CN108241911A - 一种基于细菌觅食优化算法的配送中心选址方法 - Google Patents
一种基于细菌觅食优化算法的配送中心选址方法 Download PDFInfo
- Publication number
- CN108241911A CN108241911A CN201810091987.0A CN201810091987A CN108241911A CN 108241911 A CN108241911 A CN 108241911A CN 201810091987 A CN201810091987 A CN 201810091987A CN 108241911 A CN108241911 A CN 108241911A
- Authority
- CN
- China
- Prior art keywords
- bacterium
- home
- delivery center
- formula
- assigned
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
Abstract
本发明公开了一种基于细菌觅食优化算法的配送中心选址方法，包括如下步骤：1)获取目标城市的配送中心及历史配送地址集合；2)构建配送中心选址模型；3)细菌觅食优化算法的实现。本发明能通过利用历史配送地址与候选配送中心进行建模，更加符合现实中存在大规模历史配送地址的配送中心选址情况，从而能将选址与配送结合起来，提高配送中心选址的准确性，减少配送费用，提高配送的时效性，提升客户的满意度。
Description
技术领域
本发明涉及物流技术领域，具体的说是一种基于细菌觅食优化算法的配送中心选址方法。
背景技术
选址问题由来已久，存在于生活中的方方面面，例如工厂选址、物流配送中心选址、公共服务设施选址等等。随着电子商务的发展，物流配送成为供应链管理不可或缺的一环，配送中心的选址优劣就显得越发重要。一个较好的配送中心选址会不能仅仅考虑建造配送中心的费用问题，同时也要考虑到配送中心与历史配送地址的配送费用问题，从而提高供应链中的物流运输效率，降低运输成本，并提高客户的满意度，而较差的配送中心选址不仅会令运输成本增加，运输时间增长，而且会导致库存积压，客户满意度下降等一系列的问题。
现有的求解选址问题的方法主要包括三大类，其中近似算法是指选址的目标函数值与最优解的目标函数值之比不超过一个常数，但是最优解较难获得，在实际中应用范围不广泛；精确算法由于求解的精确性高，求解较困难，求解效率慢等原因，不适用于大规模选址问题的求解；而智能优化算法最常用，但是同时也存在容易陷入局部最优解，求解效率低等缺点。目前常用的求解选址问题的智能优化算法有禁忌搜索算法、遗传算法、粒子群算法、蚁群算法等。禁忌搜索算法是最早应用于选址问题的算法，能够通过建立禁忌表避免陷入局部最优，但是其初始解对最终选址结果的优劣影响较大；遗传算法通过模拟自然进化过程来进行求解，但是其容易早熟；粒子群算法虽然求解效率较高，但是容易陷入局部最优；蚁群算法通过蚂蚁的觅食行为对问题进行求解，但是同样存在易陷入局部最优的缺点。细菌觅食优化算法作为群智能优化算法的一种，同样存在容易陷入局部最优的缺点。
发明内容
本发明为了克服现有技术存在的不足之处，提供一种基于细菌觅食优化算法的配送中心选址方法，以期能通过利用历史配送地址与候选配送中心进行建模，更加符合现实中存在大规模历史配送地址的配送中心选址情况，从而能将选址与配送结合起来，提高配送中心选址的准确性，减少配送费用，提高配送的时效性，提升客户的满意度。
本发明为解决技术问题所采用的技术方案是：
本发明一种基于细菌觅食优化算法的配送中心选址方法的特点是按如下步骤进行：
步骤1、获取目标城市的历史配送地址集合，记为N＝{N1,N2,...,Ni,...,Nn}，Ni表示第i个历史配送地址，i＝1,2,…,n；构建目标城市的配送中心，记为M＝{M1,M2,...,Mj,...,Mm}，Mj表示第j个配送中心，j＝1,2,…,m；构建目标城市的配送中心建造费用向量F＝[f1,f2,...,fj,...,fm]，fj＞0表示第j个配送中心Mj的建造成本；构建目标城市的运输费用矩阵C＝(cij)m×n，cij＞0表示第j个配送中心Mj到第i个历史配送地址Ni之间的运输费用；
步骤2、构建配送中心的选址模型：
利用式(1)构建选址模型的目标函数：
式(1)表示最小化历史配送地址与配送中心之间的运输费用及配送中心建造费用之和；式(1)中，xij表示第i个历史配送地址Ni是否由第j个配送中心Mj进行配送的配送结果；yj表示第j个配送中心Mj的建造结果；
利用式(2)-式(5)构建目标函数的约束条件：
式(2)表示任意一个历史配送地址仅由一个配送中心提供服务；
式(3)表示任意一个历史配送地址仅由建造的配送中心提供服务；
