基于蚁群优化算法的图书配送路径规划模型

  • 时间:
  • 浏览:5

针对图书物流配送中的多目标优化什么的问题,提出某种 基于蚁群优化算法的图书配送路径规划模型,使配送成本最小化。首先对图书物流配送路径规划模型进行分析,并选泽 作业成本法对成本目标进行优化;而且采用单亲遗传混合蚁群算法对建立的模型进行求解,避免全局优化什么的问题和求解下行速度 什么的问题。以某图书配送中心为例进行优化仿真测试,验证了模型的有效性。相比传统的人工方案,采用的图书物流配送路径规划模型及单亲遗传混合蚁群算法的配送方案有效降低了物流配送作业的成本。

随着经济的快速发展,我国的GDP原困连续保持高速增长,亲戚朋友的生活在物质方面得到了长足的进步,生活充足。与此一同,亲戚朋友的娱乐和文化需求日益增长。图书作为某种 传统的知识载体,在人类历史上扮演着十分重要的作用,是人类知慧的结晶。图书不需要 在很大程度上满足亲戚朋友精神文化需求,提高知识水平,提升文明素养,而且,近几年来图书出版与发行业不需要 维持稳定的增长趋势[1]。而且,随着用户需求和图书数量的不断增多,图书物流配送什么的问题成为近期研究的热点[2?3]。

怎么才能 才能 在保障配送下行速度 和准确率的前提下,尽原困地降低图书配送的作业成本是图书物流管理系统的关键。随着计算机、应用数学和网络交通等学科的交叉研究,作为NP什么的问题的车辆路径是避免图书物流管理系统关键的有效手段[4]。近期,启发式算法求解车辆路径什么的问题成为研究的新途径。文献[5]采用蚁群算法对周期性车辆路径什么的问题进行求解,并提出采用某种 改进最好的依据(多维信息素的运用和基于扫描法的局部优化最好的依据)来提高算法的性能,表现出现着的性能提升。算法测试结果验证了提出最好的依据的可行性。相比传统的遗传算法,提出的蚁群优化遗传算法表现出较好的性能。针对最小最大车辆路径求解什么的问题,文献[6]提出某种 动态自适应蚁群优化算法。该算法采用动态最大最小蚂蚁系统策略调整最优解,每次迭代更新将作为当前信息素矩阵最大值的函数,并通过灰色模型预测和信息素矩阵的边界控制来增强蚁群算法参数的自适应性能。

与一点相关的蚁群算法相比,单亲遗传混合蚁群算法收敛下行速度 减慢,具有更好的优化性能和应用效果。而且,本文提出某种 基于蚁群优化算法的图书配送路径规划模型,使配送成本最小化。仿真测试结果验证了提出最好的依据的可行性。实验结果表明,基于单亲遗传混合蚁群算法的图书物流配送路径规划模型表现出较好的性能。

1图书物流配送路径规划模型

1.1优化目标选泽

物流配送车辆调度过程可不都可以 根据货物和车辆信息在配送区域划分后进行车辆的具体安排。其中,配送区域划分涉及配送中心分布和需求点分布。用户需求一般包括订货信息和退货信息,并可不都可以 之后进行分类汇总。在车辆安排完成后,可不都可以 根据交通情形、客户的具体位置和送货时间来选泽 配送路线,这时涉及模型的一一二个 关键指标:交货时间信息和运输成本费用,这也是选泽 算法的优化目标。在选泽 完成后,根据配送路线和配送顺序进行车辆装配并完成配送,通常会对车辆的位置进行周期分派跟踪。

通过上述分析,还可不都可以 将配送作业的优化目标分为:车辆利用率高;准时送达;配送距离最短;配送成本最低;每吨货物运送1 km所可不都可以 的运费至少。

原困图书物流配送的行业特性,对配送的下行速度 要求都有很高,最大的需求点是降低成本,而且本文将降低配送成本作为配送作业的优化目标。

1.2基于作业成本法的模型优化

图书物流中心配送模型研究原困较为早熟是什么是什么图片 图片 期,而且本文重点采用作业成本法对现有图书物流配送的车辆路径规划什么的问题的数学模型进行优化。

通过图书配送成本项分析,采用作业成本法计算优化目标后,车辆路径规划什么的问题的数学模型的形式如下:

