遗传算法及在物流配送路径优化中的应用

遗传算法及在物流配送路径优化中的应用

一、遗传算法

1.1遗传算法定义

遗传算法（Genetic Algorithm）是模拟达尔文的遗传选择和自然淘汰的生物进

化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法，它是有美国Michigan大学J.Holland教授于1975年首先提出来的，并出版了颇有影响的专著《Adaptation in Natural and Artificial Systems》，GA这个名称才逐渐为人所知，

J.Holland教授所提出的GA通常为简单遗传算法（SGA）。

遗传算法是从代表问题可能潜在的解集的一个种群（population）开始的，而一

个种群则由经过基因（gene）编码的一定数目的个体(individual)组成。每个个体实际

上是染色体(chromosome)带有特征的实体。染色体作为遗传物质的主要载体，即多

个基因的集合，其内部表现（即基因型）是某种基因组合，它决定了个体的形状的外

部表现，如黑头发的特征是由染色体中控制这一特征的某种基因组合决定的。因此，

在一开始需要实现从表现型到基因型的映射即编码工作。由于仿照基因编码的工作很

复杂，我们往往进行简化，如二进制编码，初代种群产生之后，按照适者生存和优胜

劣汰的原理，逐代（generation）演化产生出越来越好的近似解，在每一代，根据问

题域中个体的适应度（fitness）大小选择（selection）个体，并借助于自然遗传学的

遗传算子（genetic operators）进行组合交叉（crossover）和变异（mutation），产

生出代表新的解集的种群。这个过程将导致种群像自然进化一样的后生代种群比前代

更加适应于环境，末代种群中的最优个体经过解码（decoding），可以作为问题近似

最优解。

1.2遗传算法特点

遗传算法是一类可用于复杂系统优化的具有鲁棒性的搜索算法，与传统的优化算法相比，主要有以下特点：

1、遗传算法以决策变量的编码作为运算对象。传统的优化算法往往直接决策变量的实际植本身，而遗传算法处理决策变量的某种编码形式，使得我们可以借鉴生物学中的染色体和基因的概念，可以模仿自然界生物的遗传和进化机理，也使得我们能够方便的应用遗传操作算子。

2、遗传算法直接以适应度作为搜索信息，无需导数等其它辅助信息。

3、遗传算法使用多个点的搜索信息，具有隐含并行性。

4、遗传算法使用概率搜索技术，而非确定性规则。

1.3遗传算法的一般算法

遗传算法是基于生物学的，理解或编程都不太难。下面是遗传算法的一般算法：创建一个随机的初始状态

初始种群是从解中随机选择出来的，将这些解比喻为染色体或基因，该种群被称为第一代，这和符号人工智能系统的情况不一样，在那里问题的初始状态已经给定了。

评估适应度

对每一个解(染色体)指定一个适应度的值，根据问题求解的实际接近程度来指定(以便逼近求解问题的答案)。不要把这些“解”与问题的“答案”混为一谈，可以把它理解成为要得到答案，系统可能需要利用的那些特性。

繁殖(包括子代突变)

带有较高适应度值的那些染色体更可能产生后代(后代产生后也将发生突变)。后代是父母的产物，他们由来自父母的基因结合而成，这个过程被称为“杂交”。

下一代

如果新的一代包含一个解，能产生一个充分接近或等于期望答案的输出，那么问题就已经解决了。如果情况并非如此，新的一代将重复他们父母所进行的繁衍过程，一代一代演化下去，直到达到期望的解为止。

并行计算

非常容易将遗传算法用到并行计算和群集环境中。一种方法是直接把每个节点当成一个并行的种群看待。然后有机体根据不同的繁殖方法从一个节点迁移到另一个节点。另一种方法是“农场主/劳工”体系结构，指定一个节点为“农场主”节点，负责选择有机体和分派适应度的值，另外的节点作为“劳工”节点，负责重新组合、变异和适应度函数的评估。

1.4术语说明

由于遗传算法是由进化论和遗传学机理而产生的搜索算法，所以在这个算法中会用到很多生物遗传学知识，下面是我们将会用来的一些术语说明：

一、染色体(Chronmosome)

染色体又可以叫做基因型个体(individuals),一定数量的个体组成了群体(population),群体中个体的数量叫做群体大小。

二、基因(Gene)

基因是串中的元素，基因用于表示个体的特征。例如有一个串S＝1011，则其中的1，0，1，1这4个元素分别称为基因。它们的值称为等位基因(Alletes)。

三、基因地点(Locus)

基因地点在算法中表示一个基因在串中的位置称为基因位置(Gene Position)，有时也简称基因位。基因位置由串的左向右计算，例如在串S＝1101 中，0的基因位置是3。

四、基因特征值(Gene Feature)

在用串表示整数时，基因的特征值与二进制数的权一致；例如在串S=1011 中，基因位置3中的1，它的基因特征值为2；基因位置1中的1，它的基因特征值为8。

五、适应度(Fitness)

各个个体对环境的适应程度叫做适应度(fitness)。为了体现染色体的适应能力，引入了对问题中的每一个染色体都能进行度量的函数，叫适应度函数. 这个函数是计算个体在群体中被使用的概率。

1.5遗传算法的应用

由于遗传算法的整体搜索策略和优化搜索方法在计算是不依赖于梯度信息或其

它辅助知识，而只需要影响搜索方向的目标函数和相应的适应度函数，所以遗传算法提供了一种求解复杂系统问题的通用框架，它不依赖于问题的具体领域，对问题的种类有很强的鲁棒性，所以广泛应用于许多科学，下面我们将介绍遗传算法的一些主要应用领域：

1、函数优化。

函数优化是遗传算法的经典应用领域，也是遗传算法进行性能评价的常用算例，许多人构造出了各种各样复杂形式的测试函数：连续函数和离散函数、凸函数和凹函数、低维函数和高维函数、单峰函数和多峰函数等。对于一些非线性、多模型、多目标的函数优化问题，用其它优化方法较难求解，而遗传算法可以方便的得到较好的结果。

2、组合优化

随着问题规模的增大，组合优化问题的搜索空间也急剧增大，有时在目前的计算上用枚举法很难求出最优解。对这类复杂的问题，人们已经意识到应把主要精力放在寻求满意解上，而遗传算法是寻求这种满意解的最佳工具之一。实践证明，遗传算法对于组合优化中的NP问题非常有效。例如遗传算法已经在求解旅行商问题、背包问题、装箱问题、图形划分问题等方面得到成功的应用。

此外，GA也在生产调度问题、自动控制、机器人学、图象处理、人工生命、遗传编码和机器学习等方面获得了广泛的运用。

二、遗传算法在物流配送路径优化中的运用

随着市场经济的发展和物流技术专业化水平的提高，物流配送业得到了迅猛发展。物流配送是指按用户的订货要求，在配送中心进行分货、配货，并将配好的货物及时送交收货人。在物流配送业务中，存在许多优化决策问题，通过制定合理的配送路径，快速而经济地将货物送达用户手中。配送路径的选择是否合理，对加快配送速度、提高服务质量、降低配送成本及增加经济效益都有较大影响。

物流配送路径优化问题可以描述为：从配送中心（或称物流据点）用多辆汽车向多个需求点（或称顾客）送货，每个需求点的位置和需求量一定，每辆汽车的载重量一定，要求

合理安排汽车路线，使总运距最短，并满足以下条件：（1）每条配送路径上各需求点的需求量之和不超过汽车载重量；（2）每条配送路径的长度不超过汽车一次配送的最大行驶距离；

（3）每个需求点的需求必须满足，且只能由一辆汽车送货。本文借鉴文献[3]建立的车辆路径问题的数学模型，并通过考虑上述物流配路径优化问题的约束条件和优化目标，建立了物流配送路径优化问题的数学模型。

