基于混沌蚁群算法的应急物流路径优化算法
基于蚁群算法的紧急物流配送路径优化设计
基于蚁群算法的紧急物流配送路径优化设计作者：彭银香符英来源：《商场现代化》2009年第28期[摘要] 本文将结合应急物流的配送车辆优化调度问题,根据应急物流配送的突出特点,对应急物流配送车辆调度路线优化进行探讨,建立了应急物流配送车辆调度模型,用蚁群算法对车辆的配送路径进行优化。
一、引言近些年无论是自然灾害还是各种事故灾害,公共灾害等各类突发事件爆发频繁,而且规模都很大。
突发性重大自然灾害和公共卫生事件造成巨大的人员伤亡和财产损失,必然需要大量的应急物资,以解决伤者救助、卫生防疫、恢复生产等,否则受灾面积、人员、损失将会扩大。
因此选择距离最短、费用最少和时间最快的配送路径显得格外重要。
目前国内关于物流调度方面作了一些研究,但是关于应急物流配送车辆调度问题研究还很少。
鉴于物流调度的研究方法,其中有传统的方法,比如,数学规划,分支定界法等。
不过这些方法只能基于某些简化的假设因而不能适应实际的需要.智能调度方法,如专家系统、神经网络和遗传算法在使用中尽管有优点,但也有明显的缺点。
根据以上问题,本文将结合应急物流的配送车辆优化调度问题,根据应急物流配送的突出特点,对应急物流配送车辆调度路线优化进行探讨,建立了应急物流配送车辆调度模型,用蚁群算法对车辆的配送路径进行优化。
二、问题描述物流配送路径优化是指对一系列装货点(或卸货点),组织适当的行车线路,使车辆有序地通过它们,在满足一定的约束条件(如货物需求量、发送量、交发货时间、车辆容量限制、行驶里程限制、时间限制等)下,达到一定的目标,使总代价最小(如路程最短、费用最少、时间尽量少、使用车辆尽量少等),并且同时满足以下条件及假设:各个需求点的位置和需求量为已知,寻找一个优秀的配送方案,使得总代价最小。
1.约束条件(1)所有节点之间都有路线相通。
(2)各救灾点与各受灾地点、各受灾地点之间的运输距离作为已知量。
(3)每个受灾地点对救灾物资的需求是必须在规定时间送到。
基于改进蚁群算法的物流配送路径优化研究
基于改进蚁群算法的物流配送路径优化研究作者：夏鹏张玮来源：《科学与财富》2017年第12期摘要：本文首先通过对传统蚁群算法在物流配送路径优化问题中的研究，得出蚁群算法存在如收敛速度较慢、算法易陷于局部最优等缺点，进而对蚁群算法进行优化改进，使物流配送路径优化研究得到更好的解决。
关键词：蚁群算法物流配送路径优化一、引言互联网在不断地发展，这一时代慢慢兴起，网购逐渐走进我们的生活大当中。
伴随着网购而不断兴盛的就是物流行业。
物流行业越来越繁荣，对物流配送路径进行优化也显得尤为重要，因为这直接关系到物流行业的成本控制、盈利水平及配送效率。
调查显示，目前在我们国家物流行业的总成本一半以上花费在运输当中，这一项花费远远高于西方的一些发达国家。
在研究物流配送路径的时候，我们常将其归属于组合优化，即是一个NP完全问题。
研究过程中，针对路径优化人们经常会用到诸如方案评价法、动态规划法、遗传算法等各类方法。
不过就目前的一些研究而言，这些算法都存在着一定程度的缺点，并不是特别完美，比如遗传算法局部搜索能力不强，蚁群算法容易呈现停滞征象，等等。
现在的研究中，针对以往在物流配送路径优化方面的一些算法进行改进完善，以便于原有算法的所存在的缺点和不足之处能够得到弥补。
近些年来，受到生物进化展现出来的先进特点的启发，部分学者研究发现了一些像遗传算法、蚁群算法等的智能算法，并常常将这些算法运用到一些复杂优化问题中去。
