王亞東,石 全,宋衛(wèi)星,胡起偉
(陸軍工程大學(xué) 石家莊校區(qū)裝備指揮與管理系,河北 石家莊 050003)
工程實(shí)際中,產(chǎn)品供應(yīng)通常為間歇性和多階段,例如,在(s,S)庫(kù)存策略下,每當(dāng)庫(kù)存量低于閾值s時(shí)則進(jìn)行補(bǔ)貨;而在(R,Q)策略下,每間隔R段時(shí)間進(jìn)行一次補(bǔ)貨。因此,根據(jù)既定的消耗規(guī)律、維修方式和庫(kù)存策略,可以確定在給定時(shí)間界限內(nèi)的備件供應(yīng)階段數(shù)??梢钥闯觯瑹o(wú)論采用何種策略,產(chǎn)品的供應(yīng)均分為多個(gè)階段完成,由此構(gòu)成了動(dòng)態(tài)物流網(wǎng)絡(luò)。在動(dòng)態(tài)物流網(wǎng)絡(luò)優(yōu)化問題中如何將實(shí)際問題轉(zhuǎn)化為數(shù)學(xué)模型,以及如何對(duì)復(fù)雜模型進(jìn)行求解仍亟待解決。
關(guān)于物流網(wǎng)絡(luò)優(yōu)化問題,目前國(guó)內(nèi)外均有相關(guān)研究。Wang等[1]以成本最小為目標(biāo)研究了靜態(tài)二級(jí)物流網(wǎng)絡(luò)的分配問題,使用蟻群遺傳混合算法對(duì)模型進(jìn)行求解。De Keizer等[2]研究了易腐產(chǎn)品的物流網(wǎng)絡(luò)選址分配問題,同樣以成本最小為目標(biāo)構(gòu)建了線性規(guī)劃模型。TANG等[3]以成本最小和CO2排放最少為目標(biāo)建立物流網(wǎng)絡(luò)的無(wú)容量設(shè)施選址多目標(biāo)優(yōu)化模型,采用ε-約束法求解模型。Yang等[4]考慮低碳資源的配置,提出一種新的碳稅限制型城市物流配送網(wǎng)絡(luò)規(guī)劃模型。采用雙線性非凸混合整數(shù)規(guī)劃,并通過適當(dāng)?shù)木€性化簡(jiǎn)化為純線性混合整數(shù)規(guī)劃進(jìn)行求解。Soleimani等[5]研究了靜態(tài)閉環(huán)物流網(wǎng)絡(luò)選址分配問題,使用粒子群和遺傳算法求解NP問題。周芳汀等[6]構(gòu)建了帶時(shí)間窗的地鐵配送網(wǎng)絡(luò)路徑規(guī)劃模型,采用隨機(jī)變鄰域和迭代搜索算法進(jìn)行求解。Jeet等[7]以時(shí)間和服務(wù)水平為目標(biāo)對(duì)物流網(wǎng)絡(luò)分配問題進(jìn)行研究,提出了基于線性化模型的精確式求解方案。
可以看出,一方面目前大部分研究集中在靜態(tài)物流網(wǎng)絡(luò)優(yōu)化以及單目標(biāo)優(yōu)化,動(dòng)態(tài)和多目標(biāo)優(yōu)化仍是熱點(diǎn)和難點(diǎn)問題;另一方面,求解算法大多為精確式算法,此類方法過分依賴模型結(jié)構(gòu)本身且很難求解非線性和非凸問題。多目標(biāo)進(jìn)化算法(Multi-Objective Evolutionary Algorithm, MOEA)是一種基于種群搜索的智能優(yōu)化方法,屬于元啟發(fā)式算法。作為隨機(jī)搜索算法,進(jìn)化算法不需要梯度和解析的目標(biāo)函數(shù),因此適用于處理沒有解析目標(biāo)函數(shù)和無(wú)法得到目標(biāo)函數(shù)梯度信息的優(yōu)化問題;其次,因?yàn)檫M(jìn)化算法是隨機(jī)搜索方法,所以它們搜索全局最優(yōu)解的能力比較強(qiáng)。