论文部分内容阅读
当今社会,生产力飞速发展,社会产品极其丰富。企业通过提高劳动生产力、丰富产品多样性及研发先进技术所获得的利润越来越有限。所以,近年来企业为了获取更大的利润将目光渐渐转向了降低物流运营成本的问题上。物流选址在整个物流活动中对降低物流运营成本起到关键的作用,因此,通过优化算法对物流选址进行优化有很重要的研究价值和意义。微粒群优化算法(Particle Swarm Optimization,PSO),由于其算法具有简单,易于实现,无需梯度信息,参数少等特点,在连续优化问题和离散优化问题中都表现出良好的效果。近年来成为国际上智能优化领域研究的热门,国内越来越多的学者将微粒群优化算法应用到非线性规划,车辆路径,约束优化布局等问题中。文章针对所提出的选址问题,建立模型,并根据模型的特点,采用适合的改进微粒群优化算法求解,实验结果证明了改进算法的有效性。本文主要工作:1将微粒群算法中的惯性权重进行改进,提出与信赖域半径搜索技术相结合的随机惯性权重,使算法在全局搜索能力与局部搜索能力之间达到平衡,避免微粒陷入局部最优,提高算法的搜索效率。2对约束优化问题中约束条件的处理,提出了将传统约束保持法与信赖域半径搜索技术相结合的改进方法,使传统约束保持法易使微粒停滞不前的缺点得到改善,且提高了算法的寻优能力。用著名的测试函数计算,数值结果表明改进算法取得较满意的结果。3结合改进的惯性权重与改进的约束保持法,提出与信赖域搜索技术相结合的改进微粒群算法TRPSO,用测试函数进行测试,并将计算结果与标准微粒群算法及文献中的结果比较,表明TRPSO算法有一定的优势。4对可行域狭小的约束优化问题,提出与表上作业法相结合的改进微粒群算法TMPSO,并理论分析了算法的可行性。5单一设施、连续选址模型,采用TRPSO算法求解,将结果与重心法、标准微粒群算法计算结果比较,TRPSO算法取得更好的效果。6多设施、离散选址模型,根据模型的特点,对模型进行改进,对改进模型用整数规划的微粒群算法求解,数值结果表明改进模型及算法的可行性。7多设施、连续、有约束选址模型,采用TMPSO算法求解,实验结果证明算法的有效性。