在进行物流配送路径问题研究的时候，遗传算法具有收敛到全局最优的优点，不过在描述所求问题的约束条件时，这一算法往往表现的不尽如人意，而物流配送路径优化又是一种多约束问题。
和遗传算法一样，蚁群算法也是一种随机搜索算法，不过蚁群算法有其自身的优点，比如其能同时兼顾解的局部构造和整体性能，适合用来求解具有复杂约束条件以及解的组成元素之间关联性较强的优化问题。
二、蚁群算法与物流配送路径问题2.1 蚁群算法描述蚁群算法（ant colony optimization， ACO）是由意大利的著名学者Marco Dorigo最先提出来的，它是一种随机搜索算法。
基于混沌蚁群算法的应急救援车辆调度优化
混沌蚁群算法概述
混沌蚁群算法是一种基于自然界中蚂蚁觅食行为的启发式优化算法。蚂蚁在 寻找食物过程中，会在路径上留下信息素，其他蚂蚁会根据信息素的强度选择路 径。在混沌蚁群算法中，每个蚂蚁的行为受到混沌理论的支配，从而使得算法具 有更好的鲁棒性和全局搜索能力。该算法在求解复杂优化问题，尤其是应急救援 车辆调度问题方面具有较大潜力。
文献综述
蚁群算法是一种通过模拟蚂蚁寻找食物过程中的行为来求解优化问题的算法。 在车辆调度问题中，蚁群算法可以用来寻找最优的车辆路径，使得车辆行驶总距 离最短。然而，标准的蚁群算法在处理动态车辆调度问题时存在一些局限性，如 信息素更新不及时、算法收敛速度慢等。因此，许多学者对蚁群算法进行了改进， 以提高其在动态车辆调度问题中的性能。
2、设置参数：根据实际需求，设置蚁群算法的参数，如信息素挥发速率、 信息素强度等。
3、路径规划：利用蚁群算法进行路径规划，通过模拟蚂蚁的觅食行为，寻 找最优路径。
Байду номын сангаас
4、数据采集：收集实际应急救援过程中的数据，包括救援时间、救援资源 使用情况等。
研究结果
通过对比实验，本研究发现蚁群算法在应急救援最优路径规划中具有以下优 势：
研究问题和假设
本研究的核心问题是：在应急救援中，如何利用蚁群算法寻找最优路径？为 此，我们提出以下假设：蚁群算法能够对应急救援路径进行优化，提高救援效率。
研究方法
本研究采用蚁群算法进行应急救援最优路径规划。具体流程如下：
1、建立救援路径图：根据实际救援环境，建立救援路径图，包括道路、障 碍物等相关信息。
应急救援车辆调度优化
基于混沌蚁群算法的应急救援车辆调度优化主要分为以下几个步骤：
1、建立应急救援车辆调度优化模型：首先需要确定优化目标，如最小化救 援时间、最大化救援覆盖面积等。然后根据实际情况建立数学模型，如整数规划 模型、图论模型等。
基于蚁群优化算法的物流配送路径研究
基于蚁群优化算法的物流配送路径研究作者：邓必年来源：《现代电子技术》2017年第15期摘要：针对区间重构方法进行物流配送路径寻优收敛性不好的问题，提出一种基于蚁群优化算法的物流配送路径优化选择方法。
采用重极标差法进行物流配送路径的邻域网格分割，进行路径的动态实时统计特性分析，设计物流配送路径选择流程。
采用蚁群优化算法进行物流配送路径的自适应寻优，实现路径优化选择规划。
仿真结果表明，采用该算法进行物流配送路径规划，缩短了配送行程距离，节省了物流时间。
