[发明专利]一种基于对立学习的自适应鲸鱼算法求解物流中心选址问题的方法

说明书

本发明一种基于对立学习的自适应鲸鱼算法求解物流中心选址问题的方法。包括：S1.建立物流中心选址问题的数学模型；S2.基于对立学习的自适应鲸鱼算法进行求解；利用对立学习方法初始化种群，提高算法的全局探索能力；利用自适应的收敛因子提高了算法的局部搜索能力，避免以往方法中后期不能精细搜索；利用变异操作防止算法因丧失种群多样性陷入局部最优；S3.输出结果；重复执行步骤S2，直到达到最大迭代次数T或者目标函数在迭代过程中没有变化，输出最佳的物流选址中心。本发明将基于对立学习的自适应鲸鱼算法用于求解物流中心选址问题，避免已有方法易陷入早熟收敛和局部最优的缺陷，以显著提高配送中心选址问题的寻优效率和精度。

技术领域

本发明涉及物流中心选址问题技术领域，更具体地，涉及一种基于对立学习的自适应鲸鱼算法求解物流中心选址问题的方法。

背景技术

物流中心选址问题在物流系统规划中起着重要的决策作用，它是物流调动中的核心问题。物流配送中心选址模式属于非线性模型，具有较多复杂的约束条件以及不光滑特性，可归于NP-hard问题。

物流中心就是连接厂家和客户的纽扣，通过厂家为不同客户提供产品，因而，适当地为物流中心选址可以有效改善产品流节约成本。近年来，国内外的研究学者对于物流配送选址问题进行了深入的研究，提出了层次分析法、智能优化算法、重心法和动态规划法等。如文献“刘敏.改进的花朵授粉算法在物流配送中心选址问题中的应用[J].计算机应用与软件,2019(6)”提出了改进的花朵授粉算法在物流配送中心选址问题中的应用；“尚猛,康建英,曹峻玮,等.基于改进鲸鱼优化算法的物流配送中心选址策略[J].计算机应用与软件,2019(6)”提出了基于改进鲸鱼优化算法的物流配送中心选址策略；但是，以上算法由于早熟收敛，使得搜索最优解的效率和精度不理想。对大规模配送中心问题，已有方法的选址方案精度较差。这主要是由于物流配送中心选址问题是一个NP问题，而现有单一机制的优化算法在寻优过程中很容易陷入局部最优，降低算法的搜索能力，最后的寻优结果较实际情况易出现较大偏差。

发明内容

本发明为克服上述现有技术中搜索最优解的效率和精度不高等缺陷，提供一种基于对立学习的自适应鲸鱼算法求解物流中心选址问题的方法，避免了已有方法易陷入早熟收敛和局部最优的缺陷，显著提高了配送中心选址问题的寻优效率和精度。

为解决上述技术问题，本发明采用的技术方案是：一种基于对立学习的自适应鲸鱼算法求解物流中心选址问题的方法，包括以下步骤：

S1.建立物流中心选址问题的数学模型：

式中，目标函数min F是使某个位置的需求量到与之最近的物流中心的距离乘积之和最小，其中，NT＝{1,…,n}是所有位置的编号集合；M_i是物流中心i可达到的范围，w_i是编号为i的位置的需求量；d_ij是编号为i的位置到物流中心j的距离，且d_ij≤s，s表示位置在物流中心配送距离的上限；x_ij为0-1变量，表示编号为i的位置的需求量由物流中心j供应，若x_ij＝1表示编号为j的位置被选为物流中心，否则为0；q_j表示物流中心的服务需求分配关系，且q_j为0-1变量；x_ij≤q_j,i≤NT,j≤M_i；p为物流中心的数量；

S2.基于对立学习的自适应鲸鱼算法进行求解；首先，利用对立学习方法初始化种群，以扩大种群的搜索范围，提高算法的全局探索能力；其次，利用自适应的收敛因子提高了算法的局部搜索能力，避免以往方法中后期不能精细搜索；最后，利用变异操作防止算法因丧失种群多样性陷入局部最优；

S3.输出结果；重复执行步骤S2，直到达到最大迭代次数T或者目标函数在迭代过程中没有变化，输出最佳的物流选址中心。