式(4)表示第i个历史配送地址Ni是否由第j个配送中心Mj进行配送，若xij＝1，则表示第i个历史配送地址Ni由第j个配送中心Mj进行配送；若xij＝0，则表示第i个历史配送地址Ni不由第j个配送中心Mj进行配送；
式(5)表示是否建造第j个配送中心Mj；若yj＝1，则建造第j个配送中心Mj；若yj＝0，则表示不建造第j个配送中心Mj；
步骤3、基于细菌觅食优化算法求解所述配送中心的选址模型：
步骤3.1、细菌觅食优化算法的参数初始化：
步骤3.1.1、初始化细菌个数为S，趋化迭代的最大次数为Nc，单向游动的最大步数为Ns，繁殖迭代的最大次数为Nre，迁徙迭代的最大次数为Ned，迁徙概率为Ped；
步骤3.1.2、初始化当前迁徙次数h＝1；
步骤3.1.3、初始化当前繁殖次数k＝1；
步骤3.1.4、初始化当前趋化次数t＝1；
步骤3.1.5、初始化当前细菌的个数r＝1；
步骤3.1.6、定义细菌位置：
定义第r个细菌在第t次趋化、第k次繁殖、第h次迁徙所处的位置为表示第r个细菌在第t次趋化、第k次繁殖、第h次迁徙的选址方案中第j个配送中心Mj的建造结果；
步骤3.2、执行细菌趋化循环：
步骤3.2.1、由所述第r个细菌在第t次趋化、第k次繁殖、第h次迁徙所处的位置P(r,t,k,h)计算第r个细菌在第t次趋化、第k次繁殖、第h次迁徙的适应度值J(r,t,k,h)：
步骤3.2.2、利用式(6)对第r个细菌进行翻转，得到第r个细菌在第t次趋化、第k次繁殖、第h次迁徙的游动方向
式(6)中，Δ(r,t,k,h)表示第r个细菌在第t次趋化、第k次繁殖、第h次迁徙的微小位移；ΔT(r,t,k,h)表示微小位移的转置；
步骤3.2.3、初始化单向游动的步数g＝0；
步骤3.2.4、利用式(7)得到第r个细菌在第t+1次趋化、第k次繁殖、第h次迁徙的所处的位置P(r,t+1,k,h)
式(7)中，C(r)表示第r个细菌游动的单位步长；
步骤3.2.5、利用步骤3.2.1得到所述位置P(r,t+1,k,h)的适应度值J(r,t+1,k,h)，并判断J(r,t+1,k,h)＜J(r,t,k,h)是否成立，若成立，则将P(r,t+1,k,h)赋值给P(r,t,k,h)，将J(r,t+1,k,h)赋值给J(r,t,k,h)；否则，令g＝Ns；
步骤3.2.6、令g+1赋值给g，判断g≤Ns是否成立，若成立，则返回步骤3.2.4执行；否则，执行步骤3.2.7；
步骤3.2.7、令r+1赋值给r，判断r≤S是否成立，若成立，则返回步骤3.1.6执行；否则，执行步骤3.2.8；
步骤3.2.8、令t+1赋值给t，判断t≤Nc是否成立，若成立，则返回步骤3.1.5执行；否则，执行步骤3.3；
步骤3.3、执行细菌的繁殖操作循环：
步骤3.3.1、初始化r＝1；
步骤3.3.2、利用式(8)计算第r个细菌的健康值Jhealth(r,t,k,h)；
步骤3.3.3、令r+1赋值给r，判断r≤S是否成立，若成立，则返回步骤3.3.2执行；否则，执行步骤3.3.4；
步骤3.3.4、执行轮盘赌算法，选出个细菌，进行繁殖：
步骤3.3.5、令k+1赋值给k，判断k≤Nre是否成立，若成立，则返回步骤3.1.4执行；否则，执行步骤3.4；
步骤3.4、执行细菌的迁徙操作循环：
步骤3.4.1、初始化r＝1；
步骤3.4.2、随机生成第r个细菌的自身迁移概率Pr，0＜Pr＜1；如果Pr＜Ped成立，则根据步骤3.1.6重新初始化细菌位置P(r,t,k,h)，否则，将P(r,t,k,h)赋值给P(r,t,k,h+1)，执行步骤3.4.3；
步骤3.4.3、令r+1赋值给r，判断r≤S是否成立，若成立，则返回步骤3.4.2执行；否则，执行步骤3.4.4；
步骤3.4.4、令h+1赋值给h，判断h≤Ned是否成立，若成立，则返回步骤3.1.3执行；否则，执行步骤3.5；
步骤3.5、将min{J(r,t,k,h)r＝1,2,…,S；t＝1,2,…,Nc；k＝1,2,…,Nre；h＝1,2,…,Ned}作为最低总费用zbest；将所述最低总费用zbest所对应的位置Pbest作为最优配送中心的选址方案。
本发明所述的基于细菌觅食优化算法的配送中心选址方法的特点也在于，
所述步骤3.2.1是按如下过程进行：
步骤1a、根据第r个细菌在第t次趋化、第k次繁殖、第h次迁徙所处的位置P(r,t,k,h)以及式(3)和式(4)确定第r个细菌在第t次趋化、第k次繁殖、第h次迁徙所示的待选配送方案其中，表示第r个细菌在第t次趋化、第k次繁殖、第h次迁徙所示的配送方案中第i个历史配送地址Ni由第j个配送中心Mj的配送结果；
步骤1b、初始化i＝1；
步骤1c、初始化j＝1；
步骤1d、计算的值；
步骤1e、令j+1赋值给j，判断j＞m是否成立，若成立，则令min{uij|uij＞0,j＝1,2,…,m}所对应的配送结果为1，其余的配送结果为0，从而得到配送结果后，执行步骤1f；否则，返回步骤1d执行；
