前端规划 物流系统群智能优化方法

（1）算法的研究富有理论实践双重意义，本书对近年提出的一些活跃算法，如群智能算法、蝙蝠算法和布谷鸟算法等，进行了系统阐述和深入分析。（2）群智能优化算法，为现实中存在的大量不可微、非线性、不确定性复杂问题提供了方便实用的很优化求解途径和方法。

算法（algorithms）是优化物流决策和运营过程，降低物流成本的重要途径和方法。系统优化企业的管理运作，全面综合提高效益、效率，实现组织目标，都离不开算法的运用。
本书系统阐释了群智能算法、蝙蝠算法和布谷鸟算法等近年来盛行算法的基本原理和实用方法；在此基础上，把算法运用于物流机器人路径选择、车辆路径选择和物流配送中心选址方案之中，帮助物流企业和相关物流作业者做出正确的决策规划。

李煜，河南大学商学院教授、硕士生导师，管理学博士，美国布鲁姆菲尔德大学访问学者。主要研究方向：智能优化、电子商务、物流管理等。先后主持和承担国家自然科学基金、国家社会科学基金、教育部人文社科基金和河南省科技攻关等多项科研项目，发表专业论文50余篇，其中SCI和EI收录20余篇。

第1章绪论
1.1引言
1.2物流系统
1.2.1物流系统的概念
1.2.2物流系统的优化
1.3选址问题
1.3.1物流配送中心选址的背景及其意义
1.3.2物流配送中心选址的研究现状
1.3.3物流配送中心的概念与原则
1.3.4物流配送中心选址的决策程序
1.3.5物流配送中心选址的分类
1.4车辆路径问题
1.4.1车辆路径问题的研究背景及意义
1.4.2车辆路径问题的定义及分类
1.4.3车辆路径问题的求解方法
参考文献
第2章群智能算法
2.1群智能思想起源
2.2群智能基本概念
2.3群智能算法模式综述
2.3.1微粒群优化算法
2.3.2蚁群优化算法
2.3.3人工蜂群算法
2.3.4细菌觅食算法
2.3.5萤火虫算法
参考文献
第3章蝙蝠算法及其改进
3.1引言
3.2算法生物学原理
3.3蝙蝠算法
3.4算法研究现状
3.5一种动态调整惯性权重的自适应蝙蝠算法
3.5.1算法的基本思想
3.5.2算法的改进策略
3.5.3改进后算法的流程
3.5.4数值仿真与分析
3.6融合均匀变异与高斯变异的蝙蝠优化算法
3.6.1算法的基本思想
3.6.2算法的改进策略
3.6.3算法流程
3.6.4数值仿真与分析
3.7本章小结
参考文献
第4章布谷鸟算法及其改进
4.1引言
4.2布谷鸟算法的生物学原理
4.2.1布谷鸟的巢寄生行为
4.2.2莱维飞行
4.3布谷鸟算法
4.4布谷鸟算法的研究现状
4.5改进的布谷鸟算法（DWCS）
4.5.1非线性惯性权重对数递减策略
4.5.2动态惯性权重系数的变化范围对函数优化效果的影响
4.5.3随机调整的发现概率策略
4.5.4DWCS算法的流程
4.6仿真实验
4.6.1测试函数
4.6.2测试环境和算法参数的确定
4.6.3算法比较
4.6.4收敛曲线分析
4.7本章小结
参考文献
第5章物流机器人路径规划
5.1物流机器人
5.1.1AGV机器人
5.1.2码垛机器人
5.1.3分拣机器人
5.2路径规划
5.3具有反向学习和正切随机探索机制的蝙蝠算法（PTRBA）
5.3.1动态扰动系数
5.3.2正切随机探索机制
5.3.3反向学习选择策略
5.3.4PTRBA算法流程
5.4PTRBA基于三次样条插值实现机器人路径规划
5.4.1三次样条插值
5.4.2编码
5.4.3构建适应度函数
5.4.4算法流程
5.4.5求解机器人全局路径规划的仿真实验
5.5本章小结
参考文献
第6章车辆路径问题
6.1CVRP定义及数学模型
6.2DTBA求解CVRP
6.2.1CVRP求解思想
6.2.2改进蝙蝠算法（DTBA）的基本思想
6.2.3解的编码
6.3算例求解
6.3.1CVRP算例一
6.3.2CVRP算例二
6.3.3CVRP算例三
6.3.4CVRP算例四
6.4本章小结
参考文献
第7章物流配送中心选址
7.1单配送中心选址模型及求解
7.1.1单配送中心选址的定义及相关概念
7.1.2基于重心法选址模型的单配送中心选址模型
7.1.3单配送中心选址算例求解
7.2多配送中心选址模型及求解
7.2.1多配送中心选址的定义及相关概念
7.2.2基于CFLP模型的多配送中心选址模型
7.2.3基于DWCS的多配送中心选址求解流程
7.2.4多配送中心选址算例求解
7.3本章小结
参考文献
重要术语索引