CN114547954A - 物流配送中心选址方法、装置、计算机设备 - Google Patents
物流配送中心选址方法、装置、计算机设备 Download PDFInfo
- Publication number
- CN114547954A CN114547954A CN202011329615.0A CN202011329615A CN114547954A CN 114547954 A CN114547954 A CN 114547954A CN 202011329615 A CN202011329615 A CN 202011329615A CN 114547954 A CN114547954 A CN 114547954A
- Authority
- CN
- China
- Prior art keywords
- initial
- particles
- target
- particle
- variation
- 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
Links
- 238000010187 selection method Methods 0.000 title claims description 8
- 239000002245 particle Substances 0.000 claims abstract description 389
- 238000000034 method Methods 0.000 claims abstract description 32
- 230000006870 function Effects 0.000 claims description 108
- 230000035772 mutation Effects 0.000 claims description 29
- 238000004891 communication Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000001133 acceleration Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 238000004422 calculation algorithm Methods 0.000 description 14
- 238000005457 optimization Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Computer Hardware Design (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Geometry (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例涉及物流配送技术领域,公开了一种物流配送中心选址方法,该方法包括:建立目标适应度函数,初始化初始粒子群中各初始粒子的位置和速度;根据各初始粒子的初始化位置和速度及目标适应度函数,计算对应的第一适应度值,确定全局最优初始位置;更新各初始粒子的速度和位置,直至全局最优初始位置保持预设迭代次数不变时,对初始粒子群中的初始粒子进行变异操作;计算变异粒子的第二适应度值,并确定全局最优变异位置;更新变异粒子的速度和位置,直至达到预设迭代循环次数时,确定当前迭代次数得到的全局最优变异位置所对应的待筛选物流中心为目标物流配送中心。通过上述方式,本发明实施例实现了物流配送中心选址更加准确的有益效果。
Description
技术领域
本发明实施例涉及物流配送技术领域,具体涉及一种物流配送中心选址方法、装置、计算机设备。
背景技术
在供应链盛行的今天,物流配送中心作为衔接上下游的环节,起到了至关重要的作用,合理的选址可以有效节省费用,保证物流系统的高效运行,对供应链有较大的意义。当前的选址模型与算法大致归为应用连续模型选择地点及应用离散模型选择地点两种方式。
然而,现有的物流配送中心选址中,单一使用粒子群算法容易陷入具局部最优解的问题。并且粒子群算法对于离散的优化问题处理不佳,迭代到一定的次数后,种群多样性会快速下降,容易陷入局部最优。
发明内容
鉴于上述问题,本发明实施例提供了一种物流配送中心选址方法,用于解决现有技术中存在的物流配送中心选址的算法不够准确的技术问题。
根据本发明实施例的一个方面,提供了一种物流配送中心选址方法,所述方法包括:
建立目标适应度函数,其中,所述目标适应度函数表征待筛选物流中心到各个需求点的单位运输成本及运输量与总费用之间的函数关系;
初始化初始粒子群中各初始粒子的位置和速度;其中,各个所述初始粒子分别表征各个待筛选物流中心对应的物流中心到各个需求点的单位运输成本及运输量;
根据各初始粒子的初始化位置和速度及所述目标适应度函数,计算对应的第一适应度值,确定全局最优初始位置;
更新各初始粒子的速度和位置,重新计算对应的第一适应度值,确定全局最优初始位置,直至所述全局最优初始位置保持预设迭代次数不变时,对所述初始粒子群中的初始粒子进行变异操作,得到变异粒子群的变异粒子;
