1  緒論

1.1  選題背景及意義

1.1.1  選題背景

在當(dāng)今這個(gè)追求服務(wù)差異化與高附加值的時(shí)代，通過降低生產(chǎn)成本和提高勞動生產(chǎn)率能夠帶來的經(jīng)濟(jì)利潤變得越來越少。現(xiàn)階段被譽(yù)為“第三利潤源泉”的物流業(yè)受到研究者前所未有的關(guān)注，與其相關(guān)的研究理論不斷被提出來�，F(xiàn)代管理學(xué)之父德魯克專門用“黑大陸”理論來闡述物流活動的重要性，他指出企業(yè)節(jié)省成本的終極手段是流通，并將物流形象地比作“處女地”；知名學(xué)者西澤修創(chuàng)立的物流冰山說，提醒管理者要對企業(yè)物流所產(chǎn)生的實(shí)際費(fèi)用有清醒的認(rèn)識。此外，影響較大的還有服務(wù)中心說，效益背反說等。

當(dāng)前我國物流業(yè)現(xiàn)代化程度與第一世界國家相比仍有不小差距，但經(jīng)過物流人數(shù)十年的不懈努力仍收獲了豐碩的成果。尤其是加入 WTO 以來，物流業(yè)受到的關(guān)注度持續(xù)升溫，從而步入快速發(fā)展階段。當(dāng)前正是實(shí)現(xiàn)我國物流業(yè)跨越式發(fā)展的黃金時(shí)期，多項(xiàng)物流業(yè)扶持政策與保障措施被相繼推出。例如，2013 年商務(wù)部發(fā)布《全國城市配送發(fā)展指引》，意在督促企業(yè)引進(jìn)現(xiàn)代化的物流信息技術(shù)，合理規(guī)劃建設(shè)配送中心，優(yōu)化終端配送方式，努力提高配送服務(wù)質(zhì)量，滿足客戶需求，建立快捷、環(huán)保的高水平物流配送網(wǎng)絡(luò)。國務(wù)院辦公廳在 2015 年對上海、鄭州、義烏等 9 座城市的請求進(jìn)行批復(fù)，同意其開展國內(nèi)貿(mào)易流通體制改革發(fā)展綜合試點(diǎn)的請求。在國家和地方大力支持發(fā)展物流業(yè)的宏觀環(huán)境下，許多地區(qū)都在積極籌劃物流產(chǎn)業(yè)園的建設(shè)，以期優(yōu)化招商引資環(huán)境，提升自身發(fā)展?jié)摿Α?

......................

1.2  文獻(xiàn)綜述

1.2.1  蝙蝠算法文獻(xiàn)綜述

啟發(fā)式算法，如粒子群算法(PSO)、遺傳算法(GA)與和聲搜索算法(HS)正在成為解決許多復(fù)雜優(yōu)化問題的有效的方法。絕大多數(shù)啟發(fā)式算法來源于自然界中的生物系統(tǒng)或物理系統(tǒng)。如模擬退火算法(SA)的提出是基于金屬的退火過程，而粒子群算法(PSO)的開發(fā)是源于鳥類和魚類的群體活動。近年來，包括螢火蟲算法(FA)與布谷鳥搜索算法(CS)在內(nèi)的新型啟發(fā)式算法不斷被提出。螢火蟲算法是受螢火蟲發(fā)光行為的啟示提出的，布谷鳥算法是模擬杜鵑借巢育雛行為得出的。不同算法具有各自的優(yōu)缺點(diǎn)，以模擬退火算法為例，在有充足的模擬時(shí)間，冷卻過程足夠長時(shí)，該算法幾乎每次都能找到最優(yōu)解決方案。然而，算法參數(shù)的細(xì)微變動會對其收斂速度產(chǎn)生很大的影響。

有關(guān)蝙蝠算法性能測試的研究有：Nakamura 等對微蝙蝠回聲定位的生物學(xué)特特征行研究，通過改變速度調(diào)整搜索能力，驗(yàn)證了蝙蝠算法在求解最大化功能集問題時(shí)的可行性與準(zhǔn)確性。Tamiru 和 Hashim 把模糊系統(tǒng)理論與蝙蝠算法的搜索性能相結(jié)合，運(yùn)用蝙蝠算法來求解模糊系統(tǒng)中的局部線性模型樹問題，并通過與模擬燃?xì)廨啓C(jī)的輸出功率與真實(shí)功率的對比實(shí)驗(yàn)來驗(yàn)證算法是有效的。李枝勇、馬良和張惠珍通過對蝙蝠算法收斂性進(jìn)行分析研究，提出能夠獲得更好收斂效果的參數(shù)取值區(qū)間。李煜和馬良通過對蝙蝠算法的生物學(xué)動機(jī)進(jìn)行討論，從原理上描述了蝙蝠算法的實(shí)現(xiàn)流程，并用測試函數(shù)對算法的全局搜索性能進(jìn)行檢驗(yàn)。

......................

