基于遗传算法的物流配送中心选址问题研究

参考文献 : 1. 徐志伟 , 冯百明 . 网格计算技术 , 北京 : 电子工业出版社 , 2004. 2.Buckley J J, Hayashi Y. Fuzzy Genetic Algorithm and Applications [J]. Fuzzy Sets and Systems, 1994 (61) :129 -1136. 3. 卢 秋 根 . 模 糊 聚 类 算 法 的 研 究 与 实 现 [J]. 电 脑 知 识 与 技 术 , 2008(9): 1987- 1990. 4. 刘晓锋 , 吴亚娟 , 李明东 . 一种基于模糊聚类的资 源 发 现 策 略 [J]. 计 算 机 应用 ,2007(9) . 5. 梁 泉 , 杨 扬 , 梁 开 健 . 网 格 系 统 的 服 务 质 量 保 障 与 控 制 综 述 [J]. 控 制 与 决 策 ,2007(2) . 6. 沈睿芳 , 郭立甫 , 时希杰 . 数据挖掘中的数据预处 理 模 型 与 算 法 研 究 [J]. 计算机系统应用 ,2005(7).
R=
（3 ） 通过设定不同的截距 λ 值 ， 得到不同的聚类结果 。 取 λ= 0.8 ， 得到的布尔矩阵
1 0 1
R*0.8= 1 0 1
1 0 0 1
0 0 1 0 1
（ 上接第 89 页 ）
3 、 选址问题求解 选址问题属于 0-1 规划模型 ， 具有 NP 性 质 ， 求 解92 页 ）
92
福
建
电
脑
2009 年第 6 期
维 向 量 表 示 ， 则 节 点 资 源 集 合 X={X1,X2,X3, … , Xn}, 其 中 第 i 个 资源节点 ：Xi={Xi1, Xi2 ,Xi3, … ,Xim} ,i∈[1,n] 。 这里我们 取 n=5, m=4 。 即对 5 个资源 ， 每个资源有 4 个特征属性进行讨论 ， 如表 1 所示 ： 根据表 1 的数据 ， 下面用模糊聚类分析法来划分资源 。 （1 ） 由于资源属性数据不全是 [0 ，1] 区间的数 ， 为了避免大数 吃小数的现象 ， 应用式 ① 对原始数据进行极差标准化处理 [6]后所 得数据如表 1 右半部分所示 。 用 X1,X2, … X5 表示分类对象 ， 则 Xi 对应的属性指标分别用 xi1,xi2,xri3,xi4 表示 ， 那么资源对象可表 示为 ：
求得 gt 总费用为
参考文献 ： 1. 王小平 ， 曹立明 ． 遗传算法 － 理论 、 应用与软件实现 ． 西安 ： 西安交通大学 出版社 ，2002． 2. 张春涛 ， 杨大地 ． 改进型遗传算法及其在 TSP 中 的 运 用 ． 重 庆 大 学 学 报 ( 自然科学版 ) ，2004 ，27(7)． 3. 吴坚 ， 史忠科 ． 基于遗传算法的配送中心选址问题 ． 华南理工大学学报 ， 2004 ，32(6)． 4. 吴兵 ， 罗荣桂 ， 彭伟华 ． 基于遗传算法的物流配送中心选址研究 ． 武汉理 工大学学报 ，2006 ，28 (2)． 5. 鲁晓春 ， 詹荷生 ． 关于配送中心重心法选址的研究 ． 北方交通大学学报 ， 2000 ，24 (6)． 6. 刘立辉 ， 钱燕云 ． 一对多配送网络中 ITIO 问题的建模与算法研究 ． 公路 交通科技 ，2006 ，23(10)． 7. 易荣贵 ， 罗 大 庸 ． 基 于 遗 传 算 法 的 物 流 配 送 路 径 优 化 问 题 研 究 ． 计 算 机 技术与发展 ，2008 ，18(6)
Á Â