根据所述目标适应度函数计算变异粒子的第二适应度值,并确定全局最优变异位置;
更新变异粒子的速度和位置,重新计算所述第二适应度值,确定全局最优变异位置,直至达到预设迭代循环次数时,确定当前迭代次数得到的全局最优变异位置所对应的待筛选物流中心为目标物流配送中心。
在一种可选的方式中,建立目标适应度函数,其中,所述目标适应度函数表征待筛选物流中心到各个需求点的单位运输成本及运输量与总费用之间的函数关系,包括:
建立待筛选物流中心到各个需求点的单位运输成本及待筛选物流中心到各个需求点的运输量与总费用之间的目标函数;
根据所述单位运输成本及所述运输量与总费用之间的约束关系确定罚函数;
根据所述目标函数与罚函数建立目标适应度函数。
在一种可选的方式中,更新各初始粒子的速度和位置,重新计算对应的第一适应度值,确定全局最优初始位置,直至所述全局最优初始位置保持预设迭代次数不变时,对所述初始粒子群中的初始粒子进行变异操作,得到变异粒子群的变异粒子,包括:
计算各个初始粒子之间的距离;
当目标粒子之间的距离小于设定值时,对所述目标粒子生成一个随机数;所述目标粒子为所述初始粒子中的任意一个粒子;
当所述随机数小于变异概率时,对所述初始粒子群中的目标粒子进行变异操作,生成变异粒子群的变异粒子。
在一种可选的方式中,当所述随机数小于变异概率时,对所述初始粒子群中的目标粒子进行变异操作,生成变异粒子群的变异粒子,包括:
对所述初始粒子群中的目标粒子进行交叉变异操作,生成变异粒子群的变异粒子。
在一种可选的方式中,当所述随机数小于变异概率时,对所述初始粒子群中的目标粒子进行变异操作,生成变异粒子群的变异粒子,包括:
变异所述目标粒子的位置,生成变异粒子群的变异粒子。
在一种可选的方式中,更新各初始粒子的速度和位置,重新计算对应的第一适应度值,确定全局最优初始位置,直至所述全局最优初始位置保持预设迭代次数不变时,对所述初始粒子群中的初始粒子进行变异操作,得到变异粒子群的变异粒子,包括:
初始粒子第k+1次迭代时更新的位置为:
根据本发明实施例的另一方面,提供了一种物流配送中心选址装置,包括:
适应度函数构建模块,用于建立目标适应度函数,其中,所述目标适应度函数表征待筛选物流中心到各个需求点的单位运输成本及运输量与总费用之间的函数关系;
初始化模块,用于初始化初始粒子群中各初始粒子的位置和速度;其中,各个所述初始粒子分别表征各个待筛选物流中心对应的物流中心到各个需求点的单位运输成本及运输量;
第一计算模块,用于根据各初始粒子的初始化位置和速度及所述目标适应度函数,计算对应的第一适应度值,确定全局最优初始位置;
变异模块,用于更新各初始粒子的速度和位置,重新计算对应的第一适应度值,确定全局最优初始位置,直至所述全局最优初始位置保持预设迭代次数不变时,对所述初始粒子群中的初始粒子进行变异操作,得到变异粒子群的变异粒子;
第二计算模块,用于根据所述目标适应度函数计算变异粒子的第二适应度值,并确定全局最优变异位置;
确定模块,用于更新变异粒子的速度和位置,重新计算所述第二适应度值,确定全局最优变异位置,直至达到预设迭代循环次数时,确定当前迭代次数得到的全局最优变异位置所对应的待筛选物流中心为目标物流配送中心。
在一种可选的方式中,更新各初始粒子的速度和位置,重新计算对应的第一适应度值,确定全局最优初始位置,直至所述全局最优初始位置保持预设迭代次数不变时,对所述初始粒子群中的初始粒子进行变异操作,得到变异粒子群的变异粒子,包括:
计算各个初始粒子之间的距离;
当目标粒子之间的距离小于设定值时,对所述目标粒子生成一个随机数;所述目标粒子为所述初始粒子中的任意一个粒子;
当所述随机数小于变异概率时,对所述初始粒子群中的目标粒子进行变异操作,生成变异粒子群的变异粒子。
根据本发明实施例的另一方面,提供了一种物流配送中心选址设备,包括:
处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行上述的物流配送中心选址方法的操作。
根据本发明实施例的又一方面,提供了一种计算机可读存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令在物流配送中心选址设备/装置上运行时,使得物流配送中心选址设备/装置执行上述的物流配送中心选址方法的操作。
本发明实施例通过在粒子群搜索计算后期对粒子进行变异,优化粒子群算法,来求解使得总费用最低的待筛选物流中心,避免了局部最优的陷阱,使得物流配送中心选址更加准确。
上述说明仅是本发明实施例技术方案的概述,为了能够更清楚了解本发明实施例的技术手段,而可依照说明书的内容予以实施,并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
附图仅用于示出实施方式,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例提供的物流配送中心选址方法的流程示意图;
图2示出了本发明实施例提供的物流配送中心选址装置的结构示意图;
图3示出了本发明实施例提供的物流配送中心选址设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。
