基于改进飞蛾优化算法的农业物流配送中心选址策略研究

　　摘要：农业物流配送中心选址模型是一类具有多约束条件的复杂非线性模型，难以有效优化，提高配送效率，节约配送成本。针对上述问题，本文通过引入基于控制因子的非线性惯性权重和遗传算法中的交叉变异策略对飞蛾优化算法进行改进，提高算法的全局收敛能力和收敛速度，并将改进后的飞蛾优化算法对农业物流配送中心选址模型进行优化。通过测试函数和实际算例的仿真试验，验证本文所提改进算法的高效性，配送中心选择所需计算时间提高50%，配送效率提高30%。

　　关键词：农业物流配送中心选址;飞蛾优化算法;非线性惯性权重;遗传算法;交叉变异

　　0引言

　　随着经济的迅速发展，我国逐渐成为世界农业大国，农产品的出口数量和金额也越来越高。但农业物流配送效率却始终未得到迅速发展，导致许多农产品在配送过程中损失巨大，加大了配送成本[1-3]。造成损失的原因可分为配送中心选址不当、配送路径规划不合理、物流配送环节过于繁琐以及运输条件相对落后等多个方面[4]，但其主要原因为配送中心选址不当。因此，大量的研究学者对农业物流配送中心选址模型优化问题进行深入研究，目的是为了提高配送效率，降低配送成本。

　　1农业物流配送中心选址模型

　　农业物流配送中心选址优化是物流配送中心选址问题中的一个重要分支。在农业物流配送中心选址优化问题中，每一个农业生产基地都可认定为是一个仓库且各个仓库中所储存农产品种类各不相同。与其他配送中心选址问题所不同的是，由于我国农业生产基地过于分散，导致每个仓库之间的距离相对较远，而很多农产品的生产受环境影响以及时令影响较大，对于配送时间有着极为严格的要求，因此在建立农业物流配送中心选址模型时需满足以下特点。

　　1)由于农产品对时令要求较为严格且具有保鲜性，所以需要对配送区域进行分区处理。并从每个分区中选择一个最优仓库使每个分区中各个仓库间的配送距离最短，配送时间最短。

　　2)由于我国农产品生产基地广泛，且农产品收成具有时令性，因此各仓库之间的货物调配不应过于频繁，因此每个配送仓库的所需量皆应小于等于与其对应配送中心的货物总量。

　　3)由于许多农产品的保鲜程度等受天气和季节影响较大，因此当配送点距其所在分区的中心仓库距离过长时，则不应由该中心仓库进行配送，应重新选择适合的配送中心仓库进行配送或通知该配送点，此类产品无法配送。

　　2基本飞蛾优化算法

　　飞蛾火焰优化算法(Moth-flameOptimizationAlgorithm，MFO)是通过模仿飞蛾扑焰行为所提出的一类群智能优化算法。首先，MFO算法进行种群初始化操作M=[m1，m2，…，mNP]T(7)式中：mi=[mi，1，mi，2，…，mi，d]T;NP———种群规模;d———维数。其中每个飞蛾个体的适应度值均存放于矩阵OM中，因此矩阵OM=[OM1，OM2，…，OMNP]T(8)此外，在MFO算法中，飞蛾会围绕火焰进行位置更新，因此矩阵F用于存放算法当前迭代所得的最佳位置信息，并将其适应度值存放于矩阵OF之中F=[f1，f2，…，fNP]T(9)OF=[OF1，OF2，…，OFNP]T(10)其中：fi=[fi，1，fi，2，…，fi，NP]T。在MFO算法中，每一个飞蛾个体均会围绕火焰不断的进行位置更新，直到找到全局最优解。首先，飞蛾个体Mi会通过对数螺线的方式朝距自身最近的火焰Fj移动，这种行为被描述为捕焰行为。

　　3改进的飞蛾优化算法

　　传统飞蛾优化算法由于其寻优机制简单，调整参数少，可解决许多优化问题，但针对具有强非线性，多约束条件的数学模型而言，其寻优精度尚需要提高。因此，本文提出一种改进的飞蛾优化算法(ImprovedMoth-flameOptimizationAlgorithm，IMFO)。首先通过综合学习策略对算法进行种群初始化，其次使MFO算法与遗传算法相结合，将交叉变异策略引入MFO算法中，目的是避免MFO算法在迭代过程中早熟收敛，防止算法在迭代后期陷入局部最优。最后通过引入基于控制因子的非线性惯性权重提高算法的全局收敛能力，进一步提高了算法的收敛精度和收敛速度。