设配送中心有K 辆汽车，每辆汽车的载重量为Q k （k=1，2，···，K ），其一次配送的最大行驶距离为D k ，需要向L 个需求点送货，每个需求点的需求量为q i （i=1，2，···，L ），需求点i 到j 的运距为d ij ，配送中心到各需求点的距离为d 0j （i 、j=1，2，···，L ），再设n k 为第k 辆汽车配送的需求点数（n k =0表示未使用第k 辆汽车），用集合R k 表示第k 条路径，其中的元素r ki 表示需求点r ki 在路径k 中的顺序为i （不包括配送中心），令r k0=0表示配送中心，则可建立如下物流配送路径优化问题的数学模型：

∑∑==?+=-K k i k r r r r n n s i g n d d

Z k k k kn ki i k 11)]([min 0)1( （1）

s.t. ∑=≤n Q q

k ki i k r 1 （2）

k i k r r r r D n n sign d d

k k k kn ki i k ≤?+∑=-)(10)1( （3）

L n k ≤≤0

（4） L n

K k k =∑=1 （5）

{}},...,2,1,,...,2,1|{k ki ki k n i L r r R =∈= （6） φ=21k k R R 21k k ≠? （7） ???≥=其他

011)(k k n n sign （8） 上述模型中，（1）式为目标函数；（2）式保证每条路径上各需求点的需求量之和不超过汽车的载重量；（3）式保证每条配送路径的长度不超过汽车一次配送的最大行驶距离；（4）式表明每条路径上的需求点数不超过总需求点数；（5）式表明每个需求点都得到配送服务；

（6）式表示每条路径的需求点的组成；（7）式限制每个需求点仅能由一辆汽车送货；（8）式表示当第k 辆汽车服务的客户数≥1时，说明该辆汽车参加了配送，则取sign(n k )=1，当第k 辆汽车服务的客户数<1时，表示未使用该辆汽车，因此取sign(n k )=0。

针对物流配送路径优化问题的特点，构造了求解该问题的遗传算法。

（1）编码方法的确定。根据物流配送路径优化问题的特点，采用简单直观的自然数编码方法，用0表示配送中心，用1、2、···、L 表示各需求点。由于在配送中心有K 辆汽车，则最多存在K 条配送路径，每条配送路径都始于配送中心，也终于配送中心，为了在编码中反映车辆配送的路径，作者巧妙地采用了增加K-1个虚拟配送中心的方法，分别用L+1、L+2、···、L+K-1表示。这样，1、2、···、L+K-1这L+K-1个互不重复的自然数的随机排列

就构成一个个体，并对应一种配送路径方案。例如，对于一个有7个需求点，用3辆汽车完成配送任务的问题，则可用1、2、···、9（8、9表示配送中心）这9个自然数的随机排列，表示物流配送路径方案。如个体129638547表示的的配送路径方案为：路径1：0-1-2-9（0），路径2：9（0）-6-3-8（0），路径3：8（0）-5-4-7-0，共有3条配送路径；个体573894216表示的配送路径方案为：路径1：0-5-7-3-8（0），路径2：9（0）-4-2-1-6-0，共有2条配送路径。

（2）初始群体的确定。随机产生一种1~L+K-1这L+K-1个互不重复的自然数的排列，即形成一个个体。设群体规模为N，则通过随机产生N个这样的个体，即形成初始群体。

（3）适应度评估。对于某个个体所对应的配送路径方案，要判定其优劣，一是要看其是否满足配送的约束条件；二是要计算其目标函数值（即各条配送路径的长度之和）。本文根据配送路径优化问题的特点所确定的编码方法，隐含能够满足每个需求点都得到配送服务及每个需求点仅由一辆汽车配送的约束条件，但不能保证满足每条路径上各需求点需求量之和不超过汽车载重量及每条配送路线的长度不超过汽车一次配送的最大行驶距离的约束条件。为此，对每个个体所对应的配送路径方案，要对各条路径逐一进行判断，看其是否满足上述两个约束条件，若不满足，则将该条路径定为不可行路径，最后计算其目标函数值。对于某个个体j，设其对应的配送路径方案的不可行路径数为M j（M j=0表示该个体对应一个可行解），其目标函数值为Z j，则该个体的适应度F j可用下式表示：

F j=1/（Z j+M j×G）（9）式中，G为对每条不可行路径的惩罚权重，可根据目标函数的取值范围取一个相对较大的正数。

（4）选择操作。将每代群体中的N个个体按适应度由大到小排列，排在第一位的个体性能最优，将它复制一个直接进入下一代，并排在第一位。下一代群体的另N-1个个体需要根据前代群体的N个个体的适应度，采用赌轮选择法[4]产生。具体地说，就是首先计算上代群体中所有个体适应度的总和（ΣF j），再计算每个个体的适应度所占的比例（F j/ΣF j），以此作为其被选择的概率。这样选择方法既可保证最优个体生存至下一代，又能保证适应度较大的个体以较大的机会进入下一代。

（5）交叉操作。对通过选择操作产生的新群体，除排在第一位的最优个体外，另N-1个个体要按交叉概率P c进行配对交叉重组。本文采用了一种类似OX法[2]的交叉方法，现举例说明之：①随机在父代个体中选择一个交配区域，如两父代个体及交配区域选定为：A=47|8563|921，B=83|4691|257；②将B的交配区域加到A的前面，A的交配区域加到B的前面，得：A’=4691|478563921，B’=8563|834691257；③在A’、B’中自交配区域后依次删除与交配区相同的自然数，得到最终的两个体为：A”=469178532，B”=856349127。与其他交叉方法相比，这种方法在两父代个体相同的情况下仍能产生一定程度的变异效果，这对维持群体的多样化特性有一定的作用。

（6）变异操作。由于在选择机制中采用了保留最佳样本的方式，为保持群体内个体的多样化，本文采用了连续多次对换的变异技术，使个体在排列顺序上的有较大变化。变异操作是以概率P m发生的，一旦变异操作发生，则用随机方法产生交换次数J，对所需变异操作的个体的基因进行J次对换（对换基因的位置也是随机产生的）。

根据上述遗传算法参考编制的C语言程序，并具体设一个某配送中心使用2辆汽车对8个需求点进行送货的物流配送路径优化问题实例进行了实验计算。设汽车的载重量为8t，每次配送的最大行驶距离为40km，配送中心与各需求点之间、各需求点相互之间的距离及各需求点的需求量见表1。

表1 配送中心与需求点之间的距离及各需求点的需求量表

根据上述实例的特点，在实验计算中采用了以下参数：群体规模取20，交叉概率和变异概率分别取0.95和0.05，进化代数取50，变异时基因换位次数取5，对不可行路径的惩罚权重取100km。对上述问题，利用计算机随机求解10次，得到的计算结果见表2。

5次还得到了该问题的最优解67.5km，其对应的配送路径方案为：路径1：0-4-7-6-0；路径2：0-2-8-5-3-1-0。可见，利用遗传算法可以方便有效地求得物流配送路径优化问题的最优解或近似最优解（或称满意解）。

三、遗传算法的现状

进入90年代，遗传算法迎来了兴盛发展时期，无论是理论研究还是应用研究都成了十分热门的课题。尤其是遗传算法的应用研究显得格外活跃，不但它的应用领域扩大，而且利用遗传算法进行优化和规则学习的能力也显著提高，同时产业应用方面的研究也在摸索之中。此外一些新的理论和方法在应用研究中亦得到了迅速的发展，这些无疑均给遗传算法增添了新的活力。遗传算法的应用研究已从初期的组合优化求解扩展到了许多更新、更工程化的应用方面。

随着应用领域的扩展，遗传算法的研究出现了几个引人注目的新动向：一是基于遗传算法的机器学习，这一新的研究课题把遗传算法从历来离散的搜索空间的优化搜索算法扩展到具有独特的规则生成功能的崭新的机器学习算法。这一新的学习机制对于解决人工智能中知识获取和知识优化精炼的瓶颈难题带来了希望。二是遗传算法正日益和神经网络、模糊推理以及混沌理论等其它智能计算方法相互渗透和结合，这对开拓21世纪中新的智能计算技术将具有重要的意义。三是并行处理的遗传算法的研究十分活跃。这一研究不仅对遗传算法本身的发展，而且对于新一代智能计算机体系结构的研究都是十分重要的。四是遗传算法和另一个称为人工生命的崭新研究领域正不断渗透。所谓人工生命即是用计算机模拟自然界丰富多彩的生命现象，其中生物的自适应、进化和免疫等现象是人工生命的重要研究对象，而遗传算法在这方面将会发

