多目标进化算法在物流配送中心选址中的应用

传统的物流配送中心选址模型过于单一地追求物流成本的最小化,而没有考虑服务的质量与效率．本文将顾客时间满意度作为度量物流服务水平的一个标准,提出了物流配送中顾客时间满意度的计算方法,建立了以物流成本最小化和时间满意度最大化为目标的物流配送中心选址多目标优化模型．采用一种基于NSGA一Ⅱ的多目标进化算法来求解,通过选择合适的编码方法和遗传算子可以得到模型的最优解,并通过实际算例说明了模型和算法的有效性．该模型能一次得到多组有效解,从而可以为物流配送中心选址提供更加全面的决策支持．     

基于遗传算法的粮食物流配送中心选址优化

根据粮食配送中心选址问题的特点和要求,在运输成本最低的基础上,构造了选址问题的数学模型.并把遗传算法引入到该模型的求解中,通过选择恰当的编码方法和遗传算子,求得模型的最优解,验证了模型的正确性.实例求解表明,该算法可以有效、快速地求得粮食配送中心选址问题的全局最优解.     

城市物流配送中心选址方法的研究

物流配送中心布局和选址是否合理，对物流配送中心功能的发挥和综合效益影响极大，介绍了物流中心选址的一般方法，并指出了现有物流中心选址方法的不足，通过对影响物流中心选址因素的分析，确立了影响物流中心选址的主要因素和原则，并以获得最佳经济效益为目标，建立物流配送中心选址模型，并进一步探讨参数确定和计算步骤，本模型可用于物流配送中心布局和选址的优化决策。     

基于遗传算法的快递物流配送中心选址

以快递物流配送中心选址问题为研究对象,结合其选址特点构建了含有固定投资成本、管理成本、运输成本等诸多成本要素的目标函数,建立了基于遗传算法的选址模型,并利用改进后的求解策略或方法对算法模型进行求解,有效提高了算法模型的求解效率和求解质量.实例研究中,将Matlab2017a数学仿真编程软件与算法模型相结合,对算例进行求...     

基于时间满意度的物流配送中心选址问题研究

传统的物流选址问题过于简单地考虑时间这一对企业竞争力影响重大的因素,结合这一特点,笔者在参阅大量国内外相关文献的基础上,以系统科学和管理理论为指导,运用多学科交叉的集成分析方法,进行独立研究：从成本和效益两个角度分别建立了基于时间满意度的选址模型,并提出了相应的求解算法。本研究对于提高物流企业的运作效率,降低物流企业的运作成本,具有重要的参考价值,运用该研究成果,将会给企业带来良好的社会和经济效应．     

基于时间序列的养护站选址的CFLP优化算法

通过对传统的CFLP选址模型进行分析与改进,建立了基于时间序列的养护站选址的CFLP优化算法,并将该算法应用于典型的高速公路养护站的选址,结果表明,该算法是合理的,对于高速公路养护站的选址具有重要的参考价值.     

基于遗传算法的冷链配送中心选址

为保持生鲜食品的新鲜度,缩短在途时间和节省配送成本,建立了冷链配送中心选址模型。该模型以系统总成本最低为目标函数,结合生鲜食品的流通过程,形成了基于原产地、配送中心、生鲜超市的选址分配。采用遗传算法,运用MATLAB编程进行仿真,通过编码、选择、交叉等遗传算子,利用算例对选址模型进行仿真求解,仿真结果表明,遗传算法可实现资源配置,规划配送中心的选址分配。     

物流配送中心优化选址的方法与应用

介绍了近年来国内外有关配送中心选址的优化方法.对各种选址方法的优缺点和适用范围进行了评述.采用不同的选址模型、选址评价指标体系,对最终评价结果会产生不同的影响.认为方法的组合才是未来该领域研究的趋势.并以"重庆某医药物流配送中心的选址分析"为例进行配送中心选址的距离综合评价分析,介绍综合评价法在配送中心选址的应用过程.     

配送中心选址方法比较

本文比较系统地分析配送中心选址问题中的几种定量分析方法,比如重心法、线性规划法、Kuehn-Hamburger模型、CFLP模型、Baumol-Wolf模型和0-1混合整数规划模型等,给出了几种方法的优缺点以及它们的适用范围。     

一种解决函数优化问题的免疫算法

介绍了免疫算法的基本概念，以及人工免疫系统中的克隆选择原理，基于该原理，结合遗传策略中的高斯变异算子，提出一种免疫算法来解决函数优化问题。给出了算法的描述，数值实验中选择了几个函数进行优化，并将实验数据结果与传统的遗传算法进行了比较。数据实验结果表明，该免疫算法能够寻找到更优的优化结果，并且在收敛速度上明显优于传统的遗传算法。     

多模态函数优化的免疫算法

模拟抗体搜索机制,结合免疫网络理论,提出一种新的优化算法.该算法用抗体表示函数优化解的可能模式,通过构造克隆选择算子完成全局和局部最优解的搜索,利用B细胞网络保持多种抗体并存.典型函数优化测试结果表明,该算法能够较好地实现全局最优解和局部最优解的同步搜索和保持,具有较强的多模态函数优化能力.     

