物流系统模拟与仿真课件第五章 物流运输与配送系统建模与优化.pptVIP

（2）模型 ①模型参数如下 Cik——供应点Mi 供应产品Pk 的最大供应量； Djk ——需求点Dj 需求产品Pk的数量； Iik ——供应点Mi 供应产品Pk 的价格； Lijk——从供应点Mi到需求点Dj 运输产品Pk的成本，这里假设Lijk是一个介于（0，1）间的数，表示运输成本相对于货物成本的系数； Tijk ——供应点Mi 供应产品k至需求点Dj的运输提前期； ②决策变量： λijk ——供应点Mi是否参与供应产品k给需求点Dj,λijk 为0-1变量; Xijk ——分销中心Dj 从工厂Mi 采购产品Pk 的数量； ③优化目标1：总成本（TC）=货物成本＋运输成本,即 这里约束条件1表示各工厂库存产品供应量的约束，约束条件2是各需求点对产品的需求都得到了满足，约束条件3表示0-1整数变量λijk 与供应数量间的约束关系。 5.3.2混合遗传算法设计 一、遗传算法编码 （1）编码结构 遗传算法适合求解多参数、多变量和多目标的复杂组合优化问题。为了在较短的时间里获得较优解，需要针对具体问题设计算法。 （2）编码结构优点分析 由于采用这种编码结构，不难证明对于供应点来说，供应能力的利用率可以达到较好的程度，从而影响到整个协同供应方案，使得参与供应的供应点数量比较少，在遗传算法的优化过程中，可以提高算法效率，减少运行时间。 同时，由于需求分割和供应点供应量相对应，可以很好的满足了约束条件2，即每个订单（需求点对产品的需求）得到满足。同时，约束3也自然的通过这种编码得到体现。 二、层次分析法的应用 适应度函数的选取是整个问题求解的一个关键，本文引入AHP（层次分析法）的一些基本思想来进行。层次分析法是Saaty提出的，是解决多属性决策的一种优秀的方法，特别是针对那些具有高度相关性的决策因素的负责决策问题。该方法有助于对一些可能方案的比较遴选，这使得AHP方法可很好地用于计算遗传算法的适应值 一般地，AHP方法可分为两部分：组织决策因子；分配相应权重。AHP可帮助建立一个复杂决策的层次网络，如图 本节采用AHP思想来分析多目标优化问题。这里，方案层主要是遗传进化过程中各代染色体种群，通过多个优化目标的选取（对应于AHP的准则层），实现对优化目标（实际应用问题）的解决。AHP方法还体现在可将定性和定量的决策因素都能综合进行考虑上，比如文献将供应量运作参考模型（SCOR）的4类共12个绩效评价指标（包含定性和定量决策因子）引入AHP准则层，并优化企业供应链配置问题。为简化问题，本节主要采用前文叙述的3个优化目标作为决策问题的准则层，同时在准则层权重分配上采用根据不同产品类型来驱动决策的方法，当然，也可以融合AHP方法或专家分析法等其他方法。 AHP方法的另一个决策问题的思想在于方案之间的配对比较，然后建立判断矩阵，通过求解特征向量和特征值来对方案层排序，鉴于本文的三个准则都是定量的，采用简化的相对值的方法来进行染色体比较，即染色体适应值的计算，包括染色体的相对成本（RC, Relative Cost），相对提前期（RT, Relative Lead-Time），相对供应商数（RN, Relative Supplier –Number）等。 其中W1,W2,W3表示相对成本，相对提前期，相对供应商数三个优化目标间的权重分配。 三、遗传算子 (1)选择操作 通过对染色体适应值的放大性修正，促进适应值大的“强壮”个体的成熟，加速适应值小的“劣”的染色体的淘汰过程，修改后的个体适应值函数为： 其中，AvgFval定义为种群的评价适应值。 (2)交叉操作 根据本文的染色体编码结构，采用对染色体基因的基本段（即供应点的一个排列）两点交叉，同时根据基本段对需求订单重新分割，产生新的附加段（F，R，E），而类型段不变。 (3)变异操作 变异操作是为了获得种群的多样新，扩大有哪些信誉好的足球投注网站范围。本文采用单点变异。即对种群中按变异概率随机挑选一些个体，并对个体随机选择某一基因进行变异，同样，变异的结果不应破坏编码结构和意义。 (4)控制操作 这里的控制操作是保留每代的最优个体。在进化中，最优个体将被识别和存储，并在交叉、变异等操作后被更新。但最优个体回插入匹配池中的数量不应太多，为避免超级个体的出现，限制数量为种群的