物流信息决策的自适应蚁群算法初探，本文主要内容关键词为：算法论文,自适应论文,物流论文,信息论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
1 引言
电子商务与物流更加紧密结合起来，使物流向信息化、网络化、现代化、社会化的方向不断前进。电子商务条件下的物流信息不仅对物流活动具有支持保障、精益流程的功能，而且对物流资源起到整合管理、提高效率、实现共享的功能，能够更好地为客户提供物流服务。如何高效的利用物流信息资源，发掘其内在价值，发挥物流信息的决策价值，开拓物流市场，发展物流业务，优化物流业务流程，提高物流绩效成为重要课题。
2 物流信息的决策价值分析
物流信息资源广泛分布于物流领域及其相关领域和市场，贯穿于物流业务和操作的各个阶段。物流信息对供求情况、运输与配送、保管、装卸搬运、包装、流通加工等以及与其相联系的流程和事务进行了描述，囊括了物流对象的特点、属性和所处状态，能够为我们计划、控制和协调物流业务提供可靠依据和有力支持。
物流信息是决策的重要基础和关键依据，物流管理决策过程的本身就是对物流信息进行深加工的过程，是对物流活动的发展变化规律认识的过程。物流信息的决策价值源于物流信息之间的联系。物流信息之间复杂的联系是关于某一物流对象的静态、动态的不同描述，是对物流活动涉及对象间各种关系的表述。物流信息之间的各种联系交织在一起形成链状或网状结构。物流信息的这种多维度联系有利于我们掌握和控制物流实体对象，通过分析和利用物流信息之间的联系，挖掘它在决策方面的价值，实现物流信息的集成反馈可以进行物流业务的快速高效决策。比如，大型电子商务平台第三方物流方案的制订；物流配送网络体系的构建，包括中心城市配送中心和地区仓库等节点位置和数量的选择与决策；物流运作过程中各种运输方式的选择、多式联运的实施；逆向物流体系的构建；城市绿色物流体系的构建特别是在气体排放污染和噪音污染等因素考虑下物流节点和运输线路和时段选择。又如，物流信息中的需求信息作为一种重要资源对物流业务的安排、计划、控制等决策的制定都起着非常重要的作用。
研究表明，挖掘物流信息之间的联系，发掘物流信息的决策价值需要设计合理的聚类优化算法对物流信息所涉及的各种资源和方案进行合理配置和优化。
3 物流信息决策的自适应蚁群算法
蚁群算法的优化过程主要包括选择、更新以及协调三个过程。笔者认为通过选择合理的“外激素”并设定合理的选择、更新和协调因子，以建立灵敏的信息自适应反馈机制，改良蚁群算法模型，同时保证收敛性，可以巧妙地对离散的物流信息根据其内在联系按照需要进行合理的聚类和有效的组合，并针对具体的物流运作要求进行多次聚类和优化，探求物流领域优化问题解决的有效途径，实现对电子商务时代物流运作的有力决策。
3.1 思路
物流信息决策的自适应蚁群算法的思想是在自适应思想的指导下结合K-means算法的特点对基本蚁群算法加以优化，可有效地实现电子商务条件下物流信息决策问题的逐步优化，有效避免通常聚类算法对初始聚类中心及聚类个数的依赖，获取全局最优解。
算法具体思路是：在蚁群算法的启发下，把待聚类物流信息视为具有不同属性的“人工蚂蚁”；根据物流任务的需要把物流信息中的某些属性和问题，如运输问题中的距离最短、时间最短、运费最低、最合理路径等作为设定的“聚类中心”，这是这些人工蚂蚁所要寻找的“食物源”；把数据聚类和问题优化过程看做是人工蚂蚁寻找食物源的过程。显然，聚类和优化过程是同时进行的，相关的物流信息数据将会在“食物源”中聚集，从而达到对数据的自然聚类——合理分类。
该算法通过自适应思想实现对算法过程的优化和调整，实现的关键因素是“聚类中心”、“外激素”和“外激素”挥发因子的选取、设定。分析可知，“聚类中心”在初始阶段需要赋予一个初值，但随着算法优化的深入，通过自适应思想设计对应的“聚类中心”更新算法，旨在提高蚁群算法的全局搜索能力及其收敛速度；“外激素”内容根据实际问题的需要由“聚类中心”决定，比如在一般的运输问题中求运输距离最短，需要把运距作为该次优化聚类选择的“外激素”。“外激素”的选取次数和更改由求解问题的复杂程度和精度要求决定。当需要处理复杂因素求解问题的时候，我们可以通过增加和更改“外激素”来实现多重类优化，例如京东、新蛋等大型电子商务网站对电子产品的配送节点设计问题中，需要综合考虑运距、运费、时间、售后、客户需求等，这个时候可以通过增加对应的参数作为“外激素”实现最优问题的求解或不断的细化某个参数求得该问题的最理想化；“外激素”挥发因子的设定也需要通过自适应算法进行调整。
3.2 算法
(1)算法中运用到的参数和对应约定：
包括了不同的物流信息、物流信息的各种属性和内容，比如，供求信息、市场影响半径、库存信息、配送距离、配送频度、运费信息、税收费率等。
4 仿真算例
根据上述物流信息决策的自适应蚁群算法，利用Matlab进行编程仿真实验。
例：某物流中心有2台配送车辆，载重量均为8t，有8个分仓库和1个中心仓库，各分仓库对中心仓库的需求为
(1，2，…，8)(单位为t)中心仓库与各分仓库的距离
(1，2，…，8)见表1，试依据该信息求解最佳配送方案。
在实验中选取Q=2，ρ=0.85，1-ρ=0.15。通过程序随机求解10次，结果见表2。
最终得到的物流优化路径是：0-4-7-6-0，0-1-3-5-8-2-0；从表2中可见其平均最优化解是67.5km，优于传统蚁群算法所得结果79.5km。此方案既满足车辆容量约束又满足各分仓库需求，是一个可行解。利用该算法可以快速有效求解物流配送路径等物流信息决策问题。
5 结论
在此算法中，蚁群算法的优化迭代次数由求解的精度要求和问题的复杂度决定。随着多次迭代的不断修正，以“外刺激”变量的增加和修改作为动态自适应调整的方法，可以对该问题进行约束和有效收敛，不仅提高了整个算法的运算速度，同时也避免造成停滞现象，陷入局部最优困境以达到聚类和优化的效果。该算法具有一定的鲁棒性和适应性，采用这种方法处理物流信息，探究物流信息价值的发掘和利用是可取的。值得注意的是，影响物流运作问题的不确定因素是多方面的，特别是在全球化市场中物流信息的非对称性所导致的博弈现象依然存在，物流决策难度大。该算法直接适用于结构化物流信息决策求解最优解；对于半结构化物流信息决策，需要对研究对象进一步的抽象和标准化转换进而求较优解；对于非结构化物流信息决策，不可能用确定的模型和语言来描述其决策过程，不能直接运用该算法得到最优解或较优解，这类情况的决策最为复杂。物流运作决策问题涉及大量的连续变量、离散变量和随机变量，该方法还不是很理想，有力的决策算法仍有待进一步的优化研究。