关键词：蚁群算法；物流；配送；路径规划；重极标差法中图分类号： TN99⁃34； TP242 文献标识码： A 文章编号： 1004⁃373X（2017）15⁃0167⁃04Abstract： Aiming at the poor optimization convergence of the interval reconstruction method for logistics distribution route， an ant colony optimization algorithm based optimal selection method of logistics distribution route is proposed. The rescaled range analysis method is used to carry out the neighborhood mesh segmentation of the logistics distribution route， analyze the dynamic real⁃time statistical property of the route， and design the selection process of the logistics distribution route. The ant colony optimization algorithm is used to perform the adaptive optimization of the logistics distribution path to realize the path optimization selection and planning. The simulation results show that the algorithm used to plan the logistics distribution path can shorten the distribution distance，and save the logistics time.Keywords： ant colony algorithm； logistics； distribution； path planning； rescaled range analysis method随着电子商务和电子物流产业的快速发展，物流的配送路径优化是提高物流配送速度和效率的关键因素。
基于蚁群算法的物流优化策略
基于蚁群算法的物流优化策略
随着电子商务的兴起和全球化贸易的发展，物流成为企业最为关注的一个重要环节。
如何优化物流过程，降低成本，提高效率，成为企业发展的重要课题，因此物流优化已成为当今企业最为迫切的需求之一。
本文提出基于蚁群算法的物流优化策略，旨在通过对物流环节的优化，提高仓库、运输和配送等方面的效率、成本和满意度。
1. 蚁群算法概述
蚁群算法是一种仿生算法，灵感来源于蚂蚁在寻找食物过程中所表现出的行为。
蚂蚁会在寻找路线中不断释放信息素，并通过不断沉淀信息素，在之后的寻路过程中选择信息素浓度高的路径。
该算法主要通过模拟蚂蚁的行为，优化问题求解的过程。
2. 物流优化策略
a. 仓库位置优化：通过蚁群算法优化仓库的位置，使得距离各个客户最优，并在一定程度上减少物流成本和时间。
b. 运输路线优化：通过蚁群算法优化配送线路，降低距离和时间成本。
在寻找路线中，蚂蚁释放信息素，通过不断沉淀信息素，选择信息素浓度高的路径，将其作为步行路线或车辆路线。
c. 配送策略优化：根据客户需求及所在地地理位置，通过蚁群算法制定对应配送策略，提高配送的效率及满意度。
3. 优化效果评估
通过对优化前后物流环节效率，成本以及满意度等方面的数据进行对比，评估优化效果。
同时，可以采用数据可视化技术，对物流过程的数据进行展示和分析，为企业制定合理的物流决策提供依据。
4. 结论
基于蚁群算法的物流优化策略能够有效提高仓库、运输、配送等物流环节的效率和满意度，降低成本和时间成本，为企业发展提供有力支撑。
