多物流配送中心路径优化问题及其遗传算法
物流行业中的配送路线优化方法
物流行业中的配送路线优化方法一、物流行业中的配送路线优化方法介绍在物流行业中，配送路线的选择和优化是提高运输效率、降低成本的关键因素之一。
通过合理安排和优化配送路线，可以实现货物的及时准确到达目标地点，缩短运输时间并降低运输成本。
本文将重点介绍物流行业中常用的配送路线优化方法。
二、基于贪心算法的最近邻法最近邻法是一种基于贪心算法的简单而有效的优化方法，其主要思想是从出发地开始选择距离最近的目标地作为下一个节点，依次连接各个节点形成路径。
这种方法适用于少量目标地情况下，并且对解决TSP问题也有广泛应用。
三、遗传算法与模拟退火算法面对大规模或复杂度较高的问题时，传统算法往往难以得出精确解决方案。
遗传算法和模拟退火算法则能够有效应对这种情况。
1. 遗传算法遗传算法是通过借鉴生物进化过程中存在着复制（交叉）、变异等操作来求解问题，并在每一代中保留符合适应度函数的个体。
在物流行业中，遗传算法可用于寻找最优配送路线，通过固定交叉和变异操作来生成下一代解决方案，并基于适应度评估选择出较优路径。
2. 模拟退火算法模拟退火算法通过设置初始温度、降温速率等参数，来模拟金属在加热后慢慢冷却的过程。
在物流行业中运用该方法，可以将每个节点看作是离散系统的某种状态，并利用能量差和温度参数进行状态转换，在保证整体降温趋势的情况下获得更优解答。
四、分支定界法分支定界法是一种强大且通用性较高的求解方法，它不仅可以解决TSP问题，也适合处理其他NP-hard类型问题。
1. 剪枝操作首先构建一个搜索树，在搜索时采用深度优先或广度优先策略遍历所有可能路径。
当已经走过的路径长度超过了已知最好结果时，则进行剪枝操作：即直接放弃当前分支继续向下搜索。
2. 上下界限剪枝上下界限剪枝可以提前确定一些点之间不会出现更短路径，从而减少搜索空间。
通过计算当前节点到剩余未遍历节点的最小距离和估计最大距离，将不满足条件的分支进行剪枝。
五、基于地理信息系统（GIS）的多车辆配送路径规划地理信息系统（GIS）是一种利用计算机技术实现对地理位置相关数据分析与处理的方法。
快递配送路线规划中的多目标优化方法
快递配送路线规划中的多目标优化方法快递配送是现代物流领域中的一个重要环节，互联网和电商的发展使得快递业务规模不断扩大，对快递配送路线的规划和优化提出了更高的要求。
针对多个目标的优化问题，快递配送中的多目标优化方法可以帮助提高配送效率、降低配送成本，并提供更好的服务质量。
多目标优化是指在有多个目标函数（如配送时间、总成本、车辆数目等）存在的情况下，找到一组最优解，使得满足每个目标函数的值都尽可能优。
在快递配送中，多目标优化方法可以帮助确定最佳的配送路线，以提高配送效率。
一种常用的快递配送路线多目标优化方法是遗传算法。
遗传算法是一种模拟进化过程的全局优化算法，通过模拟遗传过程的选择、交叉和变异等操作，逐步优化求解目标。
在快递配送路线规划中，遗传算法可以根据具体情况设计适应度函数，不断优化求解最佳配送路线。
首先，针对配送时间目标，我们可以设计适应度函数来衡量每个个体（代表一个配送路线）的适应程度。
适应度函数可以考虑配送时间的短长、货车的利用率等指标。
遗传算法通过不断迭代，选择适应度较高的个体，并通过交叉和变异操作产生新的个体，逐渐找到最佳的配送路线。
其次，快递配送中的成本目标也是重要的考虑因素。
配送成本包括燃料费用、人工成本等。
在遗传算法的优化过程中，可以引入成本函数，并根据具体情况进行权重设置。
通过适应度函数的设计，能够更好地平衡配送时间和成本，找到一个较为经济高效的配送方案。
此外，车辆利用率是快递配送中的另一个重要目标。
合理利用每辆车的运输能力，能够降低成本、减少车辆数量，提高配送效率。
遗传算法可以通过变异和交叉操作来改变配送路线中货车的运输指派，以实现最佳的车辆利用率。
另外，快递配送中也需要考虑一些其他因素，如道路拥堵、交通规则等。
这些因素可以通过在遗传算法中引入适应度函数的方式进行综合考虑。
通过将道路拥堵情况作为适应度函数的一部分，遗传算法可以根据实时交通情况对配送路线进行优化，避免拥堵路段，提高配送效率。