1 1 0.5 0.25 0.5 0 0 0.5
最终的聚类结果为 {X1,X3, X4},{X2 },{X5} ， 从分类结果可以 看出 ， 把服务类型比较接近的资源 X1,X3, X4 聚 为 一 类 ， 这 也 与 我们按照现实经验分类结果较为一致 。 4 、 结论 在 网 格 中 ，存 在 大 量 的 资 源 ，如 何 对 这 些 归 类 和 利 用 ，是 整 合网格资源的一个关键 ， 也是网格不同于以往因特网的一个重 要方面 。 本文应用模糊聚类方法 ， 分类网格资源 ， 是网格资源管 理的一个新思路 。 在该思路下 ， 考虑实际应用对属性评价指标的 不同引入基于资源属性权值的加权模糊聚类 ， 这样网格资源可 以根据具体的网格应用更有效的利用 ， 从而全面提高了网格资 源的有效配置 ， 为网格资源的全面连通整合奠定了基础 。
面我们用遗传算法来构造优化解的求解方法 ， 具体实现步骤如 下： （1 ） 染色体由 1 到 n 的整数排列串构成 ， 其中 n 代表物流配 送中心备选地的个数 。 用 x , x , , x 需点地址表示物流配送中 心地址的选址方案 。 （2 ） 记 ： （3 ） 在 满 足 编 码 方 案 的 前 提 下 ， 随 机 产 生 k 个 个 体 ， 构 成 初 始种群 。 我们将其记为 ： 的配送区域以及相应的总费用 。 （4 ） 求对应于 （5 ） 定义对应于染色体 gt 的适应值 ft， 即 ft＝1/Zt。 （6 ） 判 断 迭 代 是 否 达 到 某 一 预 定 值 ， 是 则 停 止 进 化 ， 否 则 继 续。 （7 ） 将当前代 K 个染色体按适应值 ft 由大到小排列 （8 ） 计算选择概率 pt=qt(1-q)t-1(t=1,2, … K) q 是初始概率值 （9 ） 三点部分匹配交叉 ， 即在两个父染色 体 中 排 列 序 号 为 1 到 n 之间随机选择三个位置作为交叉点 ， 从此点到染色体尾的 所有基因采用 PMX 方式交叉重组 。 （10 ） 得出问题的解 。 上述用到的求总费用方法如下 ： 在 n 点形成 m 个配送区域 ， 每个区域表述 ：
原则 。 交换 ： 交换操作是遗传算法中最主要的遗传操作 。 通过交换 操作可以得到新一代个体 ， 新个体组合了其父辈个体的特性 。 交 换体现了信息交换的思想 。 变异 ： 变异首先在群体中随机选择一个个体 ， 对于选中的个 体以一定的概率随机地改变串结构数据中某个串的值 。 同生物 界一样 ，GA 中变异发生的概率很低 ， 通常取值在 0.001~0.01 之 间 。 变异为新个体的产生提供了机会 。 GA 的计算过程为 ： （1 ） 选择编码方式 （2 ） 产生初始群体 （3 ） 计算初始群体的适应性值 如果不满足条件 { 选择 交换 变异 计算新一代群体的适应性值
4 、 总结
针对物流物流配送中心选址的实际问题 ， 主要对基本遗传 算法在交叉方面 ， 给出了三点部分匹配交叉的方法 。 当问题规模 较小时 ， 用基本遗传算法在可以接受的代数和时间范围内可以 获 得 满 意 解 ，但 随 着 问 题 规 模 的 进 一 步 扩 大 ，其 编 码 也 将 变 长 ， 采用三点部分匹配交叉的遗传算法优势将越加明显 ， 从而说明 了该算法的有效性 ， 完全可以用于求解大规模的物流配送优化 问题 。
1 、 物流配送中心的概念
