王水兵

参数设定：在算法运转前，设定最大运转次数NC，算法运转核算器nc=0。初始化恣意边(i,j)的信息浓度τij(0)=c为常量，初始时刻信息浓度增量Δτkij(0)=0。设dij为客户i和客户j之间的间隔，当i≠j时，dij=［(xi-xj)2 + (yi-yj)2］0.5，当i=j时，dij=K为常量。初始化忌讳表tabu及道路表path，将m只蚂蚁随机地放到 n 个客户方位，一起，将每只蚂蚁的忌讳表的第一个元素设置为它当时地点的客户方位。

(2)发动蚂蚁：蚂蚁从tabu中的第一个方位依照搬运概率pij寻觅下一步要搬运到的客户方位，则客户i到客户j的pkij(t)界说为［8］:

其间，启示函数ηij=d-bij，allowedk={0,1,…,n}-tabuk表明蚂蚁k下一步答应挑选的客户，α与β别离为轨道相对重要性和能见度相对重要性。

（3）浓度核算：依据tabu表按式(7)［9］核算每只蚂蚁在每条途径上所留传的信息浓度增量：

式中，Q表明信息素强度，Lk表明蚂蚁k在本次循环中所走途径的总长度。

（4）浓度更新：当一切蚂蚁完结一次对一切城市遍历的循环后，用式（8）［9］对信息浓度进行一次更新。

其间，ρ表明信息素蒸发系数，1-ρ则表明信息素残留因子。

（5）中止判别：判别循环次数nc是否小于最大循环次数NC，如果是，则中止循环，输出gcbest和gtbest，不然，将一切忌讳表清空，而且重复进程(2)~进程(5)，直到满意中止条件中止。

2.3PSO-GA-ACO规划思维

GA与PSO算法在运算初期能够快速迫临最优解，有用优化体系参数，但中后期运转功率低，易早熟收敛，部分寻优才能差。而ACO算法运转初期因为信息素少，核算时刻长、收敛速度慢、易堕入部分最优，可是后期部分寻优才能较强。因而在本算法中将GA、PSO算法融入到ACO算法求解中，使新算法能够尽可能防止过早堕入部分极小值，进步算法全体寻优才能。算法规划思路:(1)蚂蚁群粒子化;(2)依照信息素巨细进行遍历;(3)对蚂蚁得到的途径进行遗传穿插、变异，然后发生新解;(4)使用PSO算法对得到的新途径依据粒子群优化算法中的部分极值和大局极值进行调整;(5)调整完毕后，依据成果断定算法是否持续。

2.4PSO-GA-ACO算法完结

为了进步ACO算法的运转功率，削减其过早堕入部分最优、易呈现阻滞等现象，本文将以下三步［10 12］交融到蚁群算法中，构建出依据PSO-GA-ACO算法的冷链物流最优配送途径算法。

(1)蚂蚁粒化：在path表中，发生2m条随机途径，并对这2m条途径的长度进行排序，取其间的m条长度最短的途径作为m只蚂蚁的初始个别最优途径pcbest，取其途径长度为个别极值plbest。将m只蚂蚁中的最小的plbest作为蚂蚁集体的大局极值glbest，其途径为大局最优途径gcbest。

(2)随机穿插：在当时蚂蚁完结一次对一切客户的遍历后对其走过途径进行次序穿插，选取2个随机穿插点j1与j2，设j1<j2，将集体当时最优途径gcbest中的第j1到第j2步之间走过的区间（j1，…，j2）作为穿插区域安排到第 k只蚂蚁第i次行走途径pathk(i)中的对应的方位，删去途径pathk(i)中已经在（j1，…，j2）穿插区域中呈现过的客户，这样就得到新的途径path1，随后将path1再与蚂蚁个别最优途径pcbest以如上方法再次穿插得到途径path2。

(3)变异更新：在穿插操作后，对途径path2进行反转变异，在途径path2中交流第p次和第q次拜访的城市，其他次序不变，然后得到新途径path3；依据path3核算途径长度，若新途径长度小于穿插变异前的途径长度则承受新值，更新path表中相应蚂蚁的个别极值ptbest和方位极值pcbest，并更新大局极值gtbest和gcbest，不然回绝。

将以上三个改善进程与根本ACO履行进程结合起来就构成了新的PSOGAACO算法，详细履行进程为：(1)参数设定;(2)蚂蚁粒化；（3）发动蚂蚁；（4）随机穿插;(5)变异更新;(6)浓度核算;(7)浓度更新;(8)中止判别。

当运转到进程（8）时，判别是否到达最大运转次数，如果是则完毕运算，不然重复进程（3）~进程（8），直到满意中止条件中止。当算法终究运转完毕后，所求出的解即为冷链物流最优配送途径。

3仿真试验

3.1参数设置

考虑到在实践配送中，一般一个冷库的配送点数不会特别多，因而，在文中选用30个城市的TSP问题数据作为研讨目标进行比较研讨。为了验证本文算法的有用性，将算法运转成果别离与GA、PSO与ACO算法运转成果进行比较，根本参数设置如下。

GA-PSO-ACO算法参数:α=1，β=5，ρ=0.95，Q=100，NcMax=200，m=30；ACO算法参数:α=1，β=5，ρ=0.95，Q=100，NcMax=200，m=30;GA算法：初始种群inn=100，穿插概率0.8，变异概率0.8，最大迭代次数gnmax=200；PSO算法： 粒子个数num=30, 最大迭代次数NcMax=200。

3.2试验成果

选用MATLAB言语完结如表所示算法模型对30个城市的TSP问题别离运转10次，表1给出算法运转成果，从表中能够看出在算法运转200次的情况下， GA-PSO-ACO与ACO算法的运转稳定性要显着好于PSO算法与GA算法，其间GA-PSO-ACO算法的稳定性最好，它的均匀配送间隔比ACO、PSO及GA算法别离削减了4.811 8 km、45.995 3 km及32.468 6 km。依照现在城市道路卡车每公里1.2元核算，则每配送一趟比其他算法给出的途径能够别离节省5.77元、55.19元及38.96元，这样长时刻配送节省的费用将是一个巨大的数字。图1~图4给出了4种算法某次运转成果，从成果中能够看出GA-PSO-ACO算法对配送拐点的处理好于其他算法, 因而在部分寻优方面作用显着好于其他三种。

4定论

冷鲜食物归于易蜕变的食物，对冷鲜食物的配送一般要求在最短的时刻、最短途径、最低本钱下完结配送。考虑到实践配送进程的复杂性，本文首要研讨冷链物流的最短配送途径，鉴于ACO算法在冷链物流配送途径优化中的使用，考虑到选用ACO算法进行冷链物流配送，可是ACO算法在途径优化中存在易过早堕入部分最优、算法易呈现阻滞现象等一系列问题，因而将别的两种智能算法GA与PSO算法引进到ACO算法的优化中，给出了依据PSO、GA和ACO交融算法的冷链物流配送途径规划思维和算法运转进程。试验成果表明，本文的设想是可行的，能够有用进步配送途径优化功率，进步经济效益。

参考文献

［1］ 王文铭,郑薇.果蔬配送中心物流作业建模与仿真研讨［J］物流工程与办理,2010,32(4):115117.

［2］ 邓汝春.我国的冷链物流商场及其开展战略［J］.商场现代化,2008,17(2): 814．