导读:本文包含了物流群智能论文开题报告文献综述及选题提纲参考文献，主要关键词:动态物流背包,多目标优化,Pareto支配,灰狼优化算法
物流群智能论文文献综述
周焰梅[1]（2019）在《基于群智能算法的动态物流背包研究与应用》一文中研究指出随着现代物流行业的不断发展,同时响应国家智能化发展战略,传统制造业、现代电子商务企业、快递物流企业、第叁方物流企业正在不断加大物流智能化项目的推进,国内外学者对物流系统及物流系统优化的研究热度不断扩大。此背景下,本课题对物流系统中的配送优化进行了研究,从传统的车辆路径优化问题入手,将车辆路径优化问题与物流背包问题综合,并加入配送客户端的配送时间窗需求约束,形成动态物流背包优化多目标问题模型。针对动态物流背包多目标优化问题,本文提出了改进型的灰狼优化算法,并在物流系统仿真模型中对算法进行了验证。主要完成了以下几个方面的工作:1.在基本的车辆路径优化问题上,加入客户动态时间窗约束与物流背包优化,形成动态物流背包多目标优化问题模型(DLKMOP),属于多目标优化问题模型,主要优化目标为:车辆配送距离目标函数,车辆背包价值率目标函数,以及主要由动态时间窗需求决定的客户满意度目标函数。2.针对动态物流背包多目标优化模型,提出了改进型的灰狼优化算法,非支配排序灰狼优化算法(NSGWO)和快速非支配排序灰狼优化算法(FNSGWO)。NSGWO算法引入多目标Pareto支配概念,加入非支配排序和共享小生境策略,算法时间复杂度较高。FNSGWO算法在NSGWO算法基础上,加入快速非支配排序与拥挤度计算策略,对灰狼种群进行分层非支配排序,从而对多目标优化模型进行求解,得到多目标Pareto前沿解集,即多目标优化模型的解。3.为了验证模型的有效性和改进型算法的效果与性能,本课题搭建了一种物流运行系统简化模型,实现对物流配送流程进行模拟。试验证明,多目标优化与配送距离单目标优化得到的配送方案更好,配送距离变化不大的情况下,客户满意度平均提高了12.3%,车辆背包价值提升了14.4%。同时,基于物流系统简化模型,将NSGWO、FNSGWO、GWO与粒子群算法进行对比,实验证明,FNSGWO算法能为物流终端配送提供效益更高的配送方案。(本文来源于《重庆邮电大学》期刊2019-05-25）
李松钊,李文敬,陆建波[2]（2019）在《物流服务交易区块链与蚁群智能合约算法研究》一文中研究指出为解决物流服务交易中供应商、生产商、用户等多方参与者之间的信用关系缺失,提高制定合约的效率,避免干扰合约的正常执行以及传统合约的可抵赖性、可篡改性以及不可追溯性等问题,提出了物流服务交易区块链与蚁群智能合约算法。分析传统的物流服务交易模式存在的问题,提出一种新的物流服务交易合约概念模型,并利用区块链和智能合约的特点和优势,以及物流服务交易中的信息发布、谈判、议价、制定合约等交易环节和区块链的链接关系,构建一种去中心化的物流服务交易智能合约区块链模型。以该模型为基础,依据物流服务交易合约的工作流程以及蚁群算法的特点,设计了物流服务交易区块链与蚁群智能合约算法。在多节点物流服务交易仿真平台进行实验,实验结果表明,该算法实现了基于区块链的多物流用户服务交易智能合约的创建、存储和自动执行,整个过程透明可跟踪、共识且不可篡改。因此,该算法是基于区块链解决物流服务交易问题的一种有效方法。(本文来源于《计算机工程与应用》期刊2019年17期）
吴新胜,姜婷,赵梦超,张萍,孔令成[3]（2018）在《基于群智能混合算法的应急物流路径优化研究》一文中研究指出应急物流系统是解决突发事件的有效框架体系,如何选择合适的配送路径以确保受灾群众及时获取物资,对解决应急救援问题有重要意义。通过建立应急物流路径优化模型,考虑到使用人工萤火虫算法会产生寻优精度低以及陷入局部最优等问题,为了提高系统优化性能,参照蜂群和粒子群的群体移动规律,改进萤火虫算法的位置更新策略,引入两种群智能混合算法进行比较实验。设置距离参数和平均交通复杂度,计算物流运输路径系统消耗时间,并采取表格形式显示。实验结果表明群智能混合算法能大幅度优化应急物流路径规划模型,提高配送效率。(本文来源于《四川理工学院学报(自然科学版)》期刊2018年04期）