因此,近些年來(lái)MOEA被廣泛用于多目標(biāo)優(yōu)化問題。目前多目標(biāo)優(yōu)化算法可分為基于帕累托(Pareto-based algorithms)、基于分解(decomposition-based algorithms)和基于指標(biāo)(indicator-based algorithms)的方法[8]?;赑areto的方法通過比較不同解之間的支配關(guān)系,選出非支配解作為最優(yōu)解,常用的算法有快速非支配排序遺傳算法(non-dominated sorting genetic algorithm Ⅱ)[9]、多目標(biāo)差分進(jìn)化算法(multi-objective differential evolution algorithm)[10]、增強(qiáng)Pareto進(jìn)化算法(strength Pareto evolutionary algorithm)[11]等;基于分解的算法通過標(biāo)度函數(shù)聚合的目標(biāo),從而生成單個(gè)標(biāo)量值,并通過指定一組分布良好的參考點(diǎn)來(lái)保持種群的多樣性,從而指導(dǎo)個(gè)體同時(shí)搜索不同的最佳狀態(tài),常用的算法為MOEA/D[12];基于指標(biāo)的算法則是利用一個(gè)性能指標(biāo)來(lái)指導(dǎo)進(jìn)化過程中的搜索,常用的指標(biāo)有IGD(inverted generational distance)、HV(hyper-volume)等[13]。
目前,多目標(biāo)進(jìn)化算法在處理靜態(tài)多目標(biāo)優(yōu)化問題時(shí)應(yīng)用較多也相對(duì)成熟,如何將其應(yīng)用于動(dòng)態(tài)優(yōu)化問題仍有待探索。本文充分考慮物流網(wǎng)絡(luò)優(yōu)化中多目標(biāo)、多階段等特點(diǎn),在差分進(jìn)化框架基礎(chǔ)上提出了相應(yīng)的動(dòng)態(tài)響應(yīng)機(jī)制和進(jìn)化策略以采用進(jìn)化算法解決動(dòng)態(tài)網(wǎng)絡(luò)優(yōu)化問題。
本文研究主要針對(duì)傳統(tǒng)物流網(wǎng)絡(luò)的節(jié)點(diǎn)選址問題和產(chǎn)品分配問題,屬于選址—分配聯(lián)合優(yōu)化問題。經(jīng)典物流網(wǎng)絡(luò)由三級(jí)供應(yīng)網(wǎng)絡(luò)節(jié)點(diǎn)構(gòu)成,即供應(yīng)點(diǎn)、中轉(zhuǎn)點(diǎn)和需求點(diǎn)。顧客在需求點(diǎn)產(chǎn)生產(chǎn)品需求,其需求量反饋給供應(yīng)點(diǎn)。供應(yīng)點(diǎn)根據(jù)顧客需求提供產(chǎn)品,產(chǎn)品經(jīng)中轉(zhuǎn)點(diǎn)向各需求點(diǎn)進(jìn)行分配和供應(yīng)。在供應(yīng)過程中,根據(jù)實(shí)際需要決定開放中轉(zhuǎn)點(diǎn)的數(shù)量。為同時(shí)保證物流網(wǎng)絡(luò)的效率和經(jīng)濟(jì)性,在保證滿足顧客需求的前提下,要求產(chǎn)品供應(yīng)的時(shí)間最短和供應(yīng)花費(fèi)總成本最少。由于顧客對(duì)產(chǎn)品的消耗為離散規(guī)律,整個(gè)供應(yīng)為多階段的動(dòng)態(tài)過程。
本文物流網(wǎng)絡(luò)優(yōu)化模型建立在以下假設(shè)之上:
(1)以某一類產(chǎn)品為研究對(duì)象;
(2)各階段節(jié)點(diǎn)之間的產(chǎn)品運(yùn)輸成本均為已知,不同階段運(yùn)輸成本可能不同;
(3)中轉(zhuǎn)點(diǎn)的開放費(fèi)用、庫(kù)存費(fèi)用、最大儲(chǔ)備量均為已知,且不隨時(shí)間變化;
(4)各階段需求點(diǎn)的產(chǎn)品需求量和缺件損失已知,不同階段各不相同;
(5)暫不考慮越級(jí)供應(yīng)以及同級(jí)之間的橫向供應(yīng)。
I為供應(yīng)點(diǎn)的數(shù)量,i=1,2,…,I;
J為中轉(zhuǎn)點(diǎn)的數(shù)量,j=1,2,…,J;
K為需求點(diǎn)的數(shù)量,k=1,2,…,K;
T為供應(yīng)持續(xù)的周期數(shù),t=1,2,…,T
Uj為產(chǎn)品在第j個(gè)中轉(zhuǎn)點(diǎn)的最大儲(chǔ)備量。
決策變量:
目標(biāo)函數(shù)1:產(chǎn)品供應(yīng)總成本最小,即
(1)
(2)
t=1,2,…,T;
(3)
t=1,2,…,T;
(4)
(5)
目標(biāo)函數(shù)2:產(chǎn)品供應(yīng)總時(shí)間最短,即
t=1,2,…,T。
(6)
s.t.
(7)
(8)
(9)
(10)
t=2,3,…,T;
(11)
(12)
t=2,3,…,T;
(13)
(14)
其中:約束(7)和約束(8)表示未開放的中轉(zhuǎn)點(diǎn)不能參與產(chǎn)品的供應(yīng);約束(9)規(guī)定了必須滿足需求點(diǎn)的產(chǎn)品需求;約束(10)和約束(11)為流量平衡約束,式(10)規(guī)定了第一階段中轉(zhuǎn)點(diǎn)無(wú)庫(kù)存的情況下,產(chǎn)品的供出量應(yīng)不超過供入量,式(11)規(guī)定了從第二階段開始的每一階段中轉(zhuǎn)點(diǎn)有庫(kù)存時(shí),產(chǎn)品的供出量應(yīng)不超過供入量與庫(kù)存量之和;約束(12)和約束(13)為容量限制約束,式(12)規(guī)定了第一階段中轉(zhuǎn)點(diǎn)無(wú)庫(kù)存情況下,產(chǎn)品的供入量不能超過最大容量,式(13)規(guī)定了存在庫(kù)存的情況下,產(chǎn)品的供入量與庫(kù)存量之和不能超過最大容量;約束(14)規(guī)定了決策變量的類型。
定義適應(yīng)度函數(shù)由目標(biāo)函數(shù)和懲罰項(xiàng)組成:
fi(x)=Ci(x)+M·P(x)。
(15)
式中:fi(x)表示第i個(gè)適應(yīng)度函數(shù),Ci(x)為模型的第i個(gè)目標(biāo)函數(shù),M為懲罰因子,P(x)為模型的約束違反度,x為個(gè)體向量。
定義模型的約束違反度如下:
(16)
對(duì)于不等式約束:cj(x)=max(0,gj(x)),gj(x)≤0為模型中第j個(gè)不等式約束;對(duì)于等式約束有:cj(x)=max(0,|hj(x)-ε|),hj(x)=0為模型中第j個(gè)等式約束,ε為一個(gè)很小的實(shí)數(shù)。
為了保證尋優(yōu)過程前期的全局探索能力,以及后期最優(yōu)解的可行性,定義M為
(17)
式中:M0為較大的常數(shù),itert表示第t階段的迭代次數(shù),max_itert表示第t階段的最大迭代次數(shù)。可以看出,隨著迭代次數(shù)的增加,懲罰力度逐漸加大。