　　3.1基于综合学习的种群初始化策略

　　针对群智能优化算法而言，种群多样性是影响算法寻优效率的重要因素，种群多样性较高的算法具有较快的收敛速度和较高的收敛精度。同时也会在一定程度上避免算法陷入局部最优。反向学习是由学者Tizhoosh所提出的一种初始化策略，目的是在算法初始化阶段提高算法的种群多样性，但很大程度上也会影响算法的寻优速度，因此本文在传统反向学习策略的基础上引入了双种群和随机学习策略，提出一种新的综合学习策略对MFO算法的位置进行初始化。

　　3.2改进的交叉变异策略

　　为进一步提高MFO算法的全局搜索能力，本文将遗传算法中的交叉变异策略引入到MFO算法中。MFO算法在迭代后期种群中的所有粒子均会向全局最优解迅速靠近，导致算法早熟收敛，陷入局部最优。因此本文在MFO算法中引入交叉操作，对每一个解分量形成一个大小在0和1之间的随机数f，通过比较f和交叉系数CR的值，判断何时进行交叉操作。其二项式交叉的数学表达式如式(15)所示。

　　4试验仿真

　　4.1基于测试函数的性能测试

　　为了验证本文所提IMFO算法较优，可以用于解决农业物流配送中心选址模型优化问题，本文从册数函数和实际算例两方面进行仿真验证，试验环境采用windows7操作系统，8GB内存的Thinkpad笔记本，仿真软件为Matlab2014a。首先，本文选取16个benchmark函数作为测试函数，其中f1至f4为单峰函数，用于验证算法的局部搜索能力;f5至f8为多峰函数，用于验证算法的全局收敛能力;f9至f12为平移函数，f13至f16为旋转函数，用于验证算法解决复杂优化问题的能力，具体见表1所示。其次，本文选取IMFO与CSPSO[16]、SinDE[17]和CCMFO[18]对比，其中CSPSO是Meng等提出了一种基于交叉搜索的粒子群优化算法，提高了算法的全局搜索能力。SinDE是Drea等提出的一种正弦查分算法，提高算法的局部搜索能力。CCMFO是一种基于混沌的改进飞蛾优化算法[18]。

　　4.2基于实际算例的仿真试验

　　本文将IMFO算法用于农业流配送中心选址模型优化，其中每一个农业物流配送点都可视为一个粒子，并将粒子表示为X=[x1，x2，…，xA]，其中A表示农业物流配送点总个数，IMFO算法将从A个配送点中，合理选取P个配送点作为配送中心。设最终选取的最优粒子为X=[0，1，0，1，0，1]，表示自在6个配送点中，选取第2、4、6个配送点作为配送中心。

　　为了验证本文所提IMFO算法求解农业物流配送中心选址的高效性，本文选取30个城市的农场位置和供需量进行试验仿真，并通过对比基于复合蚁群算法[8]、混合粒子群算法的选址策略[6]以及基于混沌萤火虫优化算法的选址优化方式[7]的试验结果，验证了本文所提方法的有效性。其中四种算法的迭代次数均为100，每种算法独立运行50次。城市坐标以及货物供需量如表4所示，试验结果如表5，图1～图4所示。

　　结论

　　本文首先针对农业物流配送中心选址优化问题，提出一种基于改进飞蛾优化算法的优化策略。建立了农业物流配送中心的选址模型。其次，针对传统飞蛾优化算法易陷入局部最优，收敛精度低以及收敛速度慢的缺点，将综合学习策略、改进的交叉变异策略和基于控制因子的非线性惯性权重引入到算法中，对MFO算法进行改进。提高了算法的收敛精度和收敛速度，很大程度减小了算法陷入局部最优的可能性。最后将改进后的飞蛾优化算法对农业物流配送中心选址模型进行优化，通过实验数据可得，IMOA算法计算所需时间仅为7.3s，提高了优化时间。平均费用相较其他优化策略提高了30%，很大程度的降低了农产品的配送成本。

　　参考文献

　　[1]程丽林，范志强，张长峰，等.我国农产品冷链物流标准体系构建的思考[J].物流工程与管理，2016，38(7)：8-11.

　　ChengLilin，FanZhiqiang，ZhangChangfeng，etal.ConsiderationontheconstructionofstandardsystemofagriculturalcoldchainlogisticsinChina[J].LogisticsEngineeringandManagement，2016，38(7)：8-11.

　　[2]王晓璇.农产品冷链物流网络优化研究[D].天津：天津大学，2017.

　　WangXiaoxuan.Studyonoptimizingagriculturalproductscoldchainlogisticsnetwork[D].Tianjin：TianjinUniversity，2017.

　　[3]吕建新，辜良愉.带时间窗的C-W节约法在农产品物流中的应用[J].农机化学报，2013，34(2)：185-188.

　　LuXinliang，FuLiangyu.ApplicationofC-Wsavingmethodwithtimewindowinagriculturalproductslogistics[J].JournalofChineseAgriculturalMechanization，2013，34(2)：185-188.

　　孟军，高佳慧