蟻群算法優(yōu)化企業(yè)配送路徑的案例分析目錄TOC\o"1-3"\h\u4965蟻群算法優(yōu)化企業(yè)配送路徑的案例分析 1114661.1數(shù)據(jù)獲取 138741.2算法參數(shù)設(shè)置 364521.3模型求解 4290871.4結(jié)果分析 71.1數(shù)據(jù)獲取經(jīng)過調(diào)研，得到C果蔬經(jīng)營企業(yè)一天中各個配送點的需求量，并通過坐標(biāo)拾取器獲得各個配送點的經(jīng)緯坐標(biāo)，然后運用墨卡托方位法將其轉(zhuǎn)化成需要的直角坐標(biāo)，可在MATLAB編程中使用utmzone函數(shù)求解，用到的程序如下所示：圖4-1程序編碼經(jīng)過處理后的配送地點坐標(biāo)和需求量如下表所示：表4-1配送地點坐標(biāo)和需求量表序號換算前X換算前Y換算后X換算后Y需求量1118.27996531.97761713166800416000002118.29106635.01696513168100416600085kg3118.38046635.03044413178000416800060kg4118.37771735.00499113177700416400075kg5118.41063131.97660213181400416000095kg6118.36837535.022729131767004166000100kg7118.3878535.083719131788004175000255kg8118.41954235.09885813182400417700065kg9118.40847535.08413213181100417500050kg10118.40139635.032838131803004168000275kg11118.39677931.99879713179800416300075kg12118.39983331.988743131802004162000225kg續(xù)表4-1配送地點坐標(biāo)和需求量表序號換算前X換算前Y換算后X換算后Y需求量13118.3933331.98758913179400416200065kg14118.30910431.97334913170100416000070kg15118.29095931.97228413168000416000080kg16118.28944931.97441213167900416000055kg觀察數(shù)據(jù)可以發(fā)現(xiàn)，每個配送地點的坐標(biāo)位置差異很小，這是因為C果蔬經(jīng)營公司的配送范圍僅在市內(nèi)，為了方便后續(xù)計算求解，要對換算后的坐標(biāo)再進一步處理。通過對數(shù)據(jù)的對比分析，可以發(fā)現(xiàn)X軸數(shù)據(jù)只有第4,、5、6位置上的數(shù)值不同，而Y軸上只有第3、4位置上的數(shù)值不同，所以在本文的計算中，我們?nèi)∮胁町惖臄?shù)據(jù)進行計算，如序號2的坐標(biāo)是（13168100，4166000），經(jīng)過新的處理規(guī)則后得到的坐標(biāo)是（681，66），其他配送地點坐標(biāo)都做相同處理，得到新的運算坐標(biāo)，如下表所示：表4-2換算后的坐標(biāo)序號換算前X換算前Y換算后X換算后Y需求量1118.27996531.9776176686002118.29106635.0169656816685kg3118.38046635.0304447806860kg4118.37771735.0049917776475kg5118.41063131.9766028146195kg6118.36837535.02272976767100kg7118.3878535.08371978875255kg8118.41954235.0988588247765kg9118.40847535.0841328117550kg10118.40139635.03283880368275kg11118.39677931.9987977986375kg12118.39983331.98874380262225kg13118.3933331.9875897946265kg14118.30910431.9733497016070kg15118.29095931.9722846806080kg16118.28944931.9744126796055kg通過企業(yè)的配送點客戶的需求量可以得知，企業(yè)的各個配送點一天的總需求量為1430kg，企業(yè)通過一輛裝載量1.5t的配送車輛即可完成配送工作，所以C果蔬經(jīng)營企業(yè)配送路徑優(yōu)化問題可以看為一個典型的TSP問題，即旅行商問題：企業(yè)從配送中心出發(fā)，經(jīng)過所有配送點且每個配送點只經(jīng)過一次，最后回到企業(yè)配送中心，求解訪問這些配送點的最短路徑。1.2算法參數(shù)設(shè)置 螞蟻數(shù)量m：蟻群數(shù)量m會影響算法的穩(wěn)定性和全局性，一般設(shè)置為配送目的地的1.5倍。信息素重要程度因子α：α控制著蟻群算法的隨機性，取值過小會使路徑上的信息素影響過小，導(dǎo)致結(jié)果過早陷入局部最優(yōu)解的情況；而取值過大時，算法更易陷入局部最優(yōu)解而失去全局搜索性。啟發(fā)函數(shù)重要程度因子β：β控制著蟻群算法的收斂性，取值過小會使算法的正反饋作用降低，從而使得到的結(jié)果參考價值不大；取值過大時會讓蟻群更加傾向于選擇局部最短的路徑，這會導(dǎo)致算法缺少全局搜索性。信息素揮發(fā)因子ρ：信息素濃度揮發(fā)的快慢會直接影響到螞蟻選擇路徑的概率。設(shè)定數(shù)值過大會使路徑上殘留的信息素濃度差別不大，算法的搜索隨機性增大；若數(shù)值過小，會致使算法的搜索性下降，搜索能力較差。最大迭代次數(shù)t：其取值大小影響著算法的有效性，數(shù)值過大，會造成不必要的資源浪費，數(shù)值過小，可能會致使算法提前結(jié)束。許多學(xué)者對蟻群算法的重要參數(shù)進行了多次試驗，根據(jù)他們的試驗結(jié)果得出以上參數(shù)的最佳取值范圍：α=[1，2.5]、β=[1，5]、ρ=[0.1～0.9]、t=[100,200]。綜上所述，根據(jù)已知的參數(shù)取值參考范圍，通過實驗找出使算法性能最佳的參數(shù)，因此在本文中用到的算法參數(shù)設(shè)置為：當(dāng)配送點數(shù)量為15時，螞蟻數(shù)量設(shè)置為配送點數(shù)的1.5倍，取整為m=30，信息素重要程度因子α=1，啟發(fā)函數(shù)重要程度因子β=5，信息素揮發(fā)因子ρ=0.1、最大迭代次數(shù)t=100。1.3模型求解在MATLAB軟件中根據(jù)蟻群算法的流程編寫代碼，其中關(guān)鍵的幾個步驟如下;（1）計算企業(yè)配送點之間的距離，將已獲得的配送點的地理坐標(biāo)：citys=[66860;68166;8068;77764;81461;76767;78875;82477;81175;80368;79863;80262;79462;70160;68060;67960]導(dǎo)入，然后編寫代碼進行距離的計算：圖4-2計算配送點間距離代碼（2）將本次計算用到的參數(shù)進行初始化后，通過迭代找出螞蟻的最佳路徑，其中針對螞蟻在配送點間的轉(zhuǎn)移概率計算和螞蟻從一個配送點到要訪問下一個配送點的選擇用到的輪盤賭法需要的代碼如下所示：圖4-3相關(guān)代碼（3）計算得到最優(yōu)路徑，并進行信息素的更新。等所有螞蟻經(jīng)過企業(yè)的15個配送點后，找出其中最短的配送路徑，之后對各配送點上的信息素濃度進行更新，詳細的程序代碼編寫見附錄.（4）運行得出結(jié)果。最終計算結(jié)果得到算法的迭代次數(shù)、最短配送路徑圖及配送距離，如下圖：所示：圖4-4蟻群算法優(yōu)化路徑圖圖4-5迭代次數(shù)圖4-6優(yōu)化后的配送路徑1.4結(jié)果分析通過蟻群算法計算，最終得出C果蔬經(jīng)營企業(yè)的最優(yōu)配送路徑為：1-14-6-4-3-7-10-9-8-5-12-11-13-2-15-16-1，配送距離為336公里。通過與原方案的配送路線比較發(fā)現(xiàn)，重新規(guī)劃后的配送路線變得更合理化，在保證企業(yè)配送車輛全部經(jīng)過配送點的前提下，不會出現(xiàn)重