自适应免疫克隆选择算法的参数识别

提出了一种被称为是自适应免疫克隆选择算法的新型人工免疫算法,此方法可进行系统的参数识别,以解决结构的多目标优化问题.此种算法将二阶响应、适应性变异准则和疫苗因子这三种算子都引入到遗传克隆选择算法中,提高了运算的收敛速度及全局优化搜索能力.对动力系统参数识别的模拟识别结果证明了本文所提出算法的有效性与可行性.     

一种基于混沌的自适应免疫进化算法

基于免疫系统的克隆选择机理,利用混沌序列的遍历性,将混沌序列引入算法初始群体的产生和抗体的扩展过程,设计出新的扩展算子,从而提出一种基于混沌的自适应免疫进化算法。用不同测试函数进行仿真实验,结果表明该算法有效,并能以较快的速度完成给定范围的搜索和优化任务。     

约束优化问题的免疫混沌算法

结合免疫算法极强的全局搜索能力以及混沌优化方法适合局部搜索的特点，提出了一种新的免疫混沌算法.从一组可行解出发，采用免疫算法通过克隆选择、克隆扩增、高频变异和审查形成记忆细胞，并将其作为全局近似最优解，然后采用混沌优化方法按照混沌运动规律在近似最优解的邻域内进行局部搜索并审查，从而获得全局精确最优解.审查过程包含了对约束条件的处理，即对新产生的候选解进行审查，保留满足约束条件的可行解.利用该算法对几个经典约束优化问题进行了仿真测试，与以往方法相比获得了更优的结果，表明该算法是一种解决约束优化问题的有效方法.     

基于小生境免疫算法的多约束QoS路由选择

针对多约束Qos路由选择问题,将其转化为一个多约束赋权图最短路径问题,选择费用、带宽、时延和丢失率为QoS参数。针对一种免疫算法的不足,利用基于相似结构的小生境技术和共享算子对免疫算法加以改进。实验表明,该算法有较好的性能,大幅提高了QoS路由选择的效率。     

Elitism-based immune genetic algorithm and its application to optimization of complex multi-modal functions

A novel immune genetic algorithm with the elitist selection and elitist crossover was proposed, which is called the immune genetic algorithm with the elitism （IGAE）. In IGAE, the new methods for computing antibody similarity, expected reproduction probability, and clonal selection probability were given. IGAE has three features. The first is that the similarities of two antibodies in structure and quality are all defined in the form of percentage, which helps to describe the similarity of two antibodies more accurately and to reduce the computational burden effectively. The second is that with the elitist selection and elitist crossover strategy IGAE is able to find the globally optimal solution of a given problem. The third is that the formula of expected reproduction probability of antibody can be adjusted through a parameter r, which helps to balance the population diversity and the convergence speed of IGAE so that IGAE can find the globally optimal solution of a given problem more rapidly. Two different complex multi-modal functions were selected to test the validity of IGAE. The experimental results show that IGAE can find the globally maximum/minimum values of the two functions rapidly. The experimental results also confirm that IGAE is of better performance in convergence speed, solution variation behavior, and computational efficiency compared with the canonical genetic algorithm with the elitism and the immune genetic algorithm with the information entropy and elitism.     

用于全局优化问题的混合免疫进化算法

为了克服免疫算法在优化高维多峰函数时存在的早熟收敛问题,提出一种高效的混合免疫进化算法．动态克隆扩张、基于学习机制的超变异和多母体交叉是该算法的主要特点．同时,提出了一种算法性能评价准则,以比较不同算法在优化高维函数时的性能．在实验部分,首先使用经典测试函数测试了混合免疫进化算法的性能;然后,分别在不同的评估次数下比较了自适应差分进化、基本免疫算法和混合免疫进化算法,结果表明免疫进化算法在求解精度、稳定性等方面均明显优于前两种算法．     

Research into Optimization Algorithm Based on Immune Mechanism

Based on immune mechanism a novel optimization algorithm is presented. By defining and regulating the antibody density, the diversity of the algorithmic population is improved. Three funtions from different definitions of antibody density are deduced and compared with their convergent efficiencies. Theoretical analysis proves that the algorithm is convergent. Experimental results show that the algorithm has a better searching ability and quicker convergent speed than GA. The problem of premature convergence can be alleviated in the algorithm.     

免疫算法在火电机组优化组合中的应用

为克服传统优化算法和遗传算法无法快速有效得到全局最优解的问题,提出了应用免疫算法进行机组组合优化.目标函数对应于免疫算法的抗原,优化解对应于免疫算法中的抗体,通过适应度来评价抗体与抗原的结合程度,与抗原结合最好的抗体就是问题的最优解.对机组运行状态的持续时间进行抗体编码,改善了算法的收敛性.经实例验证表明,优化免疫算法具有良好的搜索性能,是解决机组优化组合问题的有效方法.