[发明专利]一种自适应粒子群优化的物流中心选址模型

说明书

本发明具体涉及一种自适应粒子群优化的物流中心选址模型，属于优化与决策领域。首先，根据假设和约束条件，构建物流中心选址的数学模型；其次，利用平均粒子间距作为种群多样性的指导因子建立非线性惯性权重，采用反余弦函数设计非线性对称加速度系数；最后，通过自适应粒子群优化机制平衡物流中心选址问题的全局搜索能力和局部搜索能力。本发明从惯性权重和加速度系数的自适应更新的角度出发，围绕物流中心选址模型的优化问题，提出自适应粒子群优化算法，该方法不仅能够优化配送中心选址问题而且具有较高的搜索效率。

技术领域

本发明属于优化与决策技术领域，具体涉及一种自适应粒子群优化的物流中心选址模型。

背景技术

随着世界经济的快速发展和科学技术的发展，物流配送作为一种新兴的服务正在世界范围内迅速发展。先进的物流配送系统不仅可以加快经济增长速度，而且可以降低不必要的交易成本。在物流配送系统中，需要一些配送中心作为中间桥梁，连接厂家和客户，支持和改善产品流程。因此，如何设计和选择配送中心作为关键的物流节点成为了一个备受关注的问题，具有重要的理论意义和应用价值。

物流配送中心选址问题涉及如何选择潜在配送中心的选址，如何通过配送中心运输产品使其相关总成本最小化。针对这一问题，许多定性化和定量化的优化方法被提出，其中定性方法包括层次分析法、专家选择法、比较分析法、模糊评价法。这些方法在一定程度上解决了选址问题，但也存在一些主观因素。定量方法包括引力法、混合整数规划和双层规划。但是，当问题规模较大时，由于NP-hard的性质，解决问题的难度较大。因此，寻求一种方便、高效的配送中心定位算法是非常重要的。

由于遗传算法、禁忌算法和模拟退火算法等启发式优化在复杂优化组合问题中得到了广泛的应用，特别是粒子群算法(Particle swarm optimization，PSO)为配送中心选址问题提供了新的思路。PSO是一种基于鸟群群体行为的生物启发进化计算算法，通过群体智能实现以实现多维空间的优化目标。近年来，PSO在解决物流中心选址问题上取得了一定的成效，但其收敛性和探索的稀缺性也是应用过程中经常遇到的问题。为了克服以上缺点，因此希望开发出自适应优化的方法，实现物流中心选址模型的快速、高效求解。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种自适应粒子群优化的物流中心选址模型。首先，根据假设和约束条件，构建物流中心选址的数学模型；其次，利用平均粒子间距作为种群多样性的指导因子建立非线性惯性权重，采用反余弦函数设计非线性对称加速度系数；最后，通过自适应粒子群优化机制平衡物流中心选址问题的全局搜索能力和局部搜索能力。该物流中心选址模型从惯性权重和加速度系数的自适应更新的角度出发，围绕物流中心选址模型的优化问题，提出自适应粒子群优化算法，该方法不仅能够优化配送中心选址问题而且具有较高的搜索效率。

本发明要解决的技术问题通过以下技术方案实现：

一种自适应粒子群优化的物流中心选址模型，包括以下步骤：

步骤1：构建物流配送中心选址模型，建立适应度函数F(w，r)：

物流配送中心选址模型在复杂约束下是一种非凸非平滑的非线性规划模型，应完成两项重要任务：1)从潜在候选集合中选择配送中心，2)确定从选定的配送中心向每个客户运输的产品数量，在此过程中，要求满足每个客户的需求，并尽量减少距离成本，基于该任务，作为位置分配的模型从潜在集合中选择分配中心并将项目分配给客户，目标函数是从每个配送中心到客户的需求及距离之和最小且分配中心的建造造价最小：