基于微粒群优化算法的物流配送中心选址问题研究

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。     

基于微粒群算法的配送中心选址研究

作为挖掘现代企业利润源泉的突破口,配送在物流活动中占有举足轻重的地位。多网点配送中心选址是后续物流活动开展的首要条件,对于该问题的研究具有现实意义。由于微粒群算法的普适性、鲁棒性、全局搜索性等特点,在求解复杂问题中能够较好地体现其优越性。结合运筹学中的运输规划的思想,对复杂的数学模型进行了简化,并针对问题的特点构造了求解编码机制。根据文献资料,将其中的仿真数据进行了整合,使得数据具有一定的现实意义,并用微粒群算法进行求解,得到了较好的效果。     

基于混合整数规划模型的物流配送中心选址优化

主要探讨了物流配送中心和其所服务连锁店在配送时间上的相互制约关系,以及配送中心在一个工作周期中的经营成本。在规定时间范围内保证满足连锁店服务要求的前提下,配送中心本着成本最小的原则,利用混合整数规划方法,对物流配送中心的选址进行优化。     

基于鲶鱼效应粒子群算法的物流配送中心选址

针对标准粒子群算法存在的易陷入局部最优解缺陷,提出了一种基于鲶鱼效应粒子群算法的物流配送中心选址策略(CFPSO)。该算法通过引入自然界的"鲶鱼效应"保持粒子群的多样性,提高了算法的全局搜索能力,使算法寻优速度有明显的提高,最后通过仿真实验对算法性能进行验证。仿真结果表明,相对于遗传算法、标准粒子群算法,CFPSO算法可以获得更优的物流配送中心选址方案,尤其对于大规模物物流配送中心选址问题,该算法的优越性更加明显。     

基于改进PSO算法的物流配送中心选址

首先对物流配送中心选址进行分析,在考虑固定建设费用及运输成本等的基础上建立数学模型。针对模型的特点,采用流行的群智能算法—粒子群优化算法进行求解。在对基本粒子群算法的分析基础上,提出了改进的粒子群算法,克服了基本粒子群算法早熟以及易于陷入局部最优的缺点。利用典型的基准测试函数Shaffer对算法进行验证,最后给出仿真实例,证明了算法的合理性。     

基于GIS和粒子群算法的两级物流配送中心选址优化方法及应用

根据总运费最小化原则,以用户空间数据库为背景建立了针对两级配送中心的选址优化模型。为了对选址优化模型求解,提出了一种变异粒子群算法。以地理信息系统(GIS)为平台,对山东省区域物流配送中心的选址优化进行了实证研究,所得结果符合山东省实际情况,表明本文提出的选址优化方法具有较大的应用价值。     

遗传模拟退火算法在配送中心选址中的应用

物流配送中心是现代物流系统的枢纽,而配送中心地址的确定是物流系统分析的核心内容.合理的配送中心选址可以降低企业的运营成本,本文根据配送中心地址问题的特点和要求,提出用遗传模拟退火算法解决选址模型.最后通过一个实例求得了模型的最优解,验证了该算法的有效性.     

基于遗传算法的配送中心选址问题求解

配送中心是物流系统的枢纽,配送中心地址的确定是物流系统分析的核心内容。文中试对包括RDC(区域配送中心)选址和RDC到各下属仓库的配送关系进行研究;建立了一个模拟随机需求下的相关机会优化模型,并提出了基于遗传算法的解决方法,最后利用MATLAB软件进行算例分析。     

基于Lingo语言求解物流配送中心选址模型

首先针对物流配送中心选址的一般要求,以配送中心最小配送费用为目标,构造了混合整数规划选址模型。其次,结合物流配送中心选址实例,运用所建立的混合整数规划模型确定物流配送中心选址最佳方案。最后,借助优化建模软件LINGO,通过对实际问题的抽象建模,编写求解程序,成功求解了该模型。     

基于混合整数规划的配送中心选址研究

目前关于选址问题研究有很多,基于混合整数规划的选址问题研究也有一些,但是还存在一些问题。其中一个是,在目前的多源供应模型中(即多工厂),只考虑了单位产品的运输费用,都没有考虑到工厂到配送中心和配送中心到客户路线开启的固定成本投入,即一条线路上不管运多运少其单位价格都一样,这显然是不合理的。因此本文在原来混合整数规划模型的基础上考虑以上线路开启的固定成本投入,建立了新的模型,并且进行实例求解。     

带时间窗车辆路径问题的混合量子粒子群算法

针对带时间窗的车辆路径问题,采用混合量子粒子群算法对该问题进行了求解,该算法将量子粒子群算法与模拟退火算法相结合．充分发挥量子粒子群算法全局寻优能力强以及模拟退火算法局部寻优能力强的特点,从而能有效地避免早熟。仿真结果表明,该算法不仅收敛速度快,而且还具有较高的求解质量。     

粒子群优化算法求解多选择背包问题

多选择背包问题是典型的NP难题,建立了多选择背包问题的数学模型,设计了一种粒子群优化算法对其进行求解。通过对其它文献中实例的仿真试验和结果对比,表明了算法对求解多选择背包问题的可行性和有效性。     

基于混合微粒群算法的带时间窗的车辆路径问题研究

本文在基本微粒群算法（PSO）的位置更新中引入了模拟退火算法思想，并改进了模拟退火算法（SA）中的降温操作该算法结合了基本PSO的快速寻优能力和SA的慨率突跳性，避免了基本PSO易于陷入局部最优的缺点，提高了进化后1期算法的收敛精度.把该算法用于解决有时间窗的车辆路径问题（VRHTW），它可以有效地求得有时间窗车辆路径问题的优化解。     

基于混合信息的粒子群优化算法

本文提出一种基于混合信息的粒子群优化算法。此算法具有充分利用种群信息,保证群体的多样性,快速收敛效果和避免陷入局部极值的能力。     

自适应粒子群优化算法在车间作业调度问题中的应用

采用粒子群优化算法对该问题进行求解,为了提高算法的求解性能,针对粒子群算法特点,提出了一种自适应的惯性权值来调整算法的搜索空间和一种自适应更新策略来动态地更新粒子的位置.最后通过经典的实例对本文提出的算法进行了检验,结果表明,该改进的粒子群算法在求解车间作业调度问题是有效的.     

配送中心选址的遗传算法研究

针对配送中心的选址问题,将遗传算法这一全局搜索优化技术运用其中,通过建立选址的遗传算法模型,研究了算法设计,分析了其特点,并与传统的混合整数规划解法进行了分析比较。     

物流配送路径优化问题的模型及改进混合算法

在建立带有时间窗的物流配送路径优化问题数学模型的基础上．构造了求解该问题的遗传模拟退火混合算法。该混合算法利用了遗传算法较强的全局搜索能力和模拟退欠算法较好的局部搜索能力,克服了两种算法各自在寻优方面的不足,使其在全局最优搜索和计算速度方面都有了很大的提高。最后经仿真试验证实了混合算法解决物流配送路径优化问题的优越性。     

基于模拟退火算法的应急系统选址优化

考虑时间、协作性、安全可靠性和成本等因素,给出了应急系统选址问题的模型,并利用模拟退火算法进行求解。通过实例计算,确定应急系统选址的最佳组合方案,表明了模拟退火算法求解此类问题的有效性。