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在当今快节奏的商业环境中，物流配送的效率和成本成为了企业竞争的关键因素之一。
如何找到最优的配送路径，以最小的成本、最短的时间将货物准确送达目的地，是物流行业一直以来面临的重要挑战。
遗传算法作为一种强大的优化工具，为解决物流配送路径优化问题提供了新的思路和方法。
一、遗传算法的基本原理遗传算法是一种基于自然选择和遗传机制的随机搜索算法。
它模拟了生物进化的过程，通过不断地生成新的个体（解决方案），并根据适应度函数对个体进行评估和选择，逐步进化出最优的个体。
在遗传算法中，每个个体通常由一组编码表示，这组编码可以是二进制数、整数、实数等。
适应度函数用于衡量个体的优劣程度，它与问题的目标函数相关。
例如，在物流配送路径优化中，适应度函数可以是配送路径的总长度、总成本或总时间等。
遗传算法的主要操作包括选择、交叉和变异。
选择操作根据个体的适应度值，从当前种群中选择一部分优秀的个体作为父代，用于生成下一代个体。
交叉操作将父代个体的编码进行交换和组合，产生新的个体。
变异操作则对个体的编码进行随机的改变，以增加种群的多样性。
通过不断地重复这些操作，种群中的个体逐渐进化，适应度值不断提高，最终找到最优或接近最优的解决方案。
二、物流配送路径优化问题物流配送路径优化问题可以描述为：在给定的配送网络中，有若干个配送中心和客户点，每个客户点有一定的货物需求，配送车辆有容量限制和行驶距离限制，要求确定一组最优的配送路径，使得配送成本最低、时间最短或其他目标最优。
这个问题具有复杂性和约束性。
首先，配送网络可能非常庞大，客户点数量众多，导致可能的路径组合数量呈指数增长。
其次，车辆的容量限制和行驶距离限制等约束条件增加了问题的求解难度。
传统的优化方法在处理这类大规模、复杂约束的问题时往往效果不佳，而遗传算法则具有较好的适应性。
三、遗传算法在物流配送路径优化中的应用步骤1、问题建模首先，需要将物流配送路径优化问题转化为适合遗传算法求解的形式。
利用遗传算法优化物流配送路径问题
利用遗传算法优化物流配送路径问题随着物流业的快速发展，物流车辆配送路径问题变得越来越复杂且重要。
如何有效地规划物流车辆的配送路径，是一项值得研究的课题。
而遗传算法则是一种有效的优化物流配送路径问题的方法。
一、遗传算法简介遗传算法是一种基于自然选择和自然遗传规律的进化算法。
它模仿了生物进化中的遗传和适应机制，通过基因交叉、变异等方式实现对问题解空间进行搜索和优化。
遗传算法被广泛应用于解决优化问题。
二、物流配送路径问题物流车辆的配送路径问题是一种旅行商问题（Traveling Salesman Problem，TSP），它的目的是在访问所有的城市的前提下，寻找一条最短的路径来减少行驶距离和时间成本。
在现实中，物流配送路径问题有着复杂的约束条件，例如道路限制、运输量限制、运输时间限制等等。
三、利用遗传算法优化物流配送路径问题1.个体编码在遗传算法中，将每一个解表示为一个个体。
对于物流配送路径问题，个体编码可以使用城市序列表示方案。
城市序列是物流车辆访问所有城市的顺序，例如（1，3，5，2，4）表示物流车辆依次访问城市1、3、5、2、4。
2.适应度函数适应度函数用于评估一个个体在问题空间中的优劣程度，它是一个关于个体的函数。
对于物流配送路径问题，适应度函数可以采用路径长度作为衡量个体的优劣程度指标。
路径长度越短，则说明该个体越优秀。
3.遗传算子遗传算子是遗传算法中的重要组成部分，它包括选择、交叉、变异三种操作。
选择：选取适应度高的个体作为父代进入下一代。
交叉：将两个父代个体的某一部分基因进行交换，得到两个子代个体。
变异：在某个个体中随机地改变一些基因，得到一个变异个体。
4.遗传算法流程遗传算法的流程如下：1）初始化种群2）计算适应度3）选择器4）基因交叉5）基因突变6）生成下一代7）重复步骤2-6，直到达到终止条件5.优缺点优点：1）对于复杂的问题，具有较好的全局优化性能。
2）具有适应力强的特点，能够自适应地进行搜索和优化。
物流配送路径规划中遗传算法的使用教程与效果评估