本文在進(jìn)化算法的每個(gè)個(gè)體上采用實(shí)數(shù)和二進(jìn)制混合編碼的方式。結(jié)合產(chǎn)品供應(yīng)動(dòng)態(tài)優(yōu)化模型,令x=(x1,x2,…,xD)為一個(gè)個(gè)體向量,則其編碼方式如圖1所示。其中,x1~xi×j+j×k為實(shí)數(shù)編碼,xi×j+j×k+1~xi×j+j×k+j為二進(jìn)制數(shù)編碼。圖1中的i、j和k為對(duì)應(yīng)模型中供應(yīng)點(diǎn)、中轉(zhuǎn)點(diǎn)和需求點(diǎn)。
為求解所提出的動(dòng)態(tài)多目標(biāo)優(yōu)化模型,本文對(duì)傳統(tǒng)差分進(jìn)化算法進(jìn)行改進(jìn),提出了動(dòng)態(tài)自適應(yīng)多目標(biāo)差分進(jìn)化算法(Dynamic Self-adaptive Multi-objective Differential Evolutionary Algorithm, DSMODEA)。DSMODEA在靜態(tài)差分算法的基礎(chǔ)上增加了環(huán)境變化監(jiān)測(cè)算子、環(huán)境變化響應(yīng)策略,并采用了自適應(yīng)策略。
DSMODEA算法流程如圖2所示。
本文設(shè)計(jì)了一種不依賴于決策變量的監(jiān)測(cè)算子:
(19)
當(dāng)環(huán)境變化時(shí),本文采用以下響應(yīng)策略:
(1)種群的響應(yīng)策略 當(dāng)環(huán)境發(fā)生變化時(shí),本文的DSMODEA算法分別采用隨機(jī)初始化和繼續(xù)使用上代種群兩種策略,并利用算法對(duì)兩種策略的結(jié)果進(jìn)行對(duì)比分析。兩種策略均存在一定的局限性。隨機(jī)初始化種群,即將動(dòng)態(tài)優(yōu)化過程分解為多個(gè)靜態(tài)優(yōu)化過程,該策略完全舍棄上一環(huán)境的種群信息將不利于算法的快速收斂;由于上一環(huán)境下的種群是經(jīng)過尋優(yōu)后得到的具有很強(qiáng)的收斂性,若繼承上一環(huán)境中的種群將其作為新環(huán)境的初始種群開始尋優(yōu),很容易使算法早熟陷入局部最優(yōu)。
(2)存檔的響應(yīng)策略 當(dāng)環(huán)境變化時(shí),由于模型參數(shù)發(fā)生變化,原支配關(guān)系不再適用新的問題,存檔中的個(gè)體必須全部隨機(jī)初始化。
(1)分別計(jì)算種群中所有個(gè)體的適應(yīng)度函數(shù)值,根據(jù)其Pareto支配關(guān)系選出所有非支配解。將非支配解放入存檔中。當(dāng)?shù)玫较乱淮N群后,再將新的種群與上一代的存檔進(jìn)行混合并得到混合種群。根據(jù)支配關(guān)系,將混合種群的非支配解存入存檔。
(2)對(duì)擁擠距離進(jìn)行計(jì)算根據(jù)每個(gè)目標(biāo)函數(shù)對(duì)種群中的所有個(gè)體按升序進(jìn)行排序。第一個(gè)和最后一個(gè)個(gè)體的擁擠距離設(shè)為無(wú)窮大,第i個(gè)個(gè)體的擁擠距離則設(shè)為第i+1和第i個(gè)體的所有目標(biāo)函數(shù)值之差的和。偽代碼如下:
擁擠度距離偽代碼
1. 初始化所有個(gè)體擁擠度距離:d(i)=0
2. For每個(gè)目標(biāo)函數(shù)j=m
3. 根據(jù)第m個(gè)目標(biāo)對(duì)每個(gè)個(gè)體進(jìn)行排序
4. 令第一個(gè)和最后一個(gè)個(gè)體的擁擠度為正無(wú)窮大:d(1)=+,d(N)=+