挥一定的作用，五是遗传算法和进化规划（Evolution Programming,EP）以及进化策略（Evolution Strategy,ES）等进化计算理论日益结合。EP和ES几乎是和遗传算法同时独立发展起来的，同遗传算法一样，它们也是模拟自然界生物进化机制的只能计算方法，即同遗传算法具有相同之处，也有各自的特点。目前，这三者之间的比较研究和彼此结合的探讨正形成热点。

1991年D.Whitey在他的论文中提出了基于领域交叉的交叉算子（Adjacency based crossover），这个算子是特别针对用序号表示基因的个体的交叉，并将其应用到TSP问题中，通过实验对其进行了验证。

D.H.Ackley等提出了随即迭代遗传爬山法（Stochastic Iterated Genetic

Hill-climbing，SIGH）采用了一种复杂的概率选举机制，此机制中由m个“投票者”来共同决定新个体的值（m表示群体的大小）。实验结果表明，SIGH与单点交叉、均匀交叉的神经遗传算法相比，所测试的六个函数中有四个表现出更好的性能，而且总体来讲，SIGH比现存的许多算法在求解速度方面更有竞争力。

H.Bersini和G.Seront将遗传算法与单一方法（simplex method）结合起来，形成了一种叫单一操作的多亲交叉算子（simplex crossover），该算子在根据两个母体以及一个额外的个体产生新个体，事实上他的交叉结果与对三个个体用选举交叉产生的结果一致。同时，文献还将三者交叉算子与点交叉、均匀交叉做了比较，结果表明，三者交叉算子比其余两个有更好的性能。

国内也有不少的专家和学者对遗传算法的交叉算子进行改进。2002年，戴晓明等应用多种群遗传并行进化的思想，对不同种群基于不同的遗传策略，如变异概率，不同的变异算子等来搜索变量空间，并利用种群间迁移算子来进行遗传信息交流，以解决经典遗传算法的收敛到局部最优值问题

2004年，赵宏立等针对简单遗传算法在较大规模组合优化问题上搜索效率不高的现象，提出了一种用基因块编码的并行遗传算法（Building-block Coded Parallel GA，BCPGA）。该方法以粗粒度并行遗传算法为基本框架，在染色体群体中识别出可能的基因块，然后用基因块作为新的基因单位对染色体重新编码，产生长度较短的染色体，在用重新编码的染色体群体作为下一轮以相同方式演化的初始群体。

2005年，江雷等针对并行遗传算法求解TSP问题,探讨了使用弹性策略来维持群体的多样性,使得算法跨过局部收敛的障碍,向全局最优解方向进化。

四、参考文献

[1]蔡希贤，夏士智. 物流合理化的数量方法[M]. 武汉：华中工学院出版社，1985.

[2陈国良，王煦法，庄镇泉，王东生. 遗传算法及其应用[M]. 北京：人民邮电出版社，1996.

[3]姜大立，杨西龙，杜文，周贤伟. 车辆路径问题的遗传算法研究[J]. 系统工程理论与实践，1999（6），p40~44.

[4]黄晓滨，皱书蓉，张洪伟改进的遗传算法及在物流配送路径优化中的应用西南民族大

学学报·自然科学版，2008（8）

[4]Z. 米凯利维茨. 演化程序——遗传算法和数据编码的结合[M]. 北京：科学出版社，

2000.

冷链食品运输路线优化

冷链食品运输路线优化 物流072 班 组员： 粱利英( 200700709075)、苏凤美( 200700709071)、 周冬梅( 200700709063)、梁小杰( 200700709078)、 蓝冬菊( 200700709060)、张欣欣( 200700709080)、 周群(200700709058)、钟玲(200700709047) 摘要 食品工业要进展，速冻食品是一条必经之路。冷链食品一样定义为适应于0-4储存的食品，冷链食品具有易腐，易变质的特性。与一样食品相比较，冷藏食品运输的特点是运输装备的专门性，即用冷藏设备进行运输：运输时效性，即在冷藏食品保质期内送达，时效性关于冷藏食品运输更为重要。如何在规定时刻内，以最低成本运达冷藏食品，是冷藏食品运输中要考虑的关键咨询题。运输成本要紧取决于运输路线，因此确定冷藏食品运输的最优路线是冷藏食品运输决策要考虑的要紧咨询题之一。

近年来，物流配送车辆路径咨询题的研究差不多引起了人们的广泛关注，但关于冷藏食品的运输路线优化的研究还不多见。本文按照冷藏食品运输特性，以物流运营商运成本最低为目标，考虑超出客户时刻窗的惩处成本，建立了冷藏食品运输路线优化模型。在路线优化方面，通过建立节约里程模型找出运输的最佳路径，从而节约运输里程、运达时刻，最终降低运输成本。 关键词：冷藏食品运输路线优化模型 名目 摘要1 名目2 一、背景介绍3 1.1中国食品冷链进展状况3 1.2我国冷链物流运输现状评判3 1.3我国冷冻冷藏食品市场和冷藏链物流进展4 二、冷藏食品运输路线优化模型的建立4 2.1模型建立的差不多思路4 2.2目标函数的建立5 2.2.1运输成本5 2.2.2惩处成本。5 2.2.3冷藏食品运输线路优化模型6 三、模型算法6 3.1算法运算的差不多思路6 3.2求解步骤8 四、算例分析8 4.1确定第一条最优运输路线9 4.2具体运算过程：11 4.2.1节约运输成本的求法步骤：11 4.2.2惩处成本的求法：11

物流配送中几种路径优化算法

捕食搜索算法 动物学家在研究动物的捕食行为时发现，尽管由于动物物种的不同而造成 的身体结构的千差万别，但它们的捕食行为却惊人地相似.动物捕食时，在没有 发现猎物和猎物的迹象时在整个捕食空间沿着一定的方向以很快的速度寻找猎物.一旦发现猎物或者发现有猎物的迹象，它们就放慢步伐，在发现猎物或者有 猎物迹象的附近区域进行集中的区域搜索，以找到史多的猎物.在搜寻一段时间 没有找到猎物后，捕食动物将放弃这种集中的区域，而继续在整个捕食空间寻 找猎物。 模拟动物的这种捕食策略，Alexandre于1998提出了一种新的仿生计算方法，即捕食搜索算法(predatory search algorithm, PSA)。基本思想如下：捕食 搜索寻优时，先在整个搜索空间进行全局搜索，直到找到一个较优解;然后在较 优解附近的区域(邻域)进行集中搜索，直到搜索很多次也没有找到史优解，从 而放弃局域搜索;然后再在整个搜索空间进行全局搜索.如此循环，直到找到最优解(或近似最优解)为止，捕食搜索这种策略很好地协调了局部搜索和全局搜索 之间的转换.目前该算法己成功应用于组合优化领域的旅行商问题(traveling salesm an problem )和超大规模集成电路设计问题(very large scale integrated layout)。 捕食搜索算法设计 (1)解的表达 采用顺序编码，将无向图中的，n一1个配送中心和n个顾客一起进行编码.例如，3个配送中心，10个顾客，则编码可为:1一2一3一4一0一5一 6一7一0一8一9一10其中0表示配送中心，上述编码表示配送中心1负 贡顾客1,2,3,4的配送，配送中心2负贡顾客5,6,7的配送，配送中心3负贡顾 客8,9,10的配送.然后对于每个配送中心根据顾客编码中的顺序进行车辆的分配，这里主要考虑车辆的容量约束。依此编码方案，随机产生初始解。 (2)邻域定义 4 仿真结果与比较分析(Simulation results and comparison analysis) 设某B2C电子商务企业在某时段由3个配送中心为17个顾客配送3类商品，配送网络如图2所示。