物流配送路径规划中遗传算法的使用教程与效果评估简介物流配送路径规划是指在给定一定的物流网络结构和各个配送点之间的需求之后，通过合理的路径规划来优化物流配送效率和降低成本。
而遗传算法是一种应用于优化问题的计算方法，通过模拟自然界中的进化过程来搜索问题的最优解。
本文将介绍在物流配送路径规划中如何应用遗传算法，并对其效果进行评估。
一、遗传算法的基本原理遗传算法是一种启发式优化算法，其灵感来自于自然界中的进化过程，包括选择、交叉和变异。
具体来说，遗传算法的基本原理包括以下几个步骤：1.初始化种群：根据问题的特点，初始化一定数量的个体作为初始种群。
2.适应度评估：根据问题的目标函数或评价准则，对每个个体进行适应度评估，得到一个适应度值。
3.选择：根据适应度值，采用选择策略（如轮盘赌选择、锦标赛选择等）选择一部分个体作为父代。
4.交叉：对选出的父代进行交叉操作，生成新的个体。
5.变异：对生成的新个体进行变异操作，引入一定的随机性。
6.更新种群：将生成的新个体替换原来的个体，得到新的种群。
7.终止条件判断：根据问题的要求设置终止条件，如达到最大迭代次数或找到满足要求的解等。
二、物流配送路径规划中的遗传算法应用在物流配送路径规划中，我们的目标是找到最佳的配送路径，使得配送总时间最短或成本最低。
下面是如何将遗传算法应用于物流配送路径规划的步骤：1.定义基因表示：将每个配送点作为一个基因，通过某种编码方式表示。
2.初始化种群：根据物流网络和需求，生成一定数量的个体作为初始种群，每个个体表示一种可能的配送路径。
3.适应度评估：根据问题的目标函数，计算每个个体的适应度值，即配送路径的总时间或成本。
4.选择：采用选择策略选择一部分适应度较高的个体作为父代。
5.交叉：对选出的父代进行交叉操作，生成新的个体。
可以采用交换基因片段的方式进行交叉。
6.变异：对生成的新个体进行变异操作，引入一定的随机性。
可以随机选择某个基因进行变异，或者交换某两个基因的位置。
基于遗传算法的物流配送路径最优化研究
基于遗传算法的物流配送路径最优化研究在当今社会，随着电商的不断发展，物流配送成为了企业重要的一环。
如何将物流成本降到最低，同时保证配送时间和质量，一直是物流配送领域最为关心的问题。
基于遗传算法的物流配送路径最优化研究，正是为了解决这一难题而生。
一、遗传算法的基本原理遗传算法是一种通过模拟生物进化机制解决问题的数学算法。
在此算法中，借助于遗传、交叉、变异等操作，模拟自然界中生物个体遗传信息的传递、组合、选择和迭代过程，从而逐步搜索最佳解决方案。
在基于遗传算法的物流配送路径最优化研究中，可以将物流的路径规划问题看作是求解一个最优化的问题。
我们需要在满足所有物流要求的情况下（如送达时间、货物数量等），寻找到一个路径方案，使得成本最低。
二、遗传算法的应用基于遗传算法的物流配送路径最优化研究，可以分为以下几个步骤：1. 状态表示物流配送路径问题需要将配送路径表示为状态，而状态表示方式可以根据实际问题需求进行自定义，例如将物流配送路径表示为一个节点集合，每个节点表示在某一时间访问某一仓库或派送点，并且模拟此过程中货车的运输状态。
（下面的状态表示均以此为例）2. 初始种群的生成初始种群即为所有可能的物流配送路径，每一个物流配送路径表示为一个状态。
对于n辆货车，可以使用随机生成n条路径作为初始种群。
3. 适应度函数的设计适应度函数可以评价一个个体的好坏，基于此来对个体进行选择。
在物流配送路径最优化的问题中，适应度函数可以定义为路径的总成本。
4. 进化操作遗传算法迭代的过程中，涉及到两个进化操作，即选择和交叉变异。
其中选择操作一般采用“轮盘赌”方式或“锦标赛”方式，而交叉变异操作则是为了繁衍后代，以便能够在足够的代数中寻找到更优秀的个体。
在物流配送问题中，交叉和变异操作可以分别对应为路线的交叉和点的变异。
在路线交叉中，可以选取两条路径的随机位置，将路径进行交换；在点的变异中，可以随机选择一个节点进行变异。
5. 最终解的搜索与收敛在遗传算法的迭代过程中，最终会搜索到一组可行解，但不一定是最优解。
基于遗传算法的物流配送路径优化研究
02
相关理论概述
遗传算法理论
遗传算法的基本原理
