基于粒子群算法的分布式論文

　　現如今，大家都經(jīng)�？吹秸撐牡纳碛鞍�，論文的類(lèi)型很多，包括學(xué)年論文、畢業(yè)論文、學(xué)位論文、科技論文、成果論文等。你知道論文怎樣寫(xiě)才規范嗎？以下是小編為大家整理的基于粒子群算法的分布式論文，希望能夠幫助到大家。

　　論文關(guān)鍵詞:管理科學(xué);約束批量計劃;分布式多工廠(chǎng);粒子群算法

　　論文摘要:研究了分布式多工廠(chǎng)協(xié)同生產(chǎn)的約束批量計劃問(wèn)題，以產(chǎn)品的生產(chǎn)成本、庫存成本、調整準備成本和運輸成本之和最小為目標，構建了生產(chǎn)能力有限情況下的數學(xué)模型，提出了用于求解該問(wèn)題的粒子群算法方案，闡明了該算法方案的具體實(shí)現過(guò)程。對典型算例進(jìn)行了仿真，并與LINGO軟件的求解結果進(jìn)行了比較，結果表明粒子群算法方案的有效性和可行性。

　　隨著(zhù)需求的日益多樣化以及產(chǎn)品交貨期的日益縮短，大型制造企業(yè)集團往往在不同地點(diǎn)建立多個(gè)工廠(chǎng)，以滿(mǎn)足不同地區的產(chǎn)品需求。然而，在現有資源配置下，如何將來(lái)自不同分銷(xiāo)中心的訂單合理分配給各工廠(chǎng)，并協(xié)調各工廠(chǎng)的生產(chǎn)批量計劃，一直是大型制造企業(yè)集團最為關(guān)注的問(wèn)題和理論界研究的熱點(diǎn)問(wèn)題之一。

　　單工廠(chǎng)有能力約束生產(chǎn)批量計劃問(wèn)題(Capacitated lot-sizing problem, CLSP)已經(jīng)是一個(gè)NP難題，分布式多工廠(chǎng)生產(chǎn)批量計劃問(wèn)題不但要解決各工廠(chǎng)的生產(chǎn)批量計劃，還有合理分配訂單到各工廠(chǎng)使得在各工廠(chǎng)的現有生產(chǎn)能力約束下，產(chǎn)品的生產(chǎn)配用、調整費用、庫存費用以及運輸費用之和最小。由于該問(wèn)題是NP難題，精確算法難以在給定的時(shí)間內找到最優(yōu)解，因而在現實(shí)的應用中缺乏可操作性。因此，探索應用智能優(yōu)化算法來(lái)求解該類(lèi)問(wèn)題具有很強的現實(shí)意義。

　　粒子群算法(particle swarm optimization, PSO)是Eberhard和Kennedy于1995年提出的一種新的智能優(yōu)化算法