5 for i=2:N-1
7. end for
8. end for
(3)選取存檔中擁擠度最小的個(gè)體作為精英個(gè)體。
步驟1變異操作。
令xi=xi1,xi2,…,xiD為第i個(gè)父代個(gè)體向量,vi=vi1,vi2,…,viD為根據(jù)變異策略產(chǎn)生的變異個(gè)體向量。本文采用DE/current-to-best/1策略進(jìn)行變異:
vi=xi+F×(xelite-xi)+F×(xrand-xi)。
(20)
式中:xi為父代個(gè)體,xelite為當(dāng)前種群中的最優(yōu)個(gè)體,xrand為從存檔中隨機(jī)選取的個(gè)體,且xi≠xelite≠
xrand,F(xiàn)是變異率。DE/current-to-best/1策略可以充分利用當(dāng)前種群中精英個(gè)體的信息,從而保持較好的收斂性。
由于在算法迭代后期,較大的變異概率變異不利于個(gè)體向最優(yōu)個(gè)體的收斂,因此本文設(shè)計(jì)了自適應(yīng)變異概率,用來(lái)控制個(gè)體在不同進(jìn)化代數(shù)中的變異概率。
(21)
式中,F(xiàn)0∈[0,1]為初始變異概率,max_itert表示第t階段的最大迭代次數(shù),itert表示算法在第t階段的當(dāng)前迭代次數(shù),iter為整個(gè)算法的當(dāng)前迭代次數(shù)。
步驟2交叉操作。
交叉?zhèn)€體向量ui由父代個(gè)體xi和變異個(gè)體向量vi經(jīng)如下交叉操作產(chǎn)生:
(22)
其中:randij為[0,1]之間均勻分布的隨機(jī)數(shù),CR∈[0,1]為交叉率,即當(dāng)變異個(gè)體vi上第j個(gè)變量vij對(duì)應(yīng)的隨機(jī)數(shù)小于交叉率時(shí),該變量取父代個(gè)體對(duì)應(yīng)值xij,否則保留變異個(gè)體上的值??梢钥闯觯珻R的值設(shè)置的越大則,進(jìn)行交叉操作的概率越大。
步驟3選擇操作。
根據(jù)種群中的父代個(gè)體和交叉?zhèn)€體的適應(yīng)度函數(shù),一一比較其支配關(guān)系。若某父代個(gè)體被對(duì)應(yīng)的交叉?zhèn)€體支配,則用該交叉?zhèn)€體替換對(duì)應(yīng)父代個(gè)體。最終得到的個(gè)體構(gòu)成選擇個(gè)體種群,作為子代個(gè)體進(jìn)入下一次迭代。
某物流網(wǎng)絡(luò)由2個(gè)供應(yīng)點(diǎn),4個(gè)中轉(zhuǎn)點(diǎn)和6個(gè)需求點(diǎn)組成。產(chǎn)品供應(yīng)任務(wù)分5個(gè)階段完成,不同階段需求點(diǎn)的產(chǎn)品需求、缺件損失以及各運(yùn)輸費(fèi)用各不相同,具體相關(guān)信息如表1~表5所示。
表1 節(jié)點(diǎn)間單位產(chǎn)品運(yùn)輸成本 百元
續(xù)表1
注:每一欄數(shù)據(jù)從左至右分別為第一階段到第五階段的運(yùn)輸成本。
表2 節(jié)點(diǎn)間單位產(chǎn)品運(yùn)輸時(shí)間 h
注:每一欄數(shù)據(jù)從左至右分別為第一階段到第五階段的延遲時(shí)間。
表3 中轉(zhuǎn)點(diǎn)相關(guān)信息
表4 需求點(diǎn)單位產(chǎn)品缺件損失 百元
表5 需求點(diǎn)在各級(jí)段的產(chǎn)品需求量 個(gè)