MATLAB实验遗传算法和优化设计

实验六 遗传算法与优化设计 一、实验目的 1. 了解遗传算法的基本原理和基本操作（选择、交叉、变异）； 2. 学习使用Matlab 中的遗传算法工具箱(gatool)来解决优化设计问题； 二、实验原理及遗传算法工具箱介绍 1. 一个优化设计例子 图1所示是用于传输微波信号的微带线(电极)的横截面结构示意图，上下两根黑条分别代表上电极和下电极，一般下电极接地，上电极接输入信号，电极之间是介质(如空气，陶瓷等)。微带电极的结构参数如图所示，W 、t 分别是上电极的宽度和厚度，D 是上下电极间距。当微波信号在微带线中传输时，由于趋肤效应，微带线中的电流集中在电极的表面，会产生较大的欧姆损耗。根据微带传输线理论，高频工作状态下（假定信号频率1GHz ），电极的欧姆损耗可以写成（简单起见，不考虑电极厚度造成电极宽度的增加）： 图1 微带线横截面结构以及场分布示意图 {} 28.6821ln 5020.942ln 20.942S W R W D D D t D W D D W W t D W W D e D D παπππ=+++-+++?????? ? ??? ??????????? ??????? (1) 其中πρμ0=S R 为金属的表面电阻率， ρ为电阻率。可见电极的结构参数影响着电极损耗，通过合理设计这些参数可以使电极的欧姆损耗做到最小，这就是所谓的最优化问题或者称为规划设计问题。此处设计变量有3个：W 、D 、t ，它们组成决策向量[W, D ,t ] T ，待优化函数(,,)W D t α称为目标函数。 上述优化设计问题可以抽象为数学描述： ()()min .. 0,1,2,...,j f X s t g X j p ????≤=? (2)

家乐福超市物流配送路线优化

学年论文之 家乐福超市物流配送路线优化 专业物流工程 班级 姓名 学号 日期

在物流配送业务中，合理确定配送路径是提商服务质量，降低配送成本，增加经济效益的重要手段。物流配送系统中最优路线的选择问题一直都是配送中心关注的焦点，针对当前家乐福物流配送体系不完善等方面的现状，本文从可持续发展的角度，用系统的观念，来研究家乐福物流配送体系，优化配送路线，使配送体系合理化。 通过对家乐福超市现有物流配送路径的分析研究，发现其中存在的一些问题，并由此提出解决办法，结合背景材料，建立了数学模型，运用遗传算法对家乐福物流配送路线进行优化选择，并得出结果。由此可见，家乐福超市原有的物流配送路线还可以进行再优化，从而达到运输成本最小化的目标。 关键词：物流配送；路径优化；节约里程算法

1.绪论 (1) 1.1选题目的和意义 (1) 1.2国内外物流配送路线优化研究现状 (2) 2. 家乐福超市配送路线现状 (3) 2.1家乐福超市概况 (3) 2.2家乐福超市配送路线作业现状 (4) 2.2.1 配送距离分析 (4) 2.2.2 车辆数分析 (5) 2.2.3 需求量分析 (6) 2.2.4 商品品种分析 (6) 2.3家乐福超市配送现有路线问题分析 (7) 3.配送路线优化建模与求解 (9) 3.1研究对象目标设定 (9) 3.2模型的构建 (11) 3.3节约算法 (12) 3.3.1节约算法的基本原理 (12) 3.3.2节约里程算法主要步骤 (13) 3.3.3基于节约算法的配送路线优化 (13) 3.3.4优化后的配送线 (24) 4.优化结果分析 (25) 4.1优化前结果 (25) 4.2优化后结果 (25) 4.3结论 (26) 5.总结与建议 (27) 参考文献: (28)

物流配送路径优化论文

山西工商学院 毕业设计 题目浅析物流配送路径优化问题 学生姓名杨美玲 学号200822054247 专业物流管理 班级08物流二班 指导教师李桂娥 二零一一年十月二十八日

目录 摘要 (ⅰ) 一、引言（问题的提出） (1) 二、物流配送路径优化问题的数学模型……………………………X 三、物流配送路径优化问题的遗传算法……………………………X （一）遗传算法的基本要素………………………………………X （二）物流配送路径优化问题的遗传算法的构造……………………X 四、实验计算与结果分析…………………………………………X 五、结论…………………………………………………………X 参考文献…………………………………………………………X 致谢………………………………………………………………X

中英文摘要 摘要：论文在建立物流配送路径优化问题的数学模型的基础上，构造了求解该问题的遗传算法，并进行了实验计算。计算结果表明，用遗传算法进行物流配送路径优化，可以方便有效地求得问题的最优解或近似最优解。 关键词：物流配送；遗传算法；优化 Study on the Optimizing of Physical Distribution Routing Problem Based on Genetic Algorithm Abstract：On the basis of establishing the optimizing model on physical distribution routing problem, this paper presents a genetic algorithm for solving this problem, and make some experimental calculations. The experimental calculation results demonstrates that the optimal or nearly optimal solutions to the physical distribution routing problem can be easily obtained by using genetic algorithm. Keywords：physical distributio n；genetic algorith m；optimizing

遗传算法与优化问题(重要,有代码)

实验十遗传算法与优化问题 一、问题背景与实验目的 遗传算法（Genetic Algorithm—GA），是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型，它是由美国Michigan大学的J.Holland教授于1975年首先提出的．遗传算法作为一种新的全局优化搜索算法，以其简单通用、鲁棒性强、适于并行处理及应用范围广等显著特点，奠定了它作为21世纪关键智能计算之一的地位． 本实验将首先介绍一下遗传算法的基本理论，然后用其解决几个简单的函数最值问题，使读者能够学会利用遗传算法进行初步的优化计算．1．遗传算法的基本原理 遗传算法的基本思想正是基于模仿生物界遗传学的遗传过程．它把问题的参数用基因代表，把问题的解用染色体代表（在计算机里用二进制码表示），从而得到一个由具有不同染色体的个体组成的群体．这个群体在问题特定的环境里生存竞争，适者有最好的机会生存和产生后代．后代随机化地继承了父代的最好特征，并也在生存环境的控制支配下继续这一过程．群体的染色体都将逐渐适应环境，不断进化，最后收敛到一族最适应环境的类似个体，即得到问题最优的解．值得注意的一点是，现在的遗传算法是受生物进化论学说的启发提出的，这种学说对我们用计算机解决复杂问题很有用，而它本身是否完全正确并不重要（目前生物界对此学说尚有争议）． （1）遗传算法中的生物遗传学概念 由于遗传算法是由进化论和遗传学机理而产生的直接搜索优化方法；故而在这个算法中要用到各种进化和遗传学的概念． 首先给出遗传学概念、遗传算法概念和相应的数学概念三者之间的对应关系．这些概念如下： 序号遗传学概念遗传算法概念数学概念 1 个体要处理的基本对象、结构也就是可行解 2 群体个体的集合被选定的一组可行解 3 染色体个体的表现形式可行解的编码 4 基因染色体中的元素编码中的元素 5 基因位某一基因在染色体中的位置元素在编码中的位置 6 适应值个体对于环境的适应程度， 或在环境压力下的生存能力可行解所对应的适应函数值 7 种群被选定的一组染色体或个体根据入选概率定出的一组 可行解 8 选择从群体中选择优胜的个体， 淘汰劣质个体的操作保留或复制适应值大的可行解，去掉小的可行解 9 交叉一组染色体上对应基因段的 交换根据交叉原则产生的一组新解 10 交叉概率染色体对应基因段交换的概 率（可能性大小）闭区间[0,1]上的一个值，一般为0.65~0.90 11 变异染色体水平上基因变化编码的某些元素被改变

