关于遗传算法配送研究

Ⅰ 关于遗传算法的应用--物流中心选址问题

你想问什么问题？能再具体点吗？
我研究过遗传算法解决选址问题的。
msl1121说的不对，选址问题不是TSP问题。

编码可以采用二进制编码，即[0,1,1,0,0,0,1,1,1,0……]，长度为n，其中1的个数为P。
具体可联系：[email protected]

Ⅱ 请教选址研究问题！

物流配送中心选址方法研究综述

内容摘要：物流配送中心的选址决策在物流运作中有着重要的地位。本文对近年来国内外有关配送中心选址方法的文献进行梳理和研究。研究结果发现：各种选址方法有着各自的优缺点和一定的适用范围，各种方法的组合是未来该领域研究的趋势。
关键词：物流配送中心 选址 文献综述

在物流系统的运作中，配送中心的选址决策发挥着重要的影响。配送中心是连接工厂与客户的中间桥梁，其选址方式往往决定着物流的配送距离和配送模式，进而影响着物流系统的运作效率。因此，研究物流配送中心的选址具有重要的理论和现实应用意义。
本文对近年来国内外有关物流配送中心选址方法的文献进行了梳理和研究，并对各种方法进行了比较。选址方法主要有定性和定量的两种方法。定性方法有专家打分法、Delphi法等，定量方法有重心法、P中值法、数学规划方法、多准则决策方法、解决NP hard问题（多项式复杂程度的非确定性问题）的各种启发式算法、仿真法以及这几种方法相结合的方法等。由于定性研究方法及重心法、P中值法相对比较成熟，因此，本文将主要分析定量方法中的数学规划、多准则决策、解决NP hard问题的各种启发式算法、仿真在配送中心选址中应用的研究状况。
数学规划方法
数学规划算法包括线性规划、非线性规划、整数规划、混合整数规划和动态规划、网络规划算法等。在近年来的研究中，规划论中常常引入了不确定性的概念，由此进一步产生了模糊规划、随机规划、模糊随机规划、随机模糊规划等等。不确定性规划主要是在规划中的C(价值向量)、A(资源消耗向量)、b(资源约束向量)和决策变量中引入不确定性，从而使得不确定规划更加贴近于实际情况，得到广泛地实际应用。
国内外学者对于数学规划方法应用于配送中心的选址问题进行了比较深入的研究。姜大元(2005)应用Baumol-wolf模型，对多物流节点的选址问题进行研究，并通过举例对模型的应用进行了说明，该模型属于整数规划和非参数规划结合的模型。各种规划的方法在具体的现实使用中，常常出现NP hard问题。因此，目前的进一步研究趋势是各种规划方法和启发式算法的结合，对配送中心的选址进行一个综合的规划与计算。
多准则决策方法
在物流系统的研究中，人们常常会遇到大量多准则决策问题，如配送中心的选址、运输方式及路线选择、供应商选择等等。这些问题的典型特征是涉及到多个选择方案(对象)，每个方案都有若干个不同的准则，要通过多个准则对于方案(对象)做出综合性的选择。对于物流配送中心的选址问题，人们常常以运输成本及配送中心建设、运作成本的总成本最小化，满足顾客需求，以及满足社会、环境要求等为准则进行决策。多准则决策的方法包括多指标决策方法与多属性决策方法两种，比较常用的有层次分析法(AHP)、模糊综合评判、数据包络分析(DEA),TOPSIS、优序法等等。
多准则决策提供了一套良好的决策方法体系，对于配送中心的选址不管在实务界还是理论方面的研究均有广泛的应用与研究。关志民等(2005)提出了基于模糊多指标评价方法的配送中心选址优化决策。从供应链管理的实际需要分析了影响配送中心选址的主要因素，并建立相应的评价指标体系，由此给出了一种使定性和定量的方法有机结合的模糊多指标评价方法。Chen-Tung Chen(2001)运用了基于三角模糊数的模糊多准则决策对物流配送中心的选址问题进行了研究。文章以投资成本、扩展的可能性、获取原材料的便利性、人力资源、顾客市场的接近性为决策准则，并对各个准则采用语义模糊判定的方式进行了权重上的集结。
有关多准则决策方法，特别是层次分析法和模糊综合评判的方法，在配送中心的选址研究中有着广泛的应用。但是，这两种方法都是基于线性的决策思想，在当今复杂多变的环境下，线性的决策思想逐渐地暴露出其固有的局限性，非线性的决策方法是今后进一步的研究的重点和趋势。
启发式算法
启发式算法是寻求解决问题的一种方法和策略，是建立在经验和判断的基础上，体现人的主观能动作用和创造力。启发式算法常常能够比较有效地处理NP hard问题，因此，启发式算法经常与其它优化算法结合在一起使用，使两者的优点进一步得到发挥。目前，比较常用的启发式算法包括：遗传算法；神经网络算法；模拟退火算法。
（一）遗传算法
遗传算法（genetic algorithm, GA）是在 20 世纪 60 年代提出来的，是受遗传学中自然选择和遗传机制启发而发展起来的一种搜索算法。它的基本思想是使用模拟生物和人类进化的方法求解复杂的优化问题，因而也称为模拟进化优化算法。遗传算法主要有三个算子：选择；交叉；变异。通过这三个算子，问题得到了逐步的优化，最终达到满意的优化解。
对于物流配送中心的选址研究，国内外有不少学者将遗传算法同一般的规划方法结合起来对其进行了研究。蒋忠中等（2005）在考虑各种成本(包括运输成本等)的基础上，结合具体的应用背景，建立的数学规划模型(混合整数规划或是一般的线性规划)。由于该模型是一个组合优化问题，具有NP hard问题，因此，结合了遗传算法对模型进行求解。通过选择恰当的编码方法和遗传算子，求得了模型的最优解。