利用DSMODEA對(duì)模型進(jìn)行求解,得到每一階段的最優(yōu)供應(yīng)方案。由于篇幅問題,無(wú)法展示所有階段求得的全部供應(yīng)方案,本文僅以一種優(yōu)化結(jié)果對(duì)供應(yīng)方案進(jìn)行說明,表6給出了一個(gè)供應(yīng)方案的示例,結(jié)合DSMODEA算法的編碼方式可以獲得中轉(zhuǎn)點(diǎn)的開放情況以及產(chǎn)品在節(jié)點(diǎn)之間的供應(yīng)數(shù)量。結(jié)果分析,主要針對(duì)各方案對(duì)應(yīng)的適應(yīng)度函數(shù)和目標(biāo)函數(shù)進(jìn)行對(duì)比分析。
表6 模型第三階段供應(yīng)方案
續(xù)表6
因此x1~x4依次為供應(yīng)點(diǎn)1向4個(gè)中轉(zhuǎn)點(diǎn)的產(chǎn)品供應(yīng)量,x5~x8依次為供應(yīng)點(diǎn)2向4個(gè)中轉(zhuǎn)點(diǎn)的產(chǎn)品供應(yīng)量;x9~x14、x15~x20、x21~x26、x27~x32分別為4個(gè)中轉(zhuǎn)點(diǎn)向6個(gè)需求點(diǎn)的產(chǎn)品供應(yīng)量;x33~x36表示4個(gè)中轉(zhuǎn)點(diǎn)的開放情況,1表示開放、0表示關(guān)閉,則該方案下4個(gè)中轉(zhuǎn)點(diǎn)全部開放。
圖3是每個(gè)階段求得的最優(yōu)解在目標(biāo)空間上的分布。第一階段得到1個(gè)最優(yōu)解,第二階段求得9個(gè)最優(yōu)解,第三階段求得4個(gè)最優(yōu)解,第四和第五階段均求得1個(gè)最優(yōu)解??梢钥闯雒總€(gè)階段中的最優(yōu)解集是互不支配的。
表7給出了每個(gè)最優(yōu)解的適應(yīng)度函數(shù)和目標(biāo)函數(shù)值。從表7可以看出,所有最優(yōu)解的適應(yīng)度函數(shù)與對(duì)應(yīng)的目標(biāo)函數(shù)是相等的,由1.4節(jié)適應(yīng)度函數(shù)表達(dá)式可知所有最優(yōu)解對(duì)應(yīng)的約束值均為零,即所有的解均為可行解。同時(shí),對(duì)比最優(yōu)解的兩個(gè)適應(yīng)度函數(shù)值,驗(yàn)證了各階段最優(yōu)解互不支配。
表7 DSMODEA算法求解結(jié)果
為了研究?jī)?yōu)化環(huán)境發(fā)生變化(供應(yīng)階段發(fā)生變化)時(shí)對(duì)算法的影響,分別比較以下兩種種群環(huán)境變化響應(yīng)策略的精英個(gè)體的適應(yīng)度函數(shù)收斂情況。結(jié)果分別如圖4a和圖4b所示。圖4a為環(huán)境變化后,采取隨機(jī)初始化種群的結(jié)果,記為策略1;圖4b為環(huán)境變化后,繼續(xù)繼承上代種群進(jìn)入下一環(huán)境進(jìn)行尋優(yōu)的結(jié)果,記為策略2??梢钥闯?,兩個(gè)適應(yīng)度函數(shù)的變化規(guī)律是相同的,且環(huán)境變化時(shí)繼承上代種群的波動(dòng)要遠(yuǎn)遠(yuǎn)小于隨機(jī)初始化。這是由于新的種群利用了上代種群中的信息,可以快速的收斂。因此,DSMODEA采用繼承上代種群的環(huán)境變化響應(yīng)策略。
