粒子群算法在物流中心选址中的应用

物流中心选址是物流系统规划中的重要决策问题。为了快速得到合理的物流中心选址方案,针对问题的特点给出了选址问题的模型,提出了以最小化物流成本为目标函数的粒子群优化算法,开发了模型求解的MATLAB程序,并将算法应用于求解工厂仓库选址和废弃物回收中转站选址问题。实例求解结果表明,该算法求解选址问题的性能优于精确重心法,具有良好的搜索性能和实用性。     

基于改进遗传算法的物流中心选址优化

根据物流中心选址问题的特点和要求,在运输成本和运输时间最优的基础上,构造了选址问题的数学模型。给出了一种改进遗传算法的求解方法,其中由于适应度函数与各物流中心对应的需求分配情况密切相关,用拉格朗日松弛法来解决对于特定位置的物流中心服务需求分配的子问题。遗传算子采用线性凸组合的杂交方式、强弱两种变异方式以及进化（?滋+λ）选择方式,从而有效地避免算法的早熟现象,可防止其很快收敛到局部最优解。实例求解表明,该算法可以有效、快速地求得物流中心选址问题的全局最优解。     

物流中心选址算法改进及其Hopfield神经网络设计

在分析物流中心选址传统算法的基础上,引入一种新的选址模型,该模型能减少决策变量和约束条件的个数.利用该模型设计了一种Hopfield神经网络,将约束合并进网络结构从而将罚函数从能量函数中消除,使得网络的运行时间显著降低.为物流中心选址优化提供了一种新的方法.     

GIS下物流节点选址模型

在物流行业运转的过程中,物流中心占据了非常重要的地位,它是商品流通过程中的一个重要枢纽.物流中心在管理货物的过程中需要经过运输、仓储、搬运、运输、配送、订单处理和信息处理等操作过程.物流中心高速运转首先要解决的就是物流中心的选址问题.物流中心的选址必定要考虑到地理条件,针对目标区域内有地理阻断进行物流中心选址进行了研究和探讨.通过研究分析有效地解决了单一物流中心选址问题.     

基于PBIL算法的物流中心选址问题研究

介绍了基于种群竞争式学习的PBIL算法的基本原理和实现方法。比较了PBIL算法和遗传算法求解过程的异同点。分析了PBIL算法在物流中心选址问题中的应用,并且通过实例验证了算法的可行性和有效性,证明了PBIL算法比遗传算法具有更高的搜索效率。     

基于改进粒子群算法的无水港多周期选址研究

传统无水港选址主要将无水港当作一般物流中心,侧重研究静态问题,难以体现选址动态规划特征,且传统粒子群算法在处理离散问题时易陷入局部最优困境。因此从"强势海港"角度,构建了基于收益最大化的无水港多周期选址。模型考虑了无水港的中转比例约束和服务时间约束,然后运用改进的粒子群算法进行了求解,得出了各阶段选址结果。表明改进算法的局部搜索能力和全局搜索能力都得到增强,算法的可行性和有效性也得到了验证。     

物流中心选址与动态运输路线选择的研究

物流配送过程中主要有两个环节,一是配送对象的选择,另一个是配送路线的设计.物流中心选址应以物流系统和社会经济效益为目标,用系统学理论和系统工程方法,综合考虑多种因素,对物流中心位置进行科学的研究和决策.在地理信息系统(GIS)现代信息技术应用于物流中心选址基础上,分析了物流配送选址中满足最小覆盖圆的一种基于Voronoi图的设施选址优化算法.针对以往交通路线选择是在一个假设的道路交通条件不变的背景下,根据实时动态交通条件进行路线选择,将智能运输系统(ITS)应用于动态路线选择.     

多层级设施选址-路径规划问题建模及算法

基于有向图对物流网络多层级设施选址-路径规划问题,建立混合整数规划数学模型,提出量子进化算法与遗传算法协同的双智能算法集成求解方案.量子进化算法解决设施选址和设施分配,遗传算法进行路径规划,并提出可达配送区域的搜索策略和路径长度为权重的设施分配优化策略以提高算法效率.实例测试表明,所提出的数学模型和组合智能算法是可行而有效的,可为多层级设施选址-路径规划问题提供理论与方法指导.     

