CN103049841A - 物流服务供应商密度的协同进化模型 - Google Patents

物流服务供应商密度的协同进化模型 Download PDF

Info

Publication number
CN103049841A
CN103049841A CN2013100332568A CN201310033256A CN103049841A CN 103049841 A CN103049841 A CN 103049841A CN 2013100332568 A CN2013100332568 A CN 2013100332568A CN 201310033256 A CN201310033256 A CN 201310033256A CN 103049841 A CN103049841 A CN 103049841A
Authority
CN
China
Prior art keywords
logistics service
service provider
supplier
logistics
equation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN2013100332568A
Other languages
English (en)
Inventor
安吉宇
薛霄
刘志中
鲁保云
晁浩
王珍珍
扣彦敏
张惠娟
翟钰琪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Henan University of Technology
Original Assignee
Henan University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Henan University of Technology filed Critical Henan University of Technology
Priority to CN2013100332568A priority Critical patent/CN103049841A/zh
Publication of CN103049841A publication Critical patent/CN103049841A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种物流服务供应商密度的协同进化模型，该协同进化模型主要是由初步筛选模块、单个类型物流服务商市场竞争生存能力判断模块和不同类型物流服务商组合后其市场竞争生存能力判断模块构成。本发明采用物流服务供应商密度的协同进化模型来考虑环境以及各供应商之间的相互关系，使每个类型的物流服务供应商根据实际情况合理进化，从而为集成物流服务供应商的物流服务组合提供了合适的功能型供应商，最终改变了物流行业的运营模式，提高了工作效率和客户满意度，提高了种群多样性，并且加快了收敛速度、提高了搜索精度、改善了过早收敛到局部最优的缺陷。

Description

物流服务供应商密度的协同进化模型
技术领域
本发明涉及一种物流服务供应商密度的协同进化模型，该协同进化模型主要是由初步筛选模块、单个类型物流服务商市场竞争生存能力判断模块和不同类型物流服务商组合后其市场竞争生存能力判断模块构成。
背景技术
 数字化的到来引起了现代物流服务业经营模式的巨大变革。随着协同物流的兴起，网络化物流服务成为一种全新的物流运营模式。Web服务组合技术实现了物流资源的整合和信息的共享，然而，伴随着功能相似的物流服务数量的增长，如何从这些服务中选取最优的服务组合成为亟待解决的问题。
物流服务组合就是从大量具有相似功能的服务中选择出最能满足用户需求的物流服务，功能型物流服务商主要有运输、仓储、配送、包装和装卸等。在组合过程中，不但要注意服务的经济性，降低物流服务成本，而且要兼顾服务的优质性，提升物流服务的客户满意度。
为了最大限度地提高投资回报率，降低投资风险，集成物流服务供应商很少直接投资购买仓库、车队，而是在物流市场中采购其它功能型物流服务供应商的仓储或运输服务，这样，集成物流服务供应商在构建物流服务供应链时就面临供应商选择的问题，众多功能类似的物流服务供应商要想在同行中脱颖而出，就必须在各方面不断进化。
深入研究物流服务发展的历程和集成物流服务供应商产生的时代背景，物流服务供应商的协同进化是功能型物流供应商在市场全球化、顾客需求多样化和技术支持网络化等的背景条件下的实际需求。
传统的物流服务供应商的进化主要采用遗传算法（GA），虽然传统遗传算法具有并行性、鲁棒性强等优点，但是遗传算法存在收敛速度慢、搜索精度不高和过早收敛到局部最优等缺陷。协同进化遗传算法（CGA）是在这些技术背景下对传统遗传算法的改进，它是以种群密度的协同进化模型为理论基础。
发明内容
     本发明的目的在于在提供一种物流服务供应商密度的协同进化模型，便于集成物流服务供应商对所需的供应商进行选择，提高种群多样性，并且改进传统遗传算法收敛速度慢、搜索精度不高和过早收敛到局部最优的缺陷。
为了实现上述目的，本发明采用如下技术方案：
本发明提出了一种物流服务供应商密度的协同进化模型，该协同进化模型主要是由初步筛选模块、单个类型物流服务商市场竞争生存能力判断模块和不同类型物流服务商组合后其市场竞争生存能力判断模块构成；所述的初步筛选模块采用层次分析法从每个类型物流服务商中筛选出各个层次的物流供应商，并且从上述筛选出的各类物流服务商的组合；所述单个类型物流服务商市场竞争生存能力判断模块采用逻辑斯蒂（Logistic）方程判断单个类型物流服务商适应市场竞争的能力；所述不同类型物流服务商组合后其市场竞争生存能力判断模块采用洛特卡（Lotka-Volterra）竞争方程判断不同类型物流服务商组合后其适应市场竞争的能力。
所述初步筛选模块的层次分析法首先要建立层次结构模型，该层次结构模型为目标层、准则1层、准则2层、方案层，所述目标层为协同物流服务最优组合，所述方案层为表示n个候选物流服务，然后得到候选资源库，候选资源库的每一行为一种物流服务组合方式，每个组合方式都有一个评价值，最后评价每个组合服务的综合指标，得到服务组合系统所需的候选服务供应商。
所述单个类型物流服务商市场竞争生存能力判断模块，不考虑不同类型供应商之间的相互竞争，用逻辑斯谛方程来描述某类型供应商的增长与环境之间的动力学特征，逻辑斯谛方程方程如下：                                                
Figure 505337DEST_PATH_IMAGE001
   ，所述逻辑斯谛方程中
Figure 422477DEST_PATH_IMAGE002
表示生存环境负荷量，
Figure 264531DEST_PATH_IMAGE003
表示某一类型供应商中个体增长率，
Figure 659741DEST_PATH_IMAGE004
是某一类型供应商
的数量，
Figure 37895DEST_PATH_IMAGE005
是逻辑斯谛方程系数。
     所述不同类型物流服务商组合后其市场竞争生存能力判断模块中应用的洛特卡竞争方程为：
Figure 860357DEST_PATH_IMAGE006
，所述洛特卡竞争方程中
Figure 127390DEST_PATH_IMAGE007
表示某一类型的物流服务供应商
Figure 388608DEST_PATH_IMAGE008
的数量，所述
Figure 57486DEST_PATH_IMAGE009
表示在不发生竞争的情况下，物流服务供应商的生存环境负荷量，所述
Figure 867496DEST_PATH_IMAGE010
表示物流服务供应商
Figure 604508DEST_PATH_IMAGE008
的最大瞬时增长率，所述
Figure 127893DEST_PATH_IMAGE011
是竞争系数，表示某类型物流服务中供应商
Figure 620055DEST_PATH_IMAGE012
的每个个体对供应商
Figure 861680DEST_PATH_IMAGE008
的抑
制作用，
Figure 700585DEST_PATH_IMAGE013
表示某一类型的物流服务供应商
Figure 344056DEST_PATH_IMAGE008
的密度变化量。
本发明首先运用层次分析法（AHP）对物流服务进行初步筛选，得出物流服务的候选资源库： 
表1.物流服务候选资源库
Figure 679223DEST_PATH_IMAGE014
（1）S1~ S6 代表6类物流服务，假设共有m个；
（2）通过AHP法对这m个物流服务进行初步筛选，得到候选资源库，每一行为一种物流服务组合方式，假设该库有50种组合方式；
（3）每个组合方式都有一个评价值E。
本发明借鉴物流服务供应商密度的进化模型的理论基础，即如果不考虑不同类型供应商之间的相互竞争，引入生态学中的逻辑斯谛（Logistic）方程。该方程是生态学中预测种群密度的一个有效工具，描述了某类型供应商的增长与环境之间的动力学特征。
本发明还描述了物流服务供应商之间的三种关系及物流服务供应商密度的协同进化模型：
Figure 470461DEST_PATH_IMAGE015
 每个类型的供应商中每个个体对自身供应商数量增长的抑制和自身促进作用；
  供应商中每个个体对 
Figure 881217DEST_PATH_IMAGE018
供应商数量增长的抑制作用；
Figure 831855DEST_PATH_IMAGE019
 