遗传算法作为一种随机搜索的、启发式的算法，具有较强的全局搜索能力，但是，往往比较容易陷入局部最优情况。因此，在研究和应用中，为避免这一缺点，遗传算法常常和其它算法结合应用，使得这一算法更具有应用价值。
（二）人工神经网络
人工神经网络(artificial neural- network, ANN)是由大量处理单元(神经元)广泛互连而成的网络，是对人脑的抽象、简化和模拟，反应人脑的基本特征。可以通过对样本训练数据的学习，形成一定的网络参数结构，从而可以对复杂的系统进行有效的模型识别。经过大量样本学习和训练的神经网络在分类和评价中，往往要比一般的分类评价方法有效。
对于神经网络如何应用于物流配送中心的选址，国内外不少学者进行了各种有益的尝试。韩庆兰等（2004）用BP网络对物流配送中心的选址问题进行了尝试性地研究，显示出神经网络对于解决配送中心选址问题具有一定的可行性和可操作性。
这一研究的不足是神经网络的训练需要大量的数据，在对数据的获取有一定的困难的情况下，用神经网络来研究是不恰当的。在应用ANN时，我们应当注意网络的学习速度、是否陷入局部最优解、数据的前期准备、网络的结构解释等问题，这样才能有效及可靠地应用ANN解决实际存在的问题。
（三）模拟退火算法
模拟退火算法(Simulated Annealing, SA)又称模拟冷却法、概率爬山法等，于1982年由Kirpatrick提出的另一种启发式的、随机优化算法。模拟退火算法的基本思想由一个初始的解出发，不断重复产生迭代解，逐步判定、舍弃，最终取得满意解的过程。模拟退火算法不但可以往好的方向发展,也可以往差的方向发展,从而使算法跳出局部最优解,达到全局最优解。
对于模拟退火算法应用于物流配送中心选址的研究，大量的文献结合其它方法（如多准则决策、数学规划等）进行了研究。任春玉(2006)提出了定量化的模拟退火遗传算法与层次分析法相结合来确定配送中心地址的方法。该方法确保总体中个体多样性以及防止遗传算法的提前收敛，运用层次分析法确定 物流配送中心选址评价指标权重，并与专家评分相结合进行了综合评价。该算法对于解决物流配送中心的选址具有较好的有效性和可靠性。
除以上三种比较常用的方法之外，启发式算法还包括蚁群算法、禁忌搜索算法、进化算法等。各种算法在全局搜索能力、优缺点、参数、解情况存在着一定的差异。各种启发式算法基本上带有随机搜索的特点，已广泛地应用于解决NP hard问题，同时也为物流配送中心选址的智能化处理提供了可能。用解析的方法(包括线性规划等)建立数学模型，然后运用启发式算法进行求解是目前以及未来研究物流配送中心选址的一种较为可行和可操作的研究方法。
仿真方法
仿真是利用计算机来运行仿真模型，模拟时间系统的运行状态及其随时间变化的过程，并通过对仿真运行过程的观察和统计，得到被仿真系统的仿真输出参数和基本特征，以此来估计和推断实际系统的真实参数和真实性能。国内外已经不少文献将仿真的方法运用于物流配送中心选址或是一般的设施选址的研究，研究结果相对解析方法更接近于实际的情况。
张云凤等(2005)对汽车集团企业的配送中心选址运用了仿真的方法进行了研究。先确定了配送中心选址的几种方案，应用了Flexim软件对各方案建立了仿真模型，根据仿真结果进行了分析和方案的选择。该方法为集团企业配送中心选址问题提供了一种较为理想的解决方法。薛永吉等(2005)通过建立数学模型对物流中心的最优站台数问题进行研究，在一定假设和一系列限制条件下，求解最优站台数量，并针对数学模型的复杂性和求解的种种不足，以ARENA仿真软件为平台，建立仿真模型确定了最优化方案。Kazuyoshi Hidaka等(97)运用仿真对大规模的仓库选址进行了研究。该研究对仓库的固定成本、运输成本，和同时满足6800名顾客进行了仿真，以求得临近的最优解(near-optimal solution)。在求解的过程中，结合了贪婪－互换启发式算法(Greedy-Interchange heuristics)和气球搜索算法(Balloon Search)两种启发式算法进行求解。该算法能比较有效地避免陷入局部最优解和得到比较满意的选址方案。但是，研究的结果容易受到运输车辆的平均速度变化的影响。
仿真方法相对解析的方法在实际应用中具有一定的优点，但是，也存在一定的局限性。如仿真需要进行相对比较严格的模型的可信性和有效性的检验。有些仿真系统对初始偏差比较敏感，往往使得仿真结果与实际结果有较大的偏差。同时，仿真对人和机器要求往往比较高，要求设计人员必须具备丰富的经验和较高的分析能力，而相对复杂的仿真系统，对计算机硬件的相应要求是比较高的。关于未来的研究，各种解析方法、启发式算法、多准则决策方法与仿真方法的结合，是一种必然的趋势。各种方法的结合可以弥补各自的不足，而充分发挥各自的优点，从而提高选址的准确性和可靠性。
物流配送中心的选址决策对于整个物流系统运作和客户满意情况有着重要的影响。本文在对国内外有关物流配送中心选址方法文献研究的基础上，对比分析了数学规划方法、多准则决策、启发式算法、仿真方法在配送中心选址中的应用。研究发现数学规划方法、多属性决策方法、启发式算法、仿真方法各自有自己的优缺点和一定的适用范围，各种方法的组合研究是未来研究的一种趋势。同时，由于选址问题本身具有的动态性、复杂性、不确定性等特性，因此，开发和研究新的模型与方法也是进一步解决配送中心选址问题的必需途径。

