群智能优化及其在物流中的应用

本书力求将理论研究与实际应用并重，围绕着群智能优化算法理论研究及其在物流实际问题优化中的应用，基于作者在群体结构、群体拓扑和个体行为研究的成果，融合复杂网络、人工智能、系统工程等的思想和方法，构建了针对实际物流问题的群智能优化能力提升和应用的理论和实践方法。首先，从群体结构和搜索行为研究出发，提出具有异构分簇的聚类自适应策略，改善了算法性能；其次，从群体间网络关系分析入手，引入复杂网络理论，将网络拓扑演化作为调节群体搜索信息共享的手段，从而避免信息过度集中，提升整体优化能力；再次，从网络拓扑和个体行为控制两方面分析，在种群中引入社会网络的演化调整机制和个体学习行为方法，强化个体之间的交互和协作，优化人工种群的搜索能力；后，将上述策略及方法分别应用在自动化立体仓库货位优化、冷链配送车辆路径优化、云物流下基于协同库存的集合覆盖的选址分配优化、集装箱多式联运方案优化等问题中。在每个物流优化问题求解中，均设计了高效的编码、解码方案，将问题与算法紧密结合，充实了智能优化算法的应用方式和实践案例。

 

群智能优化技术是在自然群体基础上通过个体协作实现复杂系统优化的一种智能优化技术。智能物流系统作为智能制造系统的重要支撑，通过群智能优化方法可以有效解决复杂物流优化问题，提升问题优化效率、降低计算成本，提高对问题的响应效率。本书得到了国家自然科学基金面上项目“基于移动智能体调度的混杂工业无线传感器网络抗毁性研究”（编号：61571336）和青年科学基金项目“面向多移动智能物流资源调度的动态渐进群集智能优化方法研究”（编号：61603280）等项目的资助。在此背景下，开展了关于智能制造发展背景下若干复杂物流系统优化问题的系统研究和实践。本书详细介绍了目前群智能优化技术的原理、基于自适应和社会网络的算法性能提升方法，以及群智能优化算法在自动化立体仓库货位优化、冷链配送车辆路径优化、云物流下基于协同库存的集合覆盖的选址分配优化、集装箱多式联运优化和集装箱船舶贝位配载优化等具体实际问题中的应用。本书可帮助高校师生和工程技术人员系统掌握群智能优化技术的原理、改进途径及应用策略，了解群智能优化算法国内外新研究进展，掌握工程实际中典型物流问题的建模方法及群智能优化方法。本书对推广、提升智能制造环境下智能物流系统优化和发展具有重要意义。

李文峰，1990年毕业于华中理工大学机械学院机械学专业，获工学硕士学位。2000年毕业于武汉理工大学机械设计及理论专业，获工学博士学位。2003年-2004年瑞典皇家工学院自治系统研究中心访问学者。2012.7-2012.12美国新泽西理工大学高级访问学者。2015.7-2015.8美国纽约大学高级访问学者。现为武汉理工大学教授，博士生导师，物流工程学院副院长。湖北省跨世纪学术带头人，湖北省有突出贡献的中青年专家，中国人工智能学会智能制造专业委员会常务委员，中国人工智能学会智能机器人专业委员会委员，中国物流学会常务理事，湖北省机电一体化学会常务理事，湖北省机械设计与传动学会常务理事。*2006-2010年高等学校物流类专业教学指导委员会委员，*2013-2017年高等学校物流管理与工程类教学指导委员会委员。IEEE 高级会员，IEEE SMC CSCWD和ESMDM的TC成员，中国传感器网络学术会议（CWSN）程序委员会委员，IEEE CSCWD、IEEE ICMA、ICLEM、DPMSS等国际会议的组织委员会或程序委员会委员,IEEE CSCWD2012、ICIA2010、ICMA2010、IDCS2014、IDCS2015，以及 CSCWD2015年学术会议的程序委员会协作主席。

