1、物流物流论文范文:谈谈基于遗传算法的农产品物流车辆路径理由决策 word 版下载导读：本论文是一篇关于基于遗传算法的农产品物流车辆路径理由决策的优秀论文范文,对正在写有关于物流论文的写作者有一定的参考和指导作用,论文片段：摘要：我国农产品物流成本较高的主要理由之一是缺乏科学的管理技术，尤其是基于定量分析的决策技术。对物流车辆路径理由的优化可以有效降低农产品的物流成本。针对农产品的时效性，对带有时间窗的农产品物流车辆路径理由，引入客户满意度函数，建立实例决策模型，运用遗传算法工具箱进行优化求解。通过对优化前后的数据进行比较，验证决策模型的可行性和合理性。关键词：农产品物流；时间窗；车辆路径理由；
2、遗传算法：A1 VRP 理由一般描述车辆路径理由（Vehicle Routing Problem， VRP）是运筹学与物流管理决策的一个重要理由。目前，一般作用上的物流，指物流中心按照不同客户多频度、小批量的订货要求进行组织物流、其中主要内容是根据确定的货物量进行车辆的分配和物流路线的生成，即广受研究的车辆路径理由，如图 11 所示。由于从事农产品物流物流的汽车货运工作尤其是从事城市果蔬物流的汽车货运工作条件复杂，不仅货运点多、货物种类繁多、道路网复杂、服务地区网点分布不均匀，最重要的是果蔬农产品物流有一个严格的时间限制。因此，如何应用计算机快速求解路线优化方案是国内外专家学者普遍探索的重要课
3、题。VRP 理由需满足以下条件：（1）每条物流路径上各客户的需求量之和不超过货车的最大载重量。（2）每条物流路径的长度不超过货车一次物流的最大行程。（3）每个满足每个客户要求（如时间要求） ，且只能由一辆货车送货。（4）每辆货车均从物流中心出发，完成任务后又全部返回物流中心。2 VRP 理由的一般数学模型设物流中心为 1 个，货车编号为 k，客户编号为 1，2，l，考虑车辆载重量约束、数量数目约束、时间约束等，可定义如下的基本数学模型：5 EXCEL 遗传算法工具箱利用 EXCEL 加载 Evolutionary Solver，其基本原理是根据遗传学、进化论和适者存活原理建立的。EXCEL 标
4、准 Solver 是从单独一个解（初始点）开始，朝着优化解的方向移动。对所有点来说，标准 solver 只追踪一个唯一的解（目前为止找到的最好的解） 。相反，evolutionary solver 从随机产生大量候选解开始，这些候选解被称为“群体” 。在求解过程中，evolutionary solver 追踪候选解的整体群体。在生成了群体之后，evolutionary solver 接着对群体创造了新的一代。存在的候选解群体结对创造先下一代的子孙。借鉴遗传学的原理，这些子孙后代结合了每对父母的一些因子。例如，一个后代可能兼有父母一方的一些可变单元格和另一方的一些值，而其他可变单元格可能只是在父
5、母双方之间均分。在任何一代的解的群体中，有些解是好的（或合适的） ，有些是不好的（或不合适的） 。我们通过计算群体中得候选解的目标函数来确定解的适应度。对那些不满足一个或多个约束条件的解的惩罚就是将它们排除在外。接着，借鉴进化论和适者存活的原理，群体中“合适”的成员被允许频繁地繁殖（创造许多后代） ，而“不适合”的成员不允许繁殖。如此下去，群体最终将变得越来越合适。遗传算法的另一个关键特征是突变。如同生物学中的基因突变一样，evolutionary solver 有时对群体中的成员进行随机的转变。例如，一个可变单元格的数值可能会被一个新的随机值取代。这种突变可以创造与其余群体无关的后代。这是非
6、常重要的，因为它可以帮助算法在局部最优值附近受到困扰时摆脱困扰。Evolutionary solver 不断创造新一代的解，直到连续几代都没有改善。然后算法就结束了，并报告目前为止找到的最佳解。6 案例验证6.1 案例背景上海世纪联华生鲜物流中心为全市 13 家主要门店物流农产品。物流中心和 13 家门店实际地理位置如图 61 所示。物流中心要在一天内用一辆满载的货车将果蔬物流到各家门店，然后车辆返回物流中心，车辆出发点和返回点都是物流中心。我们将要物流的门店按字母顺序列出，每家门店都标上一个数字（113 之间的一个整数）和一个中文简称，如表 61 中的 B6：C18 单元格和 E3：Q4 单
7、元格所示。数据单元格是各点之间的物流距离（D5：Q18） ，给出了每一家门店之间的物流距离。需要制定的决策是车辆返回到物流中心前均物流过每家门店。因此，相应的可变单元格route（D22：P22）显示出物流各阶段物流的不同门店（通过其数字标号引用） 。换句话说，在物流中心之后第一家门店的数字标号将在单元格 D22 中显示出来，第二家门店将在单元格 E22 中显示出来，一次类推。表 61 所示的电子表格模型显示了按字母顺序物流各个门店的路径。这条物流路线的总长度为 190 公里。6.2 案例求解第 23 行显示了根据第 22 行中各门店的数字编码给出的中文简称，使用了 EXCEL 的 INDEX
8、 函数。第 24 行利用 INDEX 函数查询出了物流路线中每个门店与前一个门店之间的距离。目标单元格Total Miles Traveled（Q26）将路线中总物流距离加总一起。由于各家门店只需要物流一次，这一模型中的一个约束条件是所有的可变单元格都必须是 113 中的一个整数，不能重复。这一约束条件很难利用标准的 solver 来实现。幸运的是，premium solver 包含了一个新的约束类型，成为 alldifferent，它能满足我们的要求。当 n 个可变单元格选择 1n 的整数时，将这些可变单元格限制为 alldifferent 将迫使它们的取值为 1n 之间整数且不重复。为了利
9、用 premium solver 实现 alldifferent 这一约束条件，在 solver 中选择 add 按钮，弹出 add constraint 对话框。在对话框的左边选择可变单元格 route（物流路线） ，在对话框中间的下拉菜单中选择 dif，如图 62 所示。由此得到的模型不是线性的，因为 index 函数用来计算距离和 alldifferent 约束。但是，evolutionary solver 可以用来找到一个好的路径。利用evolutionary solver 求解后，得到的解显示在表 62 中的D22：P22 单元格和 D23：P23 单元格中。这条路径比表 61 所示
10、的路径改善了很多，总物流距离为 91 公里，比原先 190 公里节约了99 公里。物流优化路线为物流中心门店 8门店 4门店 6门店5门店 13门店 3门店 9门店 2门店 11门店 7门店 12门店 1门店 10。其中在运用遗传算法求解时个参数的设置如图63 所示。Max time（最长运转时间）：100 秒；Interations（迭代次数）：1000；Precision（精度）：1e006；Convergence（收敛值）：0.0001；Population Size（种群数）：100；Mutation Rate（突变率）：0.075；在“变量的要求范围”选项选中。这就将所有的可变单元格
11、限制在上限和下限之间。这将大大缩小 evolutionary solver 需要搜索的范围，并增加找到最优解的机会。在“evolutionary solver”选项对话框中点击“限制”（limit）选项卡。这个对话框对何时终止搜索提供了额外的制约。在“最大子理由” 、 “最大可行安全操作限制”中输入较大的数值，可以使搜索持续很长时间。 “偏差”为 0.05， “最大无改善时间”为30，意味着 evolutionary solver 将继续搜素直到在最后 30 秒内解的改善不超过 5%。减少“偏差” ，或增加“最大无改善时间”通常会使搜索时间变得更长。7 总结本文主要研究了现代遗传算法在解决带时
12、间窗的农产品物流车辆路径理由决策中的应用，并结合了 EXCEL 遗传算法工具箱，实现决策过程自动化。在求解复杂的非线性规划理由时，evolutionary solver 显示了两个重要的优点：第一，目标函数的复杂性不会影响 evolutionary solver。只要函数可以根据给定的候选解进行计算（为了确定适合的水平） ，那么函数是否有折点或者不连续或者许多局部最优值都没有关系。第二，通过计算不一定与当前最优解在同一领域内的所有候选解群体，evolutionary1 2 下一页导读：本论文是一篇关于基于遗传算法的农产品物流车辆路径理由决策的优秀论文范文,对正在写有关于物流论文的写作者有一定的
13、参考和指导作用,论文片段：onarysolver 之后再运转标准solver（GRG 非线性）是有帮助的，从 evolutionarysolver 找到的最优解开始，通过在该解的领域内进行搜索，能改善这个解。 参考文献： 李大卫，王莉，王梦光.遗传算法在有时间窗车辆路径理由上的应用.系统工程理论与实践，1999（8）：3233. 汪祖柱，程家兴，方宏兵，等.车辆路径理由的混合优化算法solver 不会受困于一个局部最优值。另外，即使整个群体最终向只是局部最优的解前进，突变仍然可以避开搜索被困在一点上。事实上，由于随机突变的存在，如果一直运转下去，那么Evolutionaty Solver 就可
14、以保证找到任何一个最优化理由的最优解。但是，这当然是不切实际的。另一方面，我们必须指出，Evolutionaty Solver 不是万能的。首先，为了找到最优解，计算花费的时间要长。选择了某些限制性选项后，搜寻更优解的过程可能会持续几个小时甚至几天。其次，Evolutionaty Solver 对于有许多约束条件的模型的效果不是很好。例如，对于线性规划理由的许多模型，标准 Solver 能够即刻进行求解，但 evolutionary solver 运转通常会产生一个不同的最终解。最后，找到的最佳解不是最优的（虽然它可能非常接近最优值） 。Evolutionary solver 作为最优化工具的
15、作用与标准 solver是一个聪明的搜索引擎，尝试不同的随机解。它很可能在一个非常接近最优值的解处结束，对于非线性规划理由的大部分类型它几乎不可能获得精确的最优解。因此，在 evolutionary solver 之后再运转标准 solver（GRG 非线性）是有帮助的，从 evolutionary solver 找到的最优解开始，通过在该解的领域内进行搜索，能改善这个解。参考文献：1 李大卫，王莉，王梦光. 遗传算法在有时间窗车辆路径理由上的应用J. 系统工程理论与实践，1999（8）：3233.2 汪祖柱，程家兴，方宏兵，等. 车辆路径理由的混合优化算法J. 运筹与管理，2004（6）：4243.3 刘诚，陈治亚，封全喜. 带软时间窗物流配送车辆路径理由的并行遗传算法J. 系统工程，2005（10）：1314.上一页 1 2
