摘要:本文考虑物流配送时的实际情况,建立以作业量最小和配送时间最短为目标的多目标规划模型,改进遗传算法,采用免疫遗传算法进行求解,并将结果可视化。
关键词:免疫遗传算法;任务量;多目标规划;物流选址
1研究背景
近年来,随着电子商务的快速发展,网购人群逐年扩大,快递业处于快速的发展阶段。然而你带来的问题是城市中物流配送系统的巨大压力。物流配送系统中物流中心的选址是决定城市物流系统能否高效、盈利、健全的最为关键的因素。
在传统的物流中心选址模型中,大都假设物流系统中所涉及的库存费用、运输费用、需求量等关键因素为已知常数,然后根据要求确定一个或多个物流中心。但在实际情况中,有些影响物流中心选址的因素是不确定的,从而形成了物流中心选址的不确定环境。
2物流选址国内研究现状
在随机选址模型研究方面,常玉林【1】等研究了有能力限制的单设施随机选址模型。袁庆达【2】等提出了优化区域公共物流中心规模和选址问题的二级非线性规划模型。针对需求量应该为随机变量这一现实情况,杨波【3】等提出了一个单设施随机选址模型采用最小值标准确定最优设施地址。
3基于多目标规划的物流选址模型
3.1物流选址模型建立
3.2基于免疫遗传算法的模型求解
任何一个优化问题可以转化为一个函数问题,因此生物智能算法广泛应用,同样生物免疫算法(AIA)也是一种模拟达尔文生物进化的一个新型智能算法,生物免疫算法(AIA)根据生物系统抗体处理抗原机制,抗体进化以及最终消灭抗原,这一过程为生物免疫算法(AIA)全局寻优解的过程。
人工免疫系统正引起人们的极大重视,基于免疫系统原理开发了各类算法,遗传算法GA、差分进化算法DE、蜂群算法ABC、鱼群算法FSA等,在工程实际问题中,应用越来越广泛,也取得越来越多的成果。
3.2.1免疫算法[4]的算法流程
实现步骤如下:
图1免疫算法流程图
首先对问题进行分析,随机产生个个体并从记忆库中提取个个体构成初始群体,对该群体进行评价,该评价以个体期望繁殖率为标准,然后形成父代群体。将初始群体按期望繁殖率进行降序排列,取前个个体构成父体;并取前个个体存入记忆库中。判断满足条件后结束,不满足条件继续残生新群体。
3.2.2初始抗体群的产生
若记忆库非空,则初始抗体群从记忆库中选择生成。否则,就在可行解空间随机产生初始抗体群。采用简单编码方式,每个选址的方案可以形成一个长度为的抗体(表示配送中心数量),每个抗体代表被选为配送中心的需求点序列。
3.2.3解的多样性评价
为有效维持和扩大免疫系统淋巴细胞种群进化个体的多样性,就需要制定一个有效度量标准来度量和评价个体之间的差异。差异度量标准的有效性和精细程度影响免疫粒子群算法中个体多样性的水平。
(1)抗体与抗原间亲和力
此处针对配送中心选址模型,设计如下亲和力函数:
免疫算法收敛曲线:从图3中可以看出当迭代次数达到45次以后,已求得最优适应度值,且平均适应度值在一定范围内波动且波动范围较小说明该模型建立合理,及求解结果准确。
参考文献
[1]常玉林,王炜.城市紧服务系统优化选址模型.系统工程理论与实践,2000,32(2)104∼117
[2]袁庆达,杜文,黎青松.区域公共物流中心规模和选址问题.交通运输工
程学报,2001,1(4):97∼100
[3]陈曦,傅明.GIS环境下的物流配送中心选址模型与算法研究.计算技术
与自动化,2001,5(4):6∼9
[4]王磊免疫算法进化计算理论及应用【D】西安电子科技大学博士学位论
基金项目:江苏省大学生创新创业训练计划项目(XCX2017025)
通讯作者:姜英姿,男,副教授,主要从事计量、统计教学以及环境经济、可持续发展领域的科研。