遺傳演算法選址

❶ 關於遺傳演算法的應用--物流中心選址問題

你想問什麼問題？能再具體點嗎？
我研究過遺傳演算法解決選址問題的。
msl1121說的不對，選址問題不是TSP問題。

編碼可以採用二進制編碼，即[0,1,1,0,0,0,1,1,1,0……]，長度為n，其中1的個數為P。
具體可聯系：[email protected]

❷ 請教選址研究問題！

物流配送中心選址方法研究綜述

內容摘要：物流配送中心的選址決策在物流運作中有著重要的地位。本文對近年來國內外有關配送中心選址方法的文獻進行梳理和研究。研究結果發現：各種選址方法有著各自的優缺點和一定的適用范圍，各種方法的組合是未來該領域研究的趨勢。
關鍵詞：物流配送中心 選址 文獻綜述

在物流系統的運作中，配送中心的選址決策發揮著重要的影響。配送中心是連接工廠與客戶的中間橋梁，其選址方式往往決定著物流的配送距離和配送模式，進而影響著物流系統的運作效率。因此，研究物流配送中心的選址具有重要的理論和現實應用意義。
本文對近年來國內外有關物流配送中心選址方法的文獻進行了梳理和研究，並對各種方法進行了比較。選址方法主要有定性和定量的兩種方法。定性方法有專家打分法、Delphi法等，定量方法有重心法、P中值法、數學規劃方法、多准則決策方法、解決NP hard問題（多項式復雜程度的非確定性問題）的各種啟發式演算法、模擬法以及這幾種方法相結合的方法等。由於定性研究方法及重心法、P中值法相對比較成熟，因此，本文將主要分析定量方法中的數學規劃、多准則決策、解決NP hard問題的各種啟發式演算法、模擬在配送中心選址中應用的研究狀況。
數學規劃方法
數學規劃演算法包括線性規劃、非線性規劃、整數規劃、混合整數規劃和動態規劃、網路規劃演算法等。在近年來的研究中，規劃論中常常引入了不確定性的概念，由此進一步產生了模糊規劃、隨機規劃、模糊隨機規劃、隨機模糊規劃等等。不確定性規劃主要是在規劃中的C(價值向量)、A(資源消耗向量)、b(資源約束向量)和決策變數中引入不確定性，從而使得不確定規劃更加貼近於實際情況，得到廣泛地實際應用。
國內外學者對於數學規劃方法應用於配送中心的選址問題進行了比較深入的研究。姜大元(2005)應用Baumol-wolf模型，對多物流節點的選址問題進行研究，並通過舉例對模型的應用進行了說明，該模型屬於整數規劃和非參數規劃結合的模型。各種規劃的方法在具體的現實使用中，常常出現NP hard問題。因此，目前的進一步研究趨勢是各種規劃方法和啟發式演算法的結合，對配送中心的選址進行一個綜合的規劃與計算。
多准則決策方法
在物流系統的研究中，人們常常會遇到大量多准則決策問題，如配送中心的選址、運輸方式及路線選擇、供應商選擇等等。這些問題的典型特徵是涉及到多個選擇方案(對象)，每個方案都有若干個不同的准則，要通過多個准則對於方案(對象)做出綜合性的選擇。對於物流配送中心的選址問題，人們常常以運輸成本及配送中心建設、運作成本的總成本最小化，滿足顧客需求，以及滿足社會、環境要求等為准則進行決策。多准則決策的方法包括多指標決策方法與多屬性決策方法兩種，比較常用的有層次分析法(AHP)、模糊綜合評判、數據包絡分析(DEA),TOPSIS、優序法等等。
多准則決策提供了一套良好的決策方法體系，對於配送中心的選址不管在實務界還是理論方面的研究均有廣泛的應用與研究。關志民等(2005)提出了基於模糊多指標評價方法的配送中心選址優化決策。從供應鏈管理的實際需要分析了影響配送中心選址的主要因素，並建立相應的評價指標體系，由此給出了一種使定性和定量的方法有機結合的模糊多指標評價方法。Chen-Tung Chen(2001)運用了基於三角模糊數的模糊多准則決策對物流配送中心的選址問題進行了研究。文章以投資成本、擴展的可能性、獲取原材料的便利性、人力資源、顧客市場的接近性為決策准則，並對各個准則採用語義模糊判定的方式進行了權重上的集結。
