计算智能-粒子群算法在物流中心选址中的应用

最新推荐文章于 2024-05-12 15:19:57 发布

LW彬彬彬彬彬彬。

最新推荐文章于 2024-05-12 15:19:57 发布

阅读量2.9k

点赞数 6

分类专栏：计算智能文章标签： python 计算智能

本文链接：https://blog.csdn.net/weixin_45115928/article/details/106252880

版权

计算智能专栏收录该内容

9 篇文章 1 订阅

订阅专栏

实现论文

《粒子群算法在物流中心选址中的应用》

链接：https://pan.baidu.com/s/1scdDvKvUviEVEeQC8fweRg
提取码:k38b

实验目的

物流中心（logistics center）是从事物流活动的场所或组织，能够处理各种运输、储存、包装、装卸、流通加工等物流作业，是物流信息处理的据点。在供应链管理盛行的今天，物流中心作为衔接供应链上下游的环节，起到了至关重要的作用。合理的物流中心选址可以有效地节省费用，保证物流系统的高效运作，对供应链管理具有战略性意义。物流中心选址模型一般是非凸、带有复杂约束的非线性规划模型，属NP
hard问题[1]。选址问题一直是受人关注的研究领域，已有众多学者对选址问题进行了研究，提出了多种方法，如：Baumolwolfe法[2]、重心法[3]、禁忌算法[4]、遗传算法[1，5]、模拟退火算法[6]、层次分析法[7] 和人工神经网络法[8]等。由于节约运输成本和缩短运输时间是物流中心选址应该着重考虑的首要问题。因此，将针对物流中心选址问题的特点，构造问题求解的粒子群优化算法，力求科学、快速地得到物流中心选址的优化方案，供决策参考。

基本思路

粒子群优化算法 PSO（Particle Swarm Optimization）由 Kennedy和Eberhart于1995年提出，是一种进化计算技术，源于对鸟群和鱼群捕食等社会行为的模拟[10]。PSO中，每个优化问题的解类似于搜索空间中的一只鸟，被称为“粒子”。PSO 算法随机产生一个初始种群并赋予每个粒子一个随机速度，在飞行过程中，粒子的飞行速度和轨迹根据自己及同伴的飞行经验来动态调整，整个群体有飞向更好搜索区域的能力。
目前，PSO及其改进算法已广泛应用于函数优化、神经网络训练、模糊系统控制、模式识别以及工程应用等诸多领域，并被证明能够以较小的计算代价获得良好的优化解[11]。将粒子群算法应用于物流中心选址问题的求解。设在一个 2 维搜索空间中，由 m 个粒子组成种群为 X ={x1x2 xm}，其中：第 i 个粒子的位置向量为 xi =[xi1xi2]表示平面上一个物流中心的可行地址坐标，其速度向量为vi=[vi1vi2] 。第 i 个粒子的适应度值 fi 由选址问题的目标函数物流成本计算公式（1）和（2）计算得到。第 i 个粒子进化到第 g 代找到的个体最优位置为 pi =[pi1pi2] ；整个粒子群迭代到第 h 代找到的全局最优位置 pg =[pg1pg2] 。从第 h 代进化到第 h + 1代时，第 i 个粒子在第 j ( j = 12) 维子空间中飞行速度和位置的调整可以根据式（5）和（6）进行。 vh + 1 ij = ω × vhij + c1 ×rand ×(pij - xhij) + c2 ×rand ×(pgj - xhij) （5） xh + 1 ij = xhij + vh + 1 ij （6）式中：ω 为惯性权重，rand 为[0，1]区间均匀分布的随机数，c1
和 c2 为学习因子。

基本流程

步骤1 初始化。粒子群的规模 m ，最大迭代次数 gmax ，在可行域中随机产生初始粒子群。
步骤2 计算各粒子的适应度值，求出粒子的个体最优位置和全局最优位置。
步骤3 如果当前迭代次数达到最大迭代次数 gmax ，输出全局最优位置作为物流中心的选址结果，结束算法；否则，转步骤4。
步骤4 根据式（5）和式（6）进行计算，得到新一代的粒子
位置，转步骤2。