参考文献：
1.蒋忠中，汪定伟.B2C电子商务中配送中心选址优化的模型与算法(J).控制与决策，2005
2.韩庆兰，梅运先.基于BP人工神经网络的物流配送中心选址决策(J).中国软科学，2004

Ⅲ 用遗传算法求解配送路线优化问题时，交叉率和变异率怎么设定

以下是问题的详细回答，文字有些长，请你耐心看希望对你有帮助。
传算法可以很好的解决物流配送路径优化问题。但是由于遗传算法交配算子操作可能会使最好解遗失，所以将遗传算法和模拟退火算法结合来解决这一问题。实验结果表明：用这种有记忆功能的遗传模拟退火算法求解物流配送路径优化问题，可以在一定程度上解决上述问题，从而得到较高质量的解。
一 物流系统简介
物流系统是以客户满意为目标，根据顾客的要求条件，从生产地到销售地，在仓储、包装、配送、运输、装卸等环节有机整合所形成的实物、服务以及信息的流通过程所组成的一个复杂的系统。
物流配送是现代化物流管理中的一个重要环节。它是指按用户的定货要求，在配送中心进行分货、配货，并将配好的货物及时送交收货人的活动。本文讨论物流配送中的路径优化问题，并且通过结合模拟退火算法来解决遗传算法在解决此类问题时的不足。
二 系统模型设计
物流配送路径优化问题可以按这样的情况进行描述：从某物流配送中心用多辆配送车辆向多个客户送货。每个客户的位置和货物需求量一定，每辆车的载重量一定，配送时间一定，其一次配送的最大行驶距离一定。要求合理安排车辆配送路线，使目标函数得到最优。并满足以下条件：（1）每条配送路径上各客户需求量之和不超过配送车辆的载重量；（2）每条配送路径的长度不超过配送车辆一次配送的最大行驶距离；（3）每次配送的货物不能超过客 户要求的时间； （4）每个客户的需求必须满足，且只能由一辆配送车送货。设配送中心需要向k个客户送货，每个客户的货物需求量是g （i＝1，2，…..k），每辆配送车的载重量是q，且g 下面建立此问题的数学模型：c 表示点i到点j的运输成本，t 表示从i到s所允许的最大时间。配送中心编号为0，各客户编号为i（i＝1，2，….，k），定义变量如下：
x = 1 或 0（其中，当x 等于1时表示车s由i驶向j；0表示没有该路径。）。
y = 1 或 0（其中，当y 等于1时表示点i的货运任务由s车完成；0表示没有。）。
根据上述变量定义可得到的数学模型如下所示：
min Z ＝ ； （1） ；（2）
＝ 1或 m（其中，当 i = 1，2，……，k时为1，否则为0。）；（3）
＝ y ，j = 1，2，……，k；s = 1，2，……，m； （4）
＝ y ，i = 0，1，……，k；s = 1，2，……，m； （5）
t > 0；且t t ， j = 1，2……，s-1； （6）
上述模型中，式（2）为汽车容量约束；式（3）保证了每个客户的运输任务仅由一辆车完成，而所有运输任务则由m辆车协同完成；式（4）和式（5）限制了到达和离开某一客户的汽车有且仅有一辆。式（6）对配送时间做了约束，即物品到达指定地点的时间不能大于其最大允许时间。
上述模型中还要考虑时间问题，即每个客户对所送物品的时间要求各不相同，故需加入一个时间参数t 。对每个运输路径都加上时间参数t （t 的值可由客户需求中得知，并记录到数据库。），在每个规定的时间内（如一个月），优先配送t 值小的物品，每次在用遗传算法求解前，遍历规定时间内的所有t ，按照t 值由小到大排列染色体，然后再求出最优解，根据最优解制定配送方案。
三 引入退火算法改进求解过程
针对遗传算法的一些不足，将模拟退火算法与之结合，并加入记忆装置，从而构造了物流配送路径优化问题的一种有记忆功能的遗传模拟退火算法。该算法的特点是扩大了原有遗传算法的搜索邻域，在一定概率控制下暂时接受一些恶化解。同时利用记忆装置保证了在一定终止条件下所得的最终解至少是搜索过程中曾得到所有解中的最优解。该算法通过在常规的遗传算法基础上加入模拟退火算子和记忆装置而得到。下面首先介绍此有记忆功能的遗传模拟算法的步骤。根据参考文献[3],给出下面的算法实现步骤：
STEP1 给定群体规模maxpop，将初始群体按照t 所指定的值进行分块， k=0;初始温度t ＝t ，产生初始群体pop(k)，并且初始群体的每个分块中都具有t 满足某一属性的特征值；对初始群体计算目标值f(i), 找出使函数f (t )最小的染色体i和这个函数值f，记i =i，f =f；其中，f (t )为状态i在温度为t 时的目标值。i∈ pop( k)，即当代群体中的一个染色体；
STEP2 若满足结束条件则停止计算，输出最优染色体i 和最优解f ；否则，在群体pop(k)的每一个染色体i∈ pop(k)的邻域中随机选一状态j∈N( i )，且t 满足条件要求, 按模拟退火中的接受概率
接受或拒绝j，其中f (t )， f (t )分别为状态i，j的目标值。这一阶段共需maxpop次迭代以选出新群体newpop1；
STEP3 在newpop1(k+1)中计算适应度函数
其中，f 是newpop1(k+1)中的最小值。由适应度函数决定的概率分布从newpop1中随机选maxpop个染色体形成种群newpop2；
STEP4 按遗传算法的常规方法对newpop2进行交叉得到crosspop，再变异得到mutpop；
STEP5 染色体中的每个元素在满足t 的情况下，且具有较大t 值的元素完成时没有破坏具有较小t 值进行计算所需条件的情况下，不必按照由小到大的顺序进行排列，