快递员配送路线优化模型

快递员配送路线优化模型 摘要 如今，随着网上购物的流行，快递物流行业在面临机遇的同时也需要不断迎接新的挑战。如何能够提高物流公司的配送效率并降低配送过程中的成本，已成为急需我们解决的一个问题。下面，本文将针对某公司的一名配送员在配送货物过程中遇到的三个问题进行讨论及解答。 对于问题一，由于快递员的平均速度及在各配送点停留的时间已知，故可将最短时间转换为最短路程。在此首先通过Floyd求最短路的算法，利用Matlab 程序将仓库点和所有配送点间两两的最短距离求解出来，将出发点与配送点结合起来构造完备加权图，由完备加权图确定初始H圈，列出该初始H圈加点序的距离矩阵，然后使用二边逐次修正法对矩阵进行翻转，可以求得近似最优解的距离矩阵，从而确定近似的最佳哈密尔顿圈，即最佳配送方案。 对于问题二，依旧可以将时间问题转化为距离问题。利用问题一中所建立的模型，加入一个新的时间限制条件，即可求解出满足条件的最佳路线。 对于问题三，送货员因为快件载重和体积的限制，至少需要三次才能将快件送达。所以需要对100件快件分区，即将50个配送点分成三组。利用距离矩阵寻找两两之间的最短距离是50个配送点中最大的三组最短距离的三个点，以此三点为基点按照准则划分配送点。 关键字：Floyd算法距离矩阵哈密尔顿圈二边逐次修正法矩阵翻转

问题重述 某公司现有一配送员，，从配送仓库出发，要将100件快件送到其负责的50个配送点。现在各配送点及仓库坐标已知，货物信息、配送员所承载重物的最大体积和重量、配送员行驶的平均速度已知。 问题一：配送员将前30号快件送到并返回，设计最佳的配送方案，使得路程最短。 问题二：该派送员从上午8：00开始配送，要求前30号快件在指定时间前送到，设计最佳的配送方案。 问题三：不考虑所有快件送达的时间限制，现将100件快件全部送到并返回。设计最佳的配送方案。配送员受快件重量和体积的限制，需中途返回取快件，不考虑休息时间。 符号说明 D：n个矩阵 n V：各个顶点的集合 E：各边的集合 e：每一条边 ij w:边的权 ()e G：加权无向图 , v v：定点 i j C：哈密尔顿圈 () f V：最佳哈密尔顿圈 i

冷链物流配送路径优化研究

冷链物流配送路径优化研究 当前，我国冷链物流的配送成本非常高，其很大程度的影响了该行业的发展。文章主要通过在传统的配送路径模式中添加了制冷成本和货损成本，随后构建了以时间窗为基础的冷链物流配送路径优化模式。该实验也证明了此方法能很好的显示出冷链物流自身的特点，也能够为冷链物流的实际操作提供有代表性的理论指导。 标签：冷链物流；路径优化；时间窗；改进遗传算法 Abstract：At present，the distribution cost of cold chain logistics in China is very high，which greatly affects the development of the industry. This paper mainly adds refrigeration cost and damage cost to the traditional distribution path mode，and then builds the cold-chain logistics distribution route optimization model based on time window. The experiment also proves that this method can well show the characteristics of cold chain logistics，but can also provide representative theoretical guidance for the actual operation of cold chain logistics. Keywords：cold chain logistics；path optimization；time window；improved genetic algorithm 引言 如今，我國的冷链物流模式和国外相比非常的落后，并且配送的成本也非常高，对产品的损耗也非常大，所以已经无法满足现代社会对冷链物流的需求。通过分析相关数据可以得出，我国冷链物流配送时，不同产品出现的损耗程度也是不一样的，如蔬菜类的损耗高达30%，肉类产品为12%，水产品即15%等，其损耗量可以说是排在了世界的第一位，损耗的产品就能够满足我国2亿人口的基本需求，导致每年的经济损失都高达上亿元[1]。虽然配送是整个冷链物流中最不能缺少的部分，但其技术的落后已经对行业的发展造成了影响。 1 遗传算法的基本原理 遗传算法可以说是一种利用检测和生成来进行搜索的算法。它主要是利用群体中所有的个体来当作操作对象，同时会回应每一个个体的问题，其中的具体操作有三个即变异、交叉、选择。如果使用Matlab7.0来编制算法模型的计算机程序，就能很好的解释配送问题的过程，同时会得到最佳的配送路径。相关人员要想解决现实存在的问题，即在算法中应该包含有以下几个要素： 第一，编码。我们都知道遗传算法是不能直接对空间的数据进行处理的，是需要利用编码来把他们转换成为基因性的数据。第二，评估的适应程度。该算法在搜索过程中是需要利用适应度来评估整体的方向，同时会把该数据当作是遗传操作的依据，适应度的函数一般选择非负数，这样才能保证其方向的一致。第三，

物流配送的车辆路径优化

物流配送的车辆路径优化 专业：[物流管理] 班级：[物流管理2班] 学生姓名：[江东杰] 指导教师：[黄颖] 完成时间：2016年6月30日

背景描述 物流作为“第三利润源泉”对经济活动的影响日益明显，越累越受到人们的重视，成为当前最重要的竞争领域。近年来，现代物流业呈稳步增长态势，欧洲、美国、日本成为当前全球范围内的重要物流基地。中国物流行业起步较晚，随着国民经济的飞速发展，物流业的市场需求持续扩大。特别是进入21世纪以来，在国家宏观调控政策的影响下，中国物流行业保持较快的增长速度，物流体系不断完善，正在实现传统物流业向现代物流业的转变。现代物流业的发展对促进产业结构调整、转变经济增长方式和增强国民经济竞争力等方面都具有重要意义。 配送作为物流系统的核心功能，直接与消费这相关联，配送功能完成质量的好坏及其达到的服务水平直接影响企业物流成本及客户对整个物流服务的满意程度。配送的核心部分是配送车辆的集货、货物分拣及送货过程，其中，车辆配送线路的合理优化对整个物流运输速度、成本、效益影响至关重要。 物流配送的车辆调度发展现状 VRP（车辆调度问题）是指对一系列装货点和卸货点，组织适当的行车线路，使车辆有序的通过，在满足一定的约束条件（如货物需求量、发送量、交发货时间、车辆容量等限制）下，达到一定的目标（如路程最短、费用最少、时间最少、使用车辆数最少等）。一般认为，不涉及时间的是路径问题，涉及时间的是调度问题。VRP示意图如下 当然，VRP并不止是这样的一个小范围，而是又更多的客户点与一个仓库链接，从而达

到一整个物流集群。 根据路径规划前调度员对相关信息是否已知，VRP可分为静态VRP和动态VRP，动态VRP 是相对于静态VRP而言的。静态VRP指的是：假设在优化调度指令执行之前，调度中心已经知道所有与优化调度相关的信息，这些信息与时间变化无关。一旦调度开始，便认为这些信息不再改变。 而VRP发展到现在的问题也是非常突出的，例如，只有一单货物，配送成本远高于一单的客户所给的运费，在这种情况下，该如何调度车辆？甚至还有回程运输的空载问题，在这些问题之中，或多或少都涉及到了VRP的身影，那么在这样的配送中怎么有效的解决车辆的路径优化问题就是降低运输和物流成本的关键所在。 解决怎么样的问题？ 现如今对于VRP研究现状主要有三种静态VRP的研究、动态VRP的研究以及随机VRP的研究。 而我对于VRP的看法主要有以下几点。 有效解决VRP或者优化车辆调度路径优化问题，那么将非常有效的降低物流环节对于成本的比重，有效的增大利润。 而我想到的方法，就是归类总结法。 建立完善的信息系统机制，将订单归类总结出来，可以按地区划分出来，一个地区一个地方的进行统一配送，这样也有效的降低了物流配送的车辆再使用问题，降低了成本。如下图所示。 仓库 客户 变换前 由上图可以看出来这样的路径，车辆需要来回两次，严重增加了配送成本，也增加了运输成本，使得利润并不能最大化。