2  蝙蝠算法

2.1  蝙蝠算法的基本原理

2.1.1  微型蝙蝠的行為

蝙蝠是世界上僅存的長著翅膀的高等哺乳動物，此外它們擁有獨(dú)特的回聲定位功能，因而吸引了許多學(xué)者對它們展開研究。調(diào)查數(shù)據(jù)表明，現(xiàn)存的蝙蝠種類有將近一千個(gè)，幾乎占到了全部哺乳動物的兩成。不同種類之間的蝙蝠體型差別很大，體型最小的熊峰蝙蝠重量不足 2g；個(gè)頭最大狐蝠重達(dá) 1kg，其翼展可超過 1.5m。通常情況下，微型蝙蝠是對前臂長度在 2cm 至 11cm 之間的所有蝙蝠的統(tǒng)稱。絕大多數(shù)蝙蝠都有一定的回聲定位能力，但總體來說，微型蝙蝠的回聲定位更具有研究價(jià)值。

大多數(shù)蝙蝠以捕食昆蟲為生，它們依靠一種叫做回聲定位的生物聲吶在黑暗的夜晚尋找獵物，躲避障礙物以及找到自己十分隱蔽的巢穴。蝙蝠能夠發(fā)射響度很大的聲音脈沖，并利用耳朵接收這些脈沖碰到障礙物后反射的回聲。脈沖的屬性隨著蝙蝠捕食不同獵物時(shí)的狩獵策略變化而變化。

2.1.2  回聲定位的聲學(xué)原理

蝙蝠發(fā)射的聲音脈沖僅能持續(xù)千分之幾秒（大約為 8-10 ms），但是它們的頻率卻很大，一般在 25kHz 到 150kHz 之間。對絕大多數(shù)的蝙蝠來說，脈沖的頻率在 25kHz至 100kHz 范圍內(nèi)變動，只有很少一部分蝙蝠可以發(fā)射 150kHz 的超高頻率脈沖。微型蝙蝠每秒大約能發(fā)射 10-20 個(gè)超聲波脈沖，每個(gè)脈沖能夠持續(xù) 5ms 至 20ms 的時(shí)間。狩獵時(shí)，蝙蝠的脈沖發(fā)射率隨著獵物接近程度可增大至每秒 200 次，，這些高頻脈沖預(yù)示著蝙蝠的信號處理能力很強(qiáng)。實(shí)驗(yàn)表明，留給蝙蝠用耳朵對回音進(jìn)行整合處理的時(shí)間通常只有 300-400μs。

......................

2.2  仿真實(shí)驗(yàn)

已有學(xué)者用一些啟發(fā)式算法（如粒子群算法(PSO)、遺傳算法(GA)等）求解配送中心選址問題，并取得了不錯(cuò)的效果。本文提出用蝙蝠算法求解配送中心選址問題，在將算法應(yīng)用于配送中心選址研究之前，首先通過仿真實(shí)驗(yàn)檢驗(yàn)其全局優(yōu)化性能。仿真實(shí)驗(yàn)分為測試函數(shù)求解與數(shù)值對比兩部分。

2.2.1測試函數(shù)求解

有許多可以用來檢測新型啟發(fā)式算法優(yōu)化性能的基準(zhǔn)測試函數(shù)，本文從文獻(xiàn)[49-51]中選取 8 個(gè)典型的測試函數(shù)。這些函數(shù)類型各不相同，涵蓋了多峰函數(shù)、單峰函數(shù)、高維函數(shù)和低維函數(shù)等。我們可以運(yùn)用 MATLAB 執(zhí)行蝙蝠算法對測試函數(shù)進(jìn)行求解，以檢測算法的優(yōu)化性能。

（1）Rosenbrock 函數(shù)

Rosenbrock 函數(shù)是很難求得最小解的病態(tài)二次函數(shù)，它的全局最優(yōu)解與能夠達(dá)到的局部最優(yōu)解之間有一條狹窄的山谷，曲面山谷中的點(diǎn)的最速下降方向幾乎恰好垂直于到函數(shù)最小值的最優(yōu)方向。該函數(shù)對搜索提供的信息很少，使算法很難辨別搜索方向，求得全局最優(yōu)點(diǎn)的概率極低，所以通常用這個(gè)函數(shù)測試算法的搜索性能。其全局搜索最小值 Z* = 0,  此時(shí)(x, y) = (1, 1)。函數(shù) f1的空間特征如圖 2-1 所示，運(yùn)行蝙蝠算法得到函數(shù)f1的適應(yīng)度曲線如圖 2-2 所示。

.......................