STEP6 令pop(k+1)=mutpop,对pop(k+1)计算f (t ),找出使函数f (t )最小的染色体i和这个函数值f，如果f < f ,则令i = i， f =f， t ＝ d(t )，k = k+1, 返回 STEP2。
出于表示简单，计算机处理方便的目的，对于VRP问题的遗传算法编码通常都采用自然数编码。上述数学模型的解向量可编成一条长度为k＋m＋1的染色体（0，i ，i ，…,i ，0，i ,…i ，0，…0，i ,…,i ，0）。在整条染色体中，自然数 i 表示第 j 个客户。0的数目为m＋1个，代表配送中心，并把自然数编码分为m段，形成m个子路径，表示由m辆车完成所有运输任务。这样的染色体编码可以解释为：第一辆车从配送中心出发，经过i ，i ，…,i 客户后回到配送中心，形成了子路径1；第2辆车也从配送中心出发，途径i ,…i 客户后回到配送中心，形成子路径2。m辆车依次出发，完成所有运输任务，构成m条子路径。
如染色体0123045067890表示由三辆车完成9个客户的运输任务的路径安排：
子路径1：配送中心→客户1→客户2→客户3→配送中心
子路径2：配送中心→客户4→客户5→配送中心
子路径3：配送中心→客户6→客户7→客户8→客户9→配送中心。
为了使算法收敛到全局最优，遗传群体应具有一定的规模。但为了保证计算效率，群体规模也不能太大。一般取群体规模取值在10到100之间。
在初始化染色体时，先生成 k 个客户的一个全排列，再将 m＋1 个 0 随机插入排列中，其中所选的 k 个客户所要求的时间必须在某一个特定的时间段内，且完成任何一个客户配送任务时不能破坏完成其他客户配送任务的条件。需要注意的是必须有两个 0 被安排在排列的头和尾，并且在排列中不能有连续的两个0。这样构成一条满足问题需要的染色体。针对此染色体，随机选择两个位置上的元素进行交换，并用算法对其调整，使其成为新的满足要求的染色体。交换若干次，直至生成满足群体规模数的染色体。
在这里，将容量约束式（2）转为运输成本的一部分，运输成本变为：
其中M为一很大的正数，表示当一辆车的货运量超过其最大载重量时的惩罚系数。M应趋向于无穷大。考虑到计算机处理的问题，参考文献[6]，取M为1000000为宜。将此运输成本函数作为我们的目标函数。适应度函数采用一种加速适应度函数：
这种适应度函数加速性能比较好，可以迅速改进适应度的值，缩短算法运行时间。
将每代种群的染色体中适应度最大的染色体直接复制，进入下一代。种群中其他染色体按其适应度的概率分布，采用轮盘赌的方法，产生子代。这样既保证了最优者可生存至下一代，又保证了其余染色体可按生存竞争的方法生成子代，使得算法可收敛到全局最优。选中的染色体按一定的概率—交叉率，产生子代。交叉率在0.6～0.8之间，算法进化效果较好。
四 试验数据与比较
实验数据取自参考文献[6]。
实验1，随机生成1个有8个门店的VRP问题，初始数据如下：
图1八个门店的需求量及其位置
根据各仓库的需求量，计算出需要的汽车数：m=[17.82/(0.85*8)]+1=3。采用传统的遗传算法的各算子，并对其中的交叉算子进行了改造，取群体规模为20，进化代数为50，应用此程序他费时3s得到的结果为：
而我们的算法在上面的算法中加入了一个模拟退火算子，取初始退火温度为10，衰减系数取0.85使用第三节所述算法步骤，在奔腾四的计算机上计算，耗时2s，得结果如下：
实验2，随机生成1个有20个门店的VRP问题，初始数据如下：
图2 20个门店的需求量及其位置
计算得：需6辆车。用参考文献[6]中的算法取群体规模100，进化代数分别设为20，50，100，得到的结果不同：
图3 普通遗传算法的实验结果
而采用本文的算法，初始退火温度取10，衰减系数取0.85，在奔腾四的计算机上计算，则结果如下：
图4 新型算法的实验结果
从以上两个实验可以看出：采用本文中所述的算法，要得到相同的结果可以缩短进化代数，从而节约运算时间。而要增加进化代数必然得到更好的结果。
五 结论
用模拟退火算法与传统的遗传算法相结合来求解物流系统中车辆路径问题，可以使算法所需的进化代数明显减少，问题解可在最短时间内求出。因此在时间特性上有了比较好的改善，耗时较短，获得了较好的结果。根据参考资料所记载的数据表明，此算法在解决诸如车辆路径问题问题确实可行，并有较好的性能。而且随着问题规模的增大，这种对时间性能的改善效果将更加明显。这就非常有助于物流企业根据自己的实际情况科学、有效的指定物流决策，降低风险，降低成本，提高经济效益和自身的竞争力。
参考文献
[1] 郭耀煌 李军着，车辆优化调度，成都：成都科技大学，1994
[2] 邢文训 谢金星编着，现代优化计算方法，北京：清华大学出版社，1999
[3] 郎茂祥，物流配送车辆调度问题的模型和算法研究，北京：北方交通大学，2002
[4] 郎茂祥 胡思继，用混和遗传算法求解物流配送路径优化问题的研究，中国管理科学，2002
[5] 李军 谢秉磊 郭耀煌，非满载车辆调度问题的遗传算法，系统工程理论与实践，2000
[6] 唐坤，车辆路径问题中的遗传算法设计，东北大学学报（自然科学版），2002
[7] 姜大立 杨西龙 杜文等，车辆路径问题的遗传算法研究，系统工程理论与实践，1999
[8] 阎庆 鲍远律，新型遗传模拟退火算法求解物流配送路径问题，计算机科学与发展，2002