周蓓晨[4]（2018）在《基于群智能算法的物流配送路径规划研究》一文中研究指出物流业作为“第叁利润源泉”的服务行业对当前经济的影响越来越明显,并越来越受到人们的关注和重视,成为当今世界上最重要的竞争领域之一。物流配送作为物流系统的核心功能,与消费者直接相关。配送任务的质量和服务水平会直接影响企业的物流成本和客户对物流服务的满意度。其中,配送路线规划合理与否严重影响着整个物流运输的速度、成本和效益。针对此,本文分析了物流配送中心的选址问题,研究具有多配送中心和带时间窗的路径规划问题。研究方法及成果有:(1)分析了配送中心选址路径规划数学模型和阐述了采取的一些常见方法的缺点。并根据膜计算的框架特点结合人工免疫算法的优势进行耦合改进,提出了人工免疫膜计算方法。并用于物流中心选址和路径规划研究。(2)分析设计多配送中心路径规划数学模型,并使用整体法将多配送中心转换为单配送中心。根据膜计算中单层膜的结构特性,在每个基本膜中解决每个转换后的单配送中心问题,将此框架结合遗传算法解决组合优化问题的优势进行改进,提出了遗传膜计算方法,用于多配送中心路径优化研究中。(3)分析设计带时间窗的路径规划数学模型,并根据膜计算中单层膜的交流、通讯特性,将此框架中每个基本膜中使用的子算法,即蚁群算法解决组合优化问题的优势进行改进,提出了蚁群膜计算方法,用于带时间窗的路径规划研究中。(4)对物流配送中心的选址问题、具有多配送中心和带时间窗的路径规划问题的进行仿真实验,结果表明,针对叁个不同问题提出的叁种与膜计算耦合的不同方法,在与其基本算法的比较后,得出改进算法在性能上优于基本算法,并适用于对路径规划问题的求解。(本文来源于《新疆大学》期刊2018-06-30）
孙妮娜[5]（2015）在《基于群智能混合算法的应急物流配送路径优化研究》一文中研究指出随着自然灾害、安全事故等突发性事件发生频率的增高,对及时响应突发事件、尽可能减少灾后人员伤亡、最大限度的挽救受灾地区的宝贵生命提出了更高要求。应急物流配送路径是应急物流系统管理的重要工作之一,如何选择适宜的配送路径确保灾区民众及时收到应急物资,对于解决突发事件的应急救援问题具有重要的理论意义和实用价值。论文首先针对特重大自然灾害灾区道路实际情况,对道路通行难易度概念进行了界定,分析了影响道路通行难易度的各因素,提出了将时间成本换算为路径当量长度的道路通行难易度系数计算方法。其次,构建了应急物流配送路径优化的网络模型,和基于多影响因素的应急物流配送路径优化数学模型。第叁,提出了求解应急物流配送路径优化模型的粒子群与蚁群混合的群智能算法,并分析研究了算法的基本原理、数学描述、参数分析以及算法流程,和MATLAB程序设计。最后,论文针对宁强地震灾区城乡应急物流配送的实际问题,构建了具体的应急物流配送路径优化模型,基于MATLAB软件平台,对几种不同情况进行了模拟仿真分析,确定了宁强地震灾区城乡应急物流配送的最优路径,为应急物资配送方案制定提供了科学依据。论文对道路通行难易度的各影响因素进行定性与定量的分析,提出了道路通行难易度系数的计算方法,更真实的反映了客观实际,提高了应急物流配送路径优化方案的可实施性。取长补短设计了粒子群与蚁群混合群智能算法,为解决路径优化问题提供了一种更科学、更精确的方法。宁强县作为2008年汶川特大地震的重灾区,近几年余震频发,论文选取宁强地震灾区城乡应急物流配送路径进行优化研究,具有一定的现实借鉴价值。(本文来源于《西安建筑科技大学》期刊2015-06-01）