因此，在物流领域的优化中，蚁群算法将有着广泛的应用前景。
基于蚁群算法的应急物资运输路径优化
基于蚁群算法的应急物资运输路径优化杨菊花;朱昌锋;田志强【摘要】由于各种自然灾害和公共卫生事件频发,世界各国加大了对应急物资的采购、存储和调运方案的研究,旨在建立高效的救援物流系统.结合以往文献中有关应急状态下物资运输的模型和非常规物流中车辆运输的特殊性,运用多式联运和路网的脆弱性理论,建立应急物资全程调拨时运输方式和路径选择问题的综合模型,设计改进的蚁群算法,结合算例说明当运输路径及其流量发生改变时应急物资运输路径的变化情况.%Because of frequent occurrence of natural disasters and public health events, study on the purchasing, storage and allocation plan for emergency materials was enforced all over the world, which aims at establishing high efficient rescue logistic system. Referring to material transportation models in emergent state and the specialty of vehicle transportation in irregular logistics which were proposed in many papers, multimodal transportation theory and network vulnerability theory were applied to establish compositive model of transport mode and path selection for the whole course allocation of emergency materials. The modified ant colony algorithm was designed which combines with an example to explain the change conditions according to the change of transport path and its flow.【期刊名称】《铁道科学与工程学报》【年(卷),期】2012(009)006【总页数】5页(P90-94)【关键词】应急物资;运输路径;多式联运;路网脆弱性;蚁群算法【作者】杨菊花;朱昌锋;田志强【作者单位】兰州交通大学交通运输学院,甘肃兰州730070;兰州交通大学交通运输学院,甘肃兰州730070;兰州交通大学交通运输学院,甘肃兰州730070【正文语种】中文【中图分类】U116.2地震、火灾、流行性传染病等突发事件的频发，给人民群众生命财产和社会安全造成极大的危害。
基于改进蚁群算法的物流配送路径优化
基于改进蚁群算法的物流配送路径优化1童若锋2张维泽许星董金祥（浙江大学人工智能研究所，杭州310027）摘要：本文建立了带约束条件的物流配送问题的数学模型，运用蚁群算法解决物流配送路径优化问题，并将遗传算法的复制、交叉、变异等遗传算子引入蚁群算法，同时改进信息素的更新方式、客户点选择策略，以提高算法的收敛速度和全局搜索能力。
经过多次实验和计算，证明了用改进的蚁群算法优化物流配送线路，可以有效而快速地求得问题的最优解或近似最优解。