Figure 776678DEST_PATH_IMAGE018
 供应商中每个个体对供应商数量增长的抑制作用；
为了验证物流服务供应商密度的协同进化模型的有效性，本发明设计了CGA算法在物流服务组合中应用的算例，最后给出了实验结果及性能分析。
本发明提供技术方案的有益效果是：
本发明采用物流服务供应商密度的协同进化模型来考虑环境以及各供应商之间的相互关系，使每个类型的物流服务供应商根据实际情况合理进化，从而为集成物流服务供应商的物流服务组合提供了合适的功能型供应商，最终改变了物流行业的运营模式，提高了工作效率和客户满意度，提高了种群多样性，并且加快了收敛速度、提高了搜索精度、改善了过早收敛到局部最优的缺陷。 
附图说明
  图1为本发明的物流服务供应链示意图；
图2为本发明的协同物流资源AHP结构图；
图3为本发明的种群增长与环境之间关系示意图；
图4 为本发明的性能比较直观图。
具体实施方式
为使本发明的目的、技术方案和有益效果更加清楚，下面结合附图将对本发明实施方式作进一步地详细描述。
本发明提出了一种物流服务供应商密度的协同进化模型，该协同进化模型主要是由初步筛选模块、单个类型物流服务商市场竞争生存能力判断模块和不同类型物流服务商组合后其市场竞争生存能力判断模块构成；所述的初步筛选模块采用层次分析法从每个类型物流服务商中筛选出各个层次的物流供应商，并且把上述筛选出的各类物流服务商进行组合；所述单个类型物流服务商市场竞争生存能力判断模块采用逻辑斯蒂（Logistic）方程判断单个类型物流服务商适应市场竞争的能力；所述不同类型物流服务商组合后其市场竞争生存能力判断模块采用洛特卡（Lotka-Volterra）竞争方程判断不同类型物流服务商组合后其适应市场竞争的能力。
如图1所示，集成物流服务供应商很少直接投资购买仓库、车队等，而是在物流市场中采购其它功能型物流服务供应商，诸如运输、仓储、配送、包装、装卸等。集成物流服务供应商接到来自原材料供应商、制造商、分销商、零售商、客户的物流服务后，经协商、决策后，合理地组合功能型物流服务供应商，提供高效、定制化的物流服务。
一、协同物流资源初步筛选模块
如图2所示为协同物流资源层次分析法（AHP）结构图，本发明首先运用层次分析法（AHP）对物流服务进行初步筛选，得到相对优秀的候选服务。利用AHP法提出如下协同物流服务初选指标及其层次结构：目标层为协同物流服务最优组合，用A表示，准则1层即B层的四个元素用B1~B4表示，准则2层即C层元素用C1~C13表示，方案层D层用D1~Dn表示n个候选物流服务。其中企业基本情况B1包括技术水平（C1）、服务质量（C2），管理水平（C3）；互补性B2包括核心资源差异性（C4）、核心业务差异性（C5）以及核心业务与需求的一致性（C6）；可靠性B3包括物流企业硬件设施的可靠性（C7）、企业信誉（C8）、历史合作关系（C9）等指标；敏捷性B4包括对企业执行任务时的快速响应能力（C10）、调整能力（C11）、准时提交能力（C12）、任务适应能力（C13）。
基于以上分析方法，本发明得出物流服务的候选资源库如下表所示：
表1.物流服务候选资源库
Figure 635491DEST_PATH_IMAGE021
（1）   S1~ S6 代表6类物流服务，假设共有m个；
（2）  通过AHP法对这m个物流服务进行初步筛选，得到候选资源库，每一行为一种物流服务组合方式，假设该库有50种组合方式；
（3）    每个组合方式都有一个评价值E，它用来评价每个组合服务的综合指标。
二、单个类型物流服务商市场竞争生存能力判断模块
协同进化的每个物流服务供应商在自身的进化过程中受三个主要因素的影响：
（1）  个体适应度
（2）  所处生存环境
（3）  与其它供应商之间的相互竞争
从种群密度的角度来考虑，在一定生态环境中的种群，其种群进化不仅受自身适应度的影响，还受到生存环境和其他种群之间的相互竞争的影响，其中后两种因素在种群层次上可以通过种群密度来体现。同理，在众多物流服务中，其中的某一类型物流服务供应商中的个体要想脱颖而出，成为物流服务优化组合的代表个体，他不仅受生存环境影响，还受到同行之间相互竞争的影响，这两种影响因素可以通过物流服务供应商的协同进化模型来体现。
如图3所示，如果不考虑某类型中不同供应商之间的相互竞争，本发明引入生态学中的逻辑斯谛方程来描述某类型供应商的增长与生存环境之间相互抑制和自身促进关系，逻辑斯谛方程如下：
Figure 73426DEST_PATH_IMAGE022
   （1）
方程中
Figure 494043DEST_PATH_IMAGE002
表示生存环境负荷量，
Figure 28930DEST_PATH_IMAGE003
表示某一类型供应商中个体增长率，
Figure 142379DEST_PATH_IMAGE004
是某一类型供应商的数量，
Figure 67610DEST_PATH_IMAGE005
 是逻辑斯谛方程系数，从式子中可以看出，逻辑斯谛方程系数对供应商密度的变化起着关键作用，使供应商密度总是趋向于生存环境负荷量。
（1）当
Figure 354235DEST_PATH_IMAGE023