Ⅳ 遗传算法在配送问题中为什么要设K-1个虚拟的配送中心

因为将问题等价于求一个哈密顿圈所致。

哈密顿圈：一条闭合的路径，经过所有，并且每个点只经过一次。

如图，所示：配送问题就是找出K条往返路径，使得这K条路径经过所有点。而哈密顿圈问题是只有一个往返路径的。两个问题间的等价转换就是增设K-1个虚拟的配送中心。

虽然点增加了，但是只有一条路径了，即哈密顿圈。

Lz可查阅“多旅行商问题”。

Ⅳ 2021物流方向经典论文题目参考

论文题目是全文给读者和编辑和第一印象，文题的好坏对论文能否利用具有举足轻重的作用。下面我给大家带来2021物流方向经典论文题目参考，希望能帮助到大家!

物流配送论文题目

1、 京东自建物流配送模式研究

2、 民用无人机在物流配送行业中的分析与设计

3、 基于Spark的并行遗传算法在物流配送问题中的应用

4、 “大数据”思维下的烟草物流配送中心设备管理系统开发与应用

5、 互联网+视角下农村电商物流配送运作模式分析

6、 O2O模式下电商物流配送策略探析

7、 基于共享经济背景的农村物流配送体系构建——以新型城镇化背景下的长株潭农村地区为例

8、 基于无人机物流配送的战时快速卫勤保障体系探讨

9、 RFID技术应用于农超对接物流配送系统的经济效应

10、 基于蚁群算法的物流配送路径的研究

11、 城市物流配送车辆调度模型及优化

12、 基于电商环境的农产品物流配送体系构建

13、 物流配送的绩效评价体系的构建——以苏宁易购为例

14、 我国零售业连锁经营的物流配送模式优化研究

15、 大型物流配送中心的主动式仓储调度策略及其性能分析

16、 农村电子商务物流配送改革策略分析

17、 浅谈京东物流配送模式的优化

18、 国内连锁超市物流配送优化方案研究

19、 大数据背景下电子商务物流配送模式研究

20、 B2C电子商务企业物流配送模式比较研究

21、 基于组合拍卖的B2C电商物流配送研究

22、 国内连锁经营企业物流配送模式对库存水平影响的实证研究

23、 物联网技术下的农产品冷链物流配送优化研究

24、 基于改进自适应遗传算法的物流配送路径优化研究

25、 基于城市道路拥堵的物流配送车辆停车收费定价研究

26、 鑫威超市基于顾客满意度的物流配送管理研究

27、 浅析生鲜农产品电商物流配送模式的优化

28、 借鉴欧美城市物流配送的 经验 做法解决好我国城市物流“最后一公里”问题

29、 改进人工人群搜索算法在基于LBS物流配送中的应用

30、 基于层次化网络优化的烟草物流配送网络的开发与设计

31、 基于模拟退火算法最优物流配送问题的应用

32、 改进差分进化算法在物流配送中的多目标优化研究

33、 一种面向智慧城市的自动物流配送系统初探

34、 农产品电商综合物流配送模式研究——以广西海吉星电商综合配送模式为例

35、 茶产业发展中物流配送模式研究

36、 TSP模型在蔬菜基地物流配送中的应用

37、 O2O模式下物流配送研究综述

38、 基于Fle_sim的山区生鲜农产品冷链物流配送网络仿真分析

39、 O2O模式下零售企业物流配送网络节点的优化布局

40、 电子商务环境下物流配送网络协同性研究

41、 共享经济视角下我国乡村地区最后一公里物流配送模式优化研究

42、 7-11物流配送模式分析

43、 基于RFID&GPS/GPRS技术下的电商生鲜物流配送

44、 柳州融水电子商务物流配送路径优化

45、 基于直觉模糊集的中小型企业第三方物流配送服务商选择研究

46、 城市冷链物流配送车辆路径问题研究

47、 基于容器标准化的智能物流配送

48、 基于城乡双向互动的物流配送网络创新研究

49、 农村连锁超市物流配送问题及解决途径探究

50、 O2O模式连锁企业农产品物流配送路径优化

最全物流管理论文题目

1、第三方物流信息技术应用研究

2、B2B电子商务对交易成本的影响的分析

3、电子商务的发展对第三产业结构的影响

4、电子商务时代的企业价值创新

5、电子商务时代网络营销的变迁

6、电子商务的发展创新与环境构筑

7、电子商务环境下的敏捷制造研究

8、电子商务环境下物流企业经营战略分析

9、电子商务时代和信息时代的供应链管理与物流配送

10、电子商务环境下物流业发展对策探讨

11、电子商务时代的物流配送思考

12、电子商务对企业的影响与对策

13、试论企业电子商务的风险控制

14、试论电子商务与高新技术产业发展战略

15、网络经济时代下的传统企业电子商务化

16、电子商务发展的现状、难题及对策分析

17、论包装在运输过程中的作用

18、浅谈运输成本控制

19、论智能运输系统在我国的发展

20、中国公路货物运输发展研究

21、公路危险品运输管理探讨

22、浅谈超载运输的危害及其对策

23、浅谈超限运输的危害及其对策

24、道路危险货物运输中的若干问题研究

25、浅谈运输工具的选择对成本的影响

26、道路运输责任划分的研究与分析

27、浅谈运输线路的选择和优化

28、道路货运装卸搬运合理化的研究与探讨

29、浅谈运输合理化

30、关于__市快速公交系统的调查与分析

31、关于__市__集装箱运输公司的调查与研究

32、关于公路集装箱运输经济学初步理论研究

33、基于集装箱的离散型、分布式运输生产与运作初步研究

34、关于公路集装箱运输企业IT战略研究

35、浅议公路集装箱运输系统及关键系统需求