代码实现

（1）

import random
import math


def initx(m):
  data=[]
  for i in range(m):
    x1=random.randint(0,10)
    x2=random.randint(0,10)
    data.append([x1,x2])
  return data
  
  
def initv(c1,c2,data,m):
  v=[]
  dis=[]
  sumdis=0
  for j in range(len(data)):
    for i in range(len(coordinate)):
      sumdis+=math.sqrt((coordinate[i][0]-data[j][0])**2+(coordinate[i][1]-data[j][1])**2)\
              *coordinate[i][2]*coordinate[i][3]
    dis.append(sumdis)
    sumdis=0
  best=data[dis.index(min(dis))]
  for i in range(m):
    v1=c1*random.random()*data[i][0]+c2*random.random()*best[0]
    v2=c1*random.random()*data[i][1]+c2*random.random()*best[1]
    v.append([v1,v2])
  return v
    
  
    
def fitness(x,c1,c2,w,coordinate,m):
  fit=[]
  sumdis=0
  for j in range(m):
    for i in range(len(coordinate)):
      sumdis+=math.sqrt((coordinate[i][0]-x[j][0])**2+(coordinate[i][1]-x[j][1])**2)\
              *coordinate[i][2]*coordinate[i][3]
    fit.append(sumdis)
    sumdis=0
  return fit
    
    
    
def update(x,v,c1,c2,w,m,bestx,mostfit):
  for i in range(m):
    v[i][0]=w*v[i][0]+c1*random.random()*(bestx[i][0]-x[i][0])+c2*random.random()*(mostfit[0]-x[i][0])
    v[i][1]=w*v[i][1]+c1*random.random()*(bestx[i][1]-x[i][1])+c2*random.random()*(mostfit[1]-x[i][1])
    x[i][0]=x[i][0]+v[i][0]
    x[i][1]=x[i][1]+v[i][1]
    
if __name__ == "__main__":
  m=25
  w=0.2
  c1,c2=1.5,1.5
  gmax=30
  time=0
  
  coordinate=[[2,1,3,0.002],[5,2,5,0.0015],[9,1,17,0.002],[7,4,12,0.0013],[2,5,9,0.0015],\
              [10,5,10,0.0012],[2,7,24,0.002],[4,7,14,0.0014],[5,8,23,0.0024],[8,9,30,0.0011],
              [9,6,147,0.0005]]
  
  #初始化种群
  #x=initx(m)
  x=[[9, 0], [7, 2], [9, 0], [9, 3], [7, 8], [6, 8], [9, 6], [10, 9], [4, 1], [0, 3], [7, 3],\
     [8, 4], [1, 1], [6, 1], [7, 4], [2, 10], [6, 0], [6, 1], [0, 9], [9, 0], [2, 10], [10, 2],\
     [5, 9], [0, 6], [9, 9]]
  
  v=initv(c1,c2,x,m)
  fit=fitness(x,c1,c2,w,coordinate,m)
  bestx=x.copy()
  bestfit=fit.copy()
  while time<gmax:
    newfit=fitness(x,c1,c2,w,coordinate,m)
    for i in range(len(newfit)):
      if bestfit[i] > newfit[i]:
        bestx[i]=x[i]
        bestfit[i]=newfit[i]
    mostfit=bestx[bestfit.index(min(bestfit))]
    update(x,v,c1,c2,w,m,bestx,mostfit)
    time+=1
    
  print("最优仓库地址:X=",round(mostfit[0],3),",Y=",round(mostfit[1],3))

（2）

import random
import math


def initx(m):
  data=[]
  for i in range(m):
    x1=random.randint(0,20)
    x2=random.randint(0,20)
    data.append([x1,x2])
  return data
  
  
def initv(c1,c2,data,m):
  v=[]
  dis=[]
  sumdis=0
  for j in range(len(data)):
    for i in range(len(coordinate)):
      sumdis+=math.sqrt((coordinate[i][0]-data[j][0])**2+(coordinate[i][1]-data[j][1])**2)\
              *coordinate[i][2]*coordinate[i][3]
    dis.append(sumdis)
    sumdis=0
  best=data[dis.index(min(dis))]
  for i in range(m):
    v1=c1*random.random()*data[i][0]+c2*random.random()*best[0]
    v2=c1*random.random()*data[i][1]+c2*random.random()*best[1]
    v.append([v1,v2])
  return v
    