基于客户满意度的蔬菜冷链物流配送路径优化研究

基于客户满意度的蔬菜冷链物流配送路径优化研究 随着信息技术时代的快速发展，人们的消费水平有着质的增长，蔬菜在人们的生活消费上的比重越来越大，而且对蔬菜的要求也越来越高，都希望吃的是新鲜绿色蔬菜。基于此，从客户满意度为根本出发点，对蔬菜冷链物流配送路径优化进行分析，总结出当前存在的问题，并有针对性的提出优化蔬菜冷链物流配送路径的相关策略。 标签：客户满意度；冷鏈物流；路径优化 冷链物流指的是需要冷藏冷冻的产品在生产、储藏运输、销售的各个环节中都需要处于低温的环境下，从而使冷藏产品的质量能够得到保障，降低冷藏产品的损耗。在信息时代下，冷链物流技术的提升需要与信息技术和制冷技术相结合，从而使冷藏产品能够得到更快速的安全的流通。如今，随着科技技术的不断发展，冷藏保鲜技术也在日益进步着，这不断地促使着冷链物流的发展。随着冷链物流的需求越来越大，我国政府部门也对冷链物流的建设出台了多项鼓励政策——鼓励节能冷库、冷链共同配送、冷链信息化建设，使我国的冷链物流行业的运作水平有了全方位的提升。我国是农业大国，蔬菜的流通量很大，但是由于蔬菜具有易腐性，需要冷藏设备和技术的维持，导致物流的成本居高不下，不利于我国蔬菜的流通效率。从客户满意度方面出发，冷链物流配送路径优化是促进我国蔬菜冷链物流行业发展的重要措施。蔬菜冷链物流对农产品的质量和农业的发展都有重要意义。 1客户满意度分析 顾客满意度是指顾客的一种心理状态，也就是客户对产品或者服务性能，产品或者服务本身的评价的一种反馈，对产品或者服务做出了（或者正在做出）一个与消费的满足感有关的满意和不满意。一般来说，顾客满意度有四大需求，即品质需求、功能需求、外延需求、价格需求。 1.1品质需求 品质需求主要包括性能、适用性、使用寿命、可靠性、安全性、经济性和美学（外观）等，在蔬菜冷链物流配送路径中，由于蔬菜具有易腐性，客户在蔬菜整个配送环节中希望能够质量有所可靠和安全，而企业也希望在整个配送环节中能降低配送成本，随着生活水平质量不断提升，客户们对品质需求也不断提高，致使物流企业的配送路径应该不断优化改进。 1.2功能需求 功能需求主要包括主导功能、辅助功能和兼容功能等，在蔬菜冷链物流配送环节中，物流企业需要运用相关的制冷技术来保证蔬菜的新鲜度，也会致使企业会不断的优化与客户之间的配送路径，而客户们也需要制冷功能的维持来得到新

物流配送最优路径规划

物流配送最优路径规划

关于交通运输企业物流配送最优路径规划的 研究现状、存在问题及前景展望 摘要：本文综述了在交通运输企业的物流配送领域最优路径规划的主要研究成果、研究存在问题及研究方向。主要研究成果包括运用各种数学模型和算法在运输网中选取最短或最优路径；从而达到路径、时间最优和费用最优；以及物流配送网络优化、车辆系统化统一调度的发展。今后研究的主要方向包括绿色物流，运输系统及时性和准确性研究等。 关键词：物流配送；最优路径；路径规划 Overview of scheme on Shortest Logistics Distribution Route in Transportation Industry Student: Wan Lu Tutor: Chen Qingchun Abstract: This paper reviewed of the optimal path planning about the main research results, problems and direction in the field of transportation enterprise logistics distribution. Main research results include using various mathematical model and algorithm selection or optimal shortest path in the network. So we can achieve the optimal path, the shortest time and minimum cost. At the same time, logistics distribution network optimization, the vehicle systematic development of unified scheduling are the research issues.The main direction of future research include green logistics, transportation system accurately and timely research and so on. Key words: Logics Distribution; Optimal Path; Path Planning 引言 物流业在我国的新兴经济产业中占据了重要了地位，称为促进经济快速增长的“加速器”。而物流配送作为物流系统的重要环节，影响着物流的整个运作过程以及运输企业的发展趋势和前景。采用科学、合理的方法来进行物流配送路径的优化，是物流配送领域的重要研究内容。近年，国内外均有大量的企业机构、学者对物流配送中最优路径选择的问题，进行了大量深入的研究，从早期车辆路径问题研究，到根据约束模型及条件不断变化的车辆最优路径研究，以及随着计算机学科的发展而推出的针对物流配送路径最优化的模型和算法等方面，都取得丰硕的学术成果。但是对于绿色物流配送的研究仍然不足。鉴于物流配送最优路径研究的重大理论意义和实践价值，为对我国物流配送的效率水平有一个系统的理解和把握，有必要对现有成果进行统计和归纳。本文尝试对我国运输企业物流配送最优路径规划进行探讨，以期为今后做更深人和全面的研究提供一定的线索和分析思路。 1 国内外研究现状 1.1 国内研究现状 1.1.1 主要研究的问题

遗传算法与组合优化.

第四章 遗传算法与组合优化 4.1 背包问题（knapsack problem ） 4.1.1 问题描述 0/1背包问题：给出几个尺寸为S 1，S 2，…，S n 的物体和容量为C 的背包，此处S 1，S 2，…，S n 和C 都是正整数；要求找出n 个物件的一个子集使其尽可能多地填满容量为C 的背包。 数学形式： 最大化 ∑=n i i i X S 1 满足 ,1C X S n i i i ≤∑= n i X i ≤≤∈1},1,0{ 广义背包问题：输入由C 和两个向量C ＝(S 1，S 2，…，S n )和P ＝(P 1，P 2，…，P n )组成。设X 为一整数集合，即X ＝1，2，3，…，n ，T 为X 的子集，则问题就是找出满足约束条件∑∈≤T i i C X ，而使∑∈T i i P 获得最大的子集T ，即求S i 和P i 的下标子集。 在应用问题中，设S 的元素是n 项经营活动各自所需的资源消耗，C 是所能提供的资源总量，P 的元素是人们从每项经营活动中得到的利润或收益，则背包问题就是在资源有限的条件下，追求总的最大收益的资源有效分配问题。 广义背包问题可以数学形式更精确地描述如下： 最大化 ∑=n i i i X P 1 满足 ,1C X S n i i i ≤∑= n i X i ≤≤∈1},1,0{ 背包问题在计算理论中属于NP —完全问题，其计算复杂度为O (2n )，若允许物件可以部分地装入背包，即允许X ，可取从0.00到1.00闭区间上的实数，则背包问题就简化为极简单的P 类问题，此时计算复杂度为O (n )。

4.1.2 遗传编码 采用下标子集T 的二进制编码方案是常用的遗传编码方法。串T 的长度等于n(问题规模)，T i (1≤i ≤n )＝1表示该物件装入背包，T i ＝0表示不装入背包。基于背包问题有近似求解知识，以及考虑到遗传算法的特点（适合短定义距的、低阶的、高适应度的模式构成的积木块结构类问题），通常将P i ，S i 按P i /S i 值的大小依次排列，即P 1/S 1≥P 2/S 2≥…≥P n /S n 。 4.1.3 适应度函数 在上述编码情况下，背包问题的目标函数和约束条件可表示如下。 目标函数：∑==n i i i P T T J 1 )( 约束条件：C S T n i i i ≤∑=1 按照利用惩罚函数处理约束条件的方法，我们可构造背包问题的适应度函数f (T )如下式： f (T ) = J (T ) + g (T ) 式中g (T )为对T 超越约束条件的惩罚函数，惩罚函数可构造如下: 式中E m 为P i /S (1≤i ≤n )i 的最大值，β为合适的惩罚系数。 4.2 货郎担问题（Traveling Salesman Problem ——TSP ） 在遗传其法研究中，TSP 问题已被广泛地用于评价不同的遗传操作及选择机制的性能。之所以如此，主要有以下几个方面的原因： (1) TSP 问题是一个典型的、易于描述却难以处理的NP 完全（NP-complete ）问题。有效地 解决TSP 问题在可计算理论上有着重要的理论价值。 (2) TSP 问题是诸多领域内出现的多种复杂问题的集中概括和简化形式。因此，快速、有效 地解决TSP 问题有着极高的实际应用价值。 (3) TSP 问题因其典型性已成为各种启发式的搜索、优化算法的间接比较标准，而遗传算法 就其本质来说，主要是处理复杂问题的一种鲁棒性强的启发式随机搜索算法。因此遗传算法在TSP 问题求解方面的应用研究，对于构造合适的遗传算法框架、建立有效的遗传操作以及有效地解决TSP 问题等有着多方面的重要意义。

