蚁群混合遗传算法在物流配送中的研究与应用

论文摘要

随着我国市场经济的逐步完善,企业之间的竞争日益加剧,物流作为“第三方利润的源泉”受到国内各行业的极大重视并得到了较大的发展。物流配送是物流活动中直接与消费者相连的环节,在物流的各项成本中,配送成本占了相当高的比例。配送车辆调度的合理与否对配送速度、成本、效益影响很大。如何有效地进行车辆调度,降低企业的运输成本,在满足顾客多样化需求的同时,给企业带来利润,是物流配送行业发展的目标,也是研究者关注的重点问题。目前对车辆优化调度问题的研究中,采用的算法很多,如遗传算法、蚁群算法、模拟退火算法等。这些算法都有各自的优缺点,很难使用单独的一种算法就能得到最优良的结果。本文详细分析了遗传算法和蚁群算法特点,提出了一种蚁群混合遗传算法求解车辆优化调度问题的新算法,算法思想是在车辆调度的前阶段利用遗传算法群体性全局搜索能力,快速形成初始解,在满足终止遗传算法的条件之后,将遗传算法调度的较优解转化为蚁群算法所需要的初期信息素,然后利用蚁群算法所具有的正反馈性、高效等特点迅速地形成车辆调度的最优解。这种新算法的优点在于很好的避免了遗传算法后期搜索速度变慢,容易过快收敛和蚁群算法前期生成初始最优解较慢的缺点,从而提高了算法的整体性能。为了评估算法性能,我们在Matlab7.0环境下进行编程实验,试验结果表明,利用蚁群混合遗传算法进行物流配送车辆优化调度问题求解,能够方便有效的求得近似最优解。最后,针对物流配送的快速发展态势和计算机配送调度系统面临着的巨大应用前景,本文提出开发物流配送车辆计算机调度管理系统的设想,并进行了可行性分析。

论文目录

• 摘要
• Abstract
• 引言
• 1 绪论
• 1.1 研究背景
• 1.2 研究意义
• 1.3 问题的提出
• 1.4 国内外研究现状
• 1.5 本文研究内容
• 2 物流配送系统研究
• 2.1 物流概述
• 2.1.1 物流的概念
• 2.1.2 物流的分类
• 2.1.3 物流的职能
• 2.2 物流配送
• 2.2.1 配送的概念
• 2.2.2 配送的基本环节
• 2.2.3 物流配送分类
• 2.2.4 配送的意义
• 3 物流配送车辆调度的数学模型
• 3.1 一般车辆调度问题
• 3.2 带有时间窗的车辆调度问题
• 3.2.1 问题描述
• 3.2.2 数学模型
• 3.3 VRP研究方法总结
• 4 遗传算法和蚁群算法
• 4.1 遗传算法
• 4.1.1 遗传算法的产生与发展
• 4.1.2 遗传算法基本概念
• 4.1.3 遗传算法基本步骤
• 4.1.4 遗传算法的特点
• 4.1.5 遗传算法在VRP中的应用
• 4.2 蚁群算法
• 4.2.1 基本原理
• 4.2.2 基本蚁群算法的系统模型
• 4.2.3 蚁群算法流程
• 4.2.4 蚁群算法特点
• 4.2.5 蚁群算法的改进
• 4.2.6 蚁群算法在VRP中的应用
• 5 蚁群混合遗传算法在VRPTW中的应用
• 5.1 算法结合的可行性
• 5.1.1 背景
• 5.1.2 两种算法的缺点
• 5.1.3 算法结合的基本思想
• 5.2 本文研究的VRPTW
• 5.3 算法关键环节
• 5.3.1 编码
• 5.3.2 初始化种群
• 5.3.3 适应度函数
• 5.3.4 选择算子
• 5.3.5 交叉算子
• 5.3.6 变异算子
• 5.3.7 蚁群算法规则
• 5.3.8 算法的衔接
• 5.4 算法的步骤
• 5.5 算法试验与结果分析
• 5.5.1 试验数据
• 5.5.2 参数设置
• 5.5.3 结果分析
• 5.5.4 小结
• 6 物流配送车辆管理系统开发分析
• 6.1 系统开发的意义
• 6.2 系统分析
• 6.2.1 系统分析的任务
• 6.2.2 系统开发的原则
• 6.2.3 采用的技术
• 6.2.4 设计目标
• 6.3 系统的实现
• 6.3.1 物流配送业务流程
• 6.3.2 系统主要功能
• 6.3.3 系统结构图
• 6.3.4 主要功能模块分析
• 结论
• 参考文献
• 附录A R1-02数据
• 致谢
• 作者简介及读研期间主要科研成果