基于改进蚁群算法的物流配送优化研究，本文主要内容关键词为：算法论文,物流配送论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
一、引言 物流配送是企业运作的基础，也是物流管理的重要环节，影响着生产活动和销售活动的衔接，并且优化物流配送能够有效降低企业成本，增加企业利润，促进供应链内正常运转，保障企业物流流转的协调发展。物流配送如何进行优化，成为企业运作的关键。但是，物流配送往往受到许多因素约束，这大大增加其复杂性。因此，优化物流配送成为学术界和企业界的研究热点。 蚁群算法(Ant Colony Optimization)是通过模拟蚁群觅食过程而建立的人工智能技术，是仿生学的热点领域，也属于由信息学、计算机学与生物学所组成的交叉学科。蚁群算法在解决TSP、网络负载、交通负载等问题上取得成功，近年来，学术界对于蚁群算法的研究和应用也取得较大的进展，[1][2][3]为蚁群算法在更多领域应用和推广指明了方向和提供了指引。但是传统蚁群算法也存在着搜索时间较长的缺点，近年来，学术界提出了一些改进算法，其中排序加权蚁群算法是一种可行、有效的改进算法，[4][5]能有效缩短搜索时间。该改进算法为本文研究奠定了基础。 关于相关研究上，邱荣祖等[6]、秦固[7]、李周芳等[8]采用蚁群算法研究了配送中心选址问题，蔡良伟等[9]、张维存等[10]则采用蚁群算法与遗传算法研究了作业车间调度问题，但采用蚁群算法研究物流配送优化的文献较少，而采用改进蚁群算法研究物流配送优化的文献更为缺乏。因此，本文探索采用改进蚁群算法进行物流配送优化问题的求解，尝试填补该领域的空白，为物流配送优化提供一种新的研究方法，并为企业决策提供参考。 二、蚁群算法 蚁群算法是一种寻找最优值的搜索方法，蚁群算法的基本原理是模拟蚂蚁觅食过程，即假设蚂蚁从蚁巢到食物所在地存在着多条路径，一群蚂蚁开始进行寻找最优路径，以利于及时把食物搬回蚁巢，而蚂蚁在面对多条路径时，会在走过的路径上释放一种叫信息素的物质，这种物质记录着相应信息量，如果一条路径上信息量越多，表明越多蚂蚁走过该路径，后面的蚂蚁就有更高的概率选择该路径，那么随着时间的推移，在某条路径上信息量将会越来越多，最优路径就会逐步显现直到所有蚂蚁完全选择该路径，这时最优路径得到确定。蚁群算法的显著特点是有效构建诸如蚁群的群落进行最优值求解。 参考相关文献，[5][11][12][13]蚁群算法的数学描述是： 假设在一个由
，…an组成n个点或元素的集合，
之间的距离。现需要求解的问题是从某个点或元素出发，寻找一条经过全部点或元素一次并且只有一次并最终返回出发点或元素的最短路径。设
(t)表示在t时刻位于点或元素i的蚂蚁数量，
(t)表示在t时刻路径(i，j)上的信息素数量，v为蚁群中蚂蚁的总数，则
，f为t时刻集合内点或元素两两连接残余信息素数量的集合。并且在初始时刻，各条连接的信息素数量相等，并设
(0)为常数。 设定一个禁忌表
用于记录蚂蚁r目前走过的点或元素，并且
会根据蚁群搜索而动态变化和调整。在寻找最优路径时，蚂蚁根据各条路径上的信息素数量和路径的启发信息计算转概率，并确定其转移方向。
(t)P为在t时刻蚂蚁r由点或元素i转移到点或元素j的转移概率为：
在式(1)中，
表示蚂蚁r下一步选择的点或元素，a为轨迹的相对重要性，表示蚂蚁在寻找食物过程中所积累的信息在蚂蚁觅食时起到的作用，如果a的数值越大，表示该蚂蚁越趋向于选择其他蚂蚁走过的路径，其对于蚁群协同性加强影响越大。b为能见度的相对重要性，表示在寻找食物过程中启发信息在蚂蚁选择路径中的受重视程度。