物流配送中心是以组织配送性销售或供应 ， 执行实物配送 为主要职能的流通型结点 。 在物流配送中心中为了能更好地做 送货的编组准备 ， 因此必然需要采取零星集货 、 批量进货等种种 资 源 搜 集 工 作 和 对 货 物 的 分 整 、配 备 等 工 作 ，因 此 ，也 具 有 集 货 中心 、 分货中心的职能 。 为了更有效地 、 更高水平的配送 ， 物流配 送中心往往还有比较强的流通加工能力 。 选址时 ， 事先要明确建立物流配送中心的目的和必要性及 方针 ， 进而明确研究的范围 。 另外 ， 根据所确定的下述条件 ， 可以 大大缩小选址范围 。 这些主要影响因素有 ： 运输条件 、 配送服务 的条件 、 用地条件 、 城市规划条件 、 管理与信息功能条件 、 加工功 能等 。 模糊评价是一种应用很广泛的方法 ， 在许多工程及项目 、 方案评选中都有成功的应用 。 经实践检验 ， 在物流中心的选址 中 ， 模糊评价十分有效 。 2 、 遗传算法 遗传算法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 。 它的思想源于生物遗传学和适者生存的自然 规律 ， 是具有 " 生存 ＋ 检测 " 的迭代过程的搜索算法 。 遗传算法以 一种群体中的所有个体为对象 ， 并利用随机化技术指导对一个 被编码的参数空间进行高效搜索 。 其中 ， 选择 、 交叉和变异构成 了 遗 传 算 法 的 遗 传 操 作 ；参 数 编 码 、初 始 群 体 的 设 定 、适 应 度 函 数的设计 、 遗传操作设计 、 控制参数设定五个要素组成了遗传算 法的核心内容 。 作为一种新的全局优化搜索算法 ， 遗 传 算 法 以 其 简 单 通 用 、鲁 棒 性 强 、适 于 并 行 处 理 以 及 高 效 、实 用 等 显 著 特 点 ，在 各 个 领 域 得 到 了 广 泛 应 用 ，取 得 了 良 好 效 果 ，并 逐 渐 成 为 重要的智能算法之一 。 2.1 遗传算法的基本步骤 遗传算法是模拟生物物种进化进行 。 遗传算法把问题的解 表示成 " 染色体 " ， 在算法中也即是以二进制或浮点数编码的串 。 在执行算法之前 ， 先假设解集 ， 也就是给出一群 " 染色体 "-- 初始 种群 。 然后 ， 把这些假设解按照问题的具体要求 ， 按适者生存和 优 胜 劣 汰 的 原 则 ，从 中 选 择 也 较 适 应 问 题 求 解 的 "染 色 体"进 行 复 制 、交 叉 、变 异 等 过 程 产 生 更 适 应 问 题 的 新 一 代 "染 色 体"群 。 这样 ， 一代一代地进化 ， 直到收敛到最适应环境的一个 " 染色体 " 上 ， 经 过 解 码 ， 它 就 是 问 题 的 近 似 最 优 解 。 我 们 习 惯 上 把 Holland1975 年提出的 GA 称为传统的 GA 。 它的主要步骤如下 ： 编码 ：GA 在进行搜索之前先将解空间的解数据表示成遗传 空间的基因型串结构数据 ， 这些串结构数据的不同组合便构成 了不同的点 。 初 始 群 体 的 生 成 ：随 机 产 生 N 个 初 始 串 结 构 数 据 ，每 个 串 结构数据称为一个个体 ， N 个个体构成了一个群体 。 GA 以这 N 个串结构数据作为初始点开始迭代 。 适应性值评估检测 ： 适应性函数表明个体或解的优劣性 。 不 同的问题 ， 适应性函数的定义方式也不同 。 选择 ： 选择的目的是为了从当前群体中选出优良的个体 ， 使 它们有机会作为父代为下一代繁殖子孙 。 遗传算法通过选择过 程体现这一思想 ， 进行选择的原则是适应性强的个体为下一代 贡献一个或多个后代的概率大 。 选择实现了达尔文的适者生存