图1示出了本发明物流配送中心选址方法实施例的流程图,该方法由物流配送中心选址设备执行。如图1所示,该方法包括以下步骤:
步骤110:建立目标适应度函数,其中,所述目标适应度函数表征待筛选物流中心到各个需求点的单位运输成本及运输量与总费用之间的函数关系。
其中,具体包括以下步骤:
步骤1101:建立待筛选物流中心到各个需求点的单位运输成本及待筛选物流中心到各个需求点的运输量与总费用之间的目标函数。
通过单位运输成本与运输量列出总费用目标函数,目标函数的模型如下:
其中,Cj表示待筛选物流中心i与需求点j之间的单位运输成本;Xj表示待筛选物流中心i到需求点j的运输量;H(y)表示总费用;m为待筛选物流中心点的数量和n表示需求点的数量。待筛选物流中心为预设的已知若干物流配送中心。
该目标函数的约束条件如下:
其中,ai表示待筛选物流中心i的产品数量;bj表示需求点j的需求量。
步骤1102:根据所述目标函数的约束条件确定罚函数。
其中,根据所述目标函数的约束条件确定罚函数,也即,将约束条件处理为罚函数P(X),以解除约束。X表示罚函数中待筛选物流中心到需求点的运输量的最大值。约束条件处理为罚函数法,其处理方法的思想为:在原有目标函数中加上一个障碍函数,而得到一个增广目标函数,罚函数的功能是对非可行点或企图穿越边界而逃离可行域的点赋予一个极大的值,即将有约束最优化问题转化为求解无约束最优化问题。本发明并不具体限定根据约束条件得到罚函数的方式,本领域的技术人员可依据具体场景进行相应的设置。
步骤1103:根据所述目标函数与罚函数建立目标适应度函数。
其中,在得到目标函数及罚函数后,可根据目标函数和罚函数建立目标适应度函数。
目标适应度函数的公式为:
其中,X表示罚函数中待筛选物流中心到需求点的运输量的最大值,x为任意一个待筛选物流中心到任意一个需求点的运输量。F(x)为目标函数计算的适应度,F(X)为考虑罚函数P(X)之后的新适应度。
步骤120:初始化初始粒子群中各初始粒子的位置和速度;其中,各个所述初始粒子分别表征各个待筛选物流中心到各个需求点的单位运输成本及运输量。
其中,本发明实施例采用粒子群算法确定目标物流配送中心。在PSO粒子群算法的基础上进行改进,从而得到使其更容易的处理离散变量。
具体地,设置该初始粒子群规模为M,也即选取M个粒子作为初始粒子群的初始粒子个数;设置最大迭代次数为T,第i个粒子当前位置向量为Xi=(xi,1,xi,2,xi,3,…,xi,d),i=1,2,3,...,M;第i个粒子的飞行速度为Vi=(vi,1,vi,2,vi,3,…,vi,d),i=1,2,3,...,M。随机初始化初始粒子的位置以及随机初始化各粒子的飞行速度。本发明实施例中,M的取值不做具体限定,例如,M的一般取值在10-40之间;根据参数情况,对于大部分问题选取10个粒子即可。对于可控变量参数较为复杂的情况,粒子数也可以是100-200等。粒子规模越大,计算越准确,但对系统的性能要求更高,计算速度也更慢。粒子的最大飞行速度一般为粒子的范围宽度。d表示初始粒子的D维数据。例如,对于待筛选物流中心到各个需求点的单位运输成本及待筛选物流中心到各个需求点的运输量,则d=2。
步骤130:根据各初始粒子的初始化位置和速度及所述目标适应度函数,计算对应的第一适应度值,确定全局最优初始位置。
其中,根据所述目标适应度函数计算所述初始粒子群中每个初始粒子的适应值,更新所述初始粒子群的局部最优解和全局最优解。
具体地,根据上述目标适应度函数计算所述所述初始粒子群中每个初始粒子的第一适应值,从而找到第i个初始粒子目前搜索到的个体最优初始位置Prd,以及整个初始粒子群搜索到的全局最优初始位置。
步骤140:更新各初始粒子的速度和位置,重新计算对应的第一适应度值,确定全局最优初始位置,直至所述全局最优初始位置保持预设迭代次数不变时,对所述初始粒子群中的初始粒子进行变异操作,得到变异粒子群的变异粒子。
其中,更新所述初始粒子中初始粒子的速度和位置,比较更新每次获得的个体最优初始位置及全局最优初始位置。存储每一次搜索得到的全局最优解。
其中,采用以下公式对初始粒子的速度进行更新:
对于初始粒子的位置更新,采用以下方式对初始粒子的位置进行更新:首先,利用sigmoid函数将粒子的速度映射到0-1之间:
其中,k表示当前迭代次数,γ1及γ2为加速因子。
则初始粒子第k+1次迭代时更新的位置可以表示为:
其中,为第k次迭代的个体最优位置,为第k次迭代得到的全局最优位置。为当前位置,为第k+1次迭代的最新速度,为第k+1次迭代的最新位置。通过这样的设置使得该初始粒子群处理离散变量更加容易。通过初始粒子的速度和位置进行更新,再重新执行上述的迭代更新步骤,在每一次迭代中,初始粒子通过跟踪两个“极值”来更新自己。第一个就是初始粒子本身所找到的个体最优解另一个极值是整个种群找到的全局最优解
当全局最优初始位置保持预设迭代次数不变时,则初始粒子群的寻优可能陷入了局部最优的陷阱,则需要对所述初始粒子群中的初始粒子进行变异操作,得到变异粒子群的变异粒子。其中,本发明实施例中,并不对预设迭代次数进行具体限定,本领域的技术人员可根据实际场景进行相应的设置。如,本发明实施例中,预设迭代次数可以为5,当全局最优初始位置保持5次迭代不变时,则进行变异操作。
