【摘要】：隨著經濟和人口的快速發(fā)展,產業(yè)集聚效應進一步加深;用戶消費水平和采購需求不斷增加,物流活動急劇增加。因此,物流車輛也不可避免地增加,這些物流車輛的排放和能源消耗遠遠大于用于日常出行的乘用車。無可否認,高效快捷的現代物流業(yè)對促進經濟發(fā)展起著關鍵作用。此外,還造成能源消耗、環(huán)境污染和交通問題等一系列問題。如何從物流配送系統(tǒng)中減少物流活動的負面影響已成為現代物流行業(yè)的重要課題之一。究其原因在于業(yè)內尚未形成優(yōu)勢互補和雙贏的局面,而且分布簡單而單調,其功能也不能滿足多元化和多層次的物流配送需求。來自中投顧問的一份數據顯示,不足一半的物流企業(yè)建立了物流信息管理系統(tǒng)和內部網絡資源,其中80%的物流企業(yè)仍然處于應用的初級階段,約15%的物流企業(yè)處于流程改造和控制的優(yōu)化階段,僅有5%的物流企業(yè)已經提升到供應鏈水平。云計算的發(fā)展是IT領域的一次重要過渡和標志性的轉變。云是一個有效可用的虛擬化資產,是共享資產的各種服務器的互聯網絡。云計算通過虛擬化變得高效。因此,在云環(huán)境中有效管理和分配虛擬機變得更加重要。在本文中,我們在分配資源的同時分析和提高云計算基礎架構的可靠性。把云計算引入物流行業(yè),可以解決該行業(yè)中信息資源開發(fā)利用不足、信息化資源缺失等難題,同時也促進我國傳統(tǒng)物流行業(yè)向智能物流轉型;把云計算引入物流配送中,乃至更大范圍的配送服務領域,是當下物流業(yè)亟需解決的問題。物流配送是物流服務供應鏈中的關鍵環(huán)節(jié),也是開展電子商務活動不可或缺的重要部分。其中,車輛調度問題的研究有利于智能交通的發(fā)展,有利于構建全面的物流配送系統(tǒng),更有利于電子商務的發(fā)展。該問題在現實生活中應該更為廣泛,如車輛路徑問題、旅行商問題、郵政投遞問題、航班調度安排、碼頭船舶調運以及電力系統(tǒng)的調度問題等;電子商務和通信技術的發(fā)展更是促進了車輛調度與物流配送的結合,使其在連鎖型超市、大型購物中心和快遞行業(yè)等領域具有更加全面的發(fā)展平臺和更為廣闊的應用前景。論文的主要研究內容和創(chuàng)新成果如下:(1)初步探討基于粗糙集的廣義決策信息系統(tǒng)的理論基礎,重新定義了差別矩陣的概念,規(guī)范Pawlak約簡、廣義決策約簡以及最優(yōu)決策規(guī)則;著重研究在物流配送系統(tǒng)中,基于云計算服務平臺,分析顧客的實時需求,對海量的需求數據進行預處理。(2)從求解復雜多目標優(yōu)化問題的收斂性和解集分布性入手,提出一種基于種群自適應調整的多目標差分進化算法。設計一個種群擴增策略,在決策空間生成一些新個體幫助搜索更優(yōu)的非支配解;設計一個種群收縮策略,依據對非支配解集的貢獻程度淘汰較差的個體以減少計算負荷,并預留一些空間給新的帶有種群多樣性的擾動個體,并引入精英學習策略防止算法陷入局部收斂。用6組函數優(yōu)化問題驗證新算法在多數情況下,收斂性和多樣性方面明顯優(yōu)于與之比較的MOPSO算法和MODE算法,并對其性能進行分析和評價;通過一個TSP測試實例Gr17驗證新算法能有效的求解MTSP問題。由此說明,基于種群自適應調整的多目標差分進化算法能很好地平衡全局搜索和局部搜索,可作為資源分配的一種有效算法。(3)分析遺傳算法和粒子群算法的局限性,引入遺傳算法中的交叉算子和變異算子,設計一種新型帶遺傳操作的粒子群優(yōu)化算法。該算法先對粒子群進行隨機初始化操作,在計算出每個粒子的適應度值后動態(tài)地更新局部最優(yōu)解和全局最優(yōu)解;再以一定概率選擇交叉位,從種群中循環(huán)選擇粒子,依次將粒子同種群局部最優(yōu)和全局最優(yōu)交叉;最后通過粒子自身的變異求出最優(yōu)解。通過對5個不同城市規(guī)模的測試實例,模擬分析TSP問題的路徑成本達到最優(yōu)的收斂狀態(tài)和收斂次數;與PSO算法相比,充分驗證基于改進遺傳-粒子群混合算法的可行性與有效性。(4)在對車輛成本進行詳細分析的基礎上,利用云計算和粗糙集的優(yōu)勢,得到配送網絡中顧客的需求量和車載量;提出基于云計算的遺傳算法。在交叉和變異的過程中,由云模型條件發(fā)生器算法產生自適應交叉概率和變異概率,進而進行了交叉和變異操作,并對性能參數進行了分析。仿真實驗表明利用云計算對冷鏈物流配送車輛路徑優(yōu)化的方法是有效的,能在一定時間內提供實時優(yōu)化的路徑,并控制冷鏈物流配送的控制成本,以提高配送服務效率;求解策略能夠及時地對動態(tài)需求進行響應,很好地滿足動態(tài)車輛路徑問題實時性的要求。(5)為了有效地提高云計算的服務性能、提高資源的利用效率,引入可信度評估機制、局部信息素更新機制和全局信息素更新機制,提出一種基于云計算的蟻群算法。與最優(yōu)時間調度算法和標準蟻群算法相比,說明改進的蟻群算法在云計算資源調度應用中的正確性和有效性;通過與其他的資源調度算法相比,基于云計算的蟻群算法在單目標和多任務資源調度中都占有明顯的優(yōu)勢,在云計算資源調度應用中的實際效果有助于用戶快速地找到最優(yōu)的虛擬機節(jié)點并向其分配資源。
【學位授予單位】：東華大學
【學位級別】：博士
【學位授予年份】：2018
【分類號】：TP18;F252
【圖文】：

表3-2中的三種算法均獨立運行30次、每次迭代1000次且分別在不同測試函數上給出其收斂性和多樣性度量平均值和方差，實驗數據表明PSAMODE具有很強魯棒性。以三種算法在測試函數DTLZ2上的Pareto前沿面為例，如圖3-6中所示。仿真結果表明，PSAMODE算法在較其它兩種算法而言，具有更好的多樣性和高效性，取得了更好的最優(yōu)解。圖 3- 6 三種算法在測試函數 DTLZ2 的最優(yōu) Pareto 前沿面比較3.4.2 基于種群自適應調整的多目標差分進化算法的 MTSP 仿真結果為了充分驗證本章提出的基于種群自適應調整的多目標差分進化算法（PSAMODE）的有效性以及進 步研究該算法在求解MTSP問題中的作用，該研究沒有考慮所消耗的時間問題。我們選取Gr17問題作為測試實例，可以從國際測試問題庫TSPLIB（http://comopt.ifi.uni-heidelberg.de/software/TSPLIB95/）獲得，是經常被用來測試算法性能的經典TSP實例，其城市規(guī)模為17

圖 4- 1 交叉算子示意圖化算法簡單高效、收斂速度快，但卻很容易陷入局部極現象。而在進化算法中，變異操作能夠有效克服上述然，多樣化的實現會相應引起收斂速度的下降，但是。其變異策略為，首先設定 個特定的閾值，計算每 ，當該粒子的適應度值小于設定的閾值，則進行下 步采用隨機函數 rand( )隨機選擇變異的位置，同時 般因此，變異就是 0 1和 1 0的簡單交替。的選擇得當與否對算法的求解性能優(yōu)劣方面影響很大。無論行過程中，合理選擇和控制參數都十分重要。這里我：交叉的概率Pc、群體的規(guī)模N ，編碼的長度L、變異長度LL由所求的實際問題的精度決定了。編碼長度L越大，其

改進遺傳-粒子群混合算法的路徑成本個體和全局最優(yōu)粒子進行交叉操 tion 函數。粒子交叉操作完畢位置，產生隨機數概率rand ，當異。對于二進制編碼，直接采用0否達到結束條件。若滿足條件，否則，返回到 Step2，繼續(xù)進行循大迭代次數nMax。

【參考文獻】

相關期刊論文 前10條

1 李珍萍;趙菲;劉洪偉;;多時間窗車輛路徑問題的智能水滴算法[J];運籌與管理;2015年06期

2 馬祥麗;張惠珍;馬良;;蝙蝠算法在物流配送車輛路徑優(yōu)化問題中的應用[J];數學的實踐與認識;2015年24期

3 譚巍;文慶;;基于蟻群系統(tǒng)和2-opt方法求解同時送取貨車輛路徑VRPSPD問題[J];數學的實踐與認識;2015年24期

4 寧濤;郭晨;陳榮;金花;;一種動態(tài)車輛路徑問題解決策略仿真研究[J];系統(tǒng)仿真學報;2015年12期

5 易云飛;蔡永樂;董文永;林曉東;;求解帶用戶滿意度的多目標實時車輛路徑問題的改進伊藤算法[J];電子學報;2015年10期

6 張曉楠;范厚明;;混合分散搜索算法求解帶容量約束車輛路徑問題[J];控制與決策;2015年11期

7 陳利君;張諍;胡志W

本文編號：2780930