基于微粒群優化算法的物流配送中心選址問題研究

摘要：結合物流配送中心選址的特點，建立數學模型，在此基礎上研究了基于微粒群算法的物流多配送中心選址問題，得到一種新的多配送中心選址方法。仿真結果證明此方法比傳統選址方法更適合多配送中心選址和非線性問題的優化，并且具有傳統算法所不具備的靈活性，適用多樣的物流配送模型。

關鍵詞：物流；配送中心選址；微粒群算法

中圖分類號：F224:TP18文獻標識碼：A文章編號：1002-3100(2007)10-0094-03

Abstract: According to the characteristics of logistics distribution center allocation， the paper establishes a math model and proposes a new method of logistics distribution center allocation based on Particle Swarm Optimization Algorithm. The experimental results show that the new algorithm is more suitable and adaptive to the optimization for multi-logistics distribution center allocation and non-linear problem than conventional algorithms.

Key words: logistics; distribution center allocation; Particle Swarm Optimization Algorithm

0引言

物流配送中心選址問題是物流系統規劃中的重要環節，選址方案的好壞將直接影響到整個物流系統的物流服務成本及其服務范圍[1]。根據配送中心數量的不同，可分為單一物流配送中心選址問題和多物流配送中心選址問題，前者無需考慮競爭力、配送中心之間的需求分配、配送中心的成本等，只涉及到運輸成本，適用面不廣泛；對于大多數企業而言，多物流配送中心選址的問題更為普遍，更接近實際情況。因此，本文主要研究多物流配送中心選址的問題，并為降低物流成本提出一種新的研究方法。

配送中心選址問題是離散的組合優化問題，具有難題性質，目前遺傳算法[2]、蟻群算法[3]、退火算法[4]等優化算法已獲得成功的應用。微粒群優化算法（PSO）也是一種基于群體的演化計算技術，是J. Kennedy和R. C. Eberhart受到鳥群覓食的啟發，于1995年提出的。微粒群算法能搜索非線性多峰的復雜空間，同時能處理參數空間變化的優化問題，而且微粒群算法基本不受問題峰數和維數的限制。經過眾多學者十余年的研究，它已被廣泛應用于解決多個領域的優化問題，如神經網絡訓練[5]等等。本文基于微粒群算法，得到一種新的物流配送中心選址方法，該方法克服了如重心法等傳統方法只適用于單一配送中心選址的缺點，也克服了線性規劃[6]等方法不適用于非線性優化函數的缺點。仿真結果表明該方法比傳統方法更適用于多配送中心選址問題，尤其解決較大規模的實際問題更具優勢。

1離散微粒群算法[7]

微粒群算法中，微粒的位置代表被優化問題在搜索空間中的潛在解。所有的微粒都有一個由被優化函數決定的適應值，每個微粒還有一個速度決定它們搜索的方向和距離。微粒群追隨當前的最優微粒在解空間中搜索。算法隨機初始化一群微粒，通過迭代找到最優解，每次迭代中，微粒通過自己經歷的最優解和整個微粒群的最優解來更新自己的位置。

2基于PSO的多物流配送中心選址算法

2.1物流配送中心選址問題的數學模型。本文研究的模型是：1個工廠的產品，經過物流配送中心發售給n個配送點，擬建立若干個配送中心，從m個候選地點選擇若干個地點建立配送中心，使得物流費用達到最小，物流費用包括工廠到各個配送中心的運輸費用、配送中心到各個配送點的運輸費用以及建造配送中心的費用。

4結論

本文研究了基于微粒群算法的物流配送中心選址方法，以實現物流費用最小化為目標，建立相關模型，仿真結果表明該方法比傳統選址方法更適合多配送中心選址和非線性問題的優化，具有傳統算法所不具備的靈活性，從而為現代物流配送中心選址問題提供一種新的優化算法。

參考文獻：

[1] 李云清. 物流系統規劃[M]. 上海：同濟大學出版社，2004.

[2] 吳兵，羅榮桂，彭偉華. 基于遺傳算法的物流配送中心選址研究[J]. 武漢理工大學學報：信息與管理工程版，2006，28(2):89-91.

[3] 秦固. 基于蟻群優化的多物流配送中心選址算法[J]. 系統工程理論與實踐，2006，26(4):120-124.

[4] 張雪東，季一木. 基于模擬退火遺傳混合算法的物流中心選址問題研究[J]. 電腦開發與應用，2006，19(6):4-6.

[5] 傅強，胡上序，趙勝穎. 基于PSO算法的神經網絡集成構造方法[J]. 浙江大學學報：工學版，2004，38(12):1596-1600.

[6] Yuan Yaxiang. A scaled central path for linear programming[J]. Journal of Computational Mathematics， 2001，19(1):35-40.

[7] 曾建潮，介婧，崔志華. 微粒群算法[M]. 北京：科學出版社，2004.

注：“本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文。”