本发明实施例中,执行变异操作具体包括以下步骤:
步骤1401:计算各个初始粒子之间的距离。其中,可以通过欧几里得距离公式来计算各个初始粒子之间的距离。
步骤1402:当目标粒子之间的距离小于设定值时,对所述目标粒子生成一个随机数;所述目标粒子为所述初始粒子中的任意一个粒子。所述随机数r为0-1之间的数值,也即r∈[0,1]。
步骤1403:当所述随机数小于变异概率时,对所述初始粒子群中的目标粒子进行变异操作,生成变异粒子群的变异粒子。
其中,对所述初始粒子群中的目标粒子进行变异操作,生成变异粒子群的变异粒子为:变异所述目标粒子的位置,生成变异粒子群的变异粒子。本发明实施例中,对目标粒子进行交叉变异操作,交换变异粒子的位置值。例如,对于两个需要变异的目标粒子,对2个需要变异的粒子,对变异粒子的位置的值进行交换。
本发明实施例中,并不对设定值及变异概率进行具体限定,本领域的技术人员可根据实际场景进行相应的设置。
由于PSO先期搜索速度很快,能迅速收敛到一个很小的区域,然而其明显缺点是到了搜索的后期,所有的粒子都趋向统一,失去了多样性,使得后期的收敛速度明显变慢,从而使搜索经度无法再提高,算法能达到的精度比遗传算法低。因此,本发明实施例在后期引入变异因子,进行变异操作,以重新得到粒子的多样性,变异作为一种随机搜索可使粒子跳出局部最优区域,使算法搜索未知的空间。每个初始粒子具有一个与其自身适应度大小成反比的变异概率,根据变异概率判断初始粒子是否将变异。相当于引入初始粒子的重生与死亡,从而改变了原算法中一直存在的不合理现象。
步骤150:根据所述目标适应度函数计算变异粒子的第二适应度值,并确定全局最优变异位置。
其中,对于变异操作后的变异粒子群,重新计算第二适应度值,确定全局最优变异位置。
步骤160:更新变异粒子的速度和位置,重新计算所述第二适应度值,确定全局最优变异位置,直至达到预设迭代循环次数时,确定当前迭代次数得到的全局最优变异位置所对应的待筛选物流中心为目标物流配送中心。
其中,全局最优变异位置为粒子群算法计算出的最优的物流中心选址地址,因此,将全局最优变异位置所对应的待筛选物流中心为目标物流配送中心。
本发明实施例通过在粒子群搜索计算后期对粒子进行变异,优化粒子群算法,来求解使得总费用最低的待筛选物流中心,避免了局部最优的陷阱,使得物流配送中心选址更加准确。
图2示出了本发明物流配送中心选址装置实施例的结构示意图。如图2所示,该装置200包括:适应度函数构建模块210、初始化模块220、第一计算模块230、变异模块240、第二计算模块250和确定模块260。
适应度函数构建模块210,用于建立目标适应度函数,其中,所述目标适应度函数表征待筛选物流中心到各个需求点的单位运输成本及运输量与总费用之间的函数关系;
初始化模块220,用于初始化初始粒子群中各初始粒子的位置和速度;其中,各个所述初始粒子分别表征各个待筛选物流中心到各个需求点的单位运输成本及运输量;
第一计算模块230,用于根据各初始粒子的初始化位置和速度及所述目标适应度函数,计算对应的第一适应度值,确定全局最优初始位置;
变异模块240,用于更新各初始粒子的速度和位置,重新计算对应的第一适应度值,确定全局最优初始位置,直至所述全局最优初始位置保持预设迭代次数不变时,对所述初始粒子群中的初始粒子进行变异操作,得到变异粒子群的变异粒子;
第二计算模块250,用于根据所述目标适应度函数计算变异粒子的第二适应度值,并确定全局最优变异位置;
确定模块260,用于更新变异粒子的速度和位置,重新计算所述第二适应度值,确定全局最优变异位置,直至达到预设迭代循环次数时,确定当前迭代次数得到的全局最优变异位置所对应的待筛选物流中心为目标物流配送中心。
在一种可选的方式中,建立目标适应度函数,其中,所述目标适应度函数表征待筛选物流中心到各个需求点的单位运输成本及运输量与总费用之间的函数关系,包括:
建立待筛选物流中心到各个需求点的单位运输成本及待筛选物流中心到各个需求点的运输量与总费用之间的目标函数;
根据所述单位运输成本及所述运输量与总费用之间的约束关系确定罚函数;
根据所述目标函数与罚函数建立目标适应度函数。
在一种可选的方式中,更新各初始粒子的速度和位置,重新计算对应的第一适应度值,确定全局最优初始位置,直至所述全局最优初始位置保持预设迭代次数不变时,对所述初始粒子群中的初始粒子进行变异操作,得到变异粒子群的变异粒子,包括:
计算各个初始粒子之间的距离;
当目标粒子之间的距离小于设定值时,对所述目标粒子生成一个随机数;所述目标粒子为所述初始粒子中的任意一个粒子;
当所述随机数小于变异概率时,对所述初始粒子群中的目标粒子进行变异操作,生成变异粒子群的变异粒子。
在一种可选的方式中,当所述随机数小于变异概率时,对所述初始粒子群中的目标粒子进行变异操作,生成变异粒子群的变异粒子,包括:
对所述初始粒子群中的目标粒子进行交叉变异操作,生成变异粒子群的变异粒子。
在一种可选的方式中,当所述随机数小于变异概率时,对所述初始粒子群中的目标粒子进行变异操作,生成变异粒子群的变异粒子,包括:
变异所述目标粒子的位置,生成变异粒子群的变异粒子。