步骤1f、令i+1赋值给i，判断i＞n是否成立，若成立，则表示获得优化后的配送方案否则，返回步骤1c执行；
步骤1g、根据优化后的配送方案和位置P(r,t,k,h)计算式(1)所示的目标函数的值，并作为第r个细菌在第t次趋化、第k次繁殖、第h次迁徙的适应度值J(r,t,k,h)。
所述步骤3.3.4是按如下过程进行：
步骤4a、初始化r＝1；
步骤4b、利用式(9)计算第r个细菌繁殖的概率q(r,t,k,h)：
步骤4c、利用式(10)计算前r个细菌繁殖的累积概率Q(r,t,k,h)：
步骤4d、令r+1赋值给r，判断r≤S是否成立，若成立，则返回步骤4b执行；否则，执行步骤4e；
步骤4e、初始化w＝1；
步骤4f、从S个细菌中选择第w个细菌，使得任意第w个细菌满足
Q(w,t,k,h)＜ratew＜Q(w+1,t,k,h)；ratew表示在[0,1]内产生第w个随机数；
步骤4g、将P(w,t,k,h)赋值给P(w,t,k+1,h)、将P(w,t,k+1,h)赋值给
步骤4h、初始化j＝1；
步骤4i、由位置得到的配送方案计算第j个配送中心Mj配送的历史地址个数
步骤4j、令j＝j+1，判断j≤m是否成立，若成立，则返回步骤4i执行；否则，执行步骤4k；
步骤4k、令min{SY(j)|yj＝1,j＝1,2,…,m}所对应的配送中心的建造结果为0；
步骤4l、令w+1赋值给w，判断是否成立，若成立，则返回步骤4f执行；否则，执行步骤3.3.5。
与已有技术相比，本发明的有益效果体现在：
1、本发明首次将细菌觅食优化算法应用于配送中心选址中，解决二进制问题。并且能够应用于大规模选址问题的求解，较符合现实世界中配送中心选址问题。
2、本发明结合选址问题，将局部优化策略引入细菌觅食优化算法中的趋化过程，对建立的配送中心配送方案进行优化，确定历史配送地址与物流中心之间一一对应配送关系，从而减少了配送费用，节省了运输成本，加快了算法的寻优能力。
3、本发明对细菌觅食优化算法中细菌健康值的计算规则进行改进，原始细菌觅食优化算法中将细菌在趋化过程中适应度值的累加作为细菌的健康值，本发明将细菌在趋化过程中最优适应度作为细菌的健康值，加快了算法的收敛速度，提高了算法的整体求解效率。
4、本发明利用轮盘赌算法对细菌觅食优化的繁殖过程进行改进，防止算法陷入局部最优。同时改进原算法中细菌繁殖的两个子代位置相同的这一规则，利用局部搜索策略对其中一个子代进行扰动，防止算法陷入早熟，增强了算法跳出局部最优的能力，从而增强了全局搜索能力。
附图说明
图1为本发明细菌觅食优化算法的流程图；
图2为本发明细菌编码方式的示意图。
图3为本发明细菌趋化过程中进行局部搜索得到配送方案的示意图。
图4为本发明细菌繁殖过程示意图。
具体实施方式
本实施例中，一种基于细菌觅食优化算法的配送中心选址方法，是按如下步骤进行：
步骤1、获取目标城市的历史配送地址集合，记为N＝{N1,N2,...,Ni,...,Nn}，Ni表示第i个历史配送地址，i＝1,2,…,n；构建目标城市的配送中心，记为M＝{M1,M2,...,Mj,...,Mm}，Mj表示第j个配送中心，j＝1,2,…,m；构建目标城市的配送中心建造费用向量F＝[f1,f2,...,fj,...,fm]，fj＞0表示第j个配送中心Mj的建造成本；构建目标城市的运输费用矩阵C＝(cij)m×n，cij＞0表示第j个配送中心Mj到第i个历史配送地址Ni之间的运输费用；
步骤2、构建配送中心的选址模型，这里使用的配送中心选址模型是无容量设施选址模型，无容量设施选址模型是选址问题中应用较为广泛的选址模型，许多实际问题都可以被抽象为此模型，如银行选址，配送中心选址，工厂选址，公共服务设施选址等：
利用式(1)构建选址模型的目标函数：
式(1)表示最小化历史配送地址与配送中心之间的运输费用及配送中心建造费用之和；式(1)中，xij表示第i个历史配送地址Ni是否由第j个配送中心Mj进行配送的配送结果；yj表示第j个配送中心Mj的建造结果；
利用式(2)-式(5)构建目标函数的约束条件：
式(2)表示任意一个历史配送地址仅由一个配送中心提供服务；
式(3)表示任意一个历史配送地址仅由建造的配送中心提供服务；
式(4)表示第i个历史配送地址Ni是否由第j个配送中心Mj进行配送，若xij＝1，则表示第i个历史配送地址Ni由第j个配送中心Mj进行配送；若xij＝0，则表示第i个历史配送地址Ni不由第j个配送中心Mj进行配送；
式(5)表示是否建造第j个配送中心Mj；若yj＝1，则建造第j个配送中心Mj；若yj＝0，则表示不建造第j个配送中心Mj；
步骤3、基于细菌觅食优化算法求解配送中心的选址模型，细菌觅食优化算法是智能优化算法的一种，本发明主要对细菌觅食优化算法进行局部搜索优化，改善其容易陷入局部最优解的情况，如图1所示，细菌觅食优化算法是按如下步骤进行的：
步骤3.1、细菌觅食优化算法的参数初始化：