时，逻辑斯谛方程系数是负值，供应商密度下降，此时，该类型供应商个体胜出机会大；
（2）当
Figure 415732DEST_PATH_IMAGE024
 时，逻辑斯谛方程系数是正值，供应商密度上升，此时，该类型供应商个体胜出机会小；
（3）
Figure 700082DEST_PATH_IMAGE025
 时，逻辑斯谛方程系数为0，此时供应商密度不变，此时，该类型供应商个体胜出机会均等。
三、不同类型物流服务商组合后其市场竞争生存能力判断模块
在生态学中种群增长符合洛特卡竞争方程，本发明以逻辑斯谛方程为基础，把每个类型供应商中的个体的称为一个种群，运用洛特卡竞争方程进一步考虑每个类型中不同供应商之间的协同与竞争关系，初步构成某类型中两个供应商竞争的理论模型，用该模型先考虑某类型中两个供应商
Figure 174926DEST_PATH_IMAGE018
和
Figure 202925DEST_PATH_IMAGE017
的进化与生存环境之间相互抑制和自身促进关系。利用洛特卡竞争方程来表示某类型中供应商个体的增长情况：
Figure 384508DEST_PATH_IMAGE026
  （2）
  （3）
式中，
Figure 37785DEST_PATH_IMAGE028
 和 分别表示在不发生竞争的情况下，供应商
Figure 967881DEST_PATH_IMAGE018
 和
Figure 328455DEST_PATH_IMAGE017
 的生存环境负荷量； 和 
Figure 147692DEST_PATH_IMAGE031
 表示某类型中供应商个体的最大瞬时增长率；
Figure 38288DEST_PATH_IMAGE032
 和
Figure 897660DEST_PATH_IMAGE033
 是竞争系数， 表示某类型中供应商 
Figure 243770DEST_PATH_IMAGE035
对供应商 
Figure 254451DEST_PATH_IMAGE036
 的竞争抑制作用。
此模型描述了供应商之间基于密度的几种主要协同关系。（先以某个类型中供应商个体为例），从上面两个式子看出： 
（1）    若不存在供应商之间的协同，即方程
Figure 222407DEST_PATH_IMAGE037
 中
Figure 380856DEST_PATH_IMAGE032
或
Figure 92460DEST_PATH_IMAGE017
 等于0和 方程
Figure 957648DEST_PATH_IMAGE038
中
Figure 158822DEST_PATH_IMAGE033
或
Figure 742250DEST_PATH_IMAGE018
等于0时，某类型的两个供应商各自遵循逻辑斯谛方程。都能呈
Figure 991966DEST_PATH_IMAGE039
形增长，直到供应商密度达到各自的生存环境负荷量为止，此时该类型的供应商密度达到平衡。
（2）    若存在供应商之间的协同，则有下面三种关系：
Figure 39556DEST_PATH_IMAGE015
 某类型供应商中的每个个体对自身类型供应商数量增长的抑制与生存环境负荷量成反比关系；
 某类型供应商中 个体对 
Figure 37227DEST_PATH_IMAGE018
个体增长的抑制与竞争系数成正比，与
Figure 419984DEST_PATH_IMAGE041
的生存环境负荷量成反比；
Figure 712425DEST_PATH_IMAGE019
 某类型供应商中
Figure 569523DEST_PATH_IMAGE018
个体对
Figure 326126DEST_PATH_IMAGE017
个体增长的抑制与竞争系数
Figure 977687DEST_PATH_IMAGE042
成正比，与
Figure 85321DEST_PATH_IMAGE043
的生存环境负荷量成反比。
一般而言，竞争系数是大于0而小于1的数值。协同的结果将取决于，
Figure 29323DEST_PATH_IMAGE029
，
Figure 669428DEST_PATH_IMAGE032
 和
Figure 936461DEST_PATH_IMAGE033
 这4个值得相互关系。
为取得临界值，令方程（2）中
Figure 135361DEST_PATH_IMAGE044
，方程（3）中
Figure 600978DEST_PATH_IMAGE045
，即可得出某个类型供应商的 
Figure 859921DEST_PATH_IMAGE046
（物流服务供应商的密度变化量） 等值线，运用线性描述某个类型供应商的增长情况与生存环境之间的关系，从而分析某种类型供应商中个体之间相互抑制和自身促进情况，使供应商达到合理地协同进化。分析变量之间的关系可知：
（1）             当的生存环境负荷量，
Figure 413579DEST_PATH_IMAGE048
的生存环境负荷量时，供应商个体
Figure 936964DEST_PATH_IMAGE018
的等值线位于供应商个体 等值线上方，供应商个体
