遗传算法选址

❶ 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]

❷ 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

❸ 仓库选址可以采用什么选址方法

仓库选址步骤和方法：
仓库的选址可分为两个步骤进行，第一步为分析阶段，具体有需求分析，费用分析，约
束条件分析，第二步为筛选及评价阶段，根据所分析的情况，选定具体地点，并对所选地点进行评价。具体方法如下：
(一)分析阶段
分析阶段有以下内容：
第一需求分析
根据物流产业的发展战略和产业布局，对某一地区的顾客及潜在顾客的分布进行分析供应商的分布情况，具体有以下内容：
1.工厂到仓库的运输量
2.向顾客配送的货物数量(客户需求)
3.仓库预计最大容量
4.运输路线的最大业务量
第二费用分析
主要有：工厂到仓库之间的运输费、仓库到顾客之间的配送费、与设施和土地有关的费用及人工费等，如所需车辆数、作业人员数、装卸方式、装卸机械费等，运输费随着距离的变化而变动，而设施费用、土地费是固定的，人工费是根据业务量的大小确定的。以上费用必须综合考虑，进行成本分析。
第三约束条件分析
1.地理位置是否合适，应靠近铁路货运站、港口、公路主干道，道路通畅情况，是否符合城市或地区的规划。
2.是否符合政府的产业布局，有没有法律制度约束。
3.地价情况
(二)选址及评价阶段
分析活动结束后，得出综合报告，根据分析结果在本地区内初选几个仓库地址，然后在初选几个地址中进行评价确定一个可行的地址，编写选址报告，报送主管领导审批。
评价方法有以下几种：
1.量本利分析法
任何选址方案都有一定的固定成本和变动成本，不同的选址方案的成本和收入都会随仓库储量变化而变化。利用量本利分析法，可采用作图或进行计算比较数值进行分析。进行计算比较数值要求计算各方案的盈亏平衡点的储量及各方案总成本相等时的储量。在同一储量点上选择利润最大的方案。
2.加权评分法
对影响选址的因素进行评分，把每一地址各因素的得分按权重累计，比较各地址的累计得分来判断各地址的优劣。步骤是：确定有关因素；确定每一因素的权重；为每一因素确定统一的数值范围,并确定每一地点各因素的得分；累计各地点每一因素与权重相乘的和，得到各地点的总评分；选择总评分值最大的方案。
3.重心法
重心法是一种选择中心位置，从而使成本降低的方法。它把成本看成运输距离和运输数量的线形函数。此种方法利用地图确定各点的位置，并将一坐标重叠在地图上确定各点的位置。坐标设定后，计算重心。
选址报告主要有以下内容：
⑴选址概述
扼要叙述选址的依据(需求分析)、原则，制定几个方案，选出一个最优方案。
⑵选址要求及主要指标
应说明为适应仓库作业的特点，完成仓储作业应满足的要求，列出主要指标，如库区占地面积、库区内各种建筑物的总面积、仓库需用人工总数，年仓储量，费用总量(包括拆迁费用)。
⑶仓库位置说明及平面图
说明库区的具体方位，外部环境，并画出区域位置图。
⑷地质、水文、气象情况，交通及通讯条件。
⑸政府对物流产业的扶持力度。
审查通过后，确定选址结果。
特殊储存品种的仓库选址应注意的事项
(一)果蔬食品仓库在选址时应选择入城干道处，以免运输距离过长，商品损耗过大。
(二)冷藏品仓库应选择在屠宰场、加工厂附近，由于设备噪声较大，所以应选择在城郊。
(三)建筑材料仓库因流通量大，占地多，防火要求严格，有些还有污染，所以应选择在城市周边，交通干线附近。
(四)燃料及易燃材料仓库应选择在城郊独立的地段，在气候干燥、风大的城镇，应选择大风季节的下风位，应远离居民区，最好在地势低洼处。

❹ 遗传算法都能干啥啊

遗传算法的应用有很多，一般用于解决工程优化问题。像选址问题、排班问题、路线优化、参数优化、函数求极值等等

❺ 多目标选址用什么方法

一般建立起多目标选址模型，然后用多目标遗传算法或者其他智能优化算法解决之就可以了。
可以得到非支配解集。

❻ 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？

❼ 求基于遗传算法或粒子群算法的用MATLAB编程解决的选址问题的源程序，网上论文附录的程序都是萎的啊……

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团队原创作品，转载请注明
% Email:[email protected]
% GreenSim团队主页
% 欢迎访问GreenSim——算法仿真团队
%%-------------------------------------------------------------------------
%% 主要符号说明
%% C n个城市的坐标，n×2的矩阵
%% NC_max 最大迭代次数
%% m 蚂蚁个数
%% Alpha 表征信息素重要程度的参数
%% Beta 表征启发式因子重要程度的参数
%% Rho 信息素蒸发系数
%% Q 信息素增加强度系数
%% R_best 各代最佳路线
%% L_best 各代最佳路线的长度
%%=========================================================================
%%第一步：变量初始化
n=size(C,1);%*表示问题的规模（城市个数）
D=zeros(n,n);%D表示完全图的赋权邻接矩阵
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为启发因子，这里设为距离的倒数
Tau=ones(n,n);%Tau为信息素矩阵
Tabu=zeros(m,n);%存储并记录路径的生成
NC=1;%迭代计数器
R_best=zeros(NC_max,n);%各代最佳路线
L_best=inf.*ones(NC_max,1);%各代最佳路线的长度
L_ave=zeros(NC_max,1);%各代路线的平均长度
while NC<=NC_max%停止条件之一：达到最大迭代次数
%%第二步：将m只蚂蚁放到n个城市上
Randpos=[];
for i=1:(ceil(m/n))
Randpos=[Randpos,randperm(n)];
end
Tabu(:,1)=(Randpos(1,1:m))';

%%第三步：m只蚂蚁按概率函数选择下一座城市，完成各自的周游
for j=2:n
for i=1:m
visited=Tabu(i,1:(j-1));%已访问的城市
J=zeros(1,(n-j+1));%待访问的城市
P=J;%待访问城市的选择概率分布
Jc=1;
for k=1:n
if length(find(visited==k))==0
J(Jc)=k;
Jc=Jc+1;
end
end
%下面计算待选城市的概率分布
for k=1:length(J)
P(k)=(Tau(visited(end),J(k))^Alpha)*(Eta(visited(end),J(k))^Beta);
end
P=P/(sum(P));
%按概率原则选取下一个城市
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：记录本次迭代最佳路线
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：输出结果
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
%% 画路线图的子函数
%%--------------------------------------------------------------------
%% C Coordinate 节点坐标，由一个N×2的矩阵存储
%% R Route 路线
%%====================================================================
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 遗传算法 MATLABA 程序 选址问题

问题解决了吗？说实话你提的问题，用分是解决不了的，因为分是虚的，现在网上好多人给别人解决问题都是要钱的。

❾ 遗传算法选址问题

你研究的是什么选址问题？集合覆盖问题？p-中心问题？p-中值问题？