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。     

基于GIS优化Dijkstra算法在物流中心选址中的研究*

基于传统的Dijkstra算法,提出了一种采用二叉堆结构和网络边存储模型的优化Dijkstra算法.实验结果表明:优化后的算法是切实有效的,将其应用到物流中心选址中得到了较满意的选址方案.     

求解物流配送中心选址问题的蜘蛛猴算法

物流配送中心选址问题的核心是效率最大化,成本最小化。为了快速得到合理的物流配送中心选址方案,现提出一种基于Laplace分布的伪反向蜘蛛猴优化算法（LOBSMO）来求解此问题。建立物流配送中心选址模型。在基本蜘蛛猴优化算法中,采用了Laplace分布初始化蜘蛛猴种群,在局部领导阶段用指数递减与随机对数递减策略改进步长因子,在全局领导阶段提出了新的搜索机制及局部领导决策阶段的伪反向学习策略来提高算法的寻优性能。最后,通过仿真实验说明该方法是可行的。     

模拟退火算法改进BP算法的区域物流中心选址

合理的区域物流中心选址是加速区域物流网络升级优化,促进经济持续、健康、稳定发展的基础。文中运用模拟退火算法改进BP学习算法构成一种新的优化算法,通过学习和迭代求出问题的解。首先,运用精确的数学模型描述BP学习算法,并通过图形阐明模拟退火算法改进BP算法的流程;然后,针对改进后的算法规划了6个选址步骤;最后,通过具体选址实例,验证改进算法和步骤的有效性。文中研究的算法在收敛稳定性、收敛速度、初值敏感性等方面具有良好的效果,表现出高效、实用、简洁的特性。     

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。     

响应动态约束条件的多目标货位优化算法研究

针对自动化立库货位决策与优化问题,考虑到优化目标多样、托盘使用状态及可分配货位动态变化等因素,提出了一种响应动态约束条件的多目标货位优化算法。以巷道作业均衡、货架重心稳定及作业路径最短建立多目标优化模型,基于变异系数自适应差分进化算法,使用货位随机数编码,根据实时货位可行域进行个体解码,以响应动态货位约束条件。提出了基于层次分析的Pareto解评价方法,从而获得多批作业货位持续优化的目标权重,为仓储货位决策提供合理方案。多批作业算法实验结果表明:所提算法效果显著优于多目标简单加权算法,能够有效应用于动态货位决策与优化。     

PBIL算法在组合优化问题中的应用研究

基于群体的增量学习(PBIL)算法有效结合了遗传算法和竞争学习的优点,运行过程简单,解决问题快速准确。本文提出将PBIL算法应用于求解CMN组合优化问题,以物流中心选址优化问题为例,介绍了基于PBIL求解CMN组合优化问题的一般方法,提出了针对此类问题的个体产生算法。为了提高算法的收敛速度和寻优能力,提出了基于当代最优解与历代最优解比较结果的概率学习加速方法。最后,通过实验仿真验证了上述改进的有效性。     

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。     

基于改进神经网络的粮食配送中心选址决策研究*

粮食配送中心选址问题是构建现代化粮食物流系统的重要研究方向。从粮食配送中心选址的影响因素出发,建立了以控制成本为核心的数学模型,引入了经遗传算法改进的人工神经网络模型进行求解,并且给出了详细的设计步骤。为解决遗传算法易陷入局部最优的问题,提出了一种在变异算子中增加禁忌搜索的方法。实验证明,该方法在解决粮食配送中心的选址决策时,效果较好。     

基于BIRCH聚类的物流配送设施选址算法

物流配送设施的选址对于物流成本、在途时间影响巨大.其特点包括：配送设施选址和配送路线交互影响、多层级选址、配送设施存件数量均衡性等.本文通过分析物流配送设施选址的特点设计了一个基于BIRCH聚类的物流配送设施选址算法,融合了BIRCH聚类算法和基于Dijkstra距离的重心法,为物流配送设施选址提供了更好的方案,大幅节约长期运营成本.