基于网络拓扑的混合粒子群优化算法及物流优化研究

摘要

粒子群优化算法（Particle swarm optimization,PSO）为解决物流优化问题提供了思路。但是，电子商务的快速发展对现代物流业的快速响应能力提出了更高要求。物流规模越来越大，涉及的因素不断增多，使得物流问题越来越复杂。一些经典的物流优化问题，如多式联运决策问题和配送中心选址问题，因新的需求和挑战，成为研究热点。现有的PSO算法对于具有大量局部极值和复杂约束的物流问题的优化能力不足，具有局部收敛速度慢和易陷入局部极小的缺陷。因此，有必要对PSO算法的机理进行研究以提高其寻优能力，也有必要研究如何将PSO与其他高效局部优化算法自适应结合。通过自适应判断合适的全局-局部搜索的转换窗口，来实现两者的优势互补。 本论文针对以多式联运和配送中心选址为代表的典型现代物流问题的非线性、多极值和复杂约束等特点，首先对PSO算法进行理论研究，开发了新的PSO算法，提高PSO的寻优能力和优化效率。然后应用开发的PSO算法对具有复杂约束的物流模型进行优化求解。主要研究工作及创新性成果包括： 1）采用基于适应度的链路预测方法对PSO算法的邻域网络拓扑结构进行动态更新，提出了基于网络拓扑的PSO算法（NTPSO）。该算法建立了基于邻域网络拓扑的个体历史最优解（pbest）的学习对象的分维度综合选择策略，并采用动态分子群的个体学习策略，使PSO算法具有更好的寻优能力。通过对benchmark库的函数的多维度实验测试，考核了NTPSO算法的性能。通过与其他算法的对比，验证了NTPSO算法的优越性。 2）针对PSO算法在求解多峰问题时局部开发阶段的收敛速度慢的固有问题，将NTPSO算法与具有快速收敛能力的传统局部搜索方法（LocalSearch,LS）结合，提出了基于拟熵的自适应混合策略，进而提出了带自适应局部搜索的网络拓扑粒子群优化算法（ALS-NTPSO）。从理论上对比分析了NTPSO和LS的局部收敛速度，讨论了自适应耦合策略的必要性。提出了拟熵指标，并对其性能进行了理论证明和数值验证。在此基础上，构建了基于拟熵的LS自适应启动策略。通过对benchmark库的函数的多维度测试，考核了混合算法的性能。与其他算法的对比实验结果进一步验证了ALS-NTPSO算法的高效性和优越性。 3）考虑绿色物流的需求，建立了不同碳监管政策下的多式联运数学模型，运用NTPSO算法进行优化，为绿色多式联运提供了新的解决方案。研究了NTPSO算法求解不同碳监管政策下的多式联运模型的简单高效编码方案。与其他算法的对比结果，验证了NTPSO算法在求解该类带有复杂约束的优化模型上的有效性和性能优势，并分析了不同碳监管政策对多式联运决策的影响。 4）针对电子商务快速发展对多配送中心选址的新要求，建立了不确定条件下的多配送中心选址鲁棒优化模型以及同时考虑不确定性和抗毁性的多配送中心选址模型。运用改进PSO算法对该类具有复杂多峰和NP难特点的混合整数规化问题进行求解，验证了ALS-NTPSO算法的应用效果。通过数值实验以及与其他算法的对比，验证了本文算法的优越性。

目录

声明

第1章 绪论

1.1 课题来源

1.2 研究背景和课题意义

1.3 课题研究内容

1.4 论文组织结构

第2章 物流优化及粒子群优化算法概述

2.1 物流系统的优化

2.1.1 物流系统及其优化

2.1.2 物流优化的发展趋势和需求

2.2 粒子群优化算法

2.2.1 粒子群优化算法概述

2.2.2 粒子群优化算法的理论研究

2.2.3 粒子群优化算法的应用研究

2.3 当前研究的挑战

2.4 本章小结

第3章 基于网络拓扑的粒子群优化算法

3.1 引言

3.2 基于网络拓扑的粒子群优化算法

3.2.1 链路预测的原理和指标

3.2.2 基于链路预测的拓扑更新

3.2.3 个体学习策略

3.3 算法流程

3.4 实验分析和讨论

3.4.1 Benchmark函数和实验设计

3.4.2 算法收敛精度分析

3.4.3 参数敏感性分析

3.4.4 算法对高维问题的性能测试

3.4.5 与其他PSO算法对比分析

3.4.6 与其他群智能算法对比分析

3.5 本章小结

第4章 基于拟熵的自适应混合粒子群优化算法

4.1 引言

4.2 局部搜索方法及其局部收敛速度

4.2.1 局部搜索方法

4.2.2 局部收敛速度对比

4.3 基于拟熵的自适应混合粒子群优化算法

4.3.1 自适应启动LS的必要性

4.3.2 LS的自适应启动策略

4.3.3 拟熵指标

4.3.4 拟熵指标性能的理论分析

4.3.5 拟熵指标性能的数值测试

4.4 算法流程

4.5 数值实验

4.5.1 标准测试函数

4.5.2 实验设计

4.5.3 ALS-NTPSO算法性能分析

4.5.4 参数敏感性分析

4.5.5 算法对高维问题的性能分析

4.5.6 与其他算法的对比分析

4.6 本章小结

第5章 绿色多式联运物流优化问题研究

5.1 引言

5.2 多式联运模型

5.2.1 基本多式联运模型

5.2.3 碳监管政策下的多式联运模型

5.3 案例描述

5.3.1 某多式联运物流网络

5.3.2 数据来源和参数设置

5.4 多式联运问题的优化方法

5.4.1 编码方案

5.4.2 算法求解流程

5.4 实验分析和讨论

5.4.1 实验设计

5.4.2 基本多式联运模型的实验结果分析

5.4.3 基于碳税的多式联运模型的实验结果分析

5.4.4 基于强制碳排放的多式联运模型的实验结果分析

5.5 本章小结

第6章 不确定条件下多配送中心选址问题的建模与优化

6.1 引言

6.2 多配送中心选址问题的特点

6.2.1 广泛性和重要性

6.2.2 选址区域的复杂性

6.2.3 需求量的不确定性

6.2.4 网络结构的抗毁性

6.3 选址模型的数学描述

6.3.1 不确定条件下的多配送中心选址鲁棒优化模型

6.3.2 考虑不确定性和抗毁性的多配送中心选址优化模型

6.3.3 选址模型的数学性质分析

6.3.4 编码方案

6.4 实验分析和讨论

6.4.1 实验设计

6.4.2 模型Ⅰ的结果分析

6.4.3 模型Ⅱ的结果分析

6.5 本章小结

第7章 总结与展望

7.1 主要研究成果和结论

7.2 主要创新点

7.3 未来研究工作

致谢

参考文献

攻读博士学位期间发表的论文和参与的科研项目

一、发表论文

二、参与的科研项目

三、参与编著

四、软件著作权

五、获得奖励