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。     

基于服务半径的盐业物流配送网络优化研究

研究物流配送网络优化问题,由于配送网络分布不均,有的过于密集,导致资源浪费.传统的盐业物流配送是根据最小运输费用选取配送中转中心,不能解决配送中心修建过于密集的缺陷,导致资源的浪费和服务效率不高的问题.为了满足较低物流成本和较高服务质量的双赢,提出一种服务半径的物流配送网络优化方法,根据服务半径的概念,利用蚁群聚类算法建立物流网络的服务半径模型,然后根据模型选取最优配送中心,完成对配送网络的优化.实验证明,基于服务半径的网络优化方法能够选择合理的配送中心,降低物流成本,提高物流服务质量.     

考虑碳排放的物流网络优化模型研究

考虑碳排放的物流网络优化问题, 分两阶段建立考虑碳排放的配送中心选择与需求匹配模型和碳排放成本最小的配送路径优化模型, 通过两阶段模型的配合使用, 解决了物流网络中配送中心选址、不同物流节点间的需求匹配以及配送车辆路径优化等多种决策问题。对“考虑碳排放”与“不考虑碳排放”情况进行Lingo软件的数值分析, 结果表明：考虑碳排放的物流网络综合物流成本明显降低, 比不考虑碳排放的传统方法更具现实意义。     

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。     

动态离散粒子群优化算法

为解决现实世界中动态环境下的离散事件优化问题,研究了当前已被广泛应用于动态环境或离散运算优化问题的粒子群优化算法(PSO),据此提出了一种动态离散PSO算法.该算法设计了一种环境绝对值和环境敏感性判定策略来实现动态环境的监测与响应,并通过带变异算子的离散PSO算法公式的重新定义来满足大规模离散运算需求.最后,利用离散时间系统的零状态响应求解评价了该算法的性能,结果表明,该算法在定义域内具有较好的收敛性.     

二次分配问题的粒子群算法求解

文章采用了一种新的算法,即粒子群算法(PSO)去解决二次分配问题(QAP),构造了该问题的粒子表达方法,建立了此问题的粒子群算法模型,并对不同的二次分配问题算例进行了实验,结果表明:粒子群算法可以快速、有效地求得二次分配问题的优化解,是求解二次分配问题的一个较好方案。PSO算法在很多连续优化问题中已经得到较成功的应用,而在离散域上的研究和应用还很少。文章应用PSO算法解决QAP问题是一种崭新的尝试,它对于将PSO算法应用于离散问题,特别是组合优化问题无疑具有启发性,并为进一步深入研究奠定了基础。     

基于遗传算法的西安邮政配送中心选址研究

从配送中心选址问题的实际需求出发,在综合考虑配送中心的建设经济性、交通便利性和功能布局合理性的基础上,构造了基于实际交通距离和实际地价的选址模型,并把遗传算法引入模型求解中,通过构造恰当的编码方式和遗传算子,对西安邮政物流配送中心的选址问题分别按照不考虑土地地价、需求点类型差异和考虑土地地价、需求点类型差异两种情况求解.得到了最优选址方案.研究结果证明了模型的正确性和有效性,对于解决大规模物流系统配送中心的选址问题具有重要的现实意义.     

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。     

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。     

双种群灰狼优化算法的物流配送中心选址策略

针对物流配送中心选址模型具有多约束和非线性的特点,导致难以求解的问题.提出一种改进灰狼优化算法的求解策略.文章通过引入交叉变异策略,改进了传统灰狼算法在迭代后期易早熟收敛的问题;通过加入双种群寻优策略,丰富了灰狼算法的种群多样性,提高了算法的收敛速度.将改进后的灰狼算法针对物流配送中心选址模型进行求解,实验结果表明,该改进灰狼优化算法具有较高的全局搜索能力,针对物流配送中心选址模型具有较高的搜索精度,很大程度的提高了物流配送效率.