步骤3.1.1、初始化细菌个数为S，趋化迭代的最大次数为Nc，单向游动的最大步数为Ns，繁殖迭代的最大次数为Nre，迁徙迭代的最大次数为Ned，迁徙概率为Ped；
步骤3.1.2、初始化当前迁徙次数h＝1；
步骤3.1.3、初始化当前繁殖次数k＝1；
步骤3.1.4、初始化当前趋化次数t＝1；
步骤3.1.5、初始化当前细菌的个数r＝1；
步骤3.1.6、定义细菌位置：
定义第r个细菌在第t次趋化、第k次繁殖、第h次迁徙所处的位置为表示第r个细菌在第t次趋化、第k次繁殖、第h次迁徙的选址方案中第j个配送中心Mj的建造结果，细菌位置编码方式如图2；
步骤3.2、执行细菌趋化循环：
步骤3.2.1、由第r个细菌在第t次趋化、第k次繁殖、第h次迁徙所处的位置P(r,t,k,h)计算第r个细菌在第t次趋化、第k次繁殖、第h次迁徙的适应度值J(r,t,k,h)，物流配送中心选址模型的目标函数作为适应度函数，细菌位置P(r,t,k,h)，即配送中心建设方案的改变会引起适应度值的改变。因为配送中心的容量是实时变化的，故步骤2中的配送中心选址没有考虑容量大小这一问题，即配送中心的容量完全能满足历史配送点的需求，故所有建设的配送中心原则上都可以对同一个历史配送点进行配送。本发明通过执行步骤1a至步骤1g来对配送方案进行局部搜索，确保每一个历史配送点都由距离最近的配送中心进行配送，最终配送方案为如图3是一个得到配送方案的例子：
步骤1a、根据第r个细菌在第t次趋化、第k次繁殖、第h次迁徙所处的位置P(r,t,k,h)以及式(3)和式(4)确定第r个细菌在第t次趋化、第k次繁殖、第h次迁徙所示的待选配送方案其中，表示第r个细菌在第t次趋化、第k次繁殖、第h次迁徙所示的配送方案中第i个历史配送地址Ni由第j个配送中心Mj的配送结果；
步骤1b、初始化i＝1；
步骤1c、初始化j＝1；
步骤1d、计算的值；
步骤1e、令j+1赋值给j，判断j＞m是否成立，若成立，则令min{uij|uij＞0,j＝1,2,…,m}所对应的配送结果为1，其余的配送结果为0，从而得到配送结果后，执行步骤1f；否则，返回步骤1d执行；
步骤1f、令i+1赋值给i，判断i＞n是否成立，若成立，则表示获得优化后的配送方案否则，返回步骤1c执行；
步骤1g、根据优化后的配送方案和位置P(r,t,k,h)计算式(1)所示的目标函数的值，并作为第r个细菌在第t次趋化、第k次繁殖、第h次迁徙的适应度值J(r,t,k,h)。
步骤3.2.2、利用式(6)对第r个细菌进行翻转，得到第r个细菌在第t次趋化、第k次繁殖、第h次迁徙的游动方向细菌通过翻转来确定是建造还是不建造配送中心：
式(6)中，Δ(r,t,k,h)表示第r个细菌在第t次趋化、第k次繁殖、第h次迁徙的微小位移；ΔT(r,t,k,h)表示微小位移的转置；
步骤3.2.3、初始化单向游动的步数g＝0；
步骤3.2.4、利用式(7)得到第r个细菌在第t+1次趋化、第k次繁殖、第h次迁徙的所处的位置P(r,t+1,k,h)
式(7)中，C(r)表示第r个细菌游动的单位步长；
步骤3.2.5、利用步骤3.2.1得到位置P(r,t+1,k,h)的适应度值J(r,t+1,k,h)，并判断J(r,t+1,k,h)＜J(r,t,k,h)是否成立，若成立，则将P(r,t+1,k,h)赋值给P(r,t,k,h)，将J(r,t+1,k,h)赋值给J(r,t,k,h)；否则，令g＝Ns；
步骤3.2.6、令g+1赋值给g，判断g≤Ns是否成立，若成立，则返回步骤3.2.4执行；否则，执行步骤3.2.7；
步骤3.2.7、令r+1赋值给r，判断r≤S是否成立，若成立，则返回步骤3.1.6执行；否则，执行步骤3.2.8；
步骤3.2.8、令t+1赋值给t，判断t≤Nc是否成立，若成立，则返回步骤3.1.5执行；否则，执行步骤3.3；
步骤3.3、执行细菌的繁殖操作循环：
步骤3.3.1、初始化r＝1；
步骤3.3.2、利用式(8)计算第r个细菌的健康值Jhealth(r,t,k,h)；传统的细菌觅食优化算法通过计算细菌在趋化过程中经过的所有位置的适应度值总和作为细菌的健康值，本发明中将细菌趋化过程中的最小适应度值作为细菌的健康值，能够加快算法的收敛速度，以及寻优效率；
步骤3.3.3、令r+1赋值给r，判断r≤S是否成立，若成立，则返回步骤3.3.2执行；否则，执行步骤3.3.4；
步骤3.3.4、执行轮盘赌算法，选出个细菌，进行繁殖。传统的细菌觅食优化算法在细菌进行繁殖操作时，会选择适应度值较好的半数细菌分裂成两个位置相同的细菌，剩余半数细菌死亡，这种操作容易使得目标函数陷入局部最优。如图4所示，本实施例中利用轮盘赌算法选择要进行复制操作的半数细菌，防止陷入局部最优解，同时对复制操作进行改进，利用局部优化策略对半数细菌复制操作进行优化，使得同一个细菌繁殖得到的细菌不在同一位置，跳出局部最优：
步骤4a、初始化r＝1；
步骤4b、利用式(9)计算第r个细菌繁殖的概率q(r,t,k,h)：
