鄧必年

摘 要： 針對區(qū)間重構(gòu)方法進(jìn)行物流配送路徑尋優(yōu)收斂性不好的問題，提出一種基于蟻群優(yōu)化算法的物流配送路徑優(yōu)化選擇方法。采用重極標(biāo)差法進(jìn)行物流配送路徑的鄰域網(wǎng)格分割，進(jìn)行路徑的動態(tài)實(shí)時統(tǒng)計(jì)特性分析，設(shè)計(jì)物流配送路徑選擇流程。采用蟻群優(yōu)化算法進(jìn)行物流配送路徑的自適應(yīng)尋優(yōu)，實(shí)現(xiàn)路徑優(yōu)化選擇規(guī)劃。仿真結(jié)果表明，采用該算法進(jìn)行物流配送路徑規(guī)劃，縮短了配送行程距離，節(jié)省了物流時間。

關(guān)鍵詞： 蟻群算法； 物流； 配送； 路徑規(guī)劃； 重極標(biāo)差法

中圖分類號： TN99?34； TP242 文獻(xiàn)標(biāo)識碼： A 文章編號： 1004?373X（2017）15?0167?04

Abstract： Aiming at the poor optimization convergence of the interval reconstruction method for logistics distribution route， an ant colony optimization algorithm based optimal selection method of logistics distribution route is proposed. The rescaled range analysis method is used to carry out the neighborhood mesh segmentation of the logistics distribution route， analyze the dynamic real?time statistical property of the route， and design the selection process of the logistics distribution route. The ant colony optimization algorithm is used to perform the adaptive optimization of the logistics distribution path to realize the path optimization selection and planning. The simulation results show that the algorithm used to plan the logistics distribution path can shorten the distribution distance， and save the logistics time.

Keywords： ant colony algorithm； logistics； distribution； path planning； rescaled range analysis method

隨著電子商務(wù)和電子物流產(chǎn)業(yè)的快速發(fā)展，物流的配送路徑優(yōu)化是提高物流配送速度和效率的關(guān)鍵因素。傳統(tǒng)方法中，對物流配送路徑規(guī)劃主要采用的是最短路徑法和網(wǎng)格分割法等[1?2]，該類方法以最短路徑和區(qū)域網(wǎng)格為路徑選擇準(zhǔn)則，但是隨著物流規(guī)模的擴(kuò)大，上述方法不能實(shí)現(xiàn)最優(yōu)路徑選擇。隨著智能仿生算法的發(fā)展，利用動物覓食的路徑尋優(yōu)策略，采用智能仿生算法進(jìn)行物流配送路徑尋優(yōu)受到人們的重視[3]，本文利用螞蟻種群的覓食尋優(yōu)策略進(jìn)行物流配送路徑規(guī)劃，提出一種基于蟻群優(yōu)化算法的物流配送路徑優(yōu)化選擇方法。

1 鄰域網(wǎng)格分割及物流配送路徑選擇

1.1 重極標(biāo)差法的物流配送路徑鄰域網(wǎng)格分割

為了實(shí)現(xiàn)對物流配送路徑的規(guī)劃，采用蟻群算法進(jìn)行路徑尋優(yōu)，首先需要進(jìn)行配送路徑和鄰域網(wǎng)格的分割設(shè)計(jì)。把物流配送路徑的鏈接線路分為公路、鐵路、水運(yùn)、航空等路徑。采用重極標(biāo)差法（Rescaled Range Analysis）對物流供應(yīng)鏈中的區(qū)域覆蓋進(jìn)行至小尺度分割[4]，將一個物流配送路徑的鄰域網(wǎng)格分割為一個長度為的個子序列，在小尺度時間范圍內(nèi)滿足；將每一個物流配送路徑覆蓋的網(wǎng)格子序列采用表示，，在中的物流供應(yīng)鏈的動力學(xué)演化行為序列屬于布朗運(yùn)動。采用表示物流運(yùn)輸承載量，其中，對于每一個子序列，根據(jù)重極標(biāo)差法，得到物流路徑分形的邊向量：

1.2 物流配送路徑選擇流程

在采用重極標(biāo)差法進(jìn)行物流配送路徑的鄰域網(wǎng)格分割的基礎(chǔ)上，進(jìn)行路徑的動態(tài)實(shí)時統(tǒng)計(jì)特性分析，構(gòu)建基于蟻群優(yōu)化的路徑規(guī)劃模型，在物流配送的路徑分布空間中，隨機(jī)值初始化個螞蟻個體，螞蟻個體在時刻在物流配送出發(fā)點(diǎn)的位置可表示為，采用路徑狀態(tài)特征融合方法[5]對個體在時刻的物流配送速度表示為，該速度能有效描述物流配送路徑的傳輸效率。求解螞蟻個體在全局解向量空間中的最優(yōu)路線，得到最優(yōu)解為。

