评价网 > 科教论文 > 管理学毕业论文 > 企业管理论文 > 正文

物流配送中心选址方法研究综述(2)

2016-11-03 01:01
　　
　　启发式算法
　　
　　启发式算法是寻求解决题目的一种方法和策略，是建立在经验和判定的基础上，体现人的主观能动作用和创造力。启发式算法经常能够比较有效地处理NP hard题目，因此，启发式算法经常与其它优化算法结合在一起使用，使两者的优点进一步得到发挥。目前，比较常用的启发式算法包括：遗传算法；神经网络算法；模拟退火算法。
　　（一）遗传算法
　　遗传算法（genetic algorithm, GA）是在 20 世纪 60 年代提出来的，是受遗传学中自然选择和遗传机制启发而发展起来的一种搜索算法。它的基本思想是使用模拟生物和人类进化的方法求解复杂的优化题目，因而也称为模拟进化优化算法。遗传算法主要有三个算子：选择；交叉；变异。通过这三个算子，题目得到了逐步的优化，终极达到满足的优化解。
　　对于物流配送中心的选址研究，国内外有不少学者将遗传算法同一般的规划方法结合起来对其进行了研究。蒋忠中等（2005）在考虑各种本钱(包括运输本钱等)的基础上，结合具体的应用背景，建立的数学规划模型(混合整数规划或是一般的线性规划)。由于该模型是一个组合优化题目，具有NP hard题目，因此，结合了遗传算法对模型进行求解。通过选择恰当的编码方法和遗传算子，求得了模型的最优解。
　　遗传算法作为一种随机搜索的、启发式的算法，具有较强的全局搜索能力，但是，往往比较轻易陷进局部最优情况。因此，在研究和应用中，为避免这一缺点，遗传算法经常和其它算法结合应用，使得这一算法更具有应用价值。
　　（二）人工神经网络
　　人工神经网络(artificial neural- network, ANN)是由大量处理单元(神经元)广泛互连而成的网络，是对人脑的抽象、简化和模拟，反应人脑的基本特征。可以通过对样本练习数据的学习，形成一定的网络参数结构，从而可以对复杂的系统进行有效的模型识别。经过大量样本学习和练习的神经网络在分类和评价中，往往要比一般的分类评价方法有效。
　　对于神经网络如何应用于物流配送中心的选址，国内外不少学者进行了各种有益的尝试。韩庆兰等（2004）用BP网络对物流配送中心的选址题目进行了尝试性地研究，显示出神经网络对于解决配送中心选址题目具有一定的可行性和可操纵性。
　　这一研究的不足是神经网络的练习需要大量的数据，在对数据的获取有一定的困难的情况下，用神经网络来研究是不恰当的。在应用ANN时，我们应当留意网络的学习速度、是否陷进局部最优解、数据的前期预备、网络的结构解释等题目，这样才能有效及可靠地应用ANN解决实际存在的题目。
　　（三）模拟退火算法
　　模拟退火算法(Simulated Annealing, SA)又称模拟冷却法、概率爬山法等，于1982年由Kirpatrick提出的另一种启发式的、随机优化算法。模拟退火算法的基本思想由一个初始的解出发，不断重复产生迭代解，逐步判定、舍弃，终极取得满足解的过程。模拟退火算法不但可以往好的方向发展,也可以往差的方向发展,从而使算法跳出局部最优解,达到全局最优解。
　　 　对于模拟退火算法应用于物流配送中心选址的研究，大量的文献结合其它方法（如多准则决策、数学规划等）进行了研究。任春玉(2006)提出了定量化的模拟退火遗传算法与层次分析法相结合来确定配送中心地址的方法。该方法确保总体中个体多样性以及防止遗传算法的提前收敛，运用层次分析法确定 物流配送中心选址评价指标权重，并与专家评分相结合进行了综合评价。该算法对于解决物流配送中心的选址具有较好的有效性和可靠性。
　　除以上三种比较常用的方法之外，启发式算法还包括蚁群算法、禁忌搜索算法、进化算法等。各种算法在全局搜索能力、优缺点、参数、解情况存在着一定的差异。各种启发式算法基本上带有随机搜索的特点，已广泛地应用于解决NP hard题目，同时也为物流配送中心选址的智能化处理提供了可能。用解析的方法(包括线性规划等)建立数学模型，然后运用启发式算法进行求解是目前以及未来研究物流配送中心选址的一种较为可行和可操纵的研究方法。