響應(yīng)策略2下的算法相當(dāng)于將動(dòng)態(tài)優(yōu)化問題分解為多個(gè)單階段靜態(tài)優(yōu)化問題,再分別進(jìn)行優(yōu)化。從圖4中可以看出靜態(tài)優(yōu)化需要分別對(duì)每一階段進(jìn)行初始化并重新尋優(yōu),計(jì)算成本太大。而動(dòng)態(tài)優(yōu)化利用了前一階段的信息,在環(huán)境發(fā)生變化時(shí)波動(dòng)較小,且能夠快速收斂。由于響應(yīng)策略2主要是對(duì)每次環(huán)境變化時(shí)的初始種群進(jìn)行了優(yōu)化,用繼承上代種群代替隨機(jī)初始化,這個(gè)過程沒有增加計(jì)算量,并未改變算法的框架,因此不會(huì)對(duì)算法的復(fù)雜度造成影響。該策略的優(yōu)勢(shì)在于經(jīng)過優(yōu)化后的初始種群更加接近于最優(yōu)解集,從而可以加快尋優(yōu)進(jìn)程。動(dòng)態(tài)優(yōu)化算法的整體優(yōu)化代價(jià)要遠(yuǎn)小于靜態(tài)優(yōu)化算法,且隨著階段數(shù)的增加,該優(yōu)勢(shì)體現(xiàn)的越明顯。
為了驗(yàn)證本文提出的自適應(yīng)飛行策略在求解動(dòng)態(tài)多目標(biāo)優(yōu)化問題時(shí)的效果,分別在不采用萊維飛行策略和以全概率進(jìn)行萊維飛行時(shí)對(duì)本文的模型進(jìn)行求解,將其結(jié)果與DSMODEA的結(jié)果進(jìn)行對(duì)比。表8給出了不采取萊維飛行策略時(shí)的求解結(jié)果。從表中可以看出,所求結(jié)果的適應(yīng)度函數(shù)值遠(yuǎn)大于目標(biāo)值,即約束違反度很大,為不可行解。另一方面,表8中各最優(yōu)解的成本和時(shí)間均遠(yuǎn)大于表7所得結(jié)果。這是由于未采取萊維飛行時(shí),種群的多樣性較差,算法很容易陷入局部最優(yōu)。表9是以全概率進(jìn)行萊維飛行時(shí)的結(jié)果,各階段結(jié)果同樣為不可行解,但約束違反度相對(duì)較小。同時(shí),所花費(fèi)的成本和時(shí)間也均大于表7結(jié)果。這是由于全概率萊維飛行時(shí),算法在后期不利于收斂。
表8 未采取萊維飛行時(shí)的求解結(jié)果
表9 全概率萊維飛行時(shí)的求解結(jié)果
本文構(gòu)建了多階段物流網(wǎng)絡(luò)優(yōu)化模型,將實(shí)際問題轉(zhuǎn)化為多目標(biāo)數(shù)學(xué)優(yōu)化模型。為解決動(dòng)態(tài)優(yōu)化問題,提出了一種智能優(yōu)化算法。在靜態(tài)優(yōu)化算法的基礎(chǔ)上,使得差分進(jìn)化算法可以用來(lái)解決動(dòng)態(tài)優(yōu)化問題。采用了自適應(yīng)變異策略,解決了動(dòng)態(tài)優(yōu)化問題中當(dāng)優(yōu)化環(huán)境發(fā)生變化時(shí)算法收斂性與分布性發(fā)生沖突的問題,大大提升了算法的性能。通過算例,得到了模型的非支配解集,同時(shí)通過對(duì)比分析,驗(yàn)證了算法的有效性和效率。本文建立了物流網(wǎng)絡(luò)動(dòng)態(tài)優(yōu)化的基本框架,提供了一種不依賴于問題本身的元啟發(fā)式智能優(yōu)化算法,為實(shí)際物流網(wǎng)絡(luò)產(chǎn)品供應(yīng)提供了思路和參考。未來(lái),將進(jìn)一步以基于多種群的并行動(dòng)態(tài)優(yōu)化算法和基于數(shù)據(jù)驅(qū)動(dòng)的動(dòng)態(tài)優(yōu)化算法為重點(diǎn),繼續(xù)開展物流網(wǎng)絡(luò)動(dòng)態(tài)優(yōu)化的相關(guān)研究。