关键词：物流配送；路径优化；蚁群算法；蚁群系统Optimizing Logistic Distribution Routing ProblemBased on Improved Ant Colony AlgorithmRuoFeng Tong, Weize Zhang, Xing Xu, Jinxiang Dong(Institute of Artificial Intelligence, ZheJiang University, HangZhou 310027)Abstract: After constructing the expressions of the constraints in logistic distribution and building the mathematical model, this paper proposes an improved ant colony algorithm to solve distribution problem. Several genetic operators such as crossover and mutation are inducted into the ant colony algorithm, and pheromone updating strategy is ameliorated to improve the efficiency. The result of experiments demonstrates that the optimal or nearly optimal solutions to the logistic distribution routing can be quickly obtained by improved ant colony algorithm.Key words:logistic distribution; optimizing routing; ant colony algorithm (ACA); ant system (AS)1项目基金：本文受国家重点基础研究发展规划（973）项目（2002CB312106）和浙江省重大科技攻关项目（2005C13023）支持2作者简介：童若锋（1969.4-），男（汉族），浙江金华人，教授，博士，主要研究方向为CAD&CG等。
基于蚁群算法的物流优化策略
基于蚁群算法的物流优化策略随着物流行业的发展，物流优化已经成为了提高效率、降低成本和提升服务质量的关键。
而基于蚁群算法的物流优化策略正是一种新兴的方法，它可以通过模拟蚁群在寻找食物过程中的行为来寻找最优化的路径，从而帮助企业优化物流运输路线、减少成本和提高效率。
本文就将从蚁群算法的基本原理、在物流领域的应用以及优势和挑战等方面进行探讨。
一、蚁群算法的基本原理蚁群算法是一种仿生算法，它模拟了蚂蚁在寻找食物过程中的行为，通过蚂蚁之间释放信息素和寻找最优化路径来达到最优化的目的。
蚂蚁在寻找食物的过程中常常会留下一种化学物质，这就是信息素。
当蚂蚁发现食物后，它会释放出更多的信息素，而其他蚂蚁通过感知这些信息素来找到食物的位置。
随着时间的推移，更多的蚂蚁会选择最短的路径来获取食物，从而形成了一条最优化的路径。
蚁群算法将这种行为模拟成一个数学模型，通过不断迭代、更新信息素浓度和路径选择来求解最优化问题。
这种算法的优点是可以处理复杂的最优化问题，而且在寻找全局最优解时也有一定的效果。
二、蚁群算法在物流领域的应用在物流领域，蚁群算法可以应用于多个方面，比如路径规划、车辆调度、货物配送等。
