基于改进粒子群算法的农产品召回优化

发布时间：2019-11-12 23:23

【摘要】：农产品加工是食品供应链质量控制的关键环节。该文针对农产品加工环节的产品召回优化问题,给出了批次分散优化模型并分析了其算法复杂度。针对优化模型为NP难度(non-deterministic polynomial hard),难以求解的问题,指出了采用粒子群优化进行求解的途径。针对粒子群优化算法在进化的初期收敛速度快,易引起早熟;在进化后期收敛速度慢,易引起振荡的问题,提出了一种基于分段门限粒子替换策略的改进粒子群优化算法。采用相关算例对该文提出的改进粒子群优化算法进行优化性能验证,并与类似智能优化算法进行性能对比。算例仿真和性能对比的结果表明,该算法运算开销约为同类算法的10%,且可以降低潜在的召回规模约30%,适用于农产品加工环节的产品召回优化。
【图文】：

示意图,农产品,示意图,成品

姆纸狻⒆楹匣虬汊?比例。在加工流程中，首先将原料按比例分解为部件，然后再将部件按比例组合成半成品，最后将半成品按比例包装为成品。农产品加工批次分散模型如图1所示。图1农产品加工批次分散模型Fig.1Batchdispersionmodelofagricultureproductsprocessing当发生农产品质量事故时，首先根据发生质量问题的成品批次，从下至上溯源（tracing）到发生质量问题的原料批次，然后根据所溯源到的发生质量问题的原料批次，从上至下追踪（tracking）到所有包含该批次的成品批次，并全部召回。基于批次的农产品召回如图2。图2基于批次的农产品召回示意图Fig.2Agriculturalproductsrecallbasedonbatch以上介绍了农产品加工环节基于批次的产品追溯及召回原理，下面给出其优化模型的形式化描述。首先给出模型4个层次批次集合的定义。整个加工流程由P个批次的原料、Q个批次的部件、R个批次的半成品和S个批次的成品组成，并可以分别分为L、M、N、K个种类，给出原料层次RM、部件层次CM、半成品层次SP、成品层次FP的批次集合定义如下1{},pPRMRMRMRMpPI（1）1{},qQCMCMCMCMqQI（2）

原理图,粒子移动,原理图,粒子

Pg=(pg1,…,pgd,…,pgD)。标准PSO算法中，粒子速度和位置进化迭代方程为式（22）～（24）。1122()()ididididgdidvwvcrpxcrpx（22）min,didmax,dV≤v≤V（23）idididxxv（24）式中，w为惯性权重，c1为认知系数，c2为社会系数，r1，r2为服从均匀分布的随机数，Vmax,d，Vmin,d为粒子在d维的最大、最小飞行速度。粒子群中的每个粒子以一定的速度（满足速度约束）在解空间中运动，并向自身历史最佳位置和邻域历史最佳位置聚集，实现对候选解的进化，粒子移动原理图如图3。定义f(xi)为粒子Xi的位置适应度函数，对于最小优化问题而言，粒子的适应度函数值越小，，其位置越优。给出粒子群迭代过程中的替换规则如式（25）、（26）。(1)(())((1))()(){1,2}iiiiiptfxtfptptxtiI其他（25）()argmin{(())|1,2,}giptfptiI（26）图3粒子移动原理图Fig.3ParticlemigrationconceptualinPSO在标准PSO算法中，在每个迭代周期都要根据粒子的适应度函数值进行最优粒子的替换，且替换策略较为简单，仅为简单的适应度函数值比较。考虑到粒子群在进化的初期，粒子向最优解的聚集速度较快，因而宜于采用较大的替换门限，避免引起早熟现象。在粒子群进化的后期，由于粒子的收敛速度较慢，且容易进入局部最优，为了避免频繁替换导致振荡，因而宜于采用较小的替换门限[29]。基于以上讨论，本文提出一种分段门限的粒子替换策略，对于单个粒子的替换策略如式（27）。

【参考文献】