3  蝙蝠算法求解單配送中心選址問題 ............ 23

3.1  配送中心及其選址相關(guān)理論 ................. 23

3.1.1  配送中心的概念 ..................... 23

4  蝙蝠算法求解多配送中心選址問題 .................. 35

4.1  多配送中心選址模型回顧 ........... 35

4.1.1  運(yùn)輸規(guī)劃法 ....................... 35

5  總結(jié)與展望 .................. 47

5.1  總結(jié) ................. 47

5.2  展望 ........... 47

4  蝙蝠算法求解多配送中心選址問題

4.1  多配送中心選址模型的建立

本節(jié)選取離散型多配送中心選址問題作為研究對象，具體可作如下表述：某一區(qū)域內(nèi)分布有若干配送服務(wù)需求點(diǎn)，且需求點(diǎn)的需求量均為已知�，F(xiàn)計(jì)劃從該地區(qū)數(shù)個(gè)候選位置中選出一部分建立配送中心。在滿足所有需求點(diǎn)配送服務(wù)需求的前提下，使得包括固定費(fèi)用、配送費(fèi)用和倉儲費(fèi)用在內(nèi)的總物流費(fèi)用最小。 為了簡化選址問題，作以下假設(shè)：

（1）從已知的候選位置中選出一部分建設(shè)配送中心；

（2）配送費(fèi)用與配送量呈正比關(guān)系；

（3）配送中心能夠滿足所有需求點(diǎn)的配送服務(wù)需求；

（4）已知每個(gè)需求點(diǎn)的年需求量；

（5）配送中心不存儲多余的貨物。

設(shè)某地區(qū)共有 n 需求點(diǎn)，每個(gè)需求點(diǎn)的需求量均為已知，現(xiàn)計(jì)劃從 m 個(gè)候選位置中選出 t 個(gè)建設(shè)配送中心，使得整個(gè)配送系統(tǒng)的物流總費(fèi)用最小。為了方便選址模型的建立，引入如下變量：

n —— 需求點(diǎn)的個(gè)數(shù)；

m —— 配送中心候選位置的個(gè)數(shù)；

t —— 計(jì)劃建設(shè)配送中心的個(gè)數(shù)；

Dj —— 第 j 個(gè)需求點(diǎn)的年需求量；

xij —— 配送中心 i 為需求點(diǎn) j 配送的貨物量；

hij —— 配送中心 i 到需求點(diǎn) j 的配送費(fèi)率；

Fi —— 配送中心建在第 i 個(gè)候選位置的年固定費(fèi)用；

Ci —— 在第 i 個(gè)配送中心儲存單位貨物的儲存費(fèi)用；

.......................

5  總結(jié)與展望

5.1  總結(jié)

在滿足配送服務(wù)需求的條件下使物流總費(fèi)用最小是所有物流活動參與者共同追求的目標(biāo)。配送中心處于供應(yīng)鏈的核心地位，在配送過程中發(fā)揮著具足輕重的作用。因此，關(guān)于配送中心選址問題的研究理所當(dāng)然的成為當(dāng)下物流研究的一個(gè)熱點(diǎn)。本文通過查閱大量選址有關(guān)文獻(xiàn)，在總結(jié)前人研究成果的基礎(chǔ)之上，結(jié)合配送中心選址問題的特點(diǎn)以及蝙蝠算法的諸多優(yōu)點(diǎn)，用蝙蝠算法求解配送中心選址問題，為求解配送中心選址問題提供一種新的可行方法。

本文的主要工作有：

（1）綜述了蝙蝠算法的提出背景、相關(guān)概念、搜索流程與變量更新規(guī)則。通過仿真實(shí)驗(yàn)驗(yàn)證蝙蝠算法具有良好的全局優(yōu)化性能，驗(yàn)證了用其求解配送中心選址優(yōu)化問題的可行性。

（2）用蝙蝠算法求解連續(xù)型單配送中心選址問題，通過兩個(gè)具體算例表明蝙蝠算法能有效求解單配送中心選址問題。

（3）用蝙蝠算法求解離散型多配送中心選址問題，建立了包括固定費(fèi)用、運(yùn)輸費(fèi)用和存儲費(fèi)用三個(gè)模塊的 0-1 混合整數(shù)規(guī)劃選址模型。該模型中各個(gè)需求點(diǎn)的需求量是已知的，計(jì)劃從若干個(gè)候選位置中選出一部分建設(shè)配送中心，在滿足所有需求點(diǎn)配送需求的前提下，使物流總費(fèi)用最少。結(jié)合具體算例，分別用蝙蝠算法和 LINGO 進(jìn)行求解，通過對比實(shí)驗(yàn)結(jié)果表明蝙蝠算法能有效求解多配送中心選址問題。

參考文獻(xiàn)（略）