遗传算法是一种基于生物进化理论的优化算法，通过模拟自然选择、遗传变异等 过程来寻找最优解。其基本原理包括编码、初始种群、适应度函数、选择、交叉 和变异等步骤。
遗传算法的优点
遗传算法具有全局搜索能力强、能够处理非线性问题、可并行计算等优点，能够 在复杂问题的求解中取得较好的效果。
确定每辆车的配送路线和顺序。
约束条件设定
车辆容量限制
每辆车的装载量不得超过其最大承载能力。
客户需求满足
确保每个客户的需求得到满足。
路径长度限制
每条路径的长度不得超过其最大行驶距离。
算法设计
选择操作
采用轮盘赌选择法，根据个体适应 度的高低选择个体进入下一代。
交叉操作
采用单点交叉或多点交叉，将两个 个体的部分基因交换，形成新的个 体。
物流配送理论
物流配送的概念
物流配送是指按照客户的需求，通过合理的运输和配送路线将物品从供应地运输到目的地 的一种物流运作方式。
物流配送的基本流程
物流配送的基本流程包括订单处理、库存管理、拣货配货、包装、发货、配送运输和信息 反馈等环节，其中配送运输是物流配送的核心环节之一。
物流配送的意义
物流配送对于企业运营有着重要的意义，它能够提高企业的客户服务水平，降低库存成本 ，提高物流运作效率，增强企业的市场竞争力。
2023
基于遗传算法的物流配送 路径优化研究
目录
• 引言 • 相关理论概述 • 基于遗传算法的物流配送路径优化模型 • 算例分析 • 结论与展望
01
引言
研究背景与意义
物流行业快速发展，物流配送效率对 企业和客户的重要性不断提高
(完整word版)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。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
多物流配送中心路径优化问题及其遗传算法廖成林柳茂森（重庆大学经济与工商管理学院，重庆，400030）摘要：论文建立了多物流配送中心路径优化问题的数学模型，并针对该问题的特点构造出求解该问题的遗传算法，把多物流配送中心路径优化问题综合起来用一个数学模型求解。
本文提出了无效基因的概念，从而不局限于使得个体中每个基因都必须表达出来，因此增强了编码的灵活性。
仿真实验证明了该方法的有效性和可操作性。
关键词：无效基因遗传算法物流配送1 引言物流配送是物流管理中一个极其重要的环节，它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的活动。
物流配送主要研究车辆调度及路径安排问题。
近年来，国内外学者对物流配送问题进行了大量的研究，这些研究主要集中在单物流配送中心的车辆调度及路径安排方面。
由于配送路径优化问题是一个NP难题，因此，研究者大都使用启发式算法和智能算法或者是在智能算法优化过程中加入优化策略以构造混合智能算法来求解物流配送问题。
但是，目前国内外对多个物流配送中心的物流配送问题的研究成果很少，而且现有研究成果大都是把多个配送中心问题通过任务分派转化为单物流配送中心问题来研究[1~3]，使用这种方法把需求点预先划分给各个配送中心，在求解过程中再作适当的调整，这种方法其实只是单物流配送中心优化的简单组合，通常只能求得近似最优配送方案。
魏百鑫等[4 ]针对整车配送需求点分散特征,解决了多仓库的整车配送问题，但并不是一个通用的解决多物流中心配送问题的方法。
由于遗传算法具有良好的全局寻优性能，并且对不要求搜索空间具是连续的，这正符合该问题的特点和要求。
因此本文亦采用遗传算法求解。
本文基于整体路径最优由多个物流配送中心同时服务多个需求点建立一个通用的多物流配送中心的配送模型，并给出求解算法。
单物流配送中心路径优化问题可以事先确定需要派出的车次，但是多物流配送中心路径优化问题中，每个配送中心需要派出多少车次是不确定的，因此，无法用常规的方法确定染色体的长度。
为解决基因编码的问题，本文提出了无效基因的概念。
所谓无效基因就是在一次基因表达的过程中不作表达的基因。
但是，在交叉过程中无效基因处可以被选为交叉点，交叉后无效基因可能转化为有效基因。
因此，有些基因时而是有效基因时而是无效基因，因而无效基因在不清楚有些基因是否表达较好的时候起到缓冲作用。