它可以帮助企业优化物流运输路线，找到最短的路径以减少行驶距离和时间，从而降低成本。
它还可以帮助企业进行车辆调度，按照最优的方式来安排车辆的运输任务，提高运输效率。
它还可以应用于货物配送，通过优化配送路径来降低成本和提高服务质量。
三、蚁群算法的优势相比传统的优化方法，蚁群算法具有以下几个优势：1. 全局寻优能力强：蚁群算法可以寻找全局最优解，而不是局部最优解，这在处理复杂的物流优化问题时非常有优势。
2. 鲁棒性强：蚁群算法对于初始条件和参数的选择并不敏感，因此具有较强的鲁棒性，不易陷入局部最优解。
3. 可并行化：蚁群算法的并行性较强，可以快速地求解大规模的优化问题。
4. 简单易实现：蚁群算法的原理相对简单，易于实现和应用于实际的物流优化问题。
- 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)。
数量 ， ＝ ｍ
ｉ ＝１
路 ｉ上 的信 息 素量 ，＝０时各 条 路径 上 的信 息 量强 度 ｊ ｔ 相等 ， 即 （ ） （ 为 常数 ） ０ ＝Ｃ Ｃ 。
随着 时间的推移 ， 新的信息素加进来 ， 旧的信息 素挥发 ， Ｐ表示全局信息素的挥发 因子 ，一般取值为 『，） ， ０ １ 决定信息素挥发的快慢。 当所有蚂蚁完成一次
法作为一种新型的搜索性算法 ， 其基本思想是将混沌 变 量从 混 沌 空 间映 射 到解 空 间 ， 然后 利 用混 沌 变量 具
有遍 历 性 、 随机性 和规 律性 的特 点进 行搜 索ｌ ３ ｌ 。 本 文采用 混 沌蚁 群算 法 ｃａｓ ｎ ｌｎ ｐｉｉ — ｈｏ ｔｏｏｙ ｔ ｚ ａ ｃ ｏ ｍ ａ ｔ ｎ简 称 Ｃ Ｃ 来 解 决 医疗 器 械 应 急 物 流 配送 路 径 ｉ ， ｏ Ａ Ｏ） 优 化 问题 ， 通 过仿 真验证 了算 法 的有效 性 。 并
第 ２ ９卷
第 ３期
中 国 民 航 大 学 学 报
Ｊ ｏＵＲＮＡＬ ｏＦ ＶＩ ＡＶＩ ＣＩ Ｌ ＡＴＩ ＯＮ ＵＮＩ ＶＥＲＳ Ｔ ０Ｆ Ｉ Ｙ ＣＨＩ ＮＡ
Ｖｏ ．９ Ｎｏ３ １ ． ２
２ １ 年 ６月 ０１
Ｊｎ ２ １ ｕｅ ０ｌ
基 于 混沌 蚁群 算 法 的应 急 物流 路 径 优化 算 法
弱。蚂蚁根据信息素 的强度做出对较 优解 的判断选 择 ，蚁群的群体行为表现 出一种信息正反馈现象 ， 即
后 面 的蚂 蚁 会 根 据 前 面 蚂 蚁 所 释放 的信 息 素选 择 下
一
趋 向于访问具有较高信息素强度值的路径。已经去过 的城 市放 入 ｔｂ ， ａｕ 中 当所 有 蚂蚁 完 成 了一 次巡 回后 ，
作者简 介： 张立毅（ ９ ３ ）男 ， １６ 一 ， 山西忻州人 ， 博士 ， 教授 ， 研究方向为智能计算与信息处理．
一
６２一
中 国 民 航 大 学 学 报
路径 上 释放 这 种化 学 物质 ， 能 够感 知 到信 息 素 的强 且
城 市 出发 ， 据 式 （ ） 择 下一 个要 访 问 的城 市 ， 蚁 根 ４选 蚂
（） １
径优 化 问题 作 如下假 设 ： １救 援 中心 的车辆 属 于 同种 车型 ， 配 送 中不 考 ） 在 虑最 大行驶 距离 及是 否 出现故 障 ； ２考虑 车辆 载重 时 ， 资 的体积不 作考 虑 ； ） 物 ３ 所 有 受 灾 点 以及 受 灾 点 与 救 援 中心 之 间 都存 ） 在直线 连接 线路 ； ４ 所 有道 路 条件 都是 理 想 的 ， 考 虑其 对 车 辆 速 ） 不