有關多准則決策方法，特別是層次分析法和模糊綜合評判的方法，在配送中心的選址研究中有著廣泛的應用。但是，這兩種方法都是基於線性的決策思想，在當今復雜多變的環境下，線性的決策思想逐漸地暴露出其固有的局限性，非線性的決策方法是今後進一步的研究的重點和趨勢。
啟發式演算法
啟發式演算法是尋求解決問題的一種方法和策略，是建立在經驗和判斷的基礎上，體現人的主觀能動作用和創造力。啟發式演算法常常能夠比較有效地處理NP hard問題，因此，啟發式演算法經常與其它優化演算法結合在一起使用，使兩者的優點進一步得到發揮。目前，比較常用的啟發式演算法包括：遺傳演算法；神經網路演算法；模擬退火演算法。
（一）遺傳演算法
遺傳演算法（genetic algorithm, GA）是在 20 世紀 60 年代提出來的，是受遺傳學中自然選擇和遺傳機制啟發而發展起來的一種搜索演算法。它的基本思想是使用模擬生物和人類進化的方法求解復雜的優化問題，因而也稱為模擬進化優化演算法。遺傳演算法主要有三個運算元：選擇；交叉；變異。通過這三個運算元，問題得到了逐步的優化，最終達到滿意的優化解。
對於物流配送中心的選址研究，國內外有不少學者將遺傳演算法同一般的規劃方法結合起來對其進行了研究。蔣忠中等（2005）在考慮各種成本(包括運輸成本等)的基礎上，結合具體的應用背景，建立的數學規劃模型(混合整數規劃或是一般的線性規劃)。由於該模型是一個組合優化問題，具有NP hard問題，因此，結合了遺傳演算法對模型進行求解。通過選擇恰當的編碼方法和遺傳運算元，求得了模型的最優解。
遺傳演算法作為一種隨機搜索的、啟發式的演算法，具有較強的全局搜索能力，但是，往往比較容易陷入局部最優情況。因此，在研究和應用中，為避免這一缺點，遺傳演算法常常和其它演算法結合應用，使得這一演算法更具有應用價值。
（二）人工神經網路
人工神經網路(artificial neural- network, ANN)是由大量處理單元(神經元)廣泛互連而成的網路，是對人腦的抽象、簡化和模擬，反應人腦的基本特徵。可以通過對樣本訓練數據的學習，形成一定的網路參數結構，從而可以對復雜的系統進行有效的模型識別。經過大量樣本學習和訓練的神經網路在分類和評價中，往往要比一般的分類評價方法有效。
對於神經網路如何應用於物流配送中心的選址，國內外不少學者進行了各種有益的嘗試。韓慶蘭等（2004）用BP網路對物流配送中心的選址問題進行了嘗試性地研究，顯示出神經網路對於解決配送中心選址問題具有一定的可行性和可操作性。
這一研究的不足是神經網路的訓練需要大量的數據，在對數據的獲取有一定的困難的情況下，用神經網路來研究是不恰當的。在應用ANN時，我們應當注意網路的學習速度、是否陷入局部最優解、數據的前期准備、網路的結構解釋等問題，這樣才能有效及可靠地應用ANN解決實際存在的問題。
（三）模擬退火演算法
模擬退火演算法(Simulated Annealing, SA)又稱模擬冷卻法、概率爬山法等，於1982年由Kirpatrick提出的另一種啟發式的、隨機優化演算法。模擬退火演算法的基本思想由一個初始的解出發，不斷重復產生迭代解，逐步判定、舍棄，最終取得滿意解的過程。模擬退火演算法不但可以往好的方向發展,也可以往差的方向發展,從而使演算法跳出局部最優解,達到全局最優解。
對於模擬退火演算法應用於物流配送中心選址的研究，大量的文獻結合其它方法（如多准則決策、數學規劃等）進行了研究。任春玉(2006)提出了定量化的模擬退火遺傳演算法與層次分析法相結合來確定配送中心地址的方法。該方法確保總體中個體多樣性以及防止遺傳演算法的提前收斂，運用層次分析法確定 物流配送中心選址評價指標權重，並與專家評分相結合進行了綜合評價。該演算法對於解決物流配送中心的選址具有較好的有效性和可靠性。
除以上三種比較常用的方法之外，啟發式演算法還包括蟻群演算法、禁忌搜索演算法、進化演算法等。各種演算法在全局搜索能力、優缺點、參數、解情況存在著一定的差異。各種啟發式演算法基本上帶有隨機搜索的特點，已廣泛地應用於解決NP hard問題，同時也為物流配送中心選址的智能化處理提供了可能。用解析的方法(包括線性規劃等)建立數學模型，然後運用啟發式演算法進行求解是目前以及未來研究物流配送中心選址的一種較為可行和可操作的研究方法。
模擬方法
模擬是利用計算機來運行模擬模型，模擬時間系統的運行狀態及其隨時間變化的過程，並通過對模擬運行過程的觀察和統計，得到被模擬系統的模擬輸出參數和基本特徵，以此來估計和推斷實際系統的真實參數和真實性能。國內外已經不少文獻將模擬的方法運用於物流配送中心選址或是一般的設施選址的研究，研究結果相對解析方法更接近於實際的情況。
張雲鳳等(2005)對汽車集團企業的配送中心選址運用了模擬的方法進行了研究。先確定了配送中心選址的幾種方案，應用了Flexim軟體對各方案建立了模擬模型，根據模擬結果進行了分析和方案的選擇。該方法為集團企業配送中心選址問題提供了一種較為理想的解決方法。薛永吉等(2005)通過建立數學模型對物流中心的最優站台數問題進行研究，在一定假設和一系列限制條件下，求解最優站台數量，並針對數學模型的復雜性和求解的種種不足，以ARENA模擬軟體為平台，建立模擬模型確定了最優化方案。Kazuyoshi Hidaka等(97)運用模擬對大規模的倉庫選址進行了研究。該研究對倉庫的固定成本、運輸成本，和同時滿足6800名顧客進行了模擬，以求得臨近的最優解(near-optimal solution)。在求解的過程中，結合了貪婪－互換啟發式演算法(Greedy-Interchange heuristics)和氣球搜索演算法(Balloon Search)兩種啟發式演算法進行求解。該演算法能比較有效地避免陷入局部最優解和得到比較滿意的選址方案。但是，研究的結果容易受到運輸車輛的平均速度變化的影響。
模擬方法相對解析的方法在實際應用中具有一定的優點，但是，也存在一定的局限性。如模擬需要進行相對比較嚴格的模型的可信性和有效性的檢驗。有些模擬系統對初始偏差比較敏感，往往使得模擬結果與實際結果有較大的偏差。同時，模擬對人和機器要求往往比較高，要求設計人員必須具備豐富的經驗和較高的分析能力，而相對復雜的模擬系統，對計算機硬體的相應要求是比較高的。關於未來的研究，各種解析方法、啟發式演算法、多准則決策方法與模擬方法的結合，是一種必然的趨勢。各種方法的結合可以彌補各自的不足，而充分發揮各自的優點，從而提高選址的准確性和可靠性。
物流配送中心的選址決策對於整個物流系統運作和客戶滿意情況有著重要的影響。本文在對國內外有關物流配送中心選址方法文獻研究的基礎上，對比分析了數學規劃方法、多准則決策、啟發式演算法、模擬方法在配送中心選址中的應用。研究發現數學規劃方法、多屬性決策方法、啟發式演算法、模擬方法各自有自己的優缺點和一定的適用范圍，各種方法的組合研究是未來研究的一種趨勢。同時，由於選址問題本身具有的動態性、復雜性、不確定性等特性，因此，開發和研究新的模型與方法也是進一步解決配送中心選址問題的必需途徑。

參考文獻：
1.蔣忠中，汪定偉.B2C電子商務中配送中心選址優化的模型與演算法(J).控制與決策，2005
2.韓慶蘭，梅運先.基於BP人工神經網路的物流配送中心選址決策(J).中國軟科學，2004

❸ 倉庫選址可以採用什麼選址方法

倉庫選址步驟和方法：
倉庫的選址可分為兩個步驟進行，第一步為分析階段，具體有需求分析，費用分析，約
束條件分析，第二步為篩選及評價階段，根據所分析的情況，選定具體地點，並對所選地點進行評價。具體方法如下：
(一)分析階段
分析階段有以下內容：
第一需求分析
根據物流產業的發展戰略和產業布局，對某一地區的顧客及潛在顧客的分布進行分析供應商的分布情況，具體有以下內容：
1.工廠到倉庫的運輸量
2.向顧客配送的貨物數量(客戶需求)
3.倉庫預計最大容量
4.運輸路線的最大業務量
第二費用分析
主要有：工廠到倉庫之間的運輸費、倉庫到顧客之間的配送費、與設施和土地有關的費用及人工費等，如所需車輛數、作業人員數、裝卸方式、裝卸機械費等，運輸費隨著距離的變化而變動，而設施費用、土地費是固定的，人工費是根據業務量的大小確定的。以上費用必須綜合考慮，進行成本分析。
第三約束條件分析
1.地理位置是否合適，應靠近鐵路貨運站、港口、公路主幹道，道路通暢情況，是否符合城市或地區的規劃。
2.是否符合政府的產業布局，有沒有法律制度約束。
3.地價情況
(二)選址及評價階段
分析活動結束後，得出綜合報告，根據分析結果在本地區內初選幾個倉庫地址，然後在初選幾個地址中進行評價確定一個可行的地址，編寫選址報告，報送主管領導審批。
評價方法有以下幾種：
1.量本利分析法
任何選址方案都有一定的固定成本和變動成本，不同的選址方案的成本和收入都會隨倉庫儲量變化而變化。利用量本利分析法，可採用作圖或進行計算比較數值進行分析。進行計算比較數值要求計算各方案的盈虧平衡點的儲量及各方案總成本相等時的儲量。在同一儲量點上選擇利潤最大的方案。
2.加權評分法
對影響選址的因素進行評分，把每一地址各因素的得分按權重累計，比較各地址的累計得分來判斷各地址的優劣。步驟是：確定有關因素；確定每一因素的權重；為每一因素確定統一的數值范圍,並確定每一地點各因素的得分；累計各地點每一因素與權重相乘的和，得到各地點的總評分；選擇總評分值最大的方案。
3.重心法
重心法是一種選擇中心位置，從而使成本降低的方法。它把成本看成運輸距離和運輸數量的線形函數。此種方法利用地圖確定各點的位置，並將一坐標重疊在地圖上確定各點的位置。坐標設定後，計算重心。
選址報告主要有以下內容：
⑴選址概述
扼要敘述選址的依據(需求分析)、原則，制定幾個方案，選出一個最優方案。
⑵選址要求及主要指標
應說明為適應倉庫作業的特點，完成倉儲作業應滿足的要求，列出主要指標，如庫區佔地面積、庫區內各種建築物的總面積、倉庫需用人工總數，年倉儲量，費用總量(包括拆遷費用)。
⑶倉庫位置說明及平面圖
說明庫區的具體方位，外部環境，並畫出區域位置圖。
⑷地質、水文、氣象情況，交通及通訊條件。
⑸政府對物流產業的扶持力度。
審查通過後，確定選址結果。
特殊儲存品種的倉庫選址應注意的事項
(一)果蔬食品倉庫在選址時應選擇入城幹道處，以免運輸距離過長，商品損耗過大。
(二)冷藏品倉庫應選擇在屠宰場、加工廠附近，由於設備雜訊較大，所以應選擇在城郊。
(三)建築材料倉庫因流通量大，佔地多，防火要求嚴格，有些還有污染，所以應選擇在城市周邊，交通干線附近。
(四)燃料及易燃材料倉庫應選擇在城郊獨立的地段，在氣候乾燥、風大的城鎮，應選擇大風季節的下風位，應遠離居民區，最好在地勢低窪處。

❹ 遺傳演算法都能幹啥啊

遺傳演算法的應用有很多，一般用於解決工程優化問題。像選址問題、排班問題、路線優化、參數優化、函數求極值等等

❺ 多目標選址用什麼方法

一般建立起多目標選址模型，然後用多目標遺傳演算法或者其他智能優化演算法解決之就可以了。
可以得到非支配解集。

❻ 遺傳演算法求解配送中心選址問題

這個就是利用GA解決TSP問題，解決耗費最小的優化問題。
以上回答你滿意么？

❼ 求基於遺傳演算法或粒子群演算法的用MATLAB編程解決的選址問題的源程序，網上論文附錄的程序都是萎的啊……

function [R_best,L_best,L_ave,Shortest_Route,Shortest_Length]=acatsp(C,NC_max,m,Alpha,Beta,Rho,Q)
%%=========================================================================
% ACATSP.m
% Ant Colony Algorithm for Traveling Salesman Problem
% GreenSim團隊原創作品，轉載請註明
% Email:[email protected]
% GreenSim團隊主頁
% 歡迎訪問GreenSim——演算法模擬團隊
%%-------------------------------------------------------------------------
%% 主要符號說明
%% C n個城市的坐標，n×2的矩陣
%% NC_max 最大迭代次數
%% m 螞蟻個數
%% Alpha 表徵信息素重要程度的參數
%% Beta 表徵啟發式因子重要程度的參數
%% Rho 信息素蒸發系數
%% Q 信息素增加強度系數
%% R_best 各代最佳路線
%% L_best 各代最佳路線的長度
%%=========================================================================
%%第一步：變數初始化
n=size(C,1);%*表示問題的規模（城市個數）
D=zeros(n,n);%D表示完全圖的賦權鄰接矩陣
for i=1:n
for j=1:n
if i~=j
D(i,j)=((C(i,1)-C(j,1))^2+(C(i,2)-C(j,2))^2)^0.5;
else
D(i,j)=eps;
end
D(j,i)=D(i,j);
end
end
Eta=1./D;%Eta為啟發因子，這里設為距離的倒數
Tau=ones(n,n);%Tau為信息素矩陣
Tabu=zeros(m,n);%存儲並記錄路徑的生成
NC=1;%迭代計數器
R_best=zeros(NC_max,n);%各代最佳路線
L_best=inf.*ones(NC_max,1);%各代最佳路線的長度
L_ave=zeros(NC_max,1);%各代路線的平均長度
while NC<=NC_max%停止條件之一：達到最大迭代次數
%%第二步：將m只螞蟻放到n個城市上
Randpos=[];
for i=1:(ceil(m/n))
Randpos=[Randpos,randperm(n)];
end
Tabu(:,1)=(Randpos(1,1:m))';

%%第三步：m只螞蟻按概率函數選擇下一座城市，完成各自的周遊
for j=2:n
for i=1:m
visited=Tabu(i,1:(j-1));%已訪問的城市
J=zeros(1,(n-j+1));%待訪問的城市
P=J;%待訪問城市的選擇概率分布
Jc=1;
for k=1:n
if length(find(visited==k))==0
J(Jc)=k;
Jc=Jc+1;
end
end
%下面計算待選城市的概率分布
for k=1:length(J)
P(k)=(Tau(visited(end),J(k))^Alpha)*(Eta(visited(end),J(k))^Beta);
end
P=P/(sum(P));
%按概率原則選取下一個城市
Pcum=cumsum(P);
Select=find(Pcum>=rand);
to_visit=J(Select(1));
Tabu(i,j)=to_visit;
end
end
if NC>=2
Tabu(1,:)=R_best(NC-1,:);
end

%%第四步：記錄本次迭代最佳路線
L=zeros(m,1);
for i=1:m
R=Tabu(i,:);
for j=1:(n-1)
L(i)=L(i)+D(R(j),R(j+1));
end
L(i)=L(i)+D(R(1),R(n));
end
L_best(NC)=min(L);
pos=find(L==L_best(NC));
R_best(NC,:)=Tabu(pos(1),:);
L_ave(NC)=mean(L);
NC=NC+1

%%第五步：更新信息素
Delta_Tau=zeros(n,n);
for i=1:m
for j=1:(n-1)
Delta_Tau(Tabu(i,j),Tabu(i,j+1))=Delta_Tau(Tabu(i,j),Tabu(i,j+1))+Q/L(i);
end
Delta_Tau(Tabu(i,n),Tabu(i,1))=Delta_Tau(Tabu(i,n),Tabu(i,1))+Q/L(i);
end
Tau=(1-Rho).*Tau+Delta_Tau;

%%第六步：禁忌表清零
Tabu=zeros(m,n);
end
%%第七步：輸出結果
Pos=find(L_best==min(L_best));
Shortest_Route=R_best(Pos(1),:);
Shortest_Length=L_best(Pos(1));
subplot(1,2,1)
DrawRoute(C,Shortest_Route)
subplot(1,2,2)
plot(L_best)
hold on
plot(L_ave)
function DrawRoute(C,R)
%%====================================================================
%% DrawRoute.m
%% 畫路線圖的子函數
%%--------------------------------------------------------------------
%% C Coordinate 節點坐標，由一個N×2的矩陣存儲
%% R Route 路線
%%====================================================================
N=length(R);
scatter(C(:,1),C(:,2));
hold on
plot([C(R(1),1),C(R(N),1)],[C(R(1),2),C(R(N),2)])
hold on
for ii=2:N
plot([C(R(ii-1),1),C(R(ii),1)],[C(R(ii-1),2),C(R(ii),2)])
hold on
end

❽ 遺傳演算法 MATLABA 程序 選址問題

問題解決了嗎？說實話你提的問題，用分是解決不了的，因為分是虛的，現在網上好多人給別人解決問題都是要錢的。

❾ 遺傳演算法選址問題

你研究的是什麼選址問題？集合覆蓋問題？p-中心問題？p-中值問題？