  
    
def fitness(x,c1,c2,w,coordinate,m):
  fit=[]
  sumdis=0
  for j in range(m):
    for i in range(len(coordinate)):
      sumdis+=math.sqrt((coordinate[i][0]-x[j][0])**2+(coordinate[i][1]-x[j][1])**2)\
              *coordinate[i][2]*coordinate[i][3]
    fit.append(sumdis)
    sumdis=0
  return fit
    
    
    
def update(x,v,c1,c2,w,m,bestx,mostfit):
  for i in range(m):
    v[i][0]=w*v[i][0]+c1*random.random()*(bestx[i][0]-x[i][0])+c2*random.random()*(mostfit[0]-x[i][0])
    v[i][1]=w*v[i][1]+c1*random.random()*(bestx[i][1]-x[i][1])+c2*random.random()*(mostfit[1]-x[i][1])
    x[i][0]=x[i][0]+v[i][0]
    x[i][1]=x[i][1]+v[i][1]
    
if __name__ == "__main__":
  m=40
  w=0.2
  c1,c2=1.8,1.8
  gmax=50
  time=0
  
  coordinate=[[5.3,6.6,3,5],[9.3,12.4,2,4],[15.5,18.7,3,6],[5.5,0.4,4,4],[13.3,10.2,3,5],\
              [9.5,10.9,5,7],[9.0,14.8,3,4],[5.9,17.1,3,4],[19.3,19.3,6,6],[14.5,7.2,3,7],\
              [11.4,4.1,4,5],[5.7,4.4,3,4],[4.7,2.3,2,5],[11.1,13.6,2,6],[2.8,16.4,20,3],\
              [3.0,8.7,30,3]]
  
  #初始化种群
  #x=initx(m)
  x=[[17, 0], [6, 7], [12, 18], [19, 9], [12, 3], [12, 16], [7, 9], [15, 5], [20, 16], [4, 11],\
     [18, 10], [8, 17], [13, 16], [9, 9], [3, 7], [6, 3], [13, 1], [16, 16], [1, 6], [12, 19],\
     [14, 18], [15, 13], [3, 13], [19, 11], [17, 13], [17, 19], [14, 13], [11, 18], [12, 15],\
     [2, 5], [11, 4], [9, 0], [9, 3], [12, 16], [18, 18], [5, 10], [8, 1], [16, 1], [7, 16], \
     [13, 11]]
  v=initv(c1,c2,x,m)
  fit=fitness(x,c1,c2,w,coordinate,m)
  bestx=x.copy()
  bestfit=fit.copy()
  while time<gmax:
    newfit=fitness(x,c1,c2,w,coordinate,m)
    for i in range(len(newfit)):
      if bestfit[i] > newfit[i]:
        bestx[i]=x[i]
        bestfit[i]=newfit[i]
    mostfit=bestx[bestfit.index(min(bestfit))]
    update(x,v,c1,c2,w,m,bestx,mostfit)
    time+=1 
    
  print("最优仓库地址:X=",round(mostfit[0],3),",Y=",round(mostfit[1],3))
  print("运输成本为:",min(bestfit))

实验结果

（1）
在这里插入图片描述
（2）

LW彬彬彬彬彬彬。

关注

6
点赞
踩
59

收藏

觉得还不错? 一键收藏
2
评论
计算智能-粒子群算法在物流中心选址中的应用

实现论文《粒子群算法在物流中心选址中的应用》链接：https://pan.baidu.com/s/1scdDvKvUviEVEeQC8fweRg提取码:k38b实验目的物流中心（logistics center）是从事物流活动的场所或组织，能够处理各种运输、储存、包装、装卸、流通加工等物流作业，是物流信息处理的据点。在供应链管理盛行的今天，物流中心作为衔接供应链上下游的环节，起到了至关重要的作用。合理的物流中心选址可以有效地节省费用，保证物流系统的高效运作，对供应链管理具有战略性意义。物
复制链接

扫一扫