在一种可选的方式中,更新各初始粒子的速度和位置,重新计算对应的第一适应度值,确定全局最优初始位置,直至所述全局最优初始位置保持预设迭代次数不变时,对所述初始粒子群中的初始粒子进行变异操作,得到变异粒子群的变异粒子,包括:
初始粒子第k+1次迭代时更新的位置为:
本发明实施例的物流配送中心选址装置的工作过程与上述方法步骤的执行过程相同,此处不再赘述。
本发明实施例通过在粒子群搜索计算后期对粒子进行变异,优化粒子群算法,来求解使得总费用最低的待筛选物流中心,避免了局部最优的陷阱,使得物流配送中心选址更加准确。
图3示出了本发明物流配送中心选址设备实施例的结构示意图,本发明具体实施例并不对物流配送中心选址设备的具体实现做限定。
如图3所示,该物流配送中心选址设备可以包括:处理器(processor)302、通信接口(Communications Interface)304、存储器(memory)306、以及通信总线308。
其中:处理器302、通信接口304、以及存储器306通过通信总线308完成相互间的通信。通信接口304,用于与其它设备比如客户端或其它服务器等的网元通信。处理器302,用于执行程序310,具体可以执行上述用于物流配送中心选址方法实施例中的相关步骤。
具体地,程序310可以包括程序代码,该程序代码包括计算机可执行指令。
处理器302可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。物流配送中心选址设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器306,用于存放程序310。存储器306可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
程序310具体可以被处理器302调用使物流配送中心选址设备执行以下操作:
建立目标适应度函数,其中,所述目标适应度函数表征待筛选物流中心到各个需求点的单位运输成本及运输量与总费用之间的函数关系;
初始化初始粒子群中各初始粒子的位置和速度;其中,各个所述初始粒子分别表征各个待筛选物流中心对应的物流中心到各个需求点的单位运输成本及运输量;
根据各初始粒子的初始化位置和速度及所述目标适应度函数,计算对应的第一适应度值,确定全局最优初始位置;
更新各初始粒子的速度和位置,重新计算对应的第一适应度值,确定全局最优初始位置,直至所述全局最优初始位置保持预设迭代次数不变时,对所述初始粒子群中的初始粒子进行变异操作,得到变异粒子群的变异粒子;
根据所述目标适应度函数计算变异粒子的第二适应度值,并确定全局最优变异位置;
更新变异粒子的速度和位置,重新计算所述第二适应度值,确定全局最优变异位置,直至达到预设迭代循环次数时,确定当前迭代次数得到的全局最优变异位置所对应的待筛选物流中心为目标物流配送中心。
在一种可选的方式中,建立目标适应度函数,其中,所述目标适应度函数表征待筛选物流中心到各个需求点的单位运输成本及运输量与总费用之间的函数关系,包括:
建立待筛选物流中心到各个需求点的单位运输成本及待筛选物流中心到各个需求点的运输量与总费用之间的目标函数;
根据所述单位运输成本及所述运输量与总费用之间的约束关系确定罚函数;
根据所述目标函数与罚函数建立目标适应度函数。
在一种可选的方式中,更新各初始粒子的速度和位置,重新计算对应的第一适应度值,确定全局最优初始位置,直至所述全局最优初始位置保持预设迭代次数不变时,对所述初始粒子群中的初始粒子进行变异操作,得到变异粒子群的变异粒子,包括:
计算各个初始粒子之间的距离;
当目标粒子之间的距离小于设定值时,对所述目标粒子生成一个随机数;所述目标粒子为所述初始粒子中的任意一个粒子;
当所述随机数小于变异概率时,对所述初始粒子群中的目标粒子进行变异操作,生成变异粒子群的变异粒子。
在一种可选的方式中,当所述随机数小于变异概率时,对所述初始粒子群中的目标粒子进行变异操作,生成变异粒子群的变异粒子,包括:
对所述初始粒子群中的目标粒子进行交叉变异操作,生成变异粒子群的变异粒子。
在一种可选的方式中,当所述随机数小于变异概率时,对所述初始粒子群中的目标粒子进行变异操作,生成变异粒子群的变异粒子,包括:
变异所述目标粒子的位置,生成变异粒子群的变异粒子。
在一种可选的方式中,更新各初始粒子的速度和位置,重新计算对应的第一适应度值,确定全局最优初始位置,直至所述全局最优初始位置保持预设迭代次数不变时,对所述初始粒子群中的初始粒子进行变异操作,得到变异粒子群的变异粒子,包括:
初始粒子第k+1次迭代时更新的位置为:
本发明实施例通过在粒子群搜索计算后期对粒子进行变异,优化粒子群算法,来求解使得总费用最低的待筛选物流中心,避免了局部最优的陷阱,使得物流配送中心选址更加准确。
本发明实施例提供了一种计算机可读存储介质,所述存储介质存储有至少一可执行指令,该可执行指令在物流配送中心选址设备/装置上运行时,使得所述物流配送中心选址设备/装置执行上述任意方法实施例中的物流配送中心选址方法。
可执行指令具体可以用于使得物流配送中心选址设备/装置执行以下操作:
建立目标适应度函数,其中,所述目标适应度函数表征待筛选物流中心到各个需求点的单位运输成本及运输量与总费用之间的函数关系;