Figure 405171DEST_PATH_IMAGE041
获胜；
（2）             当
Figure 945874DEST_PATH_IMAGE049
的生存环境负荷量 ，
Figure 153127DEST_PATH_IMAGE050
的生存环境负荷量时，
Figure 488293DEST_PATH_IMAGE017
等值线位于
Figure 279532DEST_PATH_IMAGE018
 等值线上方，供应商个体
Figure 358346DEST_PATH_IMAGE043
获胜；
（3）             当
Figure 918641DEST_PATH_IMAGE051
的生存环境负荷量，
Figure 424708DEST_PATH_IMAGE050
的生存环境负荷量时，两个供应商个体都可能获胜，都能抑制对手，，谁能获胜取决于两个供应商个体本身的综合实力；
（4）             当
Figure 640926DEST_PATH_IMAGE052
的生存环境负荷量，
Figure 585748DEST_PATH_IMAGE053
的生存环境负荷量时，两个供应商个体都不能抑制对方，两个供应商个体可以在各自的生存环境负荷量下以特定的供应商密度共存。
以上是两个供应商之间的协作关系，因为在每个类型的物流服务中，供应商个体的数目远远不止两家，在（2）式中，供应商
Figure 938232DEST_PATH_IMAGE054
对
Figure 880780DEST_PATH_IMAGE055
的竞争系数为
Figure 882497DEST_PATH_IMAGE056
，在（3）式中，供应商
Figure 303114DEST_PATH_IMAGE055
对的竞争系数为
Figure 748187DEST_PATH_IMAGE057
。
下面假如某种类型的物流服务中，有三个供应商个体，那么则有对
Figure 960043DEST_PATH_IMAGE058
的竞争系数
Figure 287119DEST_PATH_IMAGE059
，对的竞争系数
Figure 310198DEST_PATH_IMAGE060
，此时，某类型中供应商个体的增长情况如下：
Figure 554098DEST_PATH_IMAGE061
Figure 9350DEST_PATH_IMAGE062
Figure 909173DEST_PATH_IMAGE063
同理，某种类型的物流服务中，有四个供应商个体时，该类型中供应商个体的增长情况如下：
Figure 537600DEST_PATH_IMAGE064
Figure 573689DEST_PATH_IMAGE065
Figure 262159DEST_PATH_IMAGE066
Figure 649278DEST_PATH_IMAGE067
综上所述，本发明得出一个由
Figure 317282DEST_PATH_IMAGE068
个不同类型的物流服务供应商组成的群落，每个类型的供应商中有m个供应商个体，基于物流服务供应商密度的协同进化模型如下： 
Figure 473457DEST_PATH_IMAGE069
  （i >=2） （4）
方程（4）中，表示某一类型的物流服务供应商
Figure 941665DEST_PATH_IMAGE070
有多少家，
Figure 115157DEST_PATH_IMAGE009
表示在不发生竞争的情况下，物流服务供应商
Figure 125838DEST_PATH_IMAGE070
的生存环境负荷量，
Figure 156111DEST_PATH_IMAGE010
表示物流服务供应商的最大瞬时增长率，是竞争系数，表示某类型物流服务中供应商
Figure 891352DEST_PATH_IMAGE012
的每个个体对供应商
Figure 30209DEST_PATH_IMAGE070
的抑制作用，
Figure 177419DEST_PATH_IMAGE013
表示某一类型的物流服务供应商
Figure 427135DEST_PATH_IMAGE070
的密度变化量。利用方程（4）来调整功能型物流服务商的前提条件是必须保持各类型物流服务商的持久性，可以证明，当 时，
Figure 784484DEST_PATH_IMAGE072
个某一类型的功能型物流服务商趋于一个平衡点且互不抑制，各个功能性物流服务商可以在各自的生存环境负荷量下以特定的物流服务供应商密度共存。
本发明中建立模型的详细步骤包括：
（1）  首先不考虑某类型中供应商个体之间的相互竞争，本发明引入生态学中的逻辑斯谛方程来描述某类型中供应商的增长与生存环境之间相互抑制和自身促进关系；
（2）  在生态学中种群增长符合洛特卡竞争方程，本发明以逻辑斯谛方程为基础，把某类型的供应商个体称为一个种群，运用洛特卡竞争方程进一步考虑某类型中供应商个体之间的协同关系，初步构成两种类型供应商竞争的理论模型，如方程（2）和方程（3）所示，用该模型先考虑某类型中供应商
Figure 855208DEST_PATH_IMAGE018