梁晓磊[6]（2015）在《基于社群特性的群智能算法研究及在物流中的应用》一文中研究指出随着我国经济的飞速发展,物流作为现代服务业的主要支柱产业也面临着向信息化和智能化转型的机遇。高效、安全和低碳为物流资源的合理利用提出了更高的要求和挑战。在新发展趋势下,如何对具有大规模、动态和多目标等特征的复杂物流问题进行优化受到了特别关注,常规方法往往不能满足实际应用的需要。群智能算法高效和简洁的计算性能,为解决物流运作中的复杂问题提供了可行的技术手段。然而在解决复杂问题中,一般的群智能算法仍然面临着容易陷入局部最优和早熟等问题,阻碍了其在物流领域的深入应用。如果可以改善群智能算法缺陷,将会极大提升群智能算法的优化能力,拓展在物流领域的应用。论文旨在从种群拓扑网络、邻域结构和个体行为方面研究群智能算法的改进和构建,以提高智能算法在处理复杂优化问题的能力,为解决物流运作中的实际问题提供有效方法。论文主要研究工作和创新点如下:(1)从邻域构建角度,提出了聚类自适应粒子群改进算法(APSO-C)。基于对种群中个体搜索行为的分析,采用K-means方法对种群进行动态分割,从而构建多个具有不同属性的异构子簇,并采用基于环形拓扑结构进行不同簇间的信息交互。基于所形成的簇结构,构建了通过簇所处搜索水平评估的参数自适应调整策略,实现了簇内每个粒子根据自身的寻解水平对各自的参数自适应调整,从而在不同阶段赋予个体不同的搜索能力。通过Benchmark测试,APSO-C与同类对比算法相比,具有较好的搜索能力和鲁棒性,显着提高了算法性能。(2)从种群中社会网络关系角度,提出了基于社会网络演化的改进粒子群优化算法(PSODT-SNE)。算法中将社会网络演化行为引入到种群搜索过程中,基于动态社会网络进行种群拓扑网络的调整,以调整搜索过程中优化信息的扩散路径,促进个体之间的信息交流,提高个体搜索能力。实验表明该算法与已有相关算法相比,收敛速度和效率均有明显提高。(3)提出了基于种群拓扑网络、邻域结构和个体行为的社会网络群智能优化算法(SNSO)。在算法SNSO中,构建了社会网络演化规则、扩展邻域结构和个体综合学习策略,改善群体搜索行为,并通过叁方面的参数组合实验,分析了它们对群体优化能力的影响。通过与同类算法的测试比较,该算法表现出良好的优化性能,为群智能算法的构建和改进提供了一种可借鉴的方法。(4)研究了集装箱运输的公铁水多式联运群智能优化问题。论文提出了一种基于按比例流量分配和局部流量调整的策略,构建了基于群智能算法的个体连续表达与问题离散空间的完整映射模型,并采用PSODT-SNE和SNSO算法对多式联运问题进行了求解。通过实验仿真,并与同类优秀算法比较,验证了算法的有效性。所提出的编码策略也适用于其它连续空间编码的智能算法进行同类问题的求解。(5)研究了基于群智能算法的集装箱船舶贝位配载优化问题。论文通过基于位置信息的装载顺序解码策略和依据规则的装载方式,实现了个体信息与配置方案的解码,采用论文所提出SNSO算法对问题进行了求解。通过不同规模的仿真案例比较,SNSO算法在求解效率和优化结果方面都取得了很好的效果,验证了算法在处理实际问题中的有效性。(本文来源于《武汉理工大学》期刊2015-03-01）