初始化初始粒子群中各初始粒子的位置和速度;其中,各个所述初始粒子分别表征各个待筛选物流中心对应的物流中心到各个需求点的单位运输成本及运输量;
根据各初始粒子的初始化位置和速度及所述目标适应度函数,计算对应的第一适应度值,确定全局最优初始位置;
更新各初始粒子的速度和位置,重新计算对应的第一适应度值,确定全局最优初始位置,直至所述全局最优初始位置保持预设迭代次数不变时,对所述初始粒子群中的初始粒子进行变异操作,得到变异粒子群的变异粒子;
根据所述目标适应度函数计算变异粒子的第二适应度值,并确定全局最优变异位置;
更新变异粒子的速度和位置,重新计算所述第二适应度值,确定全局最优变异位置,直至达到预设迭代循环次数时,确定当前迭代次数得到的全局最优变异位置所对应的待筛选物流中心为目标物流配送中心。
在一种可选的方式中,建立目标适应度函数,其中,所述目标适应度函数表征待筛选物流中心到各个需求点的单位运输成本及运输量与总费用之间的函数关系,包括:
建立待筛选物流中心到各个需求点的单位运输成本及待筛选物流中心到各个需求点的运输量与总费用之间的目标函数;
根据所述单位运输成本及所述运输量与总费用之间的约束关系确定罚函数;
根据所述目标函数与罚函数建立目标适应度函数。
在一种可选的方式中,更新各初始粒子的速度和位置,重新计算对应的第一适应度值,确定全局最优初始位置,直至所述全局最优初始位置保持预设迭代次数不变时,对所述初始粒子群中的初始粒子进行变异操作,得到变异粒子群的变异粒子,包括:
计算各个初始粒子之间的距离;
当目标粒子之间的距离小于设定值时,对所述目标粒子生成一个随机数;所述目标粒子为所述初始粒子中的任意一个粒子;
当所述随机数小于变异概率时,对所述初始粒子群中的目标粒子进行变异操作,生成变异粒子群的变异粒子。
在一种可选的方式中,当所述随机数小于变异概率时,对所述初始粒子群中的目标粒子进行变异操作,生成变异粒子群的变异粒子,包括:
对所述初始粒子群中的目标粒子进行交叉变异操作,生成变异粒子群的变异粒子。
在一种可选的方式中,当所述随机数小于变异概率时,对所述初始粒子群中的目标粒子进行变异操作,生成变异粒子群的变异粒子,包括:
变异所述目标粒子的位置,生成变异粒子群的变异粒子。
在一种可选的方式中,更新各初始粒子的速度和位置,重新计算对应的第一适应度值,确定全局最优初始位置,直至所述全局最优初始位置保持预设迭代次数不变时,对所述初始粒子群中的初始粒子进行变异操作,得到变异粒子群的变异粒子,包括:
初始粒子第k+1次迭代时更新的位置为:
本发明实施例通过在粒子群搜索计算后期对粒子进行变异,优化粒子群算法,来求解使得总费用最低的待筛选物流中心,避免了局部最优的陷阱,使得物流配送中心选址更加准确。
本发明实施例提供一种物流配送中心选址装置,用于执行上述物流配送中心选址方法。
本发明实施例提供了一种计算机程序,所述计算机程序可被处理器调用使物流配送中心选址设备执行上述任意方法实施例中的物流配送中心选址方法。
本发明实施例提供了一种计算机程序产品,计算机程序产品包括存储在计算机可读存储介质上的计算机程序,计算机程序包括程序指令,当程序指令在计算机上运行时,使得所述计算机执行上述任意方法实施例中的物流配送中心选址方法。
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明实施例也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本发明并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。
本领域技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤,除有特殊说明外,不应理解为对执行顺序的限定。
Claims (10)
1.一种物流配送中心选址方法,其特征在于,所述方法包括:
建立目标适应度函数,其中,所述目标适应度函数表征待筛选物流中心到各个需求点的单位运输成本及运输量与总费用之间的函数关系;
初始化初始粒子群中各初始粒子的位置和速度;其中,各个所述初始粒子分别表征各个待筛选物流中心到各个需求点的单位运输成本及运输量;
根据各初始粒子的初始化位置和速度及所述目标适应度函数,计算对应的第一适应度值,确定全局最优初始位置;
更新各初始粒子的速度和位置,重新计算对应的第一适应度值,确定全局最优初始位置,直至所述全局最优初始位置保持预设迭代次数不变时,对所述初始粒子群中的初始粒子进行变异操作,得到变异粒子群的变异粒子;
根据所述目标适应度函数计算变异粒子的第二适应度值,并确定全局最优变异位置;
更新变异粒子的速度和位置,重新计算所述第二适应度值,确定全局最优变异位置,直至达到预设迭代循环次数时,确定当前迭代次数得到的全局最优变异位置所对应的待筛选物流中心为目标物流配送中心。
2.根据权利要求1所述的方法,其特征在于,建立目标适应度函数,其中,所述目标适应度函数表征待筛选物流中心到各个需求点的单位运输成本及运输量与总费用之间的函数关系,包括:
建立待筛选物流中心到各个需求点的单位运输成本及待筛选物流中心到各个需求点的运输量与总费用之间的目标函数;