和
Figure 908615DEST_PATH_IMAGE017
的进化与生存环境之间相互抑制和自身促进关系；
（3）  本发明根据某类型中供应商竞争的理论模型，分不存在供应商之间的协同和存在供应商之间的协同两种情况，来详细分析供应商数量的增长与生存环境负荷量和竞争系数之间的关系，为下面利用线性关系分析优胜劣汰打下基础；
（4）  通过取临界值，令方程（2）中
Figure 810712DEST_PATH_IMAGE073
 和方程（3）中
Figure 291372DEST_PATH_IMAGE074
，得出某个类型供应商的 
Figure 646130DEST_PATH_IMAGE046
（物流服务供应商的密度变化量） 等值线，运用线性描述某个类型供应商的增长情况与生存环境之间的关系，从而分析某类型中两个供应商个体之间相互抑制和自身促进情况，根据优胜劣汰原则使供应商合理地协同进化；
（5）  根据竞争系数之间的关系，进而得出某类型物流服务中三个供应商个体、四个供应商个体之间的竞争协同关系；
（6）  最后得出一个由个不同某类型的物流服务供应商组成的群落，每个类型的供应商中有m个个体的基于物流服务供应商密度的协同进化模型；该模型可以应用于任何类型中供应商个体间的协同进化。
本发明中引入物流服务供应商密度的协同进化模型到进化算法中可以得到相应的协同进化遗传算法，该算法充分考虑了供应商间的各种关系，大大提高了供应商的多样性，同时也有利于提高全局收敛性。
四、协同进化遗传算法（CGA）设计与实现
（1）编码方式。根据CGA算法，本文用
Figure 197514DEST_PATH_IMAGE075
表示第
Figure 412857DEST_PATH_IMAGE070
类型中的第
Figure 458173DEST_PATH_IMAGE012
个供应商被选中，成为服务组合系统的成员；
Figure 853382DEST_PATH_IMAGE076
表示未被选中。代码串的长度取决于每个类型候选物流服务供应商的个数。
（2）适应度评价。CGA算法按与个体适应度成正比的概率来决定当前群体中每个个体遗传到下一代群体中的机会多少。设候选资源库中服务组合的评价值为
Figure 464492DEST_PATH_IMAGE077
，
Figure 552534DEST_PATH_IMAGE078
... 
Figure 881884DEST_PATH_IMAGE079
，每个组合的权重为
Figure 815205DEST_PATH_IMAGE080
，
Figure 484084DEST_PATH_IMAGE081
... 
Figure 805344DEST_PATH_IMAGE082
，以此构造适度函数为：  
Figure 294094DEST_PATH_IMAGE083
 （5）
（3）选择方法。采用轮盘选择原理，它的思想是：个体被选中的概率取决于个体的相对适应度：
Figure 296685DEST_PATH_IMAGE084
，式中即个体
Figure 548117DEST_PATH_IMAGE070
被选中的概率；
Figure 852059DEST_PATH_IMAGE086
即个体
Figure 392762DEST_PATH_IMAGE070
的适应度；
Figure 770654DEST_PATH_IMAGE087
即群体的累加适应度。从统计意义上讲，适应度大的个体，其刻度长，被选中的可能性大；反之，适应度小的个体被选中的可能性小，但有时也会被“破格”选中，以便增加下一代群体的多样性。
（4）交叉算子。通过交叉，子代的基因值不同于父代。交换是CGA算法产生新个体的主要手段。正是有了交换操作，群体的性态才多中多样。交叉算子的具体计算过程如下：
u     对群体中的个体进行两两随机配对。若群体大小为
Figure 433716DEST_PATH_IMAGE088
，则共有
Figure 897059DEST_PATH_IMAGE089
对相互配对的个体组。
u     每一对相互配对的个体，随机设置某一基因位置为交叉点。若染色体的长度为
Figure 241452DEST_PATH_IMAGE090
，则共有
Figure 801747DEST_PATH_IMAGE091
个可能的交叉点位置。
u     对每对相互配对的个体，依设定的交叉概率
Figure 307814DEST_PATH_IMAGE092
随机在其交叉点处相互交换两个个体的部分染色体，产生出两个新的个体。其中，，式中
Figure 982038DEST_PATH_IMAGE088
即群体中个体的数目；
Figure 334522DEST_PATH_IMAGE094
即群体中被交换个体的数目。
假如有三个类型的资源需求，运输需求有4个供应商竞标，仓储需求有3个供应商竞标，装卸需求有5个供应商竞标，交叉方法如下所示：
个体A：010100010 → 新个体A：011000010
个体B：101000001 → 新个体B：100100001
设初始的两个个体分别表示两种供应商的选择方式，，