步骤4c、利用式(10)计算前r个细菌繁殖的累积概率Q(r,t,k,h)：
步骤4d、令r+1赋值给r，判断r≤S是否成立，若成立，则返回步骤4b执行；否则，执行步骤4e；
步骤4e、初始化w＝1；
步骤4f、从S个细菌中选择第w个细菌，使得任意第w个细菌满足
Q(w,t,k,h)＜ratew＜Q(w+1,t,k,h)；ratew表示在[0,1]内产生第w个随机数；
步骤4g、将P(w,t,k,h)赋值给P(w,t,k+1,h)、将P(w,t,k+1,h)赋值给
步骤4h、初始化j＝1；
步骤4i、由位置得到的配送方案计算第j个配送中心Mj配送的历史地址个数
步骤4j、令j＝j+1，判断j≤m是否成立，若成立，则返回步骤4i执行；否则，执行步骤4k；
步骤4k、令min{SY(j)|yj＝1,j＝1,2,…,m}所对应的配送中心的建造结果为0；
步骤4l、令w+1赋值给w，判断是否成立，若成立，则返回步骤4f执行；否则，执行步骤3.3.5。
步骤3.3.5、令k+1赋值给k，判断k≤Nre是否成立，若成立，则返回步骤3.1.4执行；否则，执行步骤3.4；
步骤3.4、执行细菌的迁徙操作循环：
步骤3.4.1、初始化r＝1；
步骤3.4.2、随机生成第r个细菌的自身迁移概率Pr，0＜Pr＜1；如果Pr＜Ped成立，则根据步骤3.1.6重新初始化细菌位置P(r,t,k,h)，否则，将P(r,t,k,h)赋值给P(r,t,k,h+1)，执行步骤3.4.3；
步骤3.4.3、令r+1赋值给r，判断r≤S是否成立，若成立，则返回步骤3.4.2执行；否则，执行步骤3.4.4；
步骤3.4.4、令h+1赋值给h，判断h≤Ned是否成立，若成立，则返回步骤3.1.3执行；否则，执行步骤3.5；
步骤3.5、将min{J(r,t,k,h)|r＝1,2,…,S；t＝1,2,…,Nc；k＝1,2,…,Nre；h＝1,2,…,Ned}作为最低总费用zbest；将所述最低总费用zbest所对应的位置Pbest作为最优配送中心的选址方案。
Claims (3)
1.一种基于细菌觅食优化算法的配送中心选址方法，其特征是按如下步骤进行：
步骤1、获取目标城市的历史配送地址集合，记为N＝{N1,N2,...,Ni,...,Nn}，Ni表示第i个历史配送地址，i＝1,2,…,n；构建目标城市的配送中心，记为M＝{M1,M2,...,Mj,...,Mm}，Mj表示第j个配送中心，j＝1,2,…,m；构建目标城市的配送中心建造费用向量F＝[f1,f2,...,fj,...,fm]，fj＞0表示第j个配送中心Mj的建造成本；构建目标城市的运输费用矩阵C＝(cij)m×n，cij＞0表示第j个配送中心Mj到第i个历史配送地址Ni之间的运输费用；
步骤2、构建配送中心的选址模型：
利用式(1)构建选址模型的目标函数：
式(1)表示最小化历史配送地址与配送中心之间的运输费用及配送中心建造费用之和；式(1)中，xij表示第i个历史配送地址Ni是否由第j个配送中心Mj进行配送的配送结果；yj表示第j个配送中心Mj的建造结果；
利用式(2)-式(5)构建目标函数的约束条件：
式(2)表示任意一个历史配送地址仅由一个配送中心提供服务；
式(3)表示任意一个历史配送地址仅由建造的配送中心提供服务；
式(4)表示第i个历史配送地址Ni是否由第j个配送中心Mj进行配送，若xij＝1，则表示第i个历史配送地址Ni由第j个配送中心Mj进行配送；若xij＝0，则表示第i个历史配送地址Ni不由第j个配送中心Mj进行配送；
式(5)表示是否建造第j个配送中心Mj；若yj＝1，则建造第j个配送中心Mj；若yj＝0，则表示不建造第j个配送中心Mj；
步骤3、基于细菌觅食优化算法求解所述配送中心的选址模型：
步骤3.1、细菌觅食优化算法的参数初始化：
步骤3.1.1、初始化细菌个数为S，趋化迭代的最大次数为Nc，单向游动的最大步数为Ns，繁殖迭代的最大次数为Nre，迁徙迭代的最大次数为Ned，迁徙概率为Ped；
步骤3.1.2、初始化当前迁徙次数h＝1；
步骤3.1.3、初始化当前繁殖次数k＝1；
步骤3.1.4、初始化当前趋化次数t＝1；
步骤3.1.5、初始化当前细菌的个数r＝1；
步骤3.1.6、定义细菌位置：
定义第r个细菌在第t次趋化、第k次繁殖、第h次迁徙所处的位置为 表示第r个细菌在第t次趋化、第k次繁殖、第h次迁徙的选址方案中第j个配送中心Mj的建造结果；
步骤3.2、执行细菌趋化循环：
步骤3.2.1、由所述第r个细菌在第t次趋化、第k次繁殖、第h次迁徙所处的位置P(r,t,k,h)计算第r个细菌在第t次趋化、第k次繁殖、第h次迁徙的适应度值J(r,t,k,h)：
步骤3.2.2、利用式(6)对第r个细菌进行翻转，得到第r个细菌在第t次趋化、第k次繁殖、第h次迁徙的游动方向
式(6)中，Δ(r,t,k,h)表示第r个细菌在第t次趋化、第k次繁殖、第h次迁徙的微小位移；ΔT(r,t,k,h)表示微小位移的转置；
