分映射交叉和邻域变异来执行采蜜蜂的邻域搜索。

（1）部分映射交叉

部分映射交叉的主要思想是，对于当前蜜源X1，首先，采蜜蜂随机选择待交叉的蜜源X2。其次，随机生成待交叉的区域，交换X1和X2对应区域的排列。最后，建立映射表，消除交叉后重复的基因。现以7个超市为例进行介绍，令当前的蜜源X1={3,2,4,6,1,7,5},随机选择的交叉蜜源为X2={1,7,5,2,6,4,3}。随机选择待交叉区域，比如待交叉的区域为3,4,5。此时交叉后的蜜源变成X1={3,2,5,2,6,7,5}，X2={1,7,4,6,1,4,3}。此时，需要建立的映射表为：4?5,6?2,1?6，即4?5,1?2。此时，将

图4-1-1部分映射交叉示意图

（2）邻域变异

邻域变异的主要思想是：任意选择两个超市，改变两个超市的位置，即完成邻域变异操作。现以7个超市为例进行介绍，令当前的蜜源X={3,2,4,6,1,7,5},首先，随机选择两个位置比如2,5，交换这两个位置上的对应元素生成新的蜜源X={3,1,4,6,2,7,5}

1.1.4观察蜂的选择

当所有的侦查蜂完成蜜源生成或者采蜜蜂完成邻域搜索后，此时进行蜜源解码并生成运输车辆的实际运输方案。根据1.1.2所示的方法计算所有蜜源的适应度。由于蜜量大的蜜源（即适应度大的蜜源）具有较大的概率吸引观察蜂前来采蜜。本文采用轮盘赌的方式进行蜜源选择。此时，蜜源X被选择的概率为：

PX

由上式可以看出，当Fit(X)越大表示该蜜源具有较大的概率被选中，进而后代蜜源中可以保留更多的个体。适应度较低的蜜源被选中的概率很小，逐渐被淘