Figure 511742DEST_PATH_IMAGE096
，和
Figure 467246DEST_PATH_IMAGE098
，
Figure 580696DEST_PATH_IMAGE099
，为两种不同的协同物流合作伙伴组合方式的选择，交叉后的新个体分别表示另外两种不同的3PL选择方式，即， 
Figure 119627DEST_PATH_IMAGE098
，
Figure 967760DEST_PATH_IMAGE097
和
Figure 114707DEST_PATH_IMAGE098
，
Figure 142706DEST_PATH_IMAGE096
，为新的协同物流服务商的组合方式。
（5）变异算子。变异是针对个体的某一个或某些基因座上的基因值执行的，因此变异概率
Figure 841858DEST_PATH_IMAGE101
也是针对基因而言的，即：
Figure 803998DEST_PATH_IMAGE102
，式中
Figure 370108DEST_PATH_IMAGE103
即每代中变异的基因数目；
Figure 406197DEST_PATH_IMAGE088
即每代中群体拥有的个体数目；
Figure 94668DEST_PATH_IMAGE090
即个体中基因串长度。本文中采用的变异方式是基因链（0,1编码）取反，如下所示：
变异前：011001000 → 变异后：011101000
五、算法步骤：
本发明中提出的用于物流服务组合的CGA算法的步骤如下：
（1）确定算法的控制参数，包括某一类型物流服务（进化子种群）的规模
Figure 216207DEST_PATH_IMAGE007
，控制基因和构造基因的长度
Figure 586009DEST_PATH_IMAGE104
，控制基因的交叉概率
Figure 305965DEST_PATH_IMAGE105
和变异概率
Figure 103020DEST_PATH_IMAGE106
，构造基因的交叉概率
Figure 774173DEST_PATH_IMAGE107
和变异概率
Figure 682086DEST_PATH_IMAGE108
，协同进化的代数.
（2），随机生成50个进化种群。
（3）利用其他进化子种群的代表个体，依式（5）计算进化个体的适应值，执行遗传操作。
（4）从三类候选物流服务中各选择出最优个体作为代表个体。
（5）判断算法是否满足停滞条件，若满足，停止进化，并输出优化结果；否则，，转到（3）。
下面通过具体的算例来验证本发明的可行性。
为了说明本发明的可行性，将CGA算法和GA算法比较，采用的性能指标为找到最优解所需的时间、运到目的地的残损率（每吨中破损的百分比）、互补性、可靠性、敏捷性五个方面。
一、问题描述
假设某个物流任务需要运输（T）、仓储（W）、配送（D）三个类型的3PL进行合作完成，假设运输需求有4个供应商竞标，仓储需求有3个供应商竞标，装卸需求有5个供应商竞标。
二、实验设置
采用Matlab6.0工具采用C语言编程实现，实验环境PC的具体配置为：Pentium(R)4 2.66GHZ处理器，1G内存，操作系统为WindowsXP2002。
为了合理比较两种算法的性能，在进化过程中，除种群规模外，GA算法的控制参数取值和与CGA算法的相同。由于CGA算法包含两个进化子种群，假设各子种群的规模均为50，这样，两个进化子种群的规模就是100，为便于比较两种算法的计算复杂性，本文设GA算法的种群规模为100。算法中控制参数的取值如下表所示:
表2 控制参数取值
Figure 530776DEST_PATH_IMAGE113
三、实验结果及性能分析
按照上表的控制参数取值，采用协同进化遗传算法选择物流服务最优组合时，经过50代协同进化模拟，最优组合的平均适应度函数值最后稳定在0.623，得出了最优结构，最优个体为010000101000，由此得出最优物流服务组合为
Figure 723860DEST_PATH_IMAGE114
，
Figure 862718DEST_PATH_IMAGE115
，。
为了消除协同进化遗传算法所得优化结果的偶然性，本实验中取15次独立运行的平均值，比较的性能指标有最优适应值及其均方差、最优物流服务组合的残损率及其方差、算法耗时、算法不收敛次数，统计结果如下表所示：
表3 不同物流服务选择算法的性能比较
算法 最优适应值 最优适应值均方差 最优组合的残损率 残损率均方差 算法耗时 不收敛次数
CGA 41.517 0.013 0.05 0.023 3.1’ 0
GA 38.414 1.065 0.1 0.046 36.3’ 6
如图4所示，将协同进化遗传算法用于物流服务组合是可行的，主要有三点：
（1）CGA与GA相比较，CGA得出的最优物流服务组合的残损率比GA小，更能使客户满意。
（2）在得出最优组合的计算时间上，CGA算法比GA算法耗时少，能使集成物流服务供应商更快做出决策。
（3）CGA算法在运行时收敛次数远大于GA算法，适应度函数较稳定。
本发明保护范围不限于上述实施例，凡事依据本发明技术原理所作的显而易见的技术变形，均落入本发明的保护范围之内。

