求解物流配送中心选址问题的蜘蛛猴算法

发布时间：2021-02-26 20:45

　　物流配送中心选址问题的核心是效率最大化,成本最小化。为了快速得到合理的物流配送中心选址方案,现提出一种基于Laplace分布的伪反向蜘蛛猴优化算法（LOBSMO）来求解此问题。建立物流配送中心选址模型。在基本蜘蛛猴优化算法中,采用了Laplace分布初始化蜘蛛猴种群,在局部领导阶段用指数递减与随机对数递减策略改进步长因子,在全局领导阶段提出了新的搜索机制及局部领导决策阶段的伪反向学习策略来提高算法的寻优性能。最后,通过仿真实验说明该方法是可行的。 

【文章来源】：计算机工程与应用. 2020,56(01)北大核心

【文章页数】：8 页

【部分图文】：

100维物流配送中心选址问题的箱型图

其中，lap(p,q)是Laplace分布，p∈(-∞,∞)是位置参数，q>0是尺度参数，函数f始终关于p对称，且在[0,p]上递增，在[p,∞]上递减。如图1为Laplace分布和均匀分布200次迭代生成随机数的曲线比较，直观地得出：使用Laplace分布产生随机数更有利于探索搜索空间，有助于找到潜在解。(2）局部领导阶段的改进

此外，将5种算法运行50次的结果分别进行Wilcoxon秩和检验[16]，它是一种用样本秩来代替样本值的非参数检验法。这里具体是指在5%的显著性水平下检验两组数据的中位数是否有显著性差异。表2为LOBSMO分别与DE、PSO、MA及SMO对9个测试函数运行50次的最小值进行Wilcoxon秩和检验的结果，P表示两组数据总体是否相同的显著性概率，H表示假设检验的结果。其中，若H为1，则说明这两个数据总体有显著性的差别；若H为0，说明两组数据总体差别不显著。由表2的P和H值可总结出：对于全部9个测试函数，LOBSMO与SMO、MA、PSO、DE的Wilcoxon秩和检验结果中，H=1说明每两组数据都有显著差异，P值都小于1×10-10，并且LOBSMO的精度高，因此，LOBSMO优于所对比的算法，其寻优性能得到了很大的改善。

【参考文献】：
期刊论文
[1]一种基于新型差分进化模型的MOEA/D改进算法[J]. 耿焕同,周利发,丁洋洋,周山胜.  计算机工程与应用. 2019(08)
[2]基于猴群算法求解旅行商问题[J]. 徐小平,张东洁.  计算机工程与应用. 2018(02)
[3]基于猴群算法和单纯法的混合优化算法[J]. 陈信,周永权.  计算机科学. 2013(11)
[4]直觉模糊环境下的物流配送中心选址方法研究[J]. 郭子雪,史淑英,张玉芬,齐美然.  计算机工程与应用. 2012(11)
[5]物流配送中心选址双层规划模型与算法[J]. 段刚,陈莉,李引珍,陈志忠,何瑞春.  交通运输系统工程与信息. 2011(01)



本文编号：3053148