粒子群算法研究及其在供应链优化中的应用

摘要

最优化是人们在工程技术、科学研究和经济管理等诸多领域中经常遇到的问题，在21世纪的信息时代，其理论和技术必将在社会的各个方面起着越来越大的作用。作为一种新的群体智能方法，粒子群算法(PSO)是一个非常有前景的工具，在处理高维的以及缺乏领域知识的问题时尤其有用。该算法的灵感来源于社会心理学和人工生命，致力于模拟个体间的社会交互，具有收敛速度快、算法简单等优势，自1995年被提出之后得到了数值优化领域的广泛关注。 如何处理粒子群算法早熟收敛问题，一直是大多数研究者关注的重点。克服早熟收敛的措施主要是设法保持种群的多样性，或引入跳出局部最优点的机制。另一方面，目前粒子群算法主要应用在连续领域中的问题求解，而如何拓展在粒子群优化算法在离散领域中的应用，也是亟待解决的问题。 本文主要着眼于以上两个问题，开展了以下研究。 (1)分析标准粒子群算法对比和遗传算法来说，收敛速度较快而相对容易早熟收敛的原因，进而提出一种改进的粒子群进化模型。 (2)分析标准粒子群算法在离散问题上难以推广的原因。提出一种适合求解离散问题的粒子群算法模型。 (3)结合以上两种粒子群算法的改进策略。以TSP问题作为测试用例，验证以上两种改进策略的有效性。 (4)针对供应链优化中的两个核心问题：供应链伙伴选择问题和配送路线的优化问题，分别提出两种高效的粒子群算法求解。测试结果表明，与使用相同算子和参数的遗传算法比较，本文算法有更好的收敛解。

目录

文摘

英文文摘

声明

第一章绪论

1.1研究背景

1.2主要的研究工作

1.3论文的结构

第二章粒子群优化算法

2.1优化

2.1.1优化的数学模型

2.2.2优化算法

2.2.3无免费午餐定理

2.2基本粒子群优化算法

2.3粒子群优化算法的改进

2.3.1基于参数的改进粒子群算法

2.3.2导入其它演化算法思想的改进PSO算法

2.3.3局部优化版本的改进PSO算法

2.3.4求解离散问题的改进PSO算法

2.4粒子群优化算法的收敛性分析及参数选择

2.5粒子群算法与遗传算法的比较

第三章离散问题的粒子群算法模型

3.1改进的粒子群算法的进化模型

3.2离散问题的粒子群模型

3.2.1粒子群算法思想根源—Frank Heppner的鸟类模型

3.2.2离散问题的粒子群模型

3.3 TSP问题的求解

3.3.1 TSP问题的概述

3.3.2改进的粒子群算法求解TSP问题

3.3.3实验结果

3.3.4总结

第四章粒子群算法在供应链优化中的应用

4.1供应链概述

4.1.1物流与供应链

4.1.2供应链优化

4.2供应链伙伴选择问题

4.2.1供应链伙伴关系定义

4.2.2供应链联盟伙伴选择的多目标决策模型

4.2.3求解供应链伙伴选择问题的粒子群算法

4.3供应链配送路径优化问题

4.3.1 VRP问题的描述

4.3.2 CVRP问题的数学模型

4.3.3求解CVRP问题的粒子群算法

第五章总结与展望

5.1总结

5.2未来工作计划

参考文献

攻读硕士学位期间取得的研究成果

致谢