2 模型的建立多物流配送路径优化问题可描述为：从多个配送中心用多辆配送车向多个需求点送货，每个需求点的位置和需求量一定，要求安排合理的配送路线，使得目标函数最优或接近最优。
为了研究的方便且具有实际意义，做以下假设：(1)每条配送路径上各需求点的需求量之和不超过配送车的载重量；(2)每个需求点都必须满足，且只能由一辆配送车送货。
本文的各种符号及其含义做如下说明：M-------配送中心的个数i-----------配送中心的下标j----------配送车辆的下标k----------需求点的下标N--------需求点的个数L i -------第i 个配送中心的配送车的个数Q ij-----------第i 个配送中心的第j 辆车的载重量q k -------第k 个需求点的需求量d k(1)d k(2)-----从需求点k (1)到k (2)的运距d 0k ------配送中心到需求点k 的运距n ij -------第i 个配送中心的第j 辆车配送的需求点个数，n ij =0表示未使用第j 辆车R ij ------第i 个配送中心的第j 辆车配送的路径r ijk -------第i 个配送中心的第j 辆车配送的第k 个需求点，r ij0表示配送中心i ij L j M i Q Q ,,2,1;,,2,1,min ===11+⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡=∑=Q q n N k k 其中，[ ]表示不大于括号内数字的最大整数若以配送路径最短为目标函数，则可以建立如下配送路径的优化模型： ()()()1minZ 11101∑∑∑===⎥⎦⎤⎢⎣⎡+=-M i L j n k ij r r r r i ij ij ijn ij ijk k ij n f d d()21ij Q n k rq ij ijk ≤=∑ ()3n 0ij N ≤≤ ()411Nn M i L j ij i =∑∑==[]{}()5,,2,1,,,2,1ij ijk ijk ij n k N r r R =∈∈()6,i )2()1()2(1j i )2()2((1)(1)j j i R R j i ≠∀≠∀∅=）（()()7011⎩⎨⎧≥=其他ij ij n n f 上述模型中：（1）式为目标函数;（2）式保证每条路径上各客户的货物需求量之和不超过配送车辆的载重量; (3) 式表明每条路径上的客户数不超过总客户数; (4) 式表明每个客户都得到配送服务; (5) 式表示每条路径的客户的组成;(6) 式限制每个客户仅能由一台配送车辆送货; (7)式表示当第i 个配送中心的第j 辆车服务的客户数≥1 时,说明该台车参加了配送,则取f （n ij ）= 1 ,当第i 个配送中心的第j 辆车服务的客户数< 1 时, 表示未使用该台车辆, 因此取f （n ij ）= 0 。
3 遗传算法设计3.1 编码方法的确定和初始种群的产生根据多物流配送中心路径优化问题的特点,作者提出了一种配送中心和需求点直接排列的编码方法。
这种表示方法是直接生产N 个1～N 间的互不重复的自然数给这N 个需求点编码，再生产M 个-M ～-1之间的互不重复的负整数给这M 个配送中心编码。
把这M 个-M ～-1之间的互不重复的负整数各n 个和这N 个1～N 间的互不重复的自然数各一个组成一个长度为n*M+N 的数列，数列的第一个位置随机排上一个负整数，其余位置随机全排列，即形成一个染色体。
随机产生m 个这样的个体即可形成种群规模为m 的初始种群。
这样的染色体结构可解释为：（1） 从负数对应的配送中心出发向紧接着该负数后面的若干个正数所对应的需求点配送，再回到该配送中心，形成一条子路径。
（2） 后面未紧接着正数的负数为无效基因，不表示任何意义，但是可以在该基因处进行交叉操作。
若交叉后该负数后面紧接正数，则该负数由无效基因变为有效基因，其意义与（1）所述相同。
例如染色体（-1，-4，1，2，-1，-2，-3，3，4，5，-5）表示的意义： ⎪⎩⎪⎨⎧-−→−−→−−→−−→−--−→−−→−−→−-35433242141配送中心需求点需求点需求点配送中心：子路径配送中心需求点需求点配送中心：子路径其中， -2、-5和两个-1都是无效基因。
