冷链物流多层级配送中心连续选址模型构建

传统物流配送中心选址方法在设计过程中并没有考虑到要将选址问题进行转化,无法获得最优选址结果.为改善上述问题,构建了一种冷链物流多层级配送中心连续选址模型.设计配送中心选址流程,设置配送费用最少与配送时长最短的目标函数及相关约束条件,并将连续选址问题转换为多源Weber问题,采用启发式算法对其进行求解,根据备选策略数量,...     

军事物流配送中心选址模型的构建

研究了军事物流配送中心优化选址建模问题。针对当前军事物流配送因为涉及变量多,关联程度强难以进行选址的难题,为加强选址的科学决策,对军事物流配送中心概念进行了界定,在明确军事物流选址的流程、步骤和一定数目的备选配送中心的基础上,采用离散二进制PSO解决配送中心的选择问题,建立了根据粒子群优化算法的军事物流配送中心选址优化模型。通过实例验证,模型构建科学合理,降低了计算的复杂度,优化了选址模型,为解决军事物流选址问题提供了科学的途径和手段。     

多物流配送中心优化选址决策模型研究

坚持物流配送中心选址与企业长期发展相结合,综合考虑选址方案带来的建设运营成本和长期配送费用,运用粗糙集方法和群决策特征根法对所有定性因素进行综合评判,并把定性要素综合评判值与定量要素相结合构建决策模型。利用遗传算法进行最优决策方案选择,实现了对企业物流配送中心选址过程中所有定性和定量影响因素的综合考虑,同时增加了配送费用考虑年限参数[λ],使得模型具有了更强的实用性。通过仿真实验,模型的有效性和实用性得到了充分的验证。     

GIS环境下的物流配送中心选址模型与算法研究

物流配送中心是现代物流的重要组成部分。在规划配送中心时,合理的配送中心选址可以大大降低配送中心的运营成本和建造成本。本文提出了一种物流配送中心选址模型,并设计了遗传算法与线性规划相结合的计算方法。     

基于情景分析的军事物流配送中心选址模型

研究不确定战时情景下的军事物流配送中心选址问题。兼顾军事物流系统性能优化和成本节约建立了两个随机规划模型,模型中引入情景分析,考虑了设施损毁、库容和配送时间约束。讨论了模型求解方法,通过求解模型得到配送中心选址、选型和预置量决策。模型一在情景出现前为每个用户指派了首选与后备供应点,模型二给出了每个情景下的配送方案。仿真算例表明了模型的合理性和解法的有效性,也验证了模型一优于模型二。     

物流配送中心多目标优化选址的仿真设计

物流配送中心的选址对物流服务能力具有决定性影响,在进行物流配送中心选址时必须综合考虑物流成本和物流服务能力,并以物流成本最小化和物流服务能力最大化为目标,构建了一个多目标优化选址模型。根据模型特点,采用博弈理论的纳什均衡博弈方法对模型进行求解,将模型中的两个目标函数看成博弈方,所有可行的选址方案作为博弈策略集,建立博弈分析的技术路线和计算步骤。最后通过实例仿真,得到满意的设施选址方案。结果证明,选址模型的正确性和有效性,同时表明纳什均衡博弈方法有效地解决选址的多目标优化问题,具有一定的应用前景。     

基于GIS和遗传算法的物流配送中心选址研究

物流配送中心的选址是物流系统优化的一个具有战略意义的问题。在分析传统物流配送中心选址算法不足的基础上,建立了一个基于GIS和遗传算法的物流配送中心选址模型。首先确定配送中心选址的目标及影响选址的因素,接着利用GIS的空间分析技术,定量分析可在电子地图上表现的物流配送中心选址的影响因素,得出一系列候选地点,最后利用遗传算法,求解得出最佳选址地点,并通过实例研究表明该算法的可行性。     

基于粒子群优化的军事物流配送中心选址

针对当前军事物流配送改革中配送中心选址问题,在成本最小的基础上,构建了一个混合整数规划模型,并将粒子群优化算法(PSO)引入到模型的求解中,采用离散PSO解决物流配送中心选择问题,用基本PSO解决货物运输分配问题,通过嵌套调用离散PSO和基本PSO,得到模型最优解.该方法降低了计算复杂度,有效选择了物流配送中心,优化了军事物流网络.实例表明了方法的可行性和有效性.     

考虑设施失效的军事物流配送中心选址模型

为了提高军事配送系统的经济性,针对物资配送中后勤设施失效时进行支援保障和越级保障的情况,将军事物流配送中心的属性分为“首选”与“备选”两种,并把设施失效时的应急配送成本作为决策目标的一部分,建立了最小化设施固定成本、正常配送成本、应急配送成本之和的军事物流配送中心选址模型,采用贪婪取走的启发式算法进行了模型求解,比较了考虑设施失效情况的选址方案与未考虑设施失效情况的选址方案之间的差别。仿真算例结果表明,虽然由模型所得选址方案的设施固定成本与正常配送成本之和高于未考虑设施失效情况的选址方案,但平均期望成本增加值低于后者。     

基于遗传算法的物流配送中心选址问题研究

本文在选择、交叉、变异等操作方面改进了基本遗传算法,将其应用于物流配送优化问题,进行了有益的尝试和分析。在理论上比较了基本遗传算法和改进遗传算法的性能,给出改进遗传算法在物流配送中心应用的算法。     