Claims (4)

1.一种物流服务供应商密度的协同进化模型，其特征在于，该协同进化模型主要是由初步筛选模块、单个类型物流服务商市场竞争生存能力判断模块和不同类型物流服务商组合后其市场竞争生存能力判断模块构成；
所述的初步筛选模块采用层次分析法从每个类型物流服务商中筛选出各个层次的物流供应商，并且把上述筛选出的各类型物流服务商进行组合；
所述单个类型物流服务商市场竞争生存能力判断模块采用逻辑斯蒂方程判断单个类型物流服务商适应市场竞争的能力；
所述不同类型物流服务商组合后其市场竞争生存能力判断模块采用洛特卡竞争方程判断不同类型物流服务商组合后其适应市场竞争的能力。
2.根据权利要求1所述的协同进化模型，其特征在于，所述初步筛选模块的层次分析法首先要建立层次结构模型，该层次结构模型为目标层、准则1层、准则2层、方案层，所述目标层为协同物流服务最优组合，所述方案层为表示n个候选物流服务，然后得到候选资源库，候选资源库的每一行为一种物流服务组合方式，每个组合方式都有一个评价值，最后评价每个组合服务的综合指标，得到服务组合系统所需的候选服务供应商。
3.根据权利要求1所述的协同进化模型，其特征在于，所述单个类型物流服务商市场竞争生存能力判断模块，不考虑不同类型供应商之间的相互竞争，用逻辑斯谛方程来描述某类型供应商的增长与环境之间的动力学特征，逻辑斯谛方程方程为：                                                
Figure 2013100332568100001DEST_PATH_IMAGE001
=
Figure 409912DEST_PATH_IMAGE002
，所述逻辑斯谛方程中
Figure 2013100332568100001DEST_PATH_IMAGE003
表示生存环境负荷量，
Figure 497953DEST_PATH_IMAGE004
表示某一类型供应商中个体增长率，
Figure 2013100332568100001DEST_PATH_IMAGE005
是某一类型供应商的数量，是逻辑斯谛方程系数。
4.根据权利要求1所述的协同进化模型，其特征在于，所述不同类型物流服务商组合后其市场竞争生存能力判断模块中应用的洛特卡竞争方程为： 
Figure 2013100332568100001DEST_PATH_IMAGE007
，所述洛特卡竞争方程中
Figure 573674DEST_PATH_IMAGE008
表示某一类型的物流服务供应商
Figure 242552DEST_PATH_IMAGE010
的数量，所述
Figure 2013100332568100001DEST_PATH_IMAGE011
表示在不发生竞争的情况下，物流服务供应商
Figure 937714DEST_PATH_IMAGE010
的生存环境负荷量，所述
Figure 426464DEST_PATH_IMAGE012
表示物流服务供应商
Figure 366738DEST_PATH_IMAGE010
的最大瞬时增长率，所述
Figure 2013100332568100001DEST_PATH_IMAGE013
是竞
    争系数，表示某类型物流服务中供应商的每个个体对供应商
Figure 992072DEST_PATH_IMAGE010
的抑制作用，
Figure DEST_PATH_IMAGE015
表示某一类型的物流服务供应商
Figure 233697DEST_PATH_IMAGE010
的密度变化量。
CN2013100332568A 2013-01-29 2013-01-29 物流服务供应商密度的协同进化模型 Pending CN103049841A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2013100332568A CN103049841A (zh) 2013-01-29 2013-01-29 物流服务供应商密度的协同进化模型