第1章群智能优化理论及其研究与分析/1

1.1群智能优化理论/1

1.2典型群智能优化算法/4

1.2.1遗传算法/4

1.2.2粒子群优化算法/6

1.2.3蚁群优化算法/7

1.2.4细菌觅食优化算法/8

1.2.5生物地理优化算法/9

1.2.6其他群智能优化算法/11

1.3群体行为的复杂网络与社会网络分析/12

1.4群智能的种群和拓扑结构/14

1.5群智能优化中个体行为控制/16

本章小结/19

第2章具有异构分簇的聚类自适应粒子群优化算法/21

2.1基于聚类的自适应粒子群优化算法/21

2.1.1基于聚类的种群动态分割策略/22

2.1.2基于异构簇的自适应调整策略/24

2.2算法流程/25

2.3实验分析和讨论/25

2.3.1实验设计和Benchmark函数/25

2.3.2实验1：种群分布度对比分析/27

2.3.3实验2：算法参数敏感性测试/29

2.3.4实验3：相同初始值对比测试/30

2.3.5实验4：相同迭代次数对比测试/43

本章小结/51

第3章基于社会网络演化的动态拓扑粒子群优化算法/52

3.1基于社会网络演化的粒子群优化算法/52

3.1.1群智能中的社会网络/52

3.1.2子群划分策略/53

3.1.3基于社会网络演化的动态拓扑构建算法/54

3.1.4算法流程/63

3.2算法复杂度分析/64

3.3标准测试函数实验/64

3.3.1测试函数/64

3.3.2对比算法及其参数/65

3.3.3实验内容及分析/66

本章小结/76

群智能优化及其在物流中的应用目录第4章基于社会网络的群体优化算法/77

4.1基于社会网络模型的动态种群拓扑结构构建/77

4.2扩展式个体邻域构建/79

4.3个体学习行为调整/81

4.3.1NI中个体学习方式/81

4.3.2RI中个体学习方式/82

4.4算法流程/84

4.5与其他智能算法的比较/86

4.6数值实验与分析/87

4.6.1实验设计/87

4.6.2实验与分析/92

本章小结/115

第5章基于群智能优化算法的自动化立体仓库货位优化/116

5.1货位优化分配问题/116

5.2货位优化分配问题模型/117

5.2.1模型假设/117

5.2.2模型符号说明/117

5.2.3模型构建/118

5.3基于群智能优化的货位分配问题求解/119

5.3.1算法设计/120

5.3.2货物编码与货位编码/121

5.4汽车零部件货位优化分配实例分析/123

5.4.1模型相关参数说明/123

5.4.2算法相关参数说明/124

5.4.3案例结果分析/124

本章小结/128

第6章冷链配送车辆路径的群智能优化/129

6.1冷链物流及车辆路径问题/129

6.1.1冷链物流相关概念/129

6.1.2冷链物流配送路径研究/129

6.2冷链配送车辆路径优化模型/130

6.2.1模型相关假设和参数/130

6.2.2目标函数构建/131

6.3基于群智能优化算法的冷链网络配送模型求解/133

6.3.1群智能优化算法搜索——以萤火虫算法为例/133

6.3.2针对网络配送问题的个体编码设计/135

6.4案例分析/137

6.4.1案例/137

6.4.2实验设计/140

6.4.3结果及分析/141

本章小结/143

第7章云物流下基于协同库存的集合覆盖的选址分配优化/144

7.1问题背景分析/144

7.2模型构建和特点分析/144

7.3云物流下选址分配模型的群智能优化算法设计/146

7.4基于云物流的汽车零部件供应物流选址分配案例研究/151

7.4.1汽车零部件供应物流的现状及需求分析/151

7.4.2实验设计/152

7.4.3云物流下基于协同库存的集合覆盖的选址分配案例/155

本章小结/160

第8章基于群智能优化算法的集装箱多式联运优化/162

8.1集装箱多式联运问题 /162

8.2多式联运基本模型/164

8.3多式联运问题编码及解码/165

8.3.1全局流量按比例分配/165

8.3.2局部流量调整策略/167

8.3.3带惩罚的目标函数/168

8.3.4问题求解流程/169

8.4案例分析/169

8.4.1案例/169

8.4.2算法对比设置/171

8.4.3实验结果分析/171

本章小结/179

第9章集装箱船舶贝位配载的优化/180

9.1集装箱船舶贝位配载问题/180

9.1.1集装箱船舶贝位配载问题分类/180

9.1.2集装箱船舶箱位位置表示/181

9.2集装箱贝位配载模型/182

9.2.1模型假设/182

9.2.2模型参数及相关变量定义/182

9.2.3模型的目标函数/183

9.3个体编码方案设计/184

9.3.1基于个体位置排序的装载顺序解码/184

9.3.2基于规则的贝位装载策略/185

9.4个体适应度计算/187

9.5问题求解步骤/187

9.6案例实验/189

9.6.1案例设计/189

9.6.2对比算法设计/190

9.6.3实验结果及分析/191

本章小结/200

参考文献/201