物流配送管理中路径优化问题分析

摘要：经典的优化理论大多是在已知条件不变的基础上给出最优方案（即最优解），其最优性在条件发生变化时就会失去其最优性。本文提出的局内最短路问题，就是在已知条件不断变化的条件下，如何来快速的计算出此时的最优路径，文章设计了解决该问题的一个逆向标号算法，将它与传统算法进行了比较和分析，并针对实际中的物流配送管理中路径优化问题，按照不同的算法分别进行了详细的阐述与分析。 一、引言 现实生活中的许多论文发表经济现象通常都具有非常强的动态特征，人们对于这些现象一般是先进行数学上的抽象，然后用静态或统计的方法来加以研究和处理。从优化的理论和方法上看，经典的优化理论大多是站在旁观者的立场上看问题，即首先确定已知条件，然后在假设这些已知条件不变的基础上给出最优方案（即最优解）。条件一旦发生变化，这种方法所给出的最优方案就会失去其最优性。在变化的不确定因素对所考虑的问题影响很大的时候，经典的优化方法有：一是将可变化的因素随机化，寻求平均意义上的最优方案，二是考虑可变化因素的最坏情形，寻求最坏情形达到最优的方案。这两种处理方法对变化因素的一个特例都可能给出离实际最优解相距甚远的解，这显然是难以满足实际的要求的。那么是否存在一种方法，它在变化因素的每一个特例中都能给出一个方案，使得这一方案所得到的解离最优方案给出的解总在一定的比例之内呢？ 近年来兴起的局内问题与竞争算法的研究结果在一定意义上给如上问题一个肯定的答案。其实本文所提出的逆向标号算法就是对应局内最短路问题的一个竞争算法，从本质上来说它是一种贪婪算法，在不知将来情况的条件下，求出当前状态下的最优解。[1]本文所考虑问题的实际背景是一个物流配送公司对其运输车辆的调度。假设物流公司需要用货车把货物从初始点O(Origin)运送到目的点D(Destination)。从日常来看，物流公司完全可以通过将整个城市交通网络看成一个平面图来进行运算，找到一条从O到D的最短路径以减少运输费用和节省运输时间。现考虑如下一个问题：如果当运输车辆沿着最短路径行驶到最短路径上的一点A，发现前方路径上的B点由于车辆拥塞而不能通过，车辆必须改道行驶，而此时物流配送公司应如何应对来保证其花费最低。问题推展开去，如果不是单个堵塞点，而是一个堵塞点序列，那物流配送公司又将如何来设计其最短路算法来在最短的时间内求出已知条件发生变化后的最优路径，从而有效的调度其运输车。本文首先建立了物流配送公司动态最短路的数学模型，相比较给出了求本文所提出的动态最短路问题的传统算法和作者提出的逆向标号算法，并分析了各自的算法复杂度。 二、数学模型假设城市交通网络是一个平面图，记为G，各个交通路口对应于图G上的各个顶点，令G=(G，V)为一边加权无向图，其中V为顶点的集合，E为边的集合，|G|=n，对于一般平面图上的三点之间，一定满足三角不等式，即任意三角形的两边之和一定不小于另外一边。对于本文要讨论的城市交通网络来说，即，任意三个结点之间的距离一定满足三角不等式。我们用O来表示运输的起始点，D表示运输的目的点。SP表示在没有路口堵塞情况下的最短路径，W(SP)表示沿着最短路径所要花费的运输费用。以下的讨论都是基于如下的基本假设：第一，去掉堵塞点后图G仍是连通的。第二，只有当运输车走到前一点后，才能发现后面的一点发生堵塞而不能通过。 三、算法分析 对于本文的上述问题，有两种算法一(传统算法)和二(逆向标号算法)可以满足要求，但两种算法在求动态最短路的过程中都将会用到Dijkstra算法[2]，通过对Dijkstra算法的分析我们知道，Dijkstra算法采用了两个集合这样的数据结构来安排图的顶点，集合S表示已

配送路线优化

配送路线优化

————————————————————————————————作者: ————————————————————————————————日期： ?

石河子大学毕业论文 题目:节约里程法在新疆国美电器物流配 送路线优化中的应用研究 院（系)：商学院商务管理系 年级：2008级 专业:物流管理 班级：物流2０08(1）班 学号:２008175477 姓名：张露露 指导教师:李霞 完成日期: 2０12年０3月１0日

目录 引言?错误!未定义书签。 1.物流配送概述?错误!未定义书签。 1．１物流配送的概念 ..................................................................... 错误!未定义书签。 1.2物流配送的功能3? 1.3物流配送路线优化的意义 (3) ２.新疆国美电器物流配送中心基本概况3? 2.１新疆国美电器简介 ................................................................................................. ３ 2.2新疆国美电器配送中心运作现状及现有路线分析 (4) ２．2．1现有配送路线概况........................................................................................ ５２.2.２现有配送路线中存在的问题分析 .. (6) 3.节约里程法在新疆国美电器物流配送路线优化中的应用研究?７ 3.1建立ＶRP模型7? 3．1．1物流配送模型 (7) 3．1．2节约里程法的基本理论 (7) 3．１.3新疆国美电器物流配送中心VRP模型的建立 (9) 3.2模型求解9? 3.３配送路线优化1?０ 3.４配送路线优化前后比较分析及思考 ............................................................... １6 ３.4．1优化前后比较分析1?６ 3．4.２节约里程法的思考 (16) 4．新疆国美电器物流配送中心配送路线优化对策分析18? 4.1完善物流配送体系，加强物流运作标准化18? 4．2构建物流信息系统平台,降低配送成本?１８ 4.３合理安排配送排程,减少不必要的配送路线 (18) 4.４优化配送资源,提高物流配送效率 ............................................................... 1９ 结束语2?０ 致谢21? 参考文献 (22)

物流配送路径优化开题报告

海南大学应用科技学院（儋州校区） 毕业设计（论文）开题报告书（学生用表） 一、选题的目的、意义（理论、现实）和国内外研究概况 目的：随着经济全球化的不断发展，作为“第三利润源泉”的物流对经济活动的影响 日益明显，引起了人们越来越多的重视，成为当前“最重要的竞争领域”。配送是现代物流的一个重要环节，随着物流的全球化、信息化及一体化,配送在整个物流系统中的作用变得越来 越重要。物流配送路线的优化，又是物流配送中的一个关键环节。因此，在配送过程中，配送线路合理与否对配送速度、成本、效益影响很大。设计合理、高效的配送路线方案，不仅可以减少配送时间，降低作业成本，提高企业的效益，而且可以更好地为客户服务，提高客户的满意度，维护企业良好的形象 意义：配送合理化与否是配送决策系统的重要内容，配送线路的合理与否又是配送合 理化的关键。选择合的理配送路线，对企业和社会都具有很重要的意义。对企业来说，(1)优 化配送路线，可以减少配送时间和配送里程，提高配送效率，增加车辆利用率，降低配送成本。 (2)可以加快物流速度，能准时、快速地把货物送到客户的手中，提高客户满意度。(3)使配送 作业安排合理化，提高企业作业效率，有利于企业提高竞争力与效益。对社会来说，它可以节省运输车辆，减少车辆空载率，降低了社会物流成本，对其他企业尤其是生产企业具有重要 意义。与此同时，还能缓解交通紧张状况，减少噪声、尾气排放等运输污染，对民生和环境也有不容忽视的作用。 国内外研究概况：物流配送路径优化问题最早是由Dnatzig和Rmaser于1959年首次提出, 自此,很快引起运筹学、应用数学、组合数学、图论与网络分析、物流科学、计算机应用等学 科的专家与运输计划制定者和管理者的极大重视,成为运筹学与组合优化领域的前沿与研究热 点问题。各学科专家对该问题进行了大量的理论研究及实验分析,取得了很大的进展。目前， 对于解决配送路径优化问题主要有两类方法，一类是精确算法，主要有动态规划法、分支定界法、节约算法、邻接算法、扫除算法、禁忌搜索算法等；另一类是启发式算法，主要有人工 神经网络算法、蚁群算法、人工免疫系统算法、粒子群算法、遗传算法等