这种染色体结构子路径内部是有序的，子路径中需求点1和2交换位置，会使目标函数值改变；而子路径之间是无序的，若子路径1和2交换位置，却不会改变目标函数值。
3.2 适应度评估方法的确定。
适应度函数同目标函数有关，要求非负，通过变换目标函数得到适应度函数：/k k f bz z '=。
其中，b 为常数，z '为初始群体中最好的染色体配送距离，zk 为当前染色体对应的配送距离。
3.3 选择操作。
本文采用如下最佳个体保留与赌轮选择相结合的选择策略:将每代群体中的m 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m - 1个个体需要根据前代群体的m个个体的适应度,采用赌轮选择法产生,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ΣFj ,再计算每个个体的适应度所占的比例Fj/ΣFj (j = 1 ,2 , ⋯,m) ,以此作为其被选择的概率。
上述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。
3.4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ｍ- 1 个个体要按交叉概率Pc 进行配对交叉重组。
本文采用类OX法实施交叉操作,其操作过程为: 如果染色体交叉点处的两个基因都为负数, 则直接用基于序的交叉进行运算; 如果染色体交叉点处的基因不全为负数, 则将交叉点左移(右移) , 直到左右两个交叉点处的基因都为负数, 再进行运算. 如:父代1: -1，-4，︳1，2，︳-1，-2，-3，3，4，5，-5父代2: -5，-1，3，1，5，-2，︳-4，4，︳2，-1，-3︳︳内为匹配段, 经过最大保留交叉运算后形成子代1: -1，1，-4，4，2，-1，-2，-3，3，5，-5子代2: -5，-1，3，5，-2，-4，1，2，-1，4，-33.5变异操作由于在选择机制中采用了保留最佳个体的方式,为保持群体内个体的多样化,本文采用连续多次对换的变异技术,使个体在排列顺序上有较大的变化。
变异操作是以概率Pm 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) 。
3.6终止准则采用最佳个体保留指定代数的终止准证，即若某个体在连续若干代都是最佳个体，说明该个体是很好的个体，则停止操作。
4仿真实验本文用matlab编制了多物流配送中心路径优化问题的遗传算法计算程序。
算例：有两个配送中心各两辆配送车向9个需求点配送，配送车的载重量均是10吨。
配送中心（编号为-1和-2）与需求点之间以及需求点相互之间的距离d k(1)d k(2)、9个客户的需求量q k均见下表1。
要求安排合理的配送路线，使得总的配送路径最短。
根据算例的特点，在用遗传算法对其求解时采用了一下参数：种群规模取25，进化代数取100，交叉概率取0.9，变异概率取0.01，对不可行路径的惩罚权重取100km。
对算例求解10次，所得的计算结果见表2。
（其对应的配送路径方案为：路径1:-1,1,3,-1;路径2：-1，5，6，9，-1；路径3：-2，4，7，-2；路径4：-2，2，8，-2），6次得到了问题的近似最优解，这种方法求解多物流配送中心路径优化问题明显的优于把多个配送中心问题通过任务分派转化为单物流配送中心问题求解。
5结束语（1）本文建立了一个多物流配送中心模型，并基于多物流配送中心配送的特点，设计了求解算法。
由于每个配送中心需要派出多少车次是不确定的，文章通过采用无效基因很好的解决了这个由于各配送中心需要派出多少车次不确定引起的对个体无法编码的问题。
这样就可以把多个物流配送中心配送优化问题用一个数学模型来求解，这种方法要优于把需求点预先划分给各个配送中心，以转化为单物流配送中心求解的方法。
（2）遗传算法是模拟生物遗传学的规律的算法，但是，在生物体内的基因是存在无效基因的，而目前使用的遗传算法编码的基因都是有效的。