基于遗传算法的汽车零部件集配中心选址问题的研究

发布时间：2017-04-25 01:31

  本文关键词：基于遗传算法的汽车零部件集配中心选址问题的研究，，由笔耕文化传播整理发布。

【摘要】：近年来电子商务飞速发展,作为其行业核心的物流已经不知不觉间在人们生活中扮演着不可或缺的角色,而配送中心是维系该系统能够正常运转的重要组成部分,起着承上启下的作用,科学有效地建立物流配送中心能大幅降低供应链成本,保障企业和相关用户双方共同的利益[1]。因此,物流配送中心选址对提高物流整体效率和效益具有十分重要的意义。对于汽车零部件集配中心选址问题,传统算法拥有众多的局限性,遗传算法利用计算机可以很好的计算出最优的选址策略,然而该算法尚处于起步阶段,很多参数还有待于进一步优化,以解决现实问题。传统遗传算法适用于解空间较小,解的数量有限且离散的情况。而对于解空间较大,解数量无限,解的分布为连续时,算法计算量大幅飙升的同时,更为不容易搜索出最优解。在解空间较大时,国内外众多学者提出了众多的改进策略,在借鉴了前人的研究成果的基础上,本文开展了以下研究:首先,对汽车零部件集配中心选址问题进行了分析和建模,用鲍摩-瓦尔夫法求解选址问题,通过案例分析,解析了中国北方某大型汽车制造厂五年的物流编组数据,建立了两种不同的数学模型,在备选的三个集配中心中选出一个或多个集配中心,利用遗传算法找到最佳的集配中心选址策略以确保供应链总成本最低。其次,本文介绍了传统的鲍摩法,然后针对鲍摩法难以找出最优解的缺陷,针对市场调查中实际遇到的汽车零部件集配中心选址问题,提出了货物不可拆分模型和货物可拆分模型。为了解决实际问题,提出了基于货物不可拆分模型解空间有限时的遗传算法。而对于货物可拆分模型,针对其解空间庞大的特点,引入惩罚函数,对遗传算法解空间的搜索进行了限制。在此基础上,本文针对汽车零部件集配中心选址这个具体问题,对该算法进行了一系列的改进,如改善初始种群,引入最优个体保送策略,陷入局部最优值时的变异跳出机制等,得到了较为满意的计算结果。但上述惩罚函数遗传算法依然不够理想,本文又提出了约束条件代入法,进一步限定了搜索空间,得到了满意的计算结果,同时,讨论了遗传算法众多参数如变异率,交叉率等在实际编程中的作用和如何选择这些参数才能得到更优的结果,提高编程和调试能力。最后,本文对两种遗传算法(不可拆分算法和可拆分算法)的试用条件、准确度、结果精确度等进行了比较分析,并对遗传算法在不同情况下的使用和改进进行了探讨,为今后的研究提供了详实的理论依据。
【关键词】：选址 遗传算法 汽车零部件集配中心
【学位授予单位】：吉林大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP18
【目录】：

• 摘要4-6
• Abstract6-10
• 第1章 绪论10-15
• 1.1 选题背景10-11
• 1.2 国内外研究现状11-13
• 1.2.1 集配中心选址问题的研究现状11-12
• 1.2.2 遗传算法的发展史及研究现状12-13
• 1.3 研究目的及意义13
• 1.4 本文的组织结构13-15
• 第2章 集配中心的选址及鲍摩法解决方案15-26
• 2.1 集配中心概述15-17
• 2.1.1 集配中心的配送功能15-16
• 2.1.2 集配中心的分类及物流网络的问题模型16-17
• 2.2 配送中心选址系统的建模17-21
• 2.2.1 选址应考虑的基本条件分析17
• 2.2.2 选址问题的案例分析17-19
• 2.2.3 模型的建立19-21
• 2.3 鲍摩瓦尔夫模型求解策略21-26
• 2.3.1 模型具体解决问题的思路21-22
• 2.3.2 程序实现22-25
• 2.3.3 鲍摩瓦尔夫法的计算结果和缺陷25-26
• 第3章 基于货物不可拆分模型的遗传算法的解决方案26-42
• 3.1 遗传算法的概述26-29
• 3.1.1 遗传算法的简介26-28
• 3.1.2 遗传算法的模式定理28-29
• 3.2 货物不可拆分的模型分析29
• 3.3 货物不可拆分遗传算法29-42
• 3.3.1 编码29-30
• 3.3.2 适应度函数30-32
• 3.3.3 初始种群生成32-33
• 3.3.4 选择33-34
• 3.3.5 交叉34-39
• 3.3.6 变异39-40
• 3.3.7 参数调整40
• 3.3.8 测算结果40-42
• 第4章 基于货物可拆分模型的遗传算法解决方案42-56
• 4.1 货物可拆分模型分析42
• 4.2 惩罚函数遗传算法42-49
• 4.2.1 编码42-43
• 4.2.2 解除约束及适应度函数的确定43
• 4.2.3 初始种群生成43-46
• 4.2.4 选择和交叉46-47
• 4.2.5 变异47-49
• 4.2.6 参数调整和测算结果49
• 4.3 约束条件代入遗传算法49-56
• 4.3.1 适应度函数50-51
• 4.3.2 交叉51-54
• 4.3.3 变异54-55
• 4.3.4 测算结果55-56
• 第5章 两种算法的分析与性能对比56-59
• 5.1 两种算法的适用条件分析56-57
• 5.2 性能对比57-59
• 第6章 总结与展望59-60
• 6.1 总结59
• 6.2 展望59-60
• 参考文献60-63
• 致谢63

【参考文献】

中国期刊全文数据库 前10条

1 胡籍;;AHP在物流配送中心选址中的应用[J];经营管理者;2014年06期

2 宋少忠;孔繁森;王利芳;郭淑馨;;应用鲍摩法规划汽车零部件制造业集配中心选址[J];工业工程;2012年03期

3 李昌兵;杜茂康;曹慧英;;基于层次遗传算法的物流配送中心选址策略[J];计算机应用研究;2012年01期

4 李果;马士华;龚凤美;王兆华;;基于Supply-Hub的供应物流协同运作研究综述与展望[J];机械工程学报;2011年20期

5 王竹荣;巨涛;马凡;;多核集群系统下的混合并行遗传算法研究[J];计算机科学;2011年07期

6 王勇;何宇;;基于改进蚁群算法的多物流配送中心选址[J];经营管理者;2011年02期

7 孙浩然;远亚丽;;基于鲍摩-瓦尔夫模型的配送中心选址[J];物流工程与管理;2011年01期

8 张宇;张明海;;模糊层次分析法为基础的东北地区鹿类动物生境评价体系初探[J];野生动物;2010年01期

9 张燕;胡贤满;李珍萍;;重心法和模糊层次分析相结合的配送中心选址方法[J];物流技术;2009年10期

10 余晓钟;刘鸿渊;陈健声;;基于缺货条件的成品油二次运输成本优化[J];西南石油大学学报(自然科学版);2009年05期

  本文关键词：基于遗传算法的汽车零部件集配中心选址问题的研究，由笔耕文化传播整理发布。

本文编号：325365