36、公路与铁路集装箱运输相关法规调查与分析

37、公路集装箱运输管理信息系统初步研究

38、供应链管理环境下第三方物流企业发展策略研究

39、第三方物流企业经营战略研究

40、__物流信息系统规划设计

41、物流企业核心竟争力研究

42、__物流通道系统规划设计

43、物流中心规划与设计 方法 研究

44、物流配送路线优化的研究

45、试论区域经济中的现代物流发展战略

46、试析供应链管理对中国企业发展的影响与作用

47、关于现代物流园区建设的思考与建议

48、关于建立区域物流规划的的战略思考

49、区域现代物流产业发展规划

50、__企业物流系统整体规划

51、基于供应链设计和规划的方法应用

52、基于中部崛起的河南物流业发展对策分析

53、“牛鞭效应”产生的机理与对策研究

54、关于我国内陆地区现代物流系统规划的几点思考

55、论货物 运输合同 的法律适用

56、如何构建我国的物流法律法规体系

57、论海上货物运输合同的违约责任

58、仓单制度研究

59、仓储法律制度研究

60、校园规划设计招投标若干问题的研究

物流管理 毕业 论文题目

1、集成化智能物流管理实验室建设研究

2、现代物流管理中的信息网络化及其实施对策

3、高职物流管理专业人才培养模式实践研究

4、基于现代学徒制的物流管理专业实践教学体系的思考

5、以学生就业为导向的中职物流管理教学探讨

6、关于物流管理人才队伍建设的思考

7、连锁零售企业物流管理与业务流程再造

8、高职院校物流管理专业实践教学模式的思考与探索

9、物流技术发展对物流管理的影响分析

10、物流管理专业人才培养国际化路径探索

11、物流管理专业人才培育对接区域经济岗位问题研究

12、高职物流管理专业建设存在的问题及对策

13、互联网时代电子商务与物流管理模式的优化

14、大数据背景下企业物流管理分析

15、提升高职物流管理专业毕业设计质量对策研究

16、成品油物流管理对销售企业实力提升的分析

17、浅析高职物流管理专业实践教学

18、现代学徒制物流管理的研究

19、板式家具生产物流管理研究

20、河南民办高校物流管理人才培养模式改革研究

21、研究海外冶金项目采购与物流管理

22、浅析基于区域经济发展的交通运输物流管理途径

23、低碳经济背景下的绿色物流管理策略

24、电子商务环境下的物流管理创新研究

25、企业采购与物流管理关系探讨

26、电子商务环境下的物流管理创新探讨

27、基于"互联网+"的中小企业物流管理模式研究

28、基于SSM框架的物流管理系统的设计实现

29、基于SSH技术的物流管理系统的设计与实现

30、试析物联网在物流管理中的应用

31、电子商务环境下物流管理的优化对策简析

32、地方本科高校应用型物流管理人才培养模式创新研究

33、VR技术在物流管理专业实践教学中的应用研究

34、新时代高职物流管理专业教师培养探索研究

35、汽车零部件物流管理及相关技术分析

36、带领物流管理专业学生学习差分方程的一点经验

37、物流管理专业转段教学衔接实践探索

38、普通高校物流管理本科教学问题对策分析

39、电子废物拆解企业物流管理探究

40、技能大赛背景下物流管理专业课程教学研究

41、企业物流管理信息化存在的问题及对策分析

42、信息化背景下的物流管理课程教学模式研究

43、基于GIS的武汉市物流管理系统

44、职业院校物流管理职业技能竞赛方案开发与设计研究

45、基于电子商务背景下物流管理的创新分析

46、电子商务环境下的物流管理创新研究

47、基于工学结合的高职物流管理专业课程体系研究

48、物联网技术在可视化与智能化物流管理中的应用

49、翻转课堂模式在物流管理课程教学中的应用研究

50、基于物流技能大赛的创新创业物流管理人才培养方案研究

51、高职院校物流管理专业实训教学分析

52、电子商务环境下的物流管理创新研究

53、高职物流管理专业课程教学存在的问题之我见

54、智慧物流背景下高职物流管理人才培养模式改革探究

55、基于信息技术的高职物流管理专业教学模式创新的研究

56、基于B/S的第三方物流管理系统设计与实现

57、小微企业物流管理优化

58、项目教学法在中职物流管理专业教学中的运用探讨

59、基于创新创业能力培养的物流管理专业实践教学改革研究

60、高职物流管理专业教学资源库建设现状与对策研究

2021物流方向经典论文题目参考相关 文章 ：

★ 2021交通运输方向的论文题目及选题

★ 物流管理方向专业论文题目与选题

★ 优秀论文题目大全2021

★ 物流管理论文题目

★ 2021会计学论文题目参考

★ 优秀论文题目2021

★ 2021毕业论文题目怎么定

★ 大学生论文题目大全2021

★ 大学生论文题目参考2021

★ 2021通信学专业论文题目与选题

Ⅵ 遗传算法的现状

进入90年代，遗传算法迎来了兴盛发展时期，无论是理论研究还是应用研究都成了十分热门的课题。尤其是遗传算法的应用研究显得格外活跃，不但它的应用领域扩大，而且利用遗传算法进行优化和规则学习的能力也显着提高，同时产业应用方面的研究也在摸索之中。此外一些新的理论和方法在应用研究中亦得到了迅速的发展，这些无疑均给遗传算法增添了新的活力。遗传算法的应用研究已从初期的组合优化求解扩展到了许多更新、更工程化的应用方面。