在進(jìn)行路徑優(yōu)選過程中，設(shè)時刻蟻群個體在物流中轉(zhuǎn)節(jié)點(diǎn)的信息素強(qiáng)度最小，以此為約束條件，求得鄰域網(wǎng)格中下一個移動點(diǎn)為。在蟻群覓食過程中，通過更新全局蟻群信息得到路徑中轉(zhuǎn)節(jié)點(diǎn)的信息素強(qiáng)度為：

式中：為物流配送路線網(wǎng)格上的蟻群個體節(jié)點(diǎn)之間的等效距離，稱為物流配送鄰域網(wǎng)格分割的前端等效距離；為物流配送路徑中轉(zhuǎn)節(jié)點(diǎn)到目標(biāo)位置之間的等效距離，稱為后端等效距離。

通過鄰域網(wǎng)格分割尋優(yōu)計(jì)算，動態(tài)實(shí)時統(tǒng)計(jì)分析路徑，求解螞蟻的最優(yōu)線路作為最優(yōu)配送路徑。根據(jù)上述設(shè)計(jì)思想，得到基于蟻群優(yōu)化算法的物流配送路徑選擇流程，如圖1所示。

2 物流配送路徑選擇實(shí)現(xiàn)

2.1 物流配送路徑的選擇方法

蟻群優(yōu)化算法的物流配送路徑優(yōu)化選擇方法首先進(jìn)行路徑的動態(tài)實(shí)時統(tǒng)計(jì)特性分析，在大規(guī)模群體行為下，蟻群在維搜索空間的集合為為蟻群的個數(shù)，螞蟻在進(jìn)行配送路徑尋優(yōu)過程中經(jīng)歷過的最好位置為為物流配送路徑的線路個數(shù)。每個蟻群個體的自身速度和位置計(jì)算公式描述為：

式中：為迭代次數(shù)；和為學(xué)習(xí)因子。初始化個蟻群為。

采用慣性權(quán)重的對角尋優(yōu)方法進(jìn)行均勻遍歷[7]，得到物流配送路徑的線路對角元素為：

為了改善蟻群在物流配送路徑規(guī)劃中的全局尋優(yōu)能力，采用個體之間的差異度作為調(diào)節(jié)因子，即：

蟻群在時刻的慣性權(quán)重取值描述為：

式中和分別是慣性權(quán)重上下限。

采用蟻群優(yōu)化算法進(jìn)行物流配送路徑的自適應(yīng)尋優(yōu)，采用重采樣測量方法對物流配送路徑規(guī)劃中的路徑和效益進(jìn)行均衡匹配，設(shè)種群中蟻群個體數(shù)為蟻群信息素濃度特征為群體的適應(yīng)度方差為：

在蟻群解向量的區(qū)間中，對全局極值位置進(jìn)行自適應(yīng)尋優(yōu)，蟻群尋優(yōu)的檢測閾值為當(dāng)時，保存最優(yōu)結(jié)果，均衡權(quán)重為下，利用物流配送路徑中的螞蟻個體信息對初值的敏感特點(diǎn)，統(tǒng)計(jì)每個蟻群的動態(tài)實(shí)時特性，得到蟻群的變異特征集合將物流配送路徑的規(guī)劃過程轉(zhuǎn)換成決策變量的優(yōu)化求解過程：

定義為路徑的動態(tài)實(shí)時統(tǒng)計(jì)特性，得到時刻物流路徑節(jié)點(diǎn)分布的狀態(tài)估計(jì)式為：

在位置更新階段，根據(jù)列表入口進(jìn)行物流配送路徑的動態(tài)決策，第只螞蟻在時刻的位置為：

式中：表示的先驗(yàn)概率分布特征向量。從初始信息素概率密度函數(shù)中調(diào)整當(dāng)前螞蟻個體的位置函數(shù)。

以螞蟻移動軌跡確定物流路徑規(guī)劃方向，得到蟻群個體中螞蟻到螞蟻的物流配送路徑規(guī)劃為：

由此實(shí)現(xiàn)配送路徑的選擇計(jì)算。

2.2 物流配送路徑的自適應(yīng)尋優(yōu)

由于物流配送過程中受到交通擁堵等因素的干擾，需要進(jìn)行干擾濾波和鄰域變化調(diào)整，濾波系統(tǒng)函數(shù)描述為：

根據(jù)列表入口進(jìn)行物流配送路徑的動態(tài)決策，在最優(yōu)移動概率選擇下，物流配送路徑規(guī)劃的全概率覆蓋模型為：

在通過次數(shù)為的迭代處理后，構(gòu)建物流配送全概率覆蓋模型，解決約束沖突問題[8]，設(shè)定蟻群的適應(yīng)度值為，得到物流配送路徑規(guī)劃的自適應(yīng)路徑選擇表達(dá)式為：