生鲜农产品冷链物流配送问题及其路径优化

生鲜农产品冷链物流配送问题及其路径优 化 随着生活水平的提高，人们对生鲜农产品的需求量和品质要求越来越高，推动了冷链相关产业的快速发展。冷藏运输是冷链物流的一个重要环节。生鲜农产品从生产者到最终消费者的过程中，有80%以上的时间在配送运输上[1]。适宜的运输条件，不仅能保证产品质量，同时还能节约产品资源，保持产品的影响价值，增加销售收入和减少能源消耗[2]。欧美经济发達国家由于科学技术先进，加上重视产品安全工作，其易腐产品100%采用冷藏保鲜运输，运输质量的完好率在95%以上。而中国冷链物流市场尚未形成标准的体系，由于运输过程中不规范的操作，导致产品损坏和变质的情况时有发生。1958年，美国的阿萨德等认为温度变化会引起质量损失，及冷冻产品质量取决于产品的温度（temperature）、冷冻时间（time）、耐藏性（tolerance）的容许限度，称为3T理论[3]。根据3T理论，在流通过程中生鲜产品品质变化主要取决于温度，温度越低，其品质保持的时间越长。在流通过程中因时间、温度的经历而引起的品质降低量是累积的、不可逆的，并且与所经历的顺序无关。新鲜和易腐产品的保质期通常比较短，质量下降是连续的，只有通过合适的低温控制，才能延长其保质期，保证产品的质量[4]。Miroslaw等提出冷链运输过程中为了保证产品的质量、满足客户需求和服务时间的限制，将时间窗与控制温度作为车辆路径规划问题的约束，建立以成本最小化为目标的模型[5]。

彭碧涛等研究多时间窗车辆路径问题，建立多时间窗车辆路径问题的数学模型，首先利用基本蚁群算法求解，然后加入变异算子，并采用2-opt算法和元胞自动算法对结果进行优化[6]。Dabia等在合适的时间为客户提供配送服务，从而实现减少配送所需时间和降低配送成本的目的[7]。朱金峰研究城市冷链物流配送路径优化问题，提出VRPTW 问题优化方法，最终发现节约成本法不仅能快速找到物流配送路径最优配送路线，同时满足客户时间窗要求，可以有效降低物流配送成本[8]。本研究的创新点是根据冷链物流配送的特殊性，充分考虑在冷链物流配送过程中时间、温度、货损因素。通过合理安排配送线路，从而缩短配送时间，减少货物损失，同时满足客户时间窗要求，提高客户满意度和冷链物流企业的竞争力，符合我国冷链物流市场未来的发展方向。 1我国生鲜农产品冷链物流现状 1.1冷链运输难以满足市场的需求 我国生鲜食品在季节和品种供应方面存在均衡供应的矛盾。随着我国经济增长，迫切需要解决菜篮子工程。在保障供给、调节时间和空间市场方面，落后的冷链物流体系难以满足市场需求，供需矛盾日益显著，特别是大型突发性事件中生鲜食品的不稳定供应、异常天气因素和不正常的市场竞争等现象。[LM] 1.2生鲜食品耗损严重 长期以来，由于现代化冷链基础设施落后以及不适当的包装方法、材料、容器和处理方法，我国肉类、水产品、果蔬等生鲜食品从产地到

第三方物流运输方式和配送路径优化研究

第三方物流运输方式和配送路径优化研究 摘要：经典的优化理论大多是在已知条件不变的基础上给出最优方案（即最优解），其最优性在条件发生变化时就会失去其最优性。本文提出的局内最短路问题，就是在已知条件不断变化的条件下，如何来快速的计算出此时的最优路径，文章设计了解决该问题的一个逆向标号算法，将它与传统算法进行了比较和分析，并针对实际中的物流配送管理中路径优化问题，按照不同的算法分别进行了详细的阐述与分析。 一、引言 现实生活中的许多论文发表经济现象通常都具有非常强的动态特征，人们对于这些现象一般是先进行数学上的抽象，然后用静态或统计的方法来加以研究和处理。从优化的理论和方法上看，经典的优化理论大多是站在旁观者的立场上看问题，即首先确定已知条件，然后在假设这些已知条件不变的基础上给出最优方案（即最优解）。条件一旦发生变化，这种方法所给出的最优方案就会失去其最优性。在变化的不确定因素对所考虑的问题影响很大的时候，经典的优化方法有：一是将可变化的因素随机化，寻求平均意义上的最优方案，二是考虑可变化因素的最坏情形，寻求最坏情形达到最优的方案。这两种处理方法对变化因素的一个特例都可能给出离实际最优解相距甚远的解，这显然是难以满足实际的要求的。那么是否存在一种方法，它在变化因素的每一个特例中都能给出一个方案，使得这一方案所得到的解离最优方案给出的解总在一定的比例之内呢？ 近年来兴起的局内问题与竞争算法的研究结果在一定意义上给如上问题一个肯定的答案。其实本文所提出的逆向标号算法就是对应局内最短路问题的一个竞争算法，从本质上来说它是一种贪婪算法，在不知将来情况的条件下，求出当前状态下的最优解。[1]本文所考虑问题的实际背景是一个物流配送公司对其运输车辆的调度。假设物流公司需要用货车把货物从初始点O(Origin)运送到目的点D(Destination)。从日常来看，物流公司完全可以通过将整个城市交通网络看成一个平面图来进行运算，找到一条从O到D的最短路径以减少运输费用和节省运输时间。现考虑如下一个问题：如果当运输车辆沿着最短路径行驶到最短路径上的一点A，发现前方路径上的B点由于车辆拥塞而不能通过，车辆必须改道行驶，而此时物流配送公司应如何应对来保证其花费最低。问题推展开去，如果不是单个堵塞点，而是一个堵塞点序列，那物流配送公司又将如何来设计其最短路算法来在最短的时间内求出已知条件发生变化后的最优路径，从而有效的调度其运输车。本文首先建立了物流配送公司动态最短路的数学模型，相比较给出了求本文所提出的动态最短路问题的传统算法和作者提出的逆向标号算法，并分析了各自的算法复杂度。 二、数学模型假设城市交通网络是一个平面图，记为G，各个交通路口对应于图G上的各个顶点，令G=(G，V)为一边加权无向图，其中V为顶点的集合，E为边的集合，|G|=n，对于一般平面图上的三点之间，一定满足三角不等式，即任意三角形的两边之和一定不小于另外一边。对于本文要讨论的城市交通网络来说，即，任意三个结点之间的距离一定满足三角不等式。我们用O来表示运输的起始点，D表示运输的目的点。SP表示在没有路口堵塞情况下的最短路径，W(SP)表示沿着最短路径所要花费的运输费用。以下的讨论都是基于如下的基本假设：第一，去掉堵塞点后图G仍是连通的。第二，只有当运输车走到前一点后，才能发现后面的一点发生堵塞而不能通过。