朱亚琪[7]（2013）在《物流配送路径问题的群智能混合算法研究与应用》一文中研究指出现代物流被称为“第叁利润源泉”,越来越多的研究将关注度集中在该领域,第叁方物流也日益成为国民经济的基础产业。物流中的重要环节是运输问题,运输成本占物流成本的60%以上。车辆路径问题主要是通过优化物流配送中车辆线路从而降低运输成本,属于组合优化领域中着名的NP(Non-Deterministic Polynomial,非确定多项式)问题。由于NP问题求解的复杂性,目前车辆路径问题的求解方法主要使用各种智能优化算法。本文主要研究了带时间窗的车辆路径问题,基于该问题的数学模型,研究了基于蚁群算法的双种群算法对上述模型的求解。具体的研究内容如下：首先探讨了论文的研究背景及意义,在对国内外大量文献总结提炼的基础上,分析了目前车辆路径问题及相关领域智能算法的国内外研究现状。同时介绍了本文的研究内容及创新点。系统地分析了带时间窗约束的车辆路径问题(VRPTW)后,介绍了VRPTW的定义、时间窗的界定和它的约束条件。然后分别对VRP、 VRPTW物流配送车辆调度的数学模型进行了详细的阐述。考虑到实际物流系统的规模庞大,车辆调度算法处理起来比较困难,本文提出将物流系统的网点进行聚类分析,分为若干子系统。采用聚类方法中简单、方便的K-均值聚类算法。并用SPSS Clementine软件对相关实例进行分析,试验结果表明算法错误率较小,达到了良好地聚类效果。介绍了调度领域中比较常用的智能算法,包括蚁群算法、粒子群算法、差分演化,比较各类算法的优缺点。创新性地提出具有优势互补的双种群智能算法,种群一采用蚁群算法与差分演化结合(DEAS种群),种群二采用蚁群混合粒子群算法(PSOAS种群),在进化过程中通过引入一种信息交流机制使信息能够在两个种群中传递,提高了蚂蚁在选路时的协同合作能力。并通过Matlab对相关实例进行仿真,结果表明该算法能较好地发现全局最优解,并且有较快的收敛速度和较高的稳定性。最后完成了物流管理系统的实现,系统包含运务管理、车辆管理、调度基础信息管理、客户管理、车辆调度管理、单据管理、财务管理、司机管理和系统设置8大功能模块。其中车辆调度模块提取调度基础信息管理和车辆管理中的相关数据,在后台调用前文介绍的双种群智能算法,实现具体的车辆调度。(本文来源于《东华大学》期刊2013-01-01）
朱亚琪,方建安[8]（2012）在《基于群智能混合算法的物流配送路径研究》一文中研究指出针对物流车辆路径优化问题,考虑到基本蚁群算法有收敛速度慢、易陷入局部最优的缺点,采用了一种双种群蚁群算法,在蚁群的基础上引入差分进化(DE)和粒子群算法(PSO)。通过在PSOAS种群和DEAS种群之间建立一种信息交流机制,使信息能够在两个种群中传递,以免某一方因错误的信息判断而陷入局部最优点。通过matlab仿真实验测试,表明该群智能混合算法可以较好地解决TSP的问题。(本文来源于《微型电脑应用》期刊2012年10期）
邹挺[9]（2011）在《基于蚁群和人工鱼群混合群智能算法在物流配送路径优化问题中的应用研究》一文中研究指出物流配送是物流活动中直接与消费者相联系的环节。在物流的各项成本中,配送成本占了相当高的比例。配送中车辆路径的合理与否对物流配送服务水平、成本和效益影响很大。采用科学、合理的方法来进行车辆路径的优化,是物流配送领域的重要研究课题。其中尤其是带时间窗的物流配送车辆路径优化问题(Vehicle Routing Problem with Time Windows,VRPTW)更是当前研究的重点。现代智能优化算法包括禁忌搜索算法、模拟退火算法、蚁群算法、人工鱼群法等,这些算法的出现为求解配送车辆优化调度问题提供了新的工具。带时间窗的车辆路径问题计算复杂,属于NP-hard问题。本文研究了带时间窗的车辆路径问题模型的构建,基于鱼群算法和蚁群算法提出一种混合优化算法用于物流配送路径优化问题中。针对蚁群算法的不足,分别通过人工鱼群算法获取初始解、信息素更新策略的选择和状态转移概率的改进,同时对蚁群算法进行了改进,将鱼群算法中拥挤度的概念引入到蚁群算法中,在优化过程的初期,设置较强的拥挤度限制,保证大部分蚂蚁不受信息素浓度的影响而进行随机寻优。为解决蚁群算法求解时间长,容易出现停滞的问题,应用转移系数的概念,提高了蚁群的计算速度,从而增强算法遍历寻优能力。