在物流配送區(qū)域的動態(tài)決策范圍內(nèi)，每個個體避開交通擁堵等障礙的目標(biāo)函數(shù)及最優(yōu)路徑選擇函數(shù)為：

式中：表示兩個物流配送目標(biāo)點(diǎn)的物流配送的中轉(zhuǎn)節(jié)點(diǎn)之間的直線路徑間的距離。

3 結(jié)果與分析

實(shí)驗(yàn)測試中，具體實(shí)驗(yàn)參數(shù)與環(huán)境設(shè)置如下：物流配送的環(huán)境區(qū)域覆蓋規(guī)模取3 000 m×4 000 m，在配送區(qū)域坐標(biāo)系內(nèi)，配送起點(diǎn)和配送終端的坐標(biāo)設(shè)定分別為[0，0]，[260，380]，起始點(diǎn)到目標(biāo)點(diǎn)的直線長度為2 031.98 m， 蟻群的學(xué)習(xí)速率，初始化慣性權(quán)重為0.3，蟻群個體位置變換概率=0.45，最大迭代次數(shù)為30次。進(jìn)行物流配送規(guī)劃仿真，優(yōu)化前后的物流配送路徑規(guī)劃圖如圖2和圖3所示。

分析圖2和圖3的結(jié)果得知，采用本文方法進(jìn)行物流配送路徑規(guī)劃能明顯縮短配送路徑，提高物流配送效率。表1給出了不同的物流配送路徑規(guī)劃方法進(jìn)行配送的時間開銷和距離定量分析結(jié)果，從表1中的結(jié)果得知，本文方法能降低物流配送的時間開銷，縮短總體配送距離，提高物流配送效率。

4 結(jié) 語

本文研究了物流配送的路徑優(yōu)化問題，提出基于蟻群優(yōu)化算法的物流配送路徑優(yōu)化選擇方法，采用重極標(biāo)差法進(jìn)行物流配送路徑的鄰域網(wǎng)格分割，進(jìn)行路徑的動態(tài)實(shí)時統(tǒng)計(jì)特性分析，采用蟻群優(yōu)化算法進(jìn)行物流配送路徑的自適應(yīng)尋優(yōu)，以蟻群個體的信息素強(qiáng)度作為導(dǎo)引參量，實(shí)現(xiàn)路徑優(yōu)化選擇規(guī)劃。仿真結(jié)果表明，采用該算法進(jìn)行物流配送路徑規(guī)劃縮短了配送行程距離，節(jié)省了物流時間，具有較好的應(yīng)用價值。

參考文獻(xiàn)

[1] CHARLES P， BILODEAU G， BERGEVIN R. SuBSENSE： a universal change detection method with local adaptive sensitivity [J]. IEEE transactions on image processing， 2015， 24（1）： 359?373.

[2] LI Shutao， YANG Bin. A new pan?sharpening method using a compressed sensing technique [J]. IEEE transactions on geo?sciences and remote sensing， 2011， 49（2）： 738?746.

[3] YANG Shuyuan， WANG Min， JIAO Licheng. Fusion of multispectral and panchromatic images based on support value transform and adaptive principal component analysis [J]. Information fusion， 2012， 13（3）： 177?184.

[4] 任志剛，趙松云，黃姍姍，等.求解多維背包問題的蟻群?拉格朗日松弛混合優(yōu)化算法[J].控制與決策，2016，31（7）：1178?1184.

[5] 史恒亮，白光一，唐振民，等.基于蟻群優(yōu)化算法的云數(shù)據(jù)庫動態(tài)路徑規(guī)劃[J].計(jì)算機(jī)科學(xué)，2010，37（5）：143?145.

[6] 熊杰，馮春，張怡.基于復(fù)雜網(wǎng)絡(luò)的災(zāi)難救援物流網(wǎng)絡(luò)魯棒性分析[J].系統(tǒng)仿真學(xué)報(bào)，2013，25（7）：1639?1645.

[7] 賈安超，周剛.基于粗糙集和BP神經(jīng)網(wǎng)絡(luò)的供應(yīng)商選擇研究[J].物流技術(shù)，2012，31（12）：229?232.

[8] 吳建軍，段淑敏.交通擁堵狀態(tài)下的智能調(diào)度平臺的設(shè)計(jì)與仿真[J].現(xiàn)代電子技術(shù)，2016，39（16）：40?43.