步骤3.2.3、初始化单向游动的步数g＝0；
步骤3.2.4、利用式(7)得到第r个细菌在第t+1次趋化、第k次繁殖、第h次迁徙的所处的位置P(r,t+1,k,h)
式(7)中，C(r)表示第r个细菌游动的单位步长；
步骤3.2.5、利用步骤3.2.1得到所述位置P(r,t+1,k,h)的适应度值J(r,t+1,k,h)，并判断J(r,t+1,k,h)＜J(r,t,k,h)是否成立，若成立，则将P(r,t+1,k,h)赋值给P(r,t,k,h)，将J(r,t+1,k,h)赋值给J(r,t,k,h)；否则，令g＝Ns；
步骤3.2.6、令g+1赋值给g，判断g≤Ns是否成立，若成立，则返回步骤3.2.4执行；否则，执行步骤3.2.7；
步骤3.2.7、令r+1赋值给r，判断r≤S是否成立，若成立，则返回步骤3.1.6执行；否则，执行步骤3.2.8；
步骤3.2.8、令t+1赋值给t，判断t≤Nc是否成立，若成立，则返回步骤3.1.5执行；否则，执行步骤3.3；
步骤3.3、执行细菌的繁殖操作循环：
步骤3.3.1、初始化r＝1；
步骤3.3.2、利用式(8)计算第r个细菌的健康值Jhealth(r,t,k,h)；
步骤3.3.3、令r+1赋值给r，判断r≤S是否成立，若成立，则返回步骤3.3.2执行；否则，执行步骤3.3.4；
步骤3.3.4、执行轮盘赌算法，选出个细菌，进行繁殖：
步骤3.3.5、令k+1赋值给k，判断k≤Nre是否成立，若成立，则返回步骤3.1.4执行；否则，执行步骤3.4；
步骤3.4、执行细菌的迁徙操作循环：
步骤3.4.1、初始化r＝1；
步骤3.4.2、随机生成第r个细菌的自身迁移概率Pr，0＜Pr＜1；如果Pr＜Ped成立，则根据步骤3.1.6重新初始化细菌位置P(r,t,k,h)，否则，将P(r,t,k,h)赋值给P(r,t,k,h+1)，执行步骤3.4.3；
步骤3.4.3、令r+1赋值给r，判断r≤S是否成立，若成立，则返回步骤3.4.2执行；否则，执行步骤3.4.4；
步骤3.4.4、令h+1赋值给h，判断h≤Ned是否成立，若成立，则返回步骤3.1.3执行；否则，执行步骤3.5；
步骤3.5、将min{J(r,t,k,h)|r＝1,2,…,S；t＝1,2,…,Nc；k＝1,2,…,Nre；h＝1,2,…,Ned}作为最低总费用zbest；将所述最低总费用zbest所对应的位置Pbest作为最优配送中心的选址方案。
2.根据权利要求1所述的基于细菌觅食优化算法的配送中心选址方法，其特征是，所述步骤3.2.1是按如下过程进行：
步骤1a、根据第r个细菌在第t次趋化、第k次繁殖、第h次迁徙所处的位置P(r,t,k,h)以及式(3)和式(4)确定第r个细菌在第t次趋化、第k次繁殖、第h次迁徙所示的待选配送方案其中，表示第r个细菌在第t次趋化、第k次繁殖、第h次迁徙所示的配送方案中第i个历史配送地址Ni由第j个配送中心Mj的配送结果；
步骤1b、初始化i＝1；
步骤1c、初始化j＝1；
步骤1d、计算的值；
步骤1e、令j+1赋值给j，判断j＞m是否成立，若成立，则令min{uij|uij＞0,j＝1,2,…,m}所对应的配送结果为1，其余的配送结果为0，从而得到配送结果后，执行步骤1f；否则，返回步骤1d执行；
步骤1f、令i+1赋值给i，判断i＞n是否成立，若成立，则表示获得优化后的配送方案否则，返回步骤1c执行；
步骤1g、根据优化后的配送方案和位置P(r,t,k,h)计算式(1)所示的目标函数的值，并作为第r个细菌在第t次趋化、第k次繁殖、第h次迁徙的适应度值J(r,t,k,h)。
3.根据权利要求1所述的基于细菌觅食优化算法的配送中心选址方法，其特征是，所述步骤3.3.4是按如下过程进行：
步骤4a、初始化r＝1；
步骤4b、利用式(9)计算第r个细菌繁殖的概率q(r,t,k,h)：
步骤4c、利用式(10)计算前r个细菌繁殖的累积概率Q(r,t,k,h)：
步骤4d、令r+1赋值给r，判断r≤S是否成立，若成立，则返回步骤4b执行；否则，执行步骤4e；
步骤4e、初始化w＝1；
步骤4f、从S个细菌中选择第w个细菌，使得任意第w个细菌满足Q(w,t,k,h)＜ratew＜Q(w+1,t,k,h)；ratew表示在[0,1]内产生第w个随机数；
步骤4g、将P(w,t,k,h)赋值给P(w,t,k+1,h)、将P(w,t,k+1,h)赋值给
步骤4h、初始化j＝1；
步骤4i、由位置得到的配送方案计算第j个配送中心Mj配送的历史地址个数
步骤4j、令j＝j+1，判断j≤m是否成立，若成立，则返回步骤4i执行；否则，执行步骤4k；
步骤4k、令min{SY(j)|yj＝1,j＝1,2,…,m}所对应的配送中心的建造结果为0；