基于两级配送的易腐乳品配送中心选址研究

乳品配送中心的合理选址是实现低成本、高效率、高质量乳品配送的有力保障,对于提高乳业物流系统综合效益,优化资源配置,带动相关产业发展具有重要意义。重点构建了基于两级配送的乳品配送中心选址模型,目标函数除包含系统总配送成本外,特别针对易腐乳品时效性强的特点,将货损成本列入其中做重点考虑;通过算法比较,选择遗传算法求解模型,使用C语言编程得以实现,并以蒙牛乳业北京地区的配送中心选址问题作为调研对象进行算例分析,验证了模型及算法的有效性。该研究对于乳品企业配送中心选址和配送网络优化提供了重要理论基础和实践思路。     

基于改进粒子群算法的物流配送中心选址策略

针对传统算法在求解物流配送中心选址问题时容易陷入局部最优解和寻优效果不够理想的缺陷,提出了一种改进的粒子群算法。该算法通过引入领域均值来反映粒子间合作与竞争的隐性知识,使粒子种群的多样性和算法的全局搜索能力得到改善;利用边界缓冲墙对超越边界的粒子进行缓冲,使算法的收敛速度和寻优精度有明显的提高。仿真实验结果表明,该算法比传统方法具有更好的性能,特别是当物流需求点的数量很大时,该算法的优越性更加明显。     

基于多尺度的EKF滤波融合定位跟踪算法

针对无线定位中快速移动目标的定位精度差的问题,提出了一种简单有效的定位跟踪算法。该算法将信号的多尺度分析方法与基于TDOA的蜂窝网定位技术相结合,基于某尺度上获得的单一的观测量,建立了一个新的多尺度的观测模型。基于新的多尺度观测模型,利用扩展Kalman滤波对目标进行定位跟踪,获得比在原始尺度上直接进行滤波定位跟踪更好的效果。通过仿真验证了该方法对提高蜂窝网无线定位精度的有效性。     

配送中心选址问题的BFO-AFSA算法研究

以细菌觅食算法改进的人工鱼群算法为工具,提出了一种新的解决配送中心选址问题的群智能算法。细菌觅食算法改进的人工鱼群算法主要针对基本人工鱼群算法后期容易陷入局部最优的缺点,利用细菌觅食算法局部搜索能力强的特点,将细菌觅食算法中的趋化思想应用到基本人工鱼群算法中。通过算法测试可以看出,改进人工鱼群算法在搜索精度、可靠性、优化速度及稳定性方面相对于基本鱼群算法更有效。通过选址实例仿真可以看出,改进人工鱼群算法在解决配送中心选址问题上相对于基本鱼群算法更具优越性,改进人工鱼群算法能够寻找到更低的成本。     

基于小波多尺度聚类水平集的医学图像分割

针对医学图像低对比度、灰度不均匀等特点,提出了一种小波多尺度聚类水平集的图像分割方法,能够很好地解决医学图像灰度不均匀的问题。首先,利用小波多尺度分析的良好信噪分离能力提取各尺度下图像的有效边缘信息,将边缘信息添加到水平集模型的能量函数中从而提高模型的局部控制能力。然后,基于灰度不均匀的图像模型,派生出对于感兴趣区域的局部灰度聚类,在每个点的邻域内定义基于灰度的局部聚类准则函数。将局部聚类准则函数转化为全局准则函数。在水平集框架中,该准则根据水平集函数定义了代表图像域划分的能量项和引起图像强度不均匀的偏置域。最后,从小波变换的顶层低频子带图像开始逐层采用改进的聚类水平集方法分割图像,并将分割结果通过插值方式传递至下一层作为分割的初始轮廓,最终实现灰度不均匀医学图像的分割。实验结果表明,该方法能够有效地分割医学图像,具有计算更加鲁棒稳定、效率更高和更加准确的优点。     

粒子群优化算法在配送中心连续性选址中的应用

在用常规算法对配送中心进行连续性选址时,很容易陷入局部最优解。针对这一问题,引入ALA方法的思想,提出了解决此类模型的粒子群优化算法。该算法首先利用ALA方法的局部寻优能力对初始粒子进行优化,然后利用粒子群优化算法进行全局寻优。通过实例分析表明,该算法能很好地处理物流配送中心的连续选址问题,为决策者提供一种有效的优化工具。     

求解铁路物流配送中心选址问题的改进灰狼优化算法

针对单一机制的灰狼优化算法（GWO）易陷于局部最优、收敛速度慢的问题,提出了一种改进灰狼优化（IGWO）算法来解决实际铁路物流配送中心选址的问题。首先,在基本的灰狼优化算法的基础上,引入佳点集理论初始化种群,从而提高了初始种群的多样性;然后,利用差值剔除策略（DES）来增加全局寻优能力,以达到一种高效的寻优模式。仿真实验结果表明：与标准的灰狼算法相比,所提出的IGWO适应度值提高了3%,在10个测试函数中最优值精度可最多提高7个单位;与粒子群优化（PSO）算法、差分进化（DE）算法和遗传算法（GA）比较,所提算法的运行速度分别提高了39.6%、46.5%和65.9%,选址速度也明显提高。可见所提算法可用于铁路物流中心的选址。     

融合多尺度对比与贝叶斯模型的显著目标检测

针对传统显著目标检测方法中目标不能均匀高亮,背景噪声难以抑制的问题,提出了一种融合多尺度对比与贝叶斯模型的显著目标检测方法。将图像分割为一系列紧凑且颜色相同的超像素,并通过K-means算法对所得超像素重聚类得到多尺度分割图;引入背景先验及凸包中心先验计算不同尺度下的显著图,并加权融合成粗略显著图;将粗略显著图二值化得到的区域假定为前景目标,再计算观测似然概率,使用贝叶斯模型进一步抑制图像的背景并凸出显著区域。在公开数据集MSRA-1000上与6种主流算法进行对比,实验表明提出的算法相比其他算法能更均匀地高亮显著目标,有更高的查准率和更低的平均绝对误差。