Ａ ｓｒｃ ：Ｉ ｈｓｐ ｐｒ Ｏａ ｏｍｅｉａ ｅ ｕｐ ｅ ｔ ｍ ｒｅｃ ｏｉｉ ｉ ｒ ｕｉｎａ ｈ ｅｅｒｈ ｏｊｃ ａ ｄｔｅ ｂ ｔａｔ ｎ ｔ ａｅ ，Ｓ ｓｔ ｉ ｄｃｌ ｑ ｉｍ ｎ ｅｇｎｙｌｇ ｔｓｄｓｉ ｔ ｓｔｅｒｓａｃ ｂｅｔ ｎ ｈ ｅ ｓｃ ｔｂ ｏ ｌ ｅｔｄｌ ｅｙ ｔ ｆｒｓａｃ ｂｅｔ ｅ， ｍ ｔｅ ａｉ ｌｍ ｄ ｌｏ ｍ ｄｃｌｄ ｖ ｅ ｅ ｅｇｎｙ ｌｇ ｔ ｓ ｏ ｓ ｅｉ ｒ ｉ ｏ ｅｅｒｈ ｏｊｃｖ ｓ ａｈｍ ｔ ａ ｏ ｅ ｆ ｅｉａ ｅｉ ｍ ｒｅｃ ｏｉｉ ｗ ｖ ｍｅ ｉ ｃ ｃ ｓｃ
（． ｃｏｌｆ ｎ ｒ ｔ ｎＥ ｇｎ ｅｉ ，ｉ ｊｎＵ ｉ ｒｉ ｏ ｍ ｒｅ Ｔ ｎｉ ０ １４ Ｃ ｉ ； １Ｓ ｈｏ ｏ Ｉ ｏｍａ ｏ ｎ ｉｅｒ ｇ Ｔａ ｉ ｎ ｅｓｙｏ ｍ ｅｃ ，ｉ ｊ ３ ０ ３ ， ｈｎ ｆ ｉ ｎ ｎ ｖ ｔ ｆＣ ａ ｎ ａ
２ Ｏ ｃ Ｅ ｕ ｍ ｎ ，ｉｔ ｓｉｌ Ｓ ａｘ Ｕ ｉ ｒｉ ｆ Ｍｅ ｉ ｎ ，ａ ｕｎ０ ０ ２ ， ｈ ａ ．ｆ ｅ ｑ ｉ ｅ ｔ ｒ Ｈｏ ｔ ｏ ｈ ｎｉ ｎｖ ｓｙｏ ｄｃ ｅ Ｔｉ ａ ３０ ３Ｃ ｉ ） ｉ ｏ ｆ ｐ Ｆ ｓ ｐａｆ ｅ ｔ ｉ ｙ ｎ
中所 呈 现 的 随机行 为 ， 生 混沌 的机 制往 往 又 是 简单 产 的非线 性 ， 是丝 毫不 带 随机 因素 的 固定 规则 圆 。混 沌算
收 稿 日期 ： ０ ０ ０ — ０ ２ １— ６ ２ ；修 回 日期 ：０ ０ １— ６ ２ １—０２
１ 基本 蚁群算法
１１ 蚁群 算 法的原 理 ．
运 输 车辆 从单 一 的 医疗器 械 应 急配 送 中心 出发 ， 依 次 对多 个需 求 点进 行 应急 配送 服 务 ， 要求 每 个需 求 点 有且 仅 有一 辆 车辆 通 过 ， 由于应 急车 辆是 从 各地 调 配 到应 急 配送 中心 的 ，因此 车辆 在 完成 配送 任 务 后 ， 车 辆不必 再 回到 医疗 器 械应急 配送 中心 。该 问题 求解
度 的影 响 。
△ ￡＝ （） △ ｔ ｒ （）
ｋ ＝ｌ
（） ２
式中 ： （） △ 表示本次周游 中路径 ｉ上的信息素增量 ， ｊ
化的数学模型 ， 并将 混 沌 蚁 群 算 法 用 于 模 型 求 解 ， 出 了求 解 步 骤 。 经 计 算机 仿 真表 明 ， 给 与基 本蚁 群 算 法相 比 ， 沌蚁 群 算 法优 化 质 量 明 显 改 善 ， 效 缩短 了应 急 配 送 时 间 ， 高 了 医疗 器械 应 急 物 流 的 配送 效 率 。 混 有 提
周 游后 ， 各条 路径 上 的信 息 素为
ｒ（ ＋１ ＝（ 一 ） ｔ ＋△ ｆ ｔ ） １ Ｐ 丁（） 是寻求经过医疗器械需求点的先后次序 ， 以 用
求 得运行 时 间最小化 。
２２ 医疗器 械应 急物 流配 送路径 优化 模型 ．
为 了方 便模 型建 立 ， 医疗 器 械应 急 物 流 配送 路 对
张立毅 费 腾 刘 婷 张 锦 ， ， ，
（． １天津 商业 大学信息工程学 院， 天津 ３０ ３ ２ 山西医科 大学第一 医院设备 处， ０ １４； ． 太原 ００２ ） ３０ ３
摘 要 ：以 医 疗 器械 应 急 物 流 配 送 为 研 究对 象 ， 以配 送 时 间最 短 为研 究 目标 ， 立 了 医疗 器械 应 急 物 流 配 送 路 径 优 建
在 突发事件后 ， 时间就是生命 ， 到达受灾点的时间越
早， 生命 财产 损失 就越 少 。 蚁 群 算 法 是 一 种 仿 生 学 算 法 ， 由 意 大 利 学 者