步骤4l、令w+1赋值给w，判断是否成立，若成立，则返回步骤4f执行；否则，执行步骤3.3.5。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810091987.0A CN108241911B (zh) | 2018-01-30 | 2018-01-30 | 一种基于细菌觅食优化算法的配送中心选址方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810091987.0A CN108241911B (zh) | 2018-01-30 | 2018-01-30 | 一种基于细菌觅食优化算法的配送中心选址方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108241911A true CN108241911A (zh) | 2018-07-03 |
| CN108241911B CN108241911B (zh) | 2021-06-29 |
Family
ID=62698719
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810091987.0A Active CN108241911B (zh) | 2018-01-30 | 2018-01-30 | 一种基于细菌觅食优化算法的配送中心选址方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108241911B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109946432A (zh) * | 2019-01-30 | 2019-06-28 | 中国地质大学（武汉） | 一种基于改进细菌趋化算法的二维水污染源定位方法 |
| CN111461395A (zh) * | 2020-02-24 | 2020-07-28 | 合肥工业大学 | 临时配送中心的选址方法和系统 |
| CN111950768A (zh) * | 2020-07-15 | 2020-11-17 | 合肥工业大学 | 基于细菌觅食算法和蚁群算法的选址—配送方法和系统 |
| CN112308266A (zh) * | 2019-07-26 | 2021-02-02 | 北京京东振世信息技术有限公司 | 仓库选址方法、装置、设备和可读存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102843743A (zh) * | 2012-07-18 | 2012-12-26 | 南京邮电大学 | 基于菌群觅食优化算法的无线传感网层次化路由方法 |
| CN103279944A (zh) * | 2013-04-22 | 2013-09-04 | 哈尔滨工程大学 | 一种基于生物地理优化的图像分割方法 |
| CN103530709A (zh) * | 2013-11-04 | 2014-01-22 | 上海海事大学 | 一种基于细菌觅食优化方法的集装箱码头泊位和岸桥分配方法 |
| CN106228298A (zh) * | 2016-07-20 | 2016-12-14 | 长春工业大学 | 云制造环境下加工方案优选方法 |
-
2018
- 2018-01-30 CN CN201810091987.0A patent/CN108241911B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102843743A (zh) * | 2012-07-18 | 2012-12-26 | 南京邮电大学 | 基于菌群觅食优化算法的无线传感网层次化路由方法 |
| CN103279944A (zh) * | 2013-04-22 | 2013-09-04 | 哈尔滨工程大学 | 一种基于生物地理优化的图像分割方法 |
| CN103530709A (zh) * | 2013-11-04 | 2014-01-22 | 上海海事大学 | 一种基于细菌觅食优化方法的集装箱码头泊位和岸桥分配方法 |
| CN106228298A (zh) * | 2016-07-20 | 2016-12-14 | 长春工业大学 | 云制造环境下加工方案优选方法 |
Non-Patent Citations (3)
| Title |
|---|
| 童雅林: "基于自适应的细菌觅食算法", 《价值工程》 * |
| 肖超: "冷链低碳物流配送路径优化的细菌觅食-蚁群算法研究", 《数学的实践与认识》 * |
| 费腾: "配送中心选址问题的BFO_AFSA算法研究", 《计算机工程与应用》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109946432A (zh) * | 2019-01-30 | 2019-06-28 | 中国地质大学（武汉） | 一种基于改进细菌趋化算法的二维水污染源定位方法 |
