[发明专利]一种基于细菌觅食优化算法的配送中心选址方法

说明书

本发明公开了一种基于细菌觅食优化算法的配送中心选址方法，包括如下步骤：1)获取目标城市的配送中心及历史配送地址集合；2)构建配送中心选址模型；3)细菌觅食优化算法的实现。本发明能通过利用历史配送地址与候选配送中心进行建模，更加符合现实中存在大规模历史配送地址的配送中心选址情况，从而能将选址与配送结合起来，提高配送中心选址的准确性，减少配送费用，提高配送的时效性，提升客户的满意度。

技术领域

本发明涉及物流技术领域，具体的说是一种基于细菌觅食优化算法的配送中心选址方法。

背景技术

选址问题由来已久，存在于生活中的方方面面，例如工厂选址、物流配送中心选址、公共服务设施选址等等。随着电子商务的发展，物流配送成为供应链管理不可或缺的一环，配送中心的选址优劣就显得越发重要。一个较好的配送中心选址会不能仅仅考虑建造配送中心的费用问题，同时也要考虑到配送中心与历史配送地址的配送费用问题，从而提高供应链中的物流运输效率，降低运输成本，并提高客户的满意度，而较差的配送中心选址不仅会令运输成本增加，运输时间增长，而且会导致库存积压，客户满意度下降等一系列的问题。

现有的求解选址问题的方法主要包括三大类，其中近似算法是指选址的目标函数值与最优解的目标函数值之比不超过一个常数，但是最优解较难获得，在实际中应用范围不广泛；精确算法由于求解的精确性高，求解较困难，求解效率慢等原因，不适用于大规模选址问题的求解；而智能优化算法最常用，但是同时也存在容易陷入局部最优解，求解效率低等缺点。目前常用的求解选址问题的智能优化算法有禁忌搜索算法、遗传算法、粒子群算法、蚁群算法等。禁忌搜索算法是最早应用于选址问题的算法，能够通过建立禁忌表避免陷入局部最优，但是其初始解对最终选址结果的优劣影响较大；遗传算法通过模拟自然进化过程来进行求解，但是其容易早熟；粒子群算法虽然求解效率较高，但是容易陷入局部最优；蚁群算法通过蚂蚁的觅食行为对问题进行求解，但是同样存在易陷入局部最优的缺点。细菌觅食优化算法作为群智能优化算法的一种，同样存在容易陷入局部最优的缺点。

发明内容

本发明为了克服现有技术存在的不足之处，提供一种基于细菌觅食优化算法的配送中心选址方法，以期能通过利用历史配送地址与候选配送中心进行建模，更加符合现实中存在大规模历史配送地址的配送中心选址情况，从而能将选址与配送结合起来，提高配送中心选址的准确性，减少配送费用，提高配送的时效性，提升客户的满意度。

本发明为解决技术问题所采用的技术方案是：

本发明一种基于细菌觅食优化算法的配送中心选址方法的特点是按如下步骤进行：

步骤1、获取目标城市的历史配送地址集合，记为N＝{N₁,N₂,...,N_i,...,N_n}，N_i表示第i个历史配送地址，i＝1,2,…,n；构建目标城市的配送中心，记为M＝{M₁,M₂,...,M_j,...,M_m}，M_j表示第j个配送中心，j＝1,2,…,m；构建目标城市的配送中心建造费用向量F＝[f₁,f₂,...,f_j,...,f_m]，f_j＞0表示第j个配送中心M_j的建造成本；构建目标城市的运输费用矩阵C＝(c_ij)_m×n，c_ij＞0表示第j个配送中心M_j到第i个历史配送地址N_i之间的运输费用；

步骤2、构建配送中心的选址模型：

利用式(1)构建选址模型的目标函数：