现代物流学-第58章
按键盘上方向键 ← 或 → 可快速上下翻页，按键盘上的 Enter 键可回到本书目录页，按键盘上方向键 ↑ 可回到本页顶部！
————未阅读完？加入书签已便下次继续阅读！
2…3 非线路上点 Q=d2＋d3=1。74 ×
表中第一列表示根据表12…17的顺序考察的i…j；若两点均不在线路上，则考察i→j和j
→i；若一点不在线路上，一点为外点，则考察i→j（i不在线路上、j是线路的起点，或i
12…23
是线路的终点、j不在线路上）或者j→i（j不在线路上、i是线路的起点，或j是线路的终
点、i不在线路上）；若两点都是不同线路上的外点，则根据点的位置关系，构造终点（一
条线路）→起点（另一条线路）的顺序。第二列表示考察的两点的位置，若不满足位置条
件，显然不能连接，不再考察其它各项，在第四列划×，转其他点对。第三列表示连接后
线路的总货运量，若大于车辆容量，则在第四列中划×。
当一个点i不在线路上时，认为点i与中心仓库单独构成线路0→i→0。
由表12…18，得到最终送货线路分别为：
4吨货车： 0→4→6→5→0，其送货里程=20＋1＋6＋24=51公里
2。5吨货车： 0→1→2→3→0，其送货里程=9＋9＋10＋12=40公里
这样，完成上述送货任务需安排4吨和2。5吨货车各一辆，总送货里程为91公里。
12。4。4 遗传算法求解
遗传算法（Geic Algorithm；GA）是由J。H。Holland等于70年代发展起来的。它是一
种以自然选择和遗传理论为基础，将生物进化过程中适者生存规则与同一群染色体的随机
信息变换机制相结合的搜索算法。其通过给解向量编码、形成初始种群，然后用变异、交
叉重组、自然选择等算子，进行并行迭代，求得优化解。由于它采用随机运算，对搜索空
间无特殊要求，无需求导，具有运算简单、收敛速度快等优点，因此近年来有很快的发
展，并在组合优化、自适应控制、机器学习等许多领域获得应用，有着广泛的应用前景。
应用遗传算法可方便地对式（12…16）到式（12…21）所表示的VSP模型进行求解。
从上述模型可知，求解的关键是合理确定车辆与各分仓库的关系；在满足车辆载重量和
分仓库需求约束条件的情况下使得总里程最小；因此可以构造遗传算法如下：
1。 构造染色体；产生初始种群
用矢量（S1 ；S2 ；。。。；Sl ）表示染色体G，其中元素（基因）S j 为＇1；Kl＇之间的一个互不
重复的自然数，它表示了第j个确定第 m
=
（sj
。＇sj
。1 ＇。 l） 个分库与路径 k=＇sj 。1 ＇＋1的关系
（。。表示取整数； 下同。），即确定分库m是否由车辆（l） k配送及确定分库 m在路径（l） k中的顺序的
次序为j。随机产生一组染色体G h （h=1；2；。。。；n）（其中n为一代种群中的个体数），G h 各
不相同，此为第一代种群。
2。 可行化过程
将染色体的编码向量映射为满足全部约束条件的可行解称为可行化，其过程如下：
a。 令分库需求条件满足的标志变量dz m=0 （m=1；2； …；l）。
b。 令路径k中的分库数目n k=0 （k=1；2；。。。；K），令 bk
' =
bk
；Rk=φ （k=1；2；。。。；K），路径
k中除去中心仓库后第i个位置的分库号为r ki=0 （i=1；2；…；l）；即此时所有路径皆未形成。
j
c。 j=1。
d。 第j次确定分库m与路径k间的关系，其中；m
=
（s＇sj。l
。1 ＇。
l） ； k=＇lsj＇。1 ＋1。
e。 判断dz m是否等于0，若等于0，表明分库m的需求尚未满足，转e继续判断路径m的情
况；否则转g。
f。 判断bz k是否为0？
①若为0：判断d
≤
bk
' 成立否？ 若成立；令dzm
=
1； bk
' =
bk
' 。
dm
，
nk
=nk
＋1； rkn
=
m； Rk
=
Rk
｛m｝ ；若不成立，转g。∪（m）
k
② 若不为0：转g。
g。 j=j＋1；转d重复上述过程，直到j=K l＋1。此时检查是否所有 dzm
=1； （m
=
1；2；L；l）
成立，若成立，说明在满足各约束条件的情况下，所有的分库均分配了一个路径，构成路
径集合RT=｛R1；R2；…；Rk｝；即为染色体所相应的原车辆路径问题的一个可行解；若不成立，
说明此染色体表示的路径分配方案不满足约束，为原VRP问题的一个不可行解。
以例12…9的数据为例说明上述过程，假设一染色体编码为：
12…24
1 2 4 7 8 16 15 9 10 13 12 5 6 14 3 11
s1=1，首先确定路径 k=＇s1
l
。1＇＋1 =＇1。1＇＋1 = 1 与分库 m = s 。＇1ls＇。1 。l = 1。 0 = 1 关系，此时dz1=0，d1=1