| CN112308266A (zh) * | 2019-07-26 | 2021-02-02 | 北京京东振世信息技术有限公司 | 仓库选址方法、装置、设备和可读存储介质 |
| CN112308266B (zh) * | 2019-07-26 | 2023-11-03 | 北京京东振世信息技术有限公司 | 仓库选址方法、装置、设备和可读存储介质 |
| CN111461395A (zh) * | 2020-02-24 | 2020-07-28 | 合肥工业大学 | 临时配送中心的选址方法和系统 |
| CN111461395B (zh) * | 2020-02-24 | 2022-08-02 | 合肥工业大学 | 临时配送中心的选址方法和系统 |
| CN111950768A (zh) * | 2020-07-15 | 2020-11-17 | 合肥工业大学 | 基于细菌觅食算法和蚁群算法的选址—配送方法和系统 |
| CN111950768B (zh) * | 2020-07-15 | 2022-03-22 | 合肥工业大学 | 基于细菌觅食算法和蚁群算法的选址—配送方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108241911B (zh) | 2021-06-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108241911A (zh) | 一种基于细菌觅食优化算法的配送中心选址方法 | |
| CN105787595B (zh) | 一种基于改进蚁群算法的应急物流中转站选址方法 | |
| CN110267338A (zh) | 一种d2d通信中联合资源分配和功率控制方法 | |
| CN102629106B (zh) | 供水控制方法及系统 | |
| CN108734202A (zh) | 一种基于改进bp神经网络的高压断路器故障诊断方法 | |
| CN108399464A (zh) | 一种多式联运路径优化方法和系统 | |
| CN104123595B (zh) | 一种配电网负荷预测方法及系统 | |
| CN106842901B (zh) | 为列车自动驾驶系统生成速度控制命令的方法 | |
| CN110610304A (zh) | 基于混合遗传-蚁群算法的巡检机器人跨区域调度方法 | |
| CN108573326A (zh) | 基于遗传蚁群混合算法的视频服务器选址方法 | |
| CN101777990A (zh) | 多目标免疫优化组播路由路径选择方法 | |
| Yan et al. | A hybrid metaheuristic algorithm for the multi-objective location-routing problem in the early post-disaster stage. | |
| CN109583660A (zh) | 一种动态拣货策略的实现方法 | |
| CN110472792A (zh) | 一种基于离散蝙蝠算法的物流配送车辆路径优化方法 | |
| CN113935452A (zh) | 一种基于蚁群算法和遗传算法融合的配送中心拣货路径规划方法 | |
| CN110070228A (zh) | 一种神经元分支进化的bp神经网络风速预测方法 | |
| CN110598946B (zh) | 一种基于非支配人工蜂群的防汛物资救援分配方法 | |
| CN109800911B (zh) | 一种为多名快递员派件路径统一导航的方法 | |
| CN110659769A (zh) | 一种基于gis和免疫算法的最大覆盖双层选址优化方法 | |
| CN109002878A (zh) | 一种ga优化bp神经网络 | |
| Liu et al. | Research on the optimized management of agricultural machinery allocation path based on teaching and learning optimization algorithm | |
| CN113408839A (zh) | 一种基于区块链的工业机械的智能化生产模型 | |
| CN106408133A (zh) | 受生物膜启发dna遗传算法的铁路应急调度优化方法及系统 | |
| CN106708063A (zh) | 一种化工灾害现场搜救机器人路径规划方法 | |
| Li et al. | Adaptive scheduling for smart shop floor based on deep Q-network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |