没有合适的资源?快使用搜索试试~ 我知道了~
–’’–0研究文章0一种用于具有联合补给的随机地点-库存-交付问题的混合差分进化算法0王思睿,王琳,皮莹莹*0华中科技大学管理学院,中国武汉,4300740文章信息0关键词:地点-库存问题 联合补给随机需求 粒子群优化 差分进化0摘要0研究了一个实际的具有多种联合补给的随机地点-库存-交付问题。与采用连续审查(r,Q)库存政策的传统地点-库存模型不同,该模型采用了具有多种联合补给的周期审查库存政策,并考虑了协调的交付成本。所提出的模型通过同时确定(a)要开设的配送中心(DCs)的数量和位置,(b)零售商分配给DCs,(c)补给和交付的频率和周期间隔,以及(d)每种物品的安全库存水平,来考虑战略、战术和运营决策的综合优化。提出了一种基于粒子群优化(PSO)和自适应差分进化(ADE)的智能算法来解决这个复杂的问题。数值实验验证了所提出的两阶段PSO-ADE算法的有效性。进行了敏感性分析,以揭示可以指导管理者做出合理决策的有趣见解。01.介绍0在全球采购环境中,企业被迫建立稳定和高效的供应链。为了设计高效的供应链,企业应在战略、战术和运营三个层面做出艰难的决策。关键的战略部分是配送中心的位置决策。在大多数研究良好的地点问题中很少考虑补给和库存成本,运输成本主要是通过直接运输来估算的。由于地点、库存和配送决策处于不同的层面,分别处理它们是合理的。然而,如果在做出地点决策时不考虑库存决策,可能会出现次优性(Berman等,2012)。沈和齐(2007)指出,战略地点决策显著影响库存和运输成本。通过地点-库存模型的发展,战略和战术决策的综合优化迅速取得了进展(Daskin等,2002;Shen等,2003)。作为多种物品环境下的有效补给策略,联合补给(JR)政策可以通过共享同一订单中物品的主要订购成本大大降低成本(Shu,1971)。此外,通过JR政策的大订单有资格获得数量折扣(Paul等,2014)。与经济订货量相比0根据经济订货量(EOQ)政策,JR政策的成本节约可在20个项目的情况下达到5.4%至13.2%(Porras and Dekker,2008)。公司越来越意识到JR政策的巨大价值,尤其是跨国公司,如沃尔玛和通用汽车。2011年,联想集团和NEC宣布合资,以便他们能够下大订单以获得更高的数量折扣。由于其高度的理论和实际意义,联合补给问题(JRPs)最近受到了大量研究(Büyükkaramikli等,2014;Ongkunaruk等,2016)。此外,地点-库存-交付与JR政策的整合已经被两家著名的电子商务公司采用,即中国最大的在线直销公司京东(http://www.jd.com/)和阿里巴巴集团控股有限公司(http://www.alibaba.com/)。截至2016年,京东在中国44个城市开设了7个物流中心和166个仓库。这些机构由全球123条航线和108条航线服务。因此,全球地点决策和供应链的组织方式成为一个实际问题。另一个案例是中国广西壮族自治区的第三方物流(TPL)公司海迅物流有限公司。该公司的主要任务是从数十家供应商那里购买商品,并通过广西壮族自治区的几个配送中心(DCs)将它们交付给指定的工业制造企业。0由西安交通大学负责同行评审。*通讯作者。电子邮件地址:piyingying@126.com(Y. Pi)。0ScienceDirect提供的目录列表0数据科学与管理0期刊主页:www.keaipublishing.com/en/journals/data-science-and-management0https://doi.org/10.1016/j.dsm.2022.07.003 2022年6月9日收到;2022年7月4日收到修订稿;2022年7月11日接受;2022年8月4日在线发布2666-7649/©2022西安交通大学。由ElsevierB.V.代表科艾传媒有限公司提供出版服务。本文是根据CC BY-NC-ND许可证(http://creativecommons.org/licenses/by-nc-nd/4.0/)的开放获取文章。0数据科学与管理5(2022)124-136–1250海迅的工业客户主要包括上汽通用五菱和柳工机械有限公司,这些工业客户主要是时效性的;因此,为这些工业客户提供服务,这些工业客户之间也相距甚远,需要综合优化位置、库存和交付决策。不同层次决策的整合非常重要,因此,我们提出了一个综合优化位置、库存和交付决策的三级供应链模型。所提出的模型的简单示意图如图1所示。该模型包括供应商、分销中心和零售商,并且还考虑了多项目联合补给,因为分销中心是集中控制的或者处于联盟中。分销中心通过同一货轮共同补给物品,因此可以共享设置成本(第3节提出的主要订购成本),然后根据市场需求或物品的历史数据将物品交付给指定的零售商。协调这样的供应链是一个复杂的过程。图1显示了我们的供应链模型中这种协调补给和交付策略的过程,这也是联想采用的(刘等人,2018年,2021年)。该模型的决策包括(a)要开设的分销中心的数量和位置,(b)零售商分配给分销中心,(c)补给和交付的频率和周期间隔,以及(d)每个物品的安全库存水平。本研究提出了一个新的实际的综合位置-库存-交付模型,该模型考虑了随机需求下的多项目联合补给(SJR-LID)。组合粒子群优化(PSO)和自适应差分进化算法(ADE)有效地解决了所提出的模型。必要的敏感性分析还提供了有用的管理见解。本文的其余部分组织如下。第2节介绍了本文的相关研究。第3节提出了数学模型。第4节和第5节提供了所提出模型的算法,以及数值结果和一些讨论。第6节提出了结论和未来研究方向。02. 文献综述02.1. 位置-库存问题0一些研究人员尝试将战略位置和路由决策(Perl和Daskin,1985年)与库存决策相结合。一些研究已经对库存决策进行了研究。0Erlebacher和Meller(2000年)考虑了一家公司面临的实际问题,该公司将产品从其工厂分销到其分销中心,然后再分销到其零售网点。分销中心的订单和库存成本在0这个位置-分配问题,但这些成本在零售商级别被忽略了。Daskin等人(2002年),Shen等人(2003年)和Shu等人(2005年)研究了一个分销系统,其中单一供应商将产品运送到一组零售商。在这个风险汇总的位置-库存模型(LIRP)中,通过同时确定分销中心的数量和位置,零售商分配给分销中心,分销中心的订购方案以及安全库存水平,共同考虑了位置和库存决策。Daskin等人(2002年)应用Lagrangian松弛来解决这个集合覆盖整数问题,而Shen等人(2003年)使用列生成算法。此外,由列生成引起的定价问题可以通过利用某些特殊结构(Shu等人,2005年)来有效解决。此外,Shen和Qi(2007年)通过考虑复杂的路由成本而不是线性直运成本来扩展了该模型。早期关于位置-库存(Daskin等人,2002年;Ozsen等人,2008年;Snyder等人,2007年;Teo等人,2001年)的研究几乎专门假定了连续审查(r,Q)库存策略,这可以减少模型的难度。Berman等人(2012年)最初采用了定期审查(R,S)策略,限制了定期审查R。Tancrez等人(2012年)提出了一个三级供应链模型,包括供应商、分销中心和零售商。与Daskin等人(2002年)的模型不同,这个模型包括多个供应商,并且采用了经济订货量策略。联合补给政策作为经济订货量政策的延伸成为可能的未来研究方向。上述LIRP模型的局限性在于它们都忽略了多个梯队的库存控制。Puga和Tancrez(2017年)以及Hacardiaux和Tancrez(2020年)在三级供应链中提出了多梯队位置-库存模型。Puga和Tancrez(2017年)将Tancrez等人(2012年)的位置-库存模型扩展为随机需求版本。Hacardiaux和Tancrez(2020年)考虑了在同一供应链中工作的公司的合作,这种横向协调可以产生环保效应。他们的模型考虑了多项目假设,这使得可以应用JR政策。Guo等人(2020年)进行了一项类似的研究,考虑了多个项目;然而,他们更关注商业产品的退货。总的来说,尽管位置-库存模型被扩展并应用于许多实际场景,但很少有人尝试实施JR政策。JR政策首次在位置-库存模型中被考虑0Silva和Gao(2013年)。在这个模型中,JR策略在两种情况下被利用:(a)当单个客户订购的多个物品共享相同的运输(单零售商和多物品),以及(b)当多个位置订购的单个物品利用和共享相同的装运(单物品和多零售商)。Qu等人(2015年)进行了对比研究,提出了一个新的具有JR策略的位置库存模型,该模型还考虑了随机需求。这项研究表明,与位置库存系统中独立补给相比,JR的成本节约最多可达7.71%。02.2. 联合补给问题0JRP研究人员通常可以大致分为两个方向。一个是研究JRP的解决方案,另一个是研究JRP的实际扩展。Khouja和Goyal(2008年)对1989年至2005年的JRP文献进行了广泛的回顾;回顾发现早期的研究主要集中在第一个方向(Kaspi和Rosenblatt,1983年,1991年;Silver,1976年;Viswanathan,1996年)。经典的JRP是NP难问题(Arkin等,1989年)。目前的JRP方法可以分为启发式方法和元启发式方法。JRP最知名的启发式方法是随机(RAND)算法。大多数启发式方法,如SP-RAND(Moon等人,2011年)和JRD-RAND(Cha等人,2008年),都是从RAND发展而来。然而,RAND需要一个良好的连续解空间,这限制了它在离散空间中寻找解的能力。Khouja和Goyal(2008年)还指出,以前的研究人员花费了太多时间寻找经典JRP的最优解。随着智能算法的发展,如0图1. 所提出模型的示意图。0S. Wang等人 数据科学与管理5(2022年)124-136’’’–1260遗传算法(GA)和差分进化(DE)。智能算法易于操作,可以得出接近甚至比启发式方法得到的结果更好的结果。最近已经开发了更适用于实际库存问题的JRP模型。这些JRP的实际扩展有两个分支:(a)通过放宽经典JRP的假设(如容量限制、随机需求、模糊参数和折扣可用性)进行水平扩展,以及(b)通过纳入更多战略或运营决策进行垂直扩展。水平扩展在过去十年中已经得到了广泛讨论(Ai等,2017;Bayindir等,2006;Braglia等,2017,2021;Chen等,2016,2019;Moon和Cha,2006;Ongkunaruk等,2016;Wang等,2020),而纳入战略或运营决策的垂直扩展最近才出现。一个典型的垂直扩展是联合补给和交付(JRD)。Cha等人(2008年)提出了一个由一个仓库和n个供应商/零售商组成的三级供应链的JRD模型。考虑了从仓库到零售商的交付频率和数量。仓库和零售商的库存是综合控制的。Moon等人(2011年)通过采用货物整合政策扩展了这个模型。Qu等人(2013年)通过引入分组约束扩展了这个模型,其中将异构物品分组在一起会增加运输成本。Wang等人(2013年)考虑了模糊环境下的JRD模型。Wang等人(2012年)通过扩展Qu等人(1999年)的模型提出了一个新的JRD模型,给出了一个两级供应链。与Cha等人(2008年)的模型不同,通过忽略零售商的库存可以轻松考虑协调的运输成本和随机需求。Cui等人(2014年)基于这个模型提供了对射频识别(RFID)技术投资的实际评估。Liu等人(2017年)应用了一个多仓库下的JRD模型。Carvajal等人(2020年)开发了一个考虑零售商设施容量约束的两级约束JRD模型。Yao等人(2020年)考虑了JRD的一个特殊情况,即分配决策。在他们的模型中,物品被分配到不同的区域/地区,每个区域/地区都有一个独特的基本周期时间,并且可以共享相同的主要订购成本,但交付时间表仍然被忽略。Wang和Wang(2022年)考虑了一个随机JRD模型。在他们的模型中,中央仓库和零售商的库存控制都被考虑进来。他们为这个问题提出了一个修改的RAND启发式算法和一个Lipschitz优化方法。02.3. 总结0对于位置库存问题的文献,几乎都假设了连续审查(r,Q)库存策略。很少采用定期审查(R,S)策略,而JR策略最初是由Silva和Gao(2013年)考虑的。关于JRPs的研究很少考虑位置决策。本文的最相关作品来自Cha等人(2008年)、Silva和Gao(2013年)、Qu等人(2015年)和Liu等人(2017年)。然而,存在以下差异。0(a)Liu等人(2017年)考虑了多仓库的多项目联合补给,然而没有考虑位置决策。(b) 联合补给位置库存模型,如0Silva和Gao(2013年)以及Qu等人(2015年)考虑了忽略零售商层面的交付和库存问题的两级模型。这一特点与三级模型大不相同。03. SJR-LID的数学模型和分析03.1. 假设和符号0SJR-LID考虑了由n个供应商/零售商和m个DC组成的n-m-n供应链。DC共同从供应商补给项目,并根据市场需求向指定的零售商交付项目或0项目的历史数据。该系统旨在通过同时确定(a)要开设的DC的数量和位置,(b)零售商分配到DC的任务,(c)补给和交付的频率和周期间隔,以及(d)每个项目的安全库存水平来最小化总成本。图2简要描述了提出的模型(n=5,m=3)。与Cha等人(2008年)和Qu等人(2015年)类似,提出的SJR-LID使用了以下假设。0� 补给提前时间是恒定的。 � 每个零售商站点都是DC的潜在位置。 �每个零售商/供应商只销售一个项目。 �每个零售商只能由一个DC服务。 � 存储和运输能力无限。 �运输成本与运输数量无关。0此外,我们假设以下内容。0� 每个零售商的需求是随机且独立的。 �交付成本和交货时间与DC和零售商之间的距离有关。 � DC中禁止物品短缺。0使用的符号如下:0i: DC潜在站点的索引,1 ≤ i ≤ n j: 零售商和项目的索引,1 ≤ j ≤ n D j:每单位时间项目 j 的需求率 δ j: D j的方差 π j: 项目 j 的短缺成本 R j:每次补给间隔内项目 j 的最大库存水平 r j: 每次交付间隔内零售商项目 j的最大库存水平 Ed j: 项目 j 的交付预期数量 c: 每单位距离的交付成本 b:交付的固定成本 d i ; j: 场地 i 和零售商 j 之间的欧几里得距离 v:每单位时间的交付速度 L i ; j: 从潜在场地 i 到零售商 j 的交付提前时间,等于d i ; j = v LC i: 在潜在场地 i 开设的DC的固定成本 Ω: 每单位时间的LC i的摊销率 S: 每次补给的主要订购成本 s w i ; j: 通过潜在场地 i 分配的项目 j的次要订购成本0h w i ; j : 潜在场地 i 中项目 j 的DC库存持有成本,每单位每0单位时间0图2. SJR-LID的三级供应链。0S. Wang等人 数据科学与管理 5 (2022) 124 – 136’––swi;jXiYi;jkjT(2) rj � Dj!!(3)jj2fjþ zjffiffiffiffiffiδjTj!(4)Edj ¼Zrj0yjf�yj;kjT�fj�dyj þZ∞rjrjf�yj;kjT�fj�dyj¼ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffikjTδj�fjq0B@f0B@� DjkjT�fjkjTδj fj1C�f0B1C1CAþ DjkjTfj!0F0C�F1CA1CA1�FB@CACA(5)CH ¼n Xfjl¼1�Rj �lEdj�fj!Xnj¼1XiYi;jhwi;j�Rj ��1þfj�Edj2�(6)Cd ¼Xni¼1Xnj¼1XiYi;jfjsri;jkjT(7)Cs¼ Pnj¼1πjZ∞rj�yj � rj�f yj; kjTfjþXni¼1Li;jXiYi;j!dyj,kjTfj¼ Pnj¼1πjZ∞DjTjþzjffiffiffiffiffiffiδjTjp�yj � DjTj þ zjffiffiffiffiffiffiffiffiδjTjp�f�yj; Tj�dyj,kjTfj¼ Pnj¼1πjffiffiffiffiffiffiffiffiδjTjpZ∞zj�y � zj�fðyÞdy,kjTfj¼ Pnj¼1πjffiffiffiffiffiffiffiffiδjTjp�f�zj�� zj þ zjF�zj� �,kjTfj(8)CL ¼Xni¼1ΩXiLCi(9)S. Wang et al.Data Science and Management 5 (2022) 124–1361270s r i ; j : 通过潜在场地 i 分配的项目 j 的交付成本,等于0b þ cd i ; j h r j: 零售商 j 的每单位时间库存持有成本0决策变量:0X i : 0 – 1 变量,如果在站点 i 开设了一个配送中心,则 X i ¼1;否则,为 0 Y i ; j : 0 – 1 变量,如果零售商 j 被分配到位于站点 i的配送中心,则 Y i ; j : ¼ 1;否则,为 0 z j : 物品 j 的安全库存因子 T :补给和交付的基本周期时间 k j : 决定物品 j 的补给计划的整数 f j : 决定物品 j的交付计划的整数03.2. 公式0总成本(TC)包括六个部分:(a)订购成本,包括主要订购成本和次要订购成本,(b)配送中心的库存持有成本,(c)零售商的库存持有成本,(d)交付成本,(e)短缺成本(当零售商的物品缺货时发生短缺),和(f)位置成本(当开设配送中心时发生位置成本)。为了简化一些方程,我们定义0T j ¼ k j T f j þ 四分之一X n0i 四分之一 L i ; j X i Y i ; j (1)03.2.1. 订购成本订购成本包括主要订购成本和次要订购成本,可以如下轻松获得:0C o ¼ S T þ 四分之一X n0四分之一X n03.2.2. 零售商的库存持有成本 我们可以得到物品 j的零售商的平均库存持有成本如下。0C h ¼四分之一 X0j四分之一h r j0四分之一X n0i 四分之一 L i ; j X i Y i ; j þ kj T 2 f j0其中 r j ¼ D j T j þ z j �������� δj T j p0C h ¼四分之一 X0j四分之一h r j03.2.3. 配送中心的库存持有成本我们假设配送中心的物品短缺是被禁止的,并且物品的需求是独立且同分布的,以布朗运动过程的形式。物品 j 的配送中心的最大库存水平是 R j ¼ f j r j 。物品 j在长度为 t 的时间间隔内的需求是正态分布的,其中 E ¼ D j t 且 Var ¼ δ jt 。因此,物品 j 的交付预期数量是0D j T j þ z j �������� δ j T j p � D jk j T � f j �������������� k j T δ j � f j q0D j T j þ z j �������� δ j T j k j T � f j �������������� 0B @ � D j k j T �f j �������������� k j T δ j � f jq0þ � D j T j þ z j ��������j p � 00D j T j þ z j �������� δ j T j p � D jk j T � f j �������������� k j T δ j � f j q0其中 f ð y Þ 和 F ð y Þ分别是标准正态分布的概率密度函数(PDF)和累积分布函数(CDF)。 f ð y j ;k j T = f j Þ 是正态分布的概率密度函数,其中 E ¼ D j k j T = f j 和 Var ¼δ j k j T = f j 。我们可以得到配送中心的平均库存持有成本。0j 四分之一 1 X i Yi ; j h w i ; j0四分之一X n0库存在补货和交付阶段的循环过程如图3所示。03.2.4. 交付成本类似于Cha等人(2008),提出的模型采用一对一的交付政策。交付成本可以得到如下:03.2.5. 短缺成本一旦需求超过零售商的最大库存水平,就会产生短缺成本。鉴于需求呈正态分布,可以得到短缺成本如下:03.2.6. 位置成本SJR-LID中的许多因素影响了位置决策。可变成本,如订购、库存和交付成本,在前一节中已经充分讨论。本节主要讨论固定成本,主要是指DC的建设成本。我们考虑建设成本的摊销率,并获得单位时间的位置成本如下:0图3. 库存的循环过程。–TC¼ Co þ Ch þ CH þ Cd þ Cs þ CL¼ ST þXni¼1Xnj¼1swi;jXiYi;jkjT!þ Xnj¼1hrj kjTDj2fjþ zjffiffiffiffiffiffiffiffiδjTjp! !þ Pni¼1Pnj¼1XiYi;jhwi;j�Rj ��1 þ fj�Edj2� !þ Xni¼1Xnj¼1XiYi;jfjsri;jkjT!þ Pnj¼1πjffiffiffiffiffiffiffiffiδjTjp�f�zj�� zj þ zjF�zj� �,kjTfj!þ Xni¼1ΩXiLCi!(10)s:t8>>>>>>>>>>>>><>>>>>>>>>>>>>:j; j 2ð8 ÞXi; Yi;j 2 f0; 1g ð8i; 8jÞT 2 ð0; 1ÞXni¼1Yi;j ¼ 1 ð8jÞYi;j � Xi � 0 ð8i; 8jÞ(11)∂TC∂zj¼ hrjffiffiffiffiffiffiffiffiδjTjpþXni¼1XiYi;jhwi;j0BB@fjffiffiffiffiffiffiffiffiδjTjp��1 þ fj� ∂Edj∂zj21CCAþπjffiffiffiffiffiffiffiffiδjTjp�� 1 þ f '�zj�þ zjf�zj�þ F�zj� �,kjTfj(12)where∂Edj∂zj¼ �ffiffiffiffiffiffiffiffiδjTjpffiffiffiffiffiffiffiffiffiffiffiffiffiffiffikjTδj�fjqf '0B@DjTj þ zjffiffiffiffiffiffiffiffiδjTjp� DjkjT�fjffiffiffiffiffiffiffiffiffiffiffiffiffiffiffikjTδj�fjq1CAþffiffiffiffiffiffiffiffiδjTjp DjkjTfj!f0B@DjTj þ zjffiffiffiffiffiffiffiffiδjTjp� DjkjT�fjffiffiffiffiffiffiffiffiffiffiffiffiffiffiffikjTδj�fjq1CA�ffiffiffiffiffiffiffiffiδjTjp�DjTj þ zjffiffiffiffiffiffiffiffiδjTjp�f0B@DjTj þ zjffiffiffiffiffiffiffiffiδjTjp� DjkjT�fjffiffiffiffiffiffiffiffiffiffiffiffiffiffiffikjTδj�fjq1CAþffiffiffiffiffiffiffiffiδjTjp01 � F0DjTj þ zjffiffiffiffiffiffiffiffiδjTjp� DjkjT�fjkjTδj fj1 1(13)∂Edj∂zj¼ffiffiffiffiffiffiffiffiδjTjp DjkjTfj� DjTj � zjffiffiffiffiffiffiffiffiδjTjp!f ðAÞ�ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffikjTδj fjqf 'ðAÞ þ 1 � FðAÞ(14)∂Edj∂zj¼δjTjð1 � FðAÞ Þ(15)∂TC∂zj¼ Pni¼1XiYi;jhwi;j fjffiffiffiffiffiffiffiffiδjTjp��1 þ fj�ffiffiffiffiffiffiffiffiδjTjpð1 � FðAÞ Þ2!þhrjffiffiffiffiffiffiffiffiδjTjpþ πjffiffiffiffiffiffiffiffiδjTjp�� 1 þ F�zj� �,kjTfj(16)∂2TC∂zj2 ¼Xni¼1XiYi;jhwi;j0B�1 þ fj�δjTjf ðAÞ2ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffikjTδj fjq1C þ πjf�zj�ffiffiffiffiffiffiffiffiδjTjpkjT�fj> 0(17)–12803.2.7. SJR-LID模型的目标 根据Eqs. (2) –(9),每单位时间的TC被制定为0目标是最小化TC,并且该模型被制定为0最小化TC ¼ C o þ C h þ C H þ C d þ C s þ C L03.3. 决策变量的属性分析0分析决策变量的属性是简化模型的好方法。本节通过导数分析获得了最优的z j,这可以使一组z j远离目标公式,并减少决策变量的数量。首先,我们对TC关于z j 的偏导数。0令 A ¼ � D j T j þ z j �������� p δ j T j � D j k j T = f j �. �����������,则我们有0鉴于f 0 ð x Þ þ xf ð x Þ ¼ 0,0∂ Ed j ∂ z j 可以简化为0因此,0对TC关于z j 的二阶偏导数,我们有0鉴于∂ 2 TC ∂ z j 2 > 0和z j � 0,最优的z j 应满足∂ TC ∂ z j ¼ 0或0z j ¼ 0(如果∂ TC ∂ z j >0; 8 z j � 0)。04. 提出的SJR-LID的PSO-ADE算法04.1. 采用DE和PSO的合理性0经证明,经典的JRP问题被证明是NP难题(Arkin等,1989年),而本文提出的问题非常复杂。因此,找到一种有效和高效的算法是困难的。启发式方法广泛应用于JRD的研究中,如JRD-SH和JRD-RAND(Cha等,2008年)。然而,启发式方法依赖于难以设计的特定启发式结构。智能算法可以轻松利用,并且可以在可接受的时间内得出近似最优解。此外,如果通过数学分析获得决策变量的适当下限和上限,智能算法可以快速确定一个良好的解(Wang等,2018年)。Wang等人(2013年)指出,DE是最稳健的算法,具有较高的收敛速率和较低的平均误差,与JRD-SH、JRD-RAND、遗传算法(GA)和蚁群优化相比,DE在处理JRD时表现出色。PSO广泛应用于设施选址问题(Moradi和Abedini,2012年;Yapicioglu等,2007年),并且比其他算法表现更好。SJR-LID可以分为两部分:选址问题和随机JRD。由于PSO在设施选址问题中表现良好,DE在JRD中表现良好,因此自然地想到设计这两种算法的混合两阶段算法。在第一阶段,可以使用PSO找到良好的位置分配,在第二阶段,可以使用DE找到良好的库存管理决策。因此,它们分别用于优化位置问题和JRD。Moradi和Abedini(2012年)在分布式发电位置系统中利用了PSO和GA的类似组合。尽管基本DE实现简单,具有固定的缩放比例F,但是如果F过小,算法可能会过早成熟。此外,如果F过大,算法的效率会过低,全局最优点几乎无法达到。为了改进基本DE,在ADE中采用了自适应缩放因子,这允许更大的0S. Wang et al. Data Science and Management 5 (2022) 124 – 136……(18)…………–1290算法的早期阶段采用较大的缩放比例,而在后期采用较小的缩放比例。因此,多样化的种群可以得到保留,同时也可以找到优秀的解决方案。因此,提出了一种组合PSO-ADE算法来处理SJR-LID。04.2. 提出的SJR-LID的PSO-ADE程序04.2.1.PSO的操作PSO中使用的符号如表1所示。PSO的概念受到鸟类群集行为的启发。PSO也是一种基于种群和迭代的启发式算法,类似于进化算法。粒子根据群体中的最佳位置、自身的最佳历史位置和上一次迭代的速度,在每次迭代中更新其位置和速度。PSO过程可以描述如下:0步骤1(初始化):设置g =1,并在可行区域内随机生成NP个粒子,每个粒子有Nd个维度。步骤2(速度更新):在第g次迭代中,使用全局最佳和个体最佳位置来更新粒子t的维度d的速度(d = 1;2;…;Nd,t = 1;2;…;NP):0vgt;d = ω * v g�1t;d + c1rand1*pbestg�1t;d�xg�1i;d�+c2rand2*gbestg�1d�xg�1t;d�0步骤3(位置更新):使用更新的速度来更新粒子i的维度d的位置(d =1;2;…;Nd,t = 1;2;…;NP):0xgt;d = xg�1t;d + vgt;d(19)0步骤4(检查停止标准):设置g = g + 1,同时g ≤maxGen,返回到步骤2;否则结束程序并输出最佳粒子。04.2.2.ADE的操作ADE中使用的符号在表2中给出。与标准差分进化类似,ADE包括四个主要操作:初始化、变异、交叉和选择。详细描述如下。0步骤1(初始化):设置g =1,并在可行区域内随机生成NP个Nd维度的个体。步骤2(变异):对于每个目标个体xgt,i = 1;2;…;NP,0生成相应的变异个体vgþ1t:0Fg = Fmin + (Fmax - Fmin) * e1 * maxGen / (maxGen * g + 1)(20)0vgþ1t = xgr1 + Fg * xgr2 - xgr3(21)0其中个体序号r1、r2和r3是不同且随机生成的。这些数字中没有一个与目标个体序号t相同。Fmin是变异因子的最小值,Fmax是最大值。与标准DE的固定缩放因子F不同,ADE实现了自适应缩放因子Fg,如等式(20)所示。在初始阶段,Fg较大,可以保证种群多样性。在算法的后期阶段,小的变异因子可以保留优秀的个体。0步骤3(交叉):交叉操作如等式(22)所示,生成一个试验个体:0ugþ1t;d =0: vra0xgt;d;否则(22)0其中 d表示个体的第d个维度,randðdÞ是在均匀分布[0,1]中随机生成的数字。CR是在[0,1]范围内的交叉率,事先确定。randnðtÞ2½1;2;…;Nd是随机选择的数字,确保试验个体的至少一个维度来自变异个体。0步骤4(选择):ADE采用贪婪选择策略。每个目标个体xgt必须与相应的试验个体ugt竞争。只有具有良好适应度值的个体才被选择为后代。在最小优化问题中,选择操作如等式(23)所示,其中obj(�)是目标函数。0xg+1t=0:ug+1t;如果obj�ug+1t�
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- zigbee-cluster-library-specification
- JSBSim Reference Manual
- c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf
- 建筑供配电系统相关课件.pptx
- 企业管理规章制度及管理模式.doc
- vb打开摄像头.doc
- 云计算-可信计算中认证协议改进方案.pdf
- [详细完整版]单片机编程4.ppt
- c语言常用算法.pdf
- c++经典程序代码大全.pdf
- 单片机数字时钟资料.doc
- 11项目管理前沿1.0.pptx
- 基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc
- 智慧交通综合解决方案.pptx
- 建筑防潮设计-PowerPointPresentati.pptx
- SPC统计过程控制程序.pptx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功