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2013100332568A CN103049841A (zh) 2013-01-29 2013-01-29 物流服务供应商密度的协同进化模型

Publications (1)

Publication Number Publication Date
CN103049841A true CN103049841A (zh) 2013-04-17

Family

ID=48062472

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2013100332568A Pending CN103049841A (zh) 2013-01-29 2013-01-29 物流服务供应商密度的协同进化模型

Country Status (1)

Country Link
CN (1) CN103049841A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103810642B (zh) * 2013-12-23 2017-01-11 河南理工大学 基于Web服务的协同制造控制方法及控制系统
CN107406246A (zh) * 2014-11-07 2017-11-28 纳普科股份有限公司 交叉保护系统图形用户界面
CN109102222A (zh) * 2018-07-26 2018-12-28 广州伊堡娜贸易有限公司 一种基于贸易安全的货物管理系统及方法
CN109214571A (zh) * 2018-09-05 2019-01-15 东北大学 一种考虑客户方感受的集成商对于供应商的选择方法
US10787358B2 (en) 2017-10-09 2020-09-29 Knappco, LLC Control systems for liquid product delivery vehicles

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101673382A (zh) * 2009-10-21 2010-03-17 北京交通大学 一种农资连锁经营物流配送配载组合优化方法
CN101826182A (zh) * 2010-04-16 2010-09-08 余阳 一种基于语义的物流服务路径规划方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101673382A (zh) * 2009-10-21 2010-03-17 北京交通大学 一种农资连锁经营物流配送配载组合优化方法
CN101826182A (zh) * 2010-04-16 2010-09-08 余阳 一种基于语义的物流服务路径规划方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
姜意扬: "功能型物流供应商选择与订单分配组合优化研究", 《中国优秀硕士学位论文全文数据库》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103810642B (zh) * 2013-12-23 2017-01-11 河南理工大学 基于Web服务的协同制造控制方法及控制系统
CN107406246A (zh) * 2014-11-07 2017-11-28 纳普科股份有限公司 交叉保护系统图形用户界面
CN107406246B (zh) * 2014-11-07 2019-08-06 纳普科股份有限公司 交叉保护系统图形用户界面
US10669147B2 (en) 2014-11-07 2020-06-02 Knappco, LLC Crossover protection system graphical user interfaces
US10787358B2 (en) 2017-10-09 2020-09-29 Knappco, LLC Control systems for liquid product delivery vehicles
US11807514B2 (en) 2017-10-09 2023-11-07 Knappco, LLC Control systems for liquid product delivery vehicles
US12037237B2 (en) 2017-10-09 2024-07-16 Knappco, LLC Control systems for liquid product delivery vehicles
CN109102222A (zh) * 2018-07-26 2018-12-28 广州伊堡娜贸易有限公司 一种基于贸易安全的货物管理系统及方法
CN109214571A (zh) * 2018-09-05 2019-01-15 东北大学 一种考虑客户方感受的集成商对于供应商的选择方法
CN109214571B (zh) * 2018-09-05 2022-02-01 东北大学 一种考虑客户方感受的集成商对于供应商的选择方法

Similar Documents

Publication Publication Date Title
Fathi et al. A novel bidirectional network data envelopment analysis model for evaluating sustainability of distributive supply chains of transport companies
Fahimnia et al. A tradeoff model for green supply chain planning: A leanness-versus-greenness analysis
CN103049841A (zh) 物流服务供应商密度的协同进化模型
US20130246107A1 (en) Method and Device for Assigning Surplus Slabs in the Slab Yard before Hot Rolling Process
Yalcın et al. Fuzzy multi-objective programming algorithm for vehicle routing problems with backhauls
Wu et al. An ant colony optimization based on local search for the vehicle routing problem with simultaneous pickup–delivery and time window
CN104008428B (zh) 产品服务需求预测和资源优选配置方法
CN103942609B (zh) 产品服务供应链优化设计方法
Kaviyani-Charati et al. Sustainable network design for a non-profit food bank supply chain with a heterogeneous fleet under uncertainty
Karimi et al. Multi-objective multi-facility green manufacturing closed-loop supply chain under uncertain environment
Memari et al. A tuned NSGA-II to optimize the total cost and service level for a just-in-time distribution network
CN107832957A (zh) 一种基于多类型自行车装卸的公共租赁自行车调度方法
Sarrafha et al. A multi-objective evolutionary approach for integrated production-distribution planning problem in a supply chain network
Ebrahimi A bi-objective model for a multi-echelon supply chain design considering efficiency and customer satisfaction: a case study in plastic parts industry
Babaei et al. A new branch and efficiency algorithm for an optimal design of the supply chain network in view of resilience, inequity and traffic congestion
Poorbagheri et al. Vendor managed inventory of a single-vendor multiple-retailer single-warehouse supply chain under stochastic demands
Nasiri et al. Location-inventory and shipment decisions in an integrated distribution system: an efficient heuristic solution
Guan et al. A coordinated optimization model of the complex system of the green supply chain distribution network
Ge et al. Proactive Two‐Level Dynamic Distribution Routing Optimization Based on Historical Data
Kır et al. A novel hierarchical approach for a heterogeneous 3D pallet loading problem subject to factual loading and delivery constraints
Chen et al. Multiobjective Order Assignment Optimization in a Global Multiple‐Factory Environment
Zhou et al. A multi-objective programming approach for designing complicated logistics network
Lin et al. Two-echelon logistic model based on game theory with fuzzy variable
Chen et al. Optimization of a green supply chain network with various transportation types for tire industry in korea
Ekhtiari et al. Multiobjective stochastic programming for mixed integer vendor selection problem using artificial bee colony algorithm

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20130417

RJ01 Rejection of invention patent application after publication