根据所述目标函数的约束条件确定罚函数;
根据所述目标函数与罚函数建立目标适应度函数。
3.根据权利要求1所述的方法,其特征在于,更新各初始粒子的速度和位置,重新计算对应的第一适应度值,确定全局最优初始位置,直至所述全局最优初始位置保持预设迭代次数不变时,对所述初始粒子群中的初始粒子进行变异操作,得到变异粒子群的变异粒子,包括:
计算各个初始粒子之间的距离;
当目标粒子之间的距离小于设定值时,对所述目标粒子生成一个随机数;所述目标粒子为所述初始粒子中的任意一个粒子;
当所述随机数小于变异概率时,对所述初始粒子群中的目标粒子进行变异操作,生成变异粒子群的变异粒子。
4.根据权利要求3所述的方法,其特征在于,当所述随机数小于变异概率时,对所述初始粒子群中的目标粒子进行变异操作,生成变异粒子群的变异粒子,包括:
对所述初始粒子群中的目标粒子进行交叉变异操作,生成变异粒子群的变异粒子。
5.根据权利要求3所述的方法,其特征在于,当所述随机数小于变异概率时,对所述初始粒子群中的目标粒子进行变异操作,生成变异粒子群的变异粒子,包括:
变异所述目标粒子的位置,生成变异粒子群的变异粒子。
7.一种物流配送中心选址装置,其特征在于,所述装置包括:
适应度函数构建模块,用于建立目标适应度函数,其中,所述目标适应度函数表征待筛选物流中心到各个需求点的单位运输成本及运输量与总费用之间的函数关系;
初始化模块,用于初始化初始粒子群中各初始粒子的位置和速度;其中,各个所述初始粒子分别表征各个待筛选物流中心到各个需求点的单位运输成本及运输量;
第一计算模块,用于根据各初始粒子的初始化位置和速度及所述目标适应度函数,计算对应的第一适应度值,确定全局最优初始位置;
变异模块,用于更新各初始粒子的速度和位置,重新计算对应的第一适应度值,确定全局最优初始位置,直至所述全局最优初始位置保持预设迭代次数不变时,对所述初始粒子群中的初始粒子进行变异操作,得到变异粒子群的变异粒子;
第二计算模块,用于根据所述目标适应度函数计算变异粒子的第二适应度值,并确定全局最优变异位置;
确定模块,用于更新变异粒子的速度和位置,重新计算所述第二适应度值,确定全局最优变异位置,直至达到预设迭代循环次数时,确定当前迭代次数得到的全局最优变异位置所对应的待筛选物流中心为目标物流配送中心。
8.根据权利要求7所述的装置,其特征在于,更新各初始粒子的速度和位置,重新计算对应的第一适应度值,确定全局最优初始位置,直至所述全局最优初始位置保持预设迭代次数不变时,对所述初始粒子群中的初始粒子进行变异操作,得到变异粒子群的变异粒子,包括:
计算各个初始粒子之间的距离;
当目标粒子之间的距离小于设定值时,对所述目标粒子生成一个随机数;所述目标粒子为所述初始粒子中的任意一个粒子;
当所述随机数小于变异概率时,对所述初始粒子群中的目标粒子进行变异操作,生成变异粒子群的变异粒子。
9.一种物流配送中心选址设备,其特征在于,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如权利要求1-6任意一项所述的物流配送中心选址方法的操作。
10.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一可执行指令,所述可执行指令在物流配送中心选址设备/装置上运行时,使得物流配送中心选址设备/装置执行如权利要求1-6任意一项所述的物流配送中心选址方法的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011329615.0A CN114547954A (zh) | 2020-11-24 | 2020-11-24 | 物流配送中心选址方法、装置、计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011329615.0A CN114547954A (zh) | 2020-11-24 | 2020-11-24 | 物流配送中心选址方法、装置、计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114547954A true CN114547954A (zh) | 2022-05-27 |
Family
ID=81659557
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011329615.0A Pending CN114547954A (zh) | 2020-11-24 | 2020-11-24 | 物流配送中心选址方法、装置、计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114547954A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116205559A (zh) * | 2023-05-05 | 2023-06-02 | 中铁第四勘察设计院集团有限公司 | 基于最优前沿的多式联运货运设施布点优化方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107578128A (zh) * | 2017-08-31 | 2018-01-12 | 南京理工大学 | 基于免疫粒子群算法的跨级配送网络规划方法 |