随着应用领域的扩展，遗传算法的研究出现了几个引人注目的新动向：一是基于遗传算法的机器学习，这一新的研究课题把遗传算法从历来离散的搜索空间的优化搜索算法扩展到具有独特的规则生成功能的崭新的机器学习算法。这一新的学习机制对于解决人工智能中知识获取和知识优化精炼的瓶颈难题带来了希望。二是遗传算法正日益和神经网络、模糊推理以及混沌理论等其它智能计算方法相互渗透和结合，这对开拓21世纪中新的智能计算技术将具有重要的意义。三是并行处理的遗传算法的研究十分活跃。这一研究不仅对遗传算法本身的发展，而且对于新一代智能计算机体系结构的研究都是十分重要的。四是遗传算法和另一个称为人工生命的崭新研究领域正不断渗透。所谓人工生命即是用计算机模拟自然界丰富多彩的生命现象，其中生物的自适应、进化和免疫等现象是人工生命的重要研究对象，而遗传算法在这方面将会发挥一定的作用，五是遗传算法和进化规划（Evolution Programming,EP）以及进化策略（Evolution Strategy,ES）等进化计算理论日益结合。EP和ES几乎是和遗传算法同时独立发展起来的，同遗传算法一样，它们也是模拟自然界生物进化机制的智能计算方法，即同遗传算法具有相同之处，也有各自的特点。目前，这三者之间的比较研究和彼此结合的探讨正形成热点。
1991年D.Whitey在他的论文中提出了基于领域交叉的交叉算子（Adjacency based crossover），这个算子是特别针对用序号表示基因的个体的交叉，并将其应用到了TSP问题中，通过实验对其进行了验证。D.H.Ackley等提出了随机迭代遗传爬山法（Stochastic Iterated Genetic Hill-climbing，SIGH）采用了一种复杂的概率选举机制，此机制中由m个“投票者”来共同决定新个体的值（m表示群体的大小）。实验结果表明，SIGH与单点交叉、均匀交叉的神经遗传算法相比，所测试的六个函数中有四个表现出更好的性能，而且总体来讲，SIGH比现存的许多算法在求解速度方面更有竞争力。H.Bersini和G.Seront将遗传算法与单一方法（simplex method）结合起来，形成了一种叫单一操作的多亲交叉算子（simplex crossover），该算子在根据两个母体以及一个额外的个体产生新个体，事实上他的交叉结果与对三个个体用选举交叉产生的结果一致。同时，文献还将三者交叉算子与点交叉、均匀交叉做了比较，结果表明，三者交叉算子比其余两个有更好的性能。
1992年，英国格拉斯哥大学的李耘（Yun Li）指导博士生将基于二进制基因的遗传算法扩展到七进制、十进制、整数、浮点等的基因，以便将遗传算法更有效地应用于模糊参量，系统结构等的直接优化，于1997年开发了可能是世界上最受欢迎的、也是最早之一的遗传/进化算法的网上程序 EA_demo，以帮助新手在线交互式了解进化计算的编码和工作原理 ，并在格拉斯哥召开第二届IEE/IEEE遗传算法应用国际会议，于2000年组织了由遗传编程(Genetic Programming)发明人斯坦福的 John Koza 等参加的 EvoNet 研讨会，探索融合GA与GP结构寻优，超越固定结构和数值优化的局限性。
国内也有不少的专家和学者对遗传算法的交叉算子进行改进。2002年，戴晓明等应用多种群遗传并行进化的思想，对不同种群基于不同的遗传策略，如变异概率，不同的变异算子等来搜索变量空间，并利用种群间迁移算子来进行遗传信息交流，以解决经典遗传算法的收敛到局部最优值问题
2004年，赵宏立等针对简单遗传算法在较大规模组合优化问题上搜索效率不高的现象，提出了一种用基因块编码的并行遗传算法（Building-block Coded Parallel GA，BCPGA）。该方法以粗粒度并行遗传算法为基本框架，在染色体群体中识别出可能的基因块，然后用基因块作为新的基因单位对染色体重新编码，产生长度较短的染色体，在用重新编码的染色体群体作为下一轮以相同方式演化的初始群体。
2005年，江雷等针对并行遗传算法求解TSP问题，探讨了使用弹性策略来维持群体的多样性，使得算法跨过局部收敛的障碍，向全局最优解方向进化。

Ⅶ 遗传算法研究进展

遗传算法^{［56，53］}研究的兴起是在20世纪80年代末和90年代初期，但它的历史起源可追溯到20世纪60年代初期。早期的研究大多以对自然遗传系统的计算机模拟为主。早期遗传算法的研究特点是侧重于对一些复杂的操作的研究。虽然其中像自动博弈、生物系统模拟、模式识别和函数优化等给人以深刻的印象，但总的来说这是一个无明确目标的发展时期，缺乏带有指导性的理论和计算工具的开拓。这种现象直到20世纪70年代中期由于Holland和De Jong的创造性研究成果的发表才得到改观。当然，早期的研究成果对于遗传算法的发展仍然有一定的影响，尤其是其中一些有代表性的技术和方法已为当前的遗传算法所吸收和发展。

在遗传算法作为搜索方法用于人工智能系统中之前，已有不少生物学家用计算机来模拟自然遗传系统。尤其是Fraser的模拟研究，他于1962年提出了和现在的遗传算法十分相似的概念和思想。但是，Fraser和其他一些学者并未认识到自然遗传算法可以转化为人工遗传算法。Holland教授及其学生不久就认识到这一转化的重要性，Holland认为比起寻找这种或那种具体的求解问题的方法来说，开拓一种能模拟自然选择遗传机制的带有一般性的理论和方法更有意义。在这一时期，Holland不但发现了基于适应度的人工遗传选择的基本作用，而且还对群体操作等进行了认真的研究。1965年，他首次提出了人工遗传操作的重要性，并把这些应用于自然系统和人工系统中。

1967年，Bagley在他的论文中首次提出了遗传算法（genetic algorithm）这一术语，并讨论了遗传算法在自动博弈中的应用。他所提出的包括选择、交叉和变异的操作已与目前遗传算法中的相应操作十分接近。尤其是他对选择操作做了十分有意义的研究。他认识到，在遗传进化过程的前期和后期，选择概率应合适地变动。为此，他引入了适应度定标（scaling）概念，这是目前遗传算法中常用的技术。同时，他也首次提出了遗传算法自我调整概念，即把交叉和变异的概率融于染色体本身的编码中，从而可实现算法自我调整优化。尽管Bagley没有对此进行计算机模拟实验，但这些思想对于后来遗传算法的发展所起的作用是十分明显的。

在同一时期，Rosenberg也对遗传算法进行了研究，他的研究依然是以模拟生物进化为主，但他在遗传操作方面提出了不少独特的设想。1970年Cavicchio把遗传算法应用于模式识别中。实际上他并未直接涉及到模式识别，而仅用遗传算法设计一组用于识别的检测器。Cavicchio对于遗传操作以及遗传算法的自我调整也做了不少有特色的研究。

Weinberg于1971年发表了题为《活细胞的计算机模拟》的论文。由于他和Rosenberg一样注意于生物遗传的模拟，所以他对遗传算法的贡献有时被忽略。实际上，他提出的多层次或多级遗传算法至今仍给人以深刻的印象。

第一个把遗传算法用于函数优化的是Hollstien。1971年他在论文《计算机控制系统中的人工遗传自适应方法》中阐述了遗传算法用于数字反馈控制的方法。实际上，他主要是讨论了对于二变量函数的优化问题。其中，对于优势基因控制、交叉和变异以及各种编码技术进行了深入的研究。

1975年在遗传算法研究的历史上是十分重要的一年。这一年，Holland出版了他的着名专着《自然系统和人工系统的适配》。该书系统地阐述了遗传算法的基本理论和方法，并提出了对遗传算法的理论研究和发展极为重要的模式理论（schemata theory）。该理论首次确认了结构重组遗传操作对于获得隐并行性的重要性。直到这时才知道遗传操作到底在干什么，为什么又干得那么出色，这对于以后陆续开发出来的遗传操作具有不可估量的指导作用。

同年，De Jong完成了他的重要论文《遗传自适应系统的行为分析》。他在该论文中所做的研究工作可看作是遗传算法发展进程中的一个里程碑，这是因为他把Holland的模式理论与他的计算实验结合起来。尽管De Jong和Hollstien一样主要侧重于函数优化的应用研究，但他将选择、交叉和变异操作进一步完善和系统化，同时又提出了诸如代沟（generation gap）等新的遗传操作技术。可以认为，De Jong的研究工作为遗传算法及其应用打下了坚实的基础，他所得出的许多结论迄今仍具有普遍的指导意义。

进入20世纪80年代，遗传算法迎来了兴盛发展时期，无论是理论研究还是应用研究都成了十分热门的课题。尤其是遗传算法的应用研究显得格外活跃，不但它的应用领域扩大，而且利用遗传算法进行优化和规则学习的能力也显着提高，同时产业应用方面的研究也在摸索之中。此外一些新的理论和方法在应用研究中亦得到了迅速的发展，这些无疑均给遗传算法增添了新的活力。

随着应用领域的扩展，遗传算法的研究出现了几个引人注目的新动向：一是基于遗传算法的机器学习（Genetic Base Machine Learning），这一新的研究课题把遗传算法从历来离散的搜索空间的优化搜索算法扩展到具有独特的规则生成功能的崭新的机器学习算法。这一新的学习机制对于解决人工智能中知识获取和知识优化精炼的瓶颈难题带来了希望。二是遗传算法正日益和神经网络、模糊推理以及混沌理论等其他智能计算方法相互渗透和结合，这对开拓21世纪中新的智能计算技术将具有重要的意义。三是并行处理的遗传算法的研究十分活跃。这一研究不仅对遗传算法本身的发展，而且对于新一代智能计算机体系结构的研究都是十分重要的。四是遗传算法和另一个称为人工生命的崭新研究领域正不断渗透。所谓人工生命即是用计算机模拟自然界丰富多彩的生命现象，其中生物的自适应、进化和免疫等现象是人工生命的重要研究对象，而遗传算法在这方面将会发挥一定的作用。五是遗传算法和进化规划（Evolution Programming，EP）以及进化策略（Evolution Strategy，ES）等进化计算理论日益结合。EP和ES几乎是和遗传算法同时独立发展起来的，同遗传算法一样，它们也是模拟自然界生物进化机制的智能计算方法，既同遗传算法具有相同之处，也有各自的特点。

随着遗传算法研究和应用的不断深入和发展，一系列以遗传算法为主题的国际会议十分活跃。从1985年开始，国际遗传算法会议，即ICGA（International Conference on Genetic Algorithm）每两年举行一次。在欧洲，从1990年开始也每隔一年举办一次类似的会议，即 PPSN（Parallel Problem Solving from Nature）会议。除了遗传算法外，大部分有关ES和EP的学术论文也出现在PPSN中。另外，以遗传算法的理论基础为中心的学术会议有FOGA（Foundation of Genetic Algorithm）。它也是从1990年开始，隔年召开一次。这些国际学术会议论文集中反映了遗传算法近些年来的最新发展和动向。

Ⅷ 遗传算法求解配送中心选址问题

这个就是利用GA解决TSP问题，解决耗费最小的优化问题。
以上回答你满意么？