(t)为启发函数：
一般地，对蚂蚁r来说，
越小，
(t)则越大，
(t)也越大。 对于每只蚂蚁而言，为了防止启发信息被掩盖，当它们走完每一条路径或者完成一次对所有点的访问后，必须对信息进行更新，新信息会逐渐替代旧信息，旧信息会逐渐消失，因此，在t+q时刻，两个点或元素的信息量按照下式(3)和(4)调整：
其中，为信息素强度，为第r只蚂蚁在完成一次所有点访问中所走路径的总长度。 三、排序加权蚁群算法 蚁群算法虽然有着众多优点，但是也存在着搜索时间较长的缺点，因此，本文采用排序加权蚁群算法(rank-weight ant colony optimization)以改进传统蚁群算法。 排序加权蚁群算法的基本思路是：根据每只蚂蚁在完成一次所有点访问后所形成的路径按照长短进行排序，而且，进一步约定每只蚂蚁在完成一次所有点访问中所形成的路径越短，其在信息素更新中贡献越大，也就是在对于第r只最好蚂蚁的信息素更新赋予加权系数，从而使得每只蚂蚁在全局最优路径搜索中所赋予的贡献出现差别。并且，由于每只蚂蚁的加权系数是一个等比数列，这能使得贡献较大的蚂蚁越受重视，贡献越小的蚂蚁越不受重视，因此，其能够有效缩短搜索时间，提高传统蚁群算法的效率。 排序加权蚁群算法的数学模型是[5]： 在某条路径上的信息素数量按式(6)-(9)进行全局更新。
当第r只蚂蚁在完成一次所有点访问中走过路径(i，j)其他 (9)
五、改进蚁群算法对于物流配送问题的求解 使用改进蚁群算法对于上述物流配送问题求解的基本思路是：设置v只蚂蚁，蚂蚁寻找从第i个生产工厂配送到第j个区域的最优产品数量，以实现最小总配送费用。 本算法具体流程如下： 步骤1：初始化改进蚁群算法即排序加权蚁群算法的参数。 步骤2：计算每只蚂蚁的转移概率。 步骤3：根据每只蚂蚁得到本次寻优的最优值(即神经网络的输出误差，也指蚂蚁走过最优路径)，并与该蚂蚁此前的最优值比较，如果目前数值更优，即把目前数值赋予到最优值。 步骤4：把每只蚂蚁的最优值与整个蚁群的最优值进行比较，如果每个数值更优，那么就把该数值更新为整个蚁群的最优值，并对所有路径进行排序加权。 步骤5：更新每只蚂蚁的信息素浓度。 步骤6：判断循环次数是否达到规定循环次数或设定精度。如果达到设定精度，则算法结束；如果循环次数达到规定循环次数，但精度不满足要求，则返回步骤1，重新初始化算法；如果循环次数未达到规定次数，且精度不满足设定精度，则返回步骤2，继续进行循环，继续寻找最优解。 六、算例分析 在上文物流配送模型中，假设该产品在4个生产工厂，并对5个区域进行产品供应，设
为所拥有的共4个生产工厂，设
为其供应共5个区域。设
的产量分别不大于7800个、9300个、4500个、8400个。
供应量分别不少于5400个、9000个、6100个、7200个、2300个。并且，第i个生产工厂把产品运到第j个区域的单位配送费用为Cij(单位：元/个)，Cij的设置见表1。设Xij为从第i个生产工厂运到第j个区域的产品数量(单位：个)，该物流配送问题的求解目标是实现总配送费用最小化。
七、结语和展望 改进蚁群算法属于现代人工智能技术，其能够改善传统蚁群算法的不足，本文探索把该算法应用于物流配送优化问题求解，构建了一个物流配送模型，论述了改进蚁群算法对于物流配送优化的基本思路和流程，并且把该算法应用于一个算例中，运算结果表明改进蚁群算法是求解物流配送优化问题的有效方法，而且具有更高的计算效率，能在更短时间内求得最优解。研究展望是拓展改进蚁群算法的应用领域和考虑其与其他算法结合使用等等。
标签：蚁群算法论文; 信息素论文; 物流配送论文; 算法论文;