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN110930182A (zh) * | 2019-11-08 | 2020-03-27 | 中国农业大学 | 基于改进粒子群优化算法的客户分类方法及装置 |
CN111382960A (zh) * | 2018-12-27 | 2020-07-07 | 陕西师范大学 | 一种自适应粒子群优化的物流中心选址模型 |
-
2020
- 2020-11-24 CN CN202011329615.0A patent/CN114547954A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN107578128A (zh) * | 2017-08-31 | 2018-01-12 | 南京理工大学 | 基于免疫粒子群算法的跨级配送网络规划方法 |
CN111382960A (zh) * | 2018-12-27 | 2020-07-07 | 陕西师范大学 | 一种自适应粒子群优化的物流中心选址模型 |
CN110930182A (zh) * | 2019-11-08 | 2020-03-27 | 中国农业大学 | 基于改进粒子群优化算法的客户分类方法及装置 |
Non-Patent Citations (1)
Title |
---|
刘朝;祁荣宾;钱锋;: "融合交叉变异和混沌的新型混合粒子群算法", 化工学报, no. 11, 15 November 2010 (2010-11-15) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116205559A (zh) * | 2023-05-05 | 2023-06-02 | 中铁第四勘察设计院集团有限公司 | 基于最优前沿的多式联运货运设施布点优化方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111383051B (zh) | 实体对象的选址方法、装置、计算设备及计算机存储介质 | |
CN110132282A (zh) | 无人机路径规划方法及装置 | |
CN111406264A (zh) | 神经架构搜索 | |
CN107247973A (zh) | 一种基于spark的支持向量机参数优选并行粒子群寻优方法 | |
US20090174711A1 (en) | Apparatus and method for simplifying three-dimensional mesh data | |
CN112329327B (zh) | 一种硬件感知的液体状态机网络生成方法及系统 | |
Li et al. | An FPGA design framework for CNN sparsification and acceleration | |
CN108876024A (zh) | 路径规划、路径实时优化方法及装置、存储介质 | |
CN114580636B (zh) | 基于三目标联合优化的神经网络轻量化部署方法 | |
CN113139696B (zh) | 一种轨迹预测模型构建方法及轨迹预测方法、装置 | |
CN112100450A (zh) | 一种图计算数据分割方法、终端设备及存储介质 | |
WO2019060223A1 (en) | POWER STATE CONTROL OF A MOBILE DEVICE | |
CN108229536A (zh) | 分类预测模型的优化方法、装置及终端设备 | |
CN114547954A (zh) | 物流配送中心选址方法、装置、计算机设备 | |
CN111626311B (zh) | 一种异构图数据处理方法和装置 | |
WO2022100607A1 (zh) | 一种神经网络结构确定方法及其装置 | |
CN113163004B (zh) | 一种工业互联网边缘任务卸载决策方法、装置及存储介质 | |
CN111930795B (zh) | 一种分布式模型搜索方法及系统 | |
CN109165729A (zh) | 神经网络的调度方法及系统 | |
JP2022102966A (ja) | 情報処理装置、情報処理方法 | |
CN117273125A (zh) | 基于强化学习的多模型在线自适应择优技术驱动的进化算法 | |
CN106445960A (zh) | 一种数据聚类方法和装置 | |
CN114997378A (zh) | 归纳式图神经网络剪枝方法、系统、设备及存储介质 | |
CN113536960A (zh) | 训练图像生成、定位检测网络训练、定位检测方法及装置 | |
CN109917794A (zh) | 全局路径规划方法及装置 |
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 |