Ｍ．ｏ ｇ 等【 Ｄ ｒｏ ｉ １ 提出 ， 具有并行性 、 正反馈 、 鲁棒性等特 点 ， 用 于 求 解 复 杂 的 组 合 优 化 问题 ， 广 泛 应 用 于 适 已 求解旅行商 问题 、 分配问题 、ｏ—ｈｐ调度 问题等 ， ｉ ｓｏ ｂ 取 得 了较好的效果。混沌是非线性动力学系统在一定条 件下所表现的一种运动形式 ， 系统处于非平衡过程 是
１ 蚁 群算 法 的模 型 ． ２
２ 医疗 器 械 应 急物 流 配送 路 径 优 化 问题
２１ 问题 描述 ．
设 有 ｎ座城 市 ，任 意两 座城 市 ｉ 、 间 的距离 为 之
ｄ ．ｉ ｏ
．
＝
１２ … ，）ｂ（） ，， ｎ ，ｉ 表示 ｔ 时刻位 于 城市 ｉ 的蚂 蚁 ｂ（） 蚂 蚁 的总 数 ， ｆ表 示 ｔ 刻 支 ｉ 为 ７（） － 时
由式 （ ） １到式 （ ） ３ 更新 每 条路 径 的信 息 素 ， 复 上 述过 反
程 ， 到终止 条件 成立 。 直
条 路径 。一 条路 径 上 的信息 素 越 高 ， 明通 过 的蚂 表
蚁越 多 ， 选择 的次数 就越 多 ， 被 即该 路径 的性 能 就好 ， 从 而导 致后 来蚂 蚁选 择该 条路径 的概率增 加 。
ｄ ｓ ｉｕ ｉ ｎ ｒ ｕ ｉ ｇ ｏ ｔ ｚ ｔ ｎ ｗａ ｓａ ｌ ｈ ｄ ｉｔ ｂ ｔ ｏ ｔ ｐ ｉ ａ ｉ ｓ ｅ ｔ ｂ ｉ ｅ ．Ｃｈ ｏ ｎ ｏｏ ｙ ｏ ｔ ｚ ｔ ｎ ｗａ ｓ ｄ ｆｒ ｓ ｌ ｉ ｇ ｔ ｅ ｒ ｏ ｎ ｍｉ ｏ ｓ ａ ｓ ａ ｔ ｃ ｌｎ ｐ ｉ ａ ｉ ｓ ｕ ｅ ｏ ｏ ｖｎ ｈ ｍｉ ｏ ｍｏ ｅ ，ａ ｄ ｓｅ ｓ ａｅ ｇ ｖ ｎ ｆｒ ｓ ｌｉ ｇ ｘ ｅ ｍｅ ｔ ｓｍｕ ａｉ ｎ ｓ ｏ ｓ ｔ ａ ｈ ｏ ｎ ｏｏ ｙ ｏ ｔ ｚ ｔ ｎ ｉ ｄ ｌ ｎ ｔ ｐ ｒ ｉ ｅ ｏ ｖｎ ．Ｅ ｐ ｒ ｎ ｓ ｉ ｌ ｔ ｈ ｗ ｈ ｔ ｃ ａ ｓ ａ ｔｃ ｌｎ ｐｉ ａ ｉ ｓ ｏ ｉ ｏ ｍｉ ｏ ｂ ｔ ｒ ｔ ａ ｔ ｅ ｎ ｃ ｌｎ ｏ ｔ ｚ ｔ ｎ ｎ ｈ ｑ ａ ｉ ｏ ｐ ｉ ｚ ｔ ｎ， ｅｆｃ ｉｅ ｙ ｅ ｕ ｅ ｈ ｒｓ ｏ ｓ ｅ ｔ ｈ ｎ ｈ ａ ｔ ｏｏ ｙ ｐ ｉ ａｉ ｉ ｔ ｅ ｕ ｌ ｙ ｆ ｏ ｔ ｅ ｍｉ ｏ ｔ ｍｉａｉ ｏ ｆｅ ｔ ｌ ｒ ｄ ｃ ｔ ｅ ｅ ｐ ｎ ｅ ｖ ｄｓ ｂ ｔ ｎｔ ｉｔ ｕ ｉ ｍｅ， ｎ ｒ ｖ ｅ ｅ ｃｅ ｃ ｆｄ ｌ ｅ ｎ ｍｅ ｉ ａ ｑ ｉｍｅ ｔ ｍｅ ｇ ｎ ｙ ｌｇ ｓｉｓ ｉ ｒ ｏ ｉ ａ ｄ ｉ ｏ ｅ ｔ ｆ ｉｎ ｙｏ ｅ ｉ ｒ ｉ ｄ ｃ ｌｅ ｕ ｐ ｎ ｍｐ ｈ ｉ ｖｙ ｅ ｒ ｅ ｃ ｉｔ ． ｏ ｃ Ｋｅ ｒ ｓ ｍｅｇ ｎ ｙ ｌｇ ｓｉｓ ｏ ｔ ｇ ｏ ｔ ｚ ｔ ｎ；ａ ｔｃ ｌｎ ｐ ｉ ｚ ｔ ｎ；ｃ ａ ｓ ｄ ｓ ｒ ａ ｃ ；ｍｅ ｉａ ｅ ｉｅ ｙ ｗｏ ｄ ：ｅ ｒ ｅ ｃ ｏ ｉｔ ；ｒ ｕ ｉ ｐ ｉ ａ ｉ ｃ ｎ ｍｉ ｏ ｎ ｏｏ ｙ ｏ ｔ ｍｉａ ｉ ｏ ｈ ｏ ｉｔ ｂ ｎ ｅ ｕ ｄ ｃ ｌ ｖｃ ｄ
应 急 医疗 器械 物 流 是指 在 突 发事 件 发 生后 ， 向 以 受灾 点 提 供所 需 的 医疗 器 械 为 目的 ， 以时 间最 短 化 和 配送 效率 最大 化 为 目标 的一 种 特殊 物流 。应 急 医疗器 械物 流 不 同 于普 通 的物 流 ， 以时 间最 少 为 目标 。 因为