摘要:结合物流配送中心选址的特点,建立数学模型,在此基础上研究了基于微粒群算法的物流多配送中心选址问题,得到一种新的多配送中心选址方法。仿真结果证明此方法比传统选址方法更适合多配送中心选址和非线性问题的优化,并且具有传统算法所不具备的灵活性,适用多样的物流配送模型。
关键词:物流;配送中心选址;微粒群算法
中图分类号:F224:TP18文献标识码:A文章编号:1002-3100(2007)10-0094-03
Abstract: According to the characteristics of logistics distribution center allocation, the paper establishes a math model and proposes a new method of logistics distribution center allocation based on Particle Swarm Optimization Algorithm. The experimental results show that the new algorithm is more suitable and adaptive to the optimization for multi-logistics distribution center allocation and non-linear problem than conventional algorithms.
Key words: logistics; distribution center allocation; Particle Swarm Optimization Algorithm
0引言
物流配送中心选址问题是物流系统规划中的重要环节,选址方案的好坏将直接影响到整个物流系统的物流服务成本及其服务范围[1]。根据配送中心数量的不同,可分为单一物流配送中心选址问题和多物流配送中心选址问题,前者无需考虑竞争力、配送中心之间的需求分配、配送中心的成本等,只涉及到运输成本,适用面不广泛;对于大多数企业而言,多物流配送中心选址的问题更为普遍,更接近实际情况。因此,本文主要研究多物流配送中心选址的问题,并为降低物流成本提出一种新的研究方法。
配送中心选址问题是离散的组合优化问题,具有难题性质,目前遗传算法[2]、蚁群算法[3]、退火算法[4]等优化算法已获得成功的应用。微粒群优化算法(PSO)也是一种基于群体的演化计算技术,是J. Kennedy和R. C. Eberhart受到鸟群觅食的启发,于1995年提出的。微粒群算法能搜索非线性多峰的复杂空间,同时能处理参数空间变化的优化问题,而且微粒群算法基本不受问题峰数和维数的限制。经过众多学者十余年的研究,它已被广泛应用于解决多个领域的优化问题,如神经网络训练[5]等等。本文基于微粒群算法,得到一种新的物流配送中心选址方法,该方法克服了如重心法等传统方法只适用于单一配送中心选址的缺点,也克服了线性规划[6]等方法不适用于非线性优化函数的缺点。仿真结果表明该方法比传统方法更适用于多配送中心选址问题,尤其解决较大规模的实际问题更具优势。
1离散微粒群算法[7]
微粒群算法中,微粒的位置代表被优化问题在搜索空间中的潜在解。所有的微粒都有一个由被优化函数决定的适应值,每个微粒还有一个速度决定它们搜索的方向和距离。微粒群追随当前的最优微粒在解空间中搜索。算法随机初始化一群微粒,通过迭代找到最优解,每次迭代中,微粒通过自己经历的最优解和整个微粒群的最优解来更新自己的位置。
2基于PSO的多物流配送中心选址算法
2.1物流配送中心选址问题的数学模型。本文研究的模型是:1个工厂的产品,经过物流配送中心发售给n个配送点,拟建立若干个配送中心,从m个候选地点选择若干个地点建立配送中心,使得物流费用达到最小,物流费用包括工厂到各个配送中心的运输费用、配送中心到各个配送点的运输费用以及建造配送中心的费用。
4结论
本文研究了基于微粒群算法的物流配送中心选址方法,以实现物流费用最小化为目标,建立相关模型,仿真结果表明该方法比传统选址方法更适合多配送中心选址和非线性问题的优化,具有传统算法所不具备的灵活性,从而为现代物流配送中心选址问题提供一种新的优化算法。
参考文献:
[1] 李云清. 物流系统规划[M]. 上海:同济大学出版社,2004.
[2] 吴兵,罗荣桂,彭伟华. 基于遗传算法的物流配送中心选址研究[J]. 武汉理工大学学报:信息与管理工程版,2006,28(2):89-91.
[3] 秦固. 基于蚁群优化的多物流配送中心选址算法[J]. 系统工程理论与实践,2006,26(4):120-124.
[4] 张雪东,季一木. 基于模拟退火遗传混合算法的物流中心选址问题研究[J]. 电脑开发与应用,2006,19(6):4-6.
[5] 傅强,胡上序,赵胜颖. 基于PSO算法的神经网络集成构造方法[J]. 浙江大学学报:工学版,2004,38(12):1596-1600.
[6] Yuan Yaxiang. A scaled central path for linear programming[J]. Journal of Computational Mathematics, 2001,19(1):35-40.
[7] 曾建潮,介婧,崔志华. 微粒群算法[M]. 北京:科学出版社,2004.
注:“本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文。”