2单亲遗传混合蚁群算法

求解多目标优化的车辆路径什么的问题时,与基本蚁群算法相比,单亲遗传混合蚁群算法具有计算下行速度 高、收敛性好等优点,尤其单点单亲遗传混合蚁群算法不仅具有较好的计算性能,而且具有较高的稳定性。而且,本文引入单亲遗传混合蚁群算法对构建的模型进行求解。

2.1蚁群算法求解路径规划什么的问题

设蚁巢的蚂蚁数为[R],可不都可以 优化的元素集合为[D],[Dφi]表示其第<i>[(1≤i≤n)]个元素。为实现初始种群求解什么的问题,在本文中可不都可以 优化的所有参数的数量为[n]。假设有有哪些元素[φi]发生[K]种数值,则[ζj(Dφi)(0)]为初始条件下第[j]个元素的信息素。

重复执行以上过程直到允许的最大迭代次数,原困所有蚂蚁均获得唯一一二个 元素,即得到了优化后的初始种群相关参数。

2.2单亲遗传混合蚁群算法的实现

传统蚁群?遗传算法在通过蚁群算法生成初始种群之后,可不都可以 继续执行遗传操作。遗传操作的主要内容为:选泽 算子、交叉算子和变异算子[6]。传统遗传过程的交叉算子操作会发生计算复杂度较大和早熟是什么是什么图片 图片 期收敛什么的问题,文献[7]将单亲遗传算法和基本蚁群算法相结合,使其优势互补,并利用单亲遗传算法的特点,构建出某种 求解该什么的问题的单亲遗传混合蚁群算法。而且针对构建的成本优化图书物流配送路径规划模型引入单亲遗传混合蚁群算法,以便提高收敛下行速度 并获取更优解,单亲遗传混合蚁群算法的流程如图1所示。

图1单亲遗传混合蚁群算法流程

3实验结果与分析

为了验证提出的图书物流配送路径规划什么的问题模型及单亲遗传混合蚁群算法的可行性,以2018年10月—12月某省会城市图书物流中心为例,进行某辖区内图书销售网点配送优化和仿真。该辖区内图书销售网点共9个,配送的货物种类为一般印刷图书。中心类似型配送车辆共6辆。车辆固定成本因子为102元/(辆·次)。

3.1算法性能分析

经过400次仿真运算,设置最大迭代次数均为400。优化前的配送路径如图2所示。经过单亲遗传蚁群算法计算合理的配送顺序后,优化后的拣选路径如图3所示。

图2优化前的配送路径(9网点)

图3优化后的配送路径(9网点)

3.2配送方案比较

最后,将提出模型计算出的配送方案与人工经验设计的配送方案[8]进行对比分析,如表1所示。

表1配送方案比较

从表1还可不都可以 看出,相比现有人工设计的配送方案,本文图书物流配送路径规划什么的问题模型即单亲遗传混合蚁群算法的配送方案配送成本降低了22.1%,配送距离减少了15.9%。这说明单亲遗传混合蚁群算法在一定程度上克服了收敛“早熟是什么是什么图片 图片 期”,得到了全局最优解。

4结语

本文提出某种 基于蚁群优化算法的图书配送路径规划模型,使配送成本最小化。结合某图书物流中心的配送实例进行案例分析,验证了模型的有效性。一同,通过算法的比较分析,证明单亲遗传混合蚁群算法具有较好的全局最优和快速收敛性能。而且,算法的复杂有一定的提高,后续将对并行计算和算法步骤复杂开展进一步研究。

注:文章内的所有配图皆为网络转载图片,侵权即删!