经过多次对比实验表明,使用混合优化算法可以实现优化物流配送线路,可以有效而快速地求得问题的最优解或近似最优解.采用Solomon问题中R101作为实例数据基础,采用面向对象的C++语言编写了计算程序,对混合人工鱼群-蚁群算法进行了计算验证,证实了该算法可行性和有效性;同时对部分Solomon数据进行了多次验证,结果表明混合人工鱼群-蚁群算法与其它启发式算法相比具有优越性;最后对提出的混合群智能算法中的各项参数进行了对比分析,探讨了所用参数的最优组合。(本文来源于《苏州大学》期刊2011-10-01）
李爱梅,尤庆华[10]（2006）在《基于蚁群智能的物流配送系统车辆线路优化算法》一文中研究指出针对当前蚁群算法中存在的计算时间长、易出现停滞或局部收敛的缺陷,为大型物流配送系统提出一种新型的基于蚁群智能的车辆线路(Vehicle Routing Problems,VRP)优化算法——AntProber．AntProber算法借鉴选择窗口的思想并加以改进,引入依概率动态自适应调整的候选可行解链表(Candidates List,CL)机制,设计一种新颖的概率转移规则,并在此基础上提出一种智能信息素更新策略．仿真结果表明,AntProber算法具有快速、高效的全局搜索性能和良好的可扩展性,可较好地解决加速收敛与局部停滞之间的矛盾．(本文来源于《上海海事大学学报》期刊2006年S1期）
物流群智能论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为解决物流服务交易中供应商、生产商、用户等多方参与者之间的信用关系缺失,提高制定合约的效率,避免干扰合约的正常执行以及传统合约的可抵赖性、可篡改性以及不可追溯性等问题,提出了物流服务交易区块链与蚁群智能合约算法。分析传统的物流服务交易模式存在的问题,提出一种新的物流服务交易合约概念模型,并利用区块链和智能合约的特点和优势,以及物流服务交易中的信息发布、谈判、议价、制定合约等交易环节和区块链的链接关系,构建一种去中心化的物流服务交易智能合约区块链模型。以该模型为基础,依据物流服务交易合约的工作流程以及蚁群算法的特点,设计了物流服务交易区块链与蚁群智能合约算法。在多节点物流服务交易仿真平台进行实验,实验结果表明,该算法实现了基于区块链的多物流用户服务交易智能合约的创建、存储和自动执行,整个过程透明可跟踪、共识且不可篡改。因此,该算法是基于区块链解决物流服务交易问题的一种有效方法。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
物流群智能论文参考文献
[1].周焰梅.基于群智能算法的动态物流背包研究与应用[D].重庆邮电大学.2019
[2].李松钊,李文敬,陆建波.物流服务交易区块链与蚁群智能合约算法研究[J].计算机工程与应用.2019
[3].吴新胜,姜婷,赵梦超,张萍,孔令成.基于群智能混合算法的应急物流路径优化研究[J].四川理工学院学报(自然科学版).2018
[4].周蓓晨.基于群智能算法的物流配送路径规划研究[D].新疆大学.2018
[5].孙妮娜.基于群智能混合算法的应急物流配送路径优化研究[D].西安建筑科技大学.2015
[6].梁晓磊.基于社群特性的群智能算法研究及在物流中的应用[D].武汉理工大学.2015
[7].朱亚琪.物流配送路径问题的群智能混合算法研究与应用[D].东华大学.2013
[8].朱亚琪,方建安.基于群智能混合算法的物流配送路径研究[J].微型电脑应用.2012
[9].邹挺.基于蚁群和人工鱼群混合群智能算法在物流配送路径优化问题中的应用研究[D].苏州大学.2011
[10].李爱梅,尤庆华.基于蚁群智能的物流配送系统车辆线路优化算法[J].上海海事大学学报.2006