【摘要】：隨著國民經(jīng)濟的快速發(fā)展,對社會物流需求量顯著增加,推動物流產(chǎn)業(yè)保持持續(xù)、穩(wěn)定、快速發(fā)展。在物流實際運作過程中,越庫車輛調(diào)度一直以來都是影響企業(yè)的運輸效率和物流成本的關(guān)鍵因素。越庫是指從入庫貨車到達配送中心、�？啃遁d倉門進行卸貨開始,貨物進行分配和處理,再到裝載倉門進行裝載的整個過程的一種組織方式,貨物不會在配送中心存儲而是直接分配的方式進行。這種組織方式的實施,能夠從成本、時間、環(huán)節(jié)等方面降低和減少,從而大大提升了物流的效益。越庫車輛調(diào)度問題可描述為在一定約束條件下,如何合理分配車輛與倉門,使得整個運作在成本或時間上達到最優(yōu)化的問題。它是一個典型的NP難(NP-Hard)問題,也是最難求解的經(jīng)典組合優(yōu)化問題之一。在過去的幾十年里,研究者們都在不斷尋找和嘗試新的調(diào)度算法,使其提高操作效率、降低操作成本和時間、增加企業(yè)的競爭力。遺傳算法作為仿生學方法中最重要的算法之一,也是應(yīng)用最廣泛的進化計算方法之一。遺傳算法在解決各種非線性優(yōu)化問題中表現(xiàn)出的自適應(yīng)性,全局最優(yōu)性以及隱含的并行性等特點讓其在調(diào)度的優(yōu)化研究方面有著不可替代的優(yōu)勢。本文針對多倉門越庫車輛調(diào)度問題特點,以遺傳算法為基礎(chǔ),提出了一種改進的、更加適用于求解多倉門越庫車輛調(diào)度問題的新算法。由于簡單遺傳算法在應(yīng)用中常出現(xiàn)收斂過慢、穩(wěn)定性差以及早熟現(xiàn)象等問題,而現(xiàn)有的一些改進的自適應(yīng)遺傳算法在求解過程中容易產(chǎn)生局部最優(yōu)解等缺陷。本文從整個遺傳算法流程出發(fā),針對遺傳算法前期容易陷入局部最優(yōu),中后期進化緩慢等缺陷,從種群多樣性,個體最優(yōu)保存策略以及交叉概率和變異概率幾個方面進行改進,根據(jù)實際問題改進交叉方式和變異方式,提出了一種能有效解決多倉門越庫車輛調(diào)度問題的自適應(yīng)遺傳算法。通過實驗結(jié)果表明,該算法在收斂快速性和穩(wěn)定性等方面都有明顯的改善,達到了預期的效果。最后,本文針對越庫車輛調(diào)度的模型和改進的算法來開發(fā)一個多倉門越庫車輛調(diào)度系統(tǒng)。
[Abstract]:With the rapid development of national economy, the demand for social logistics has increased significantly, and the logistics industry has been promoted to maintain sustainable, stable and rapid development. In the actual operation process of logistics, vehicle scheduling has always been the key factor affecting the transportation efficiency and logistics cost of enterprises. Crossing the warehouse refers to a way of organizing the whole process of loading and unloading the goods from the loading truck to the distribution center, the goods are distributed and processed, and then to the loading door. The goods will not be stored in the distribution center, but will be distributed directly. The implementation of this organization can reduce and reduce the cost, time, link and so on, thus greatly improving the efficiency of logistics. The problem of vehicle scheduling over warehouse can be described as the problem of how to distribute vehicles and warehouse doors reasonably under certain constraints, so that the whole operation can be optimized in cost or time. It is a typical NP difficult (NP-Hard) problem, and it is also one of the most difficult classical combinatorial optimization problems. In the past few decades, researchers have been constantly looking for and trying new scheduling algorithms to improve operational efficiency, reduce operating costs and time, and increase the competitiveness of enterprises. Genetic algorithm, as one of the most important algorithms in bionic methods, is also one of the most widely used evolutionary computing methods. Genetic algorithm has irreplaceable advantages in scheduling optimization research because of its adaptability, global optimality and implicit parallelism in solving various nonlinear optimization problems. In this paper, according to the characteristics of multi-warehouse gate vehicle scheduling problem, based on genetic algorithm, an improved new algorithm is proposed, which is more suitable for solving multi-warehouse gate vehicle scheduling problem. Because of the problems of slow convergence, poor stability and premature phenomenon in the application of simple genetic algorithm, some existing improved adaptive genetic algorithms are easy to produce local optimal solution and other defects in the process of solving. Based on the whole process of genetic algorithm, aiming at the defects of genetic algorithm, such as easy to fall into local optimization in the early stage and slow evolution in the middle and late stages, this paper improves the population diversity, individual optimal preservation strategy, cross probability and mutation probability. According to the actual problems, an adaptive genetic algorithm is proposed, which can effectively solve the vehicle scheduling problem of multi-warehouse gate crossing. The experimental results show that the convergence rapidity and stability of the algorithm are obviously improved, and the expected results are achieved. Finally, a multi-warehouse gate vehicle scheduling system is developed according to the model and improved algorithm of cross-warehouse vehicle scheduling.
【學位授予單位】：廣東工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：U492.22;TP18

【相似文獻】

相關(guān)期刊論文 前10條

1 朱力立,張煥春,經(jīng)亞枝;基于六模糊控制器的自適應(yīng)遺傳算法(英文)[J];Transactions of Nanjing University of Aeronautics & Astronau;2003年02期

2 張群,趙剛;基于模糊邏輯控制器的自適應(yīng)遺傳算法[J];工業(yè)工程與管理;2004年06期

3 李井明;劉志斌;;基于自適應(yīng)遺傳算法的水污染控制系統(tǒng)規(guī)劃[J];科學技術(shù)與工程;2006年22期

4 劉宗發(fā);王彥生;徐紅玉;楊俊森;;基于自適應(yīng)遺傳算法的單層球面網(wǎng)殼優(yōu)化分析[J];河南科技大學學報(自然科學版);2006年06期

5 陳超武;董紹華;;求解煉鋼—連鑄批量問題的自適應(yīng)遺傳算法[J];制造業(yè)自動化;2007年02期

6 朱志宇;王建華;;基于混沌優(yōu)化自適應(yīng)遺傳算法的數(shù)據(jù)關(guān)聯(lián)求解[J];航天控制;2007年04期

7 王海波;宋星原;王文凱;;動態(tài)加速自適應(yīng)遺傳算法的應(yīng)用[J];水電能源科學;2008年06期

8 王愛明;王壽武;;基于信息熵的自適應(yīng)遺傳算法研究[J];機電工程技術(shù);2008年11期

9 姜靜;譚博學;姜琳;;基于改進自適應(yīng)遺傳算法的仿真研究[J];山東理工大學學報(自然科學版);2008年06期

10 韓江洪;王梅芳;馬學森;王躍飛;;基于自適應(yīng)遺傳算法的虛擬企業(yè)伙伴選擇求解[J];計算機集成制造系統(tǒng);2008年01期

相關(guān)會議論文 前10條

1 楚永賓;唐振;劉小平;衛(wèi)星;張利;;基于自適應(yīng)遺傳算法的單點交通信號控制方法[A];全國第21屆計算機技術(shù)與應(yīng)用學術(shù)會議（CACIS·2010）暨全國第2屆安全關(guān)鍵技術(shù)與應(yīng)用學術(shù)會議論文集[C];2010年

2 郭毓;林喜波;胡維禮;;基于代溝信息的自適應(yīng)遺傳算法[A];江蘇省自動化學會七屆四次理事會暨2004學術(shù)年會青年學者論壇論文集[C];2004年

3 張文廣;周紹磊;李新;;一種新的改進型自適應(yīng)遺傳算法研究[A];2005年中國智能自動化會議論文集[C];2005年

4 劉洪杰;王秀峰;王治寶;;多峰搜索的自適應(yīng)遺傳算法[A];第二十一屆中國控制會議論文集[C];2002年

5 潘偉;楊勁松;;基于實數(shù)自適應(yīng)遺傳算法的μ綜合問題[A];2007中國控制與決策學術(shù)年會論文集[C];2007年

6 鐘守楠;;自適應(yīng)遺傳算法的探討[A];Systems Engineering, Systems Science and Complexity Research--Proceeding of 11th Annual Conference of Systems Engineering Society of China[C];2000年

7 楊澤青;劉麗冰;譚志洪;劉偉玲;;自適應(yīng)遺傳算法在柔性檢測路徑規(guī)劃中的應(yīng)用[A];第二十七屆中國控制會議論文集[C];2008年

8 王曉鵬;;基于混合自適應(yīng)遺傳算法的飛機氣動優(yōu)化設(shè)計[A];面向21世紀的科技進步與社會經(jīng)濟發(fā)展（上冊）[C];1999年

9 楊林德;劉學增;王悅照;朱合華;仇圣華;;改進的自適應(yīng)遺傳算法及其工程應(yīng)用[A];第八次全國巖石力學與工程學術(shù)大會論文集[C];2004年

10 危濤;宋萬杰;張林讓;;自適應(yīng)遺傳算法在M-序列碼搜索中的應(yīng)用[A];第八屆全國信號與信息處理聯(lián)合學術(shù)會議論文集[C];2009年

相關(guān)博士學位論文 前1條

1 黃利;一類自適應(yīng)遺傳算法的漸近行為研究[D];武漢大學;2012年

相關(guān)碩士學位論文 前10條

1 李欣;自適應(yīng)遺傳算法的改進與研究[D];南京信息工程大學;2008年

2 王寧;基于自適應(yīng)遺傳算法的城市電網(wǎng)網(wǎng)架規(guī)劃[D];華北電力大學（北京）;2008年

3 閆宏亮;改進的自適應(yīng)遺傳算法在桁架結(jié)構(gòu)優(yōu)化中的應(yīng)用[D];長安大學;2009年

4 張玉萍;自適應(yīng)遺傳算法的研究及應(yīng)用[D];哈爾濱工業(yè)大學;2009年

5 陳忠華;基于自適應(yīng)遺傳算法的模糊控制器優(yōu)化設(shè)計[D];重慶理工大學;2010年

6 李坤;參數(shù)參與進化的自適應(yīng)遺傳算法研究[D];南昌航空大學;2010年

7 陳超;自適應(yīng)遺傳算法的改進研究及其應(yīng)用[D];華南理工大學;2011年

8 閆妍;一種新的自適應(yīng)遺傳算法[D];哈爾濱工程大學;2007年

9 呂德剛;改進自適應(yīng)遺傳算法在防爆高能電機優(yōu)化設(shè)計中的應(yīng)用[D];哈爾濱理工大學;2007年

10 王思艷;自適應(yīng)遺傳算法的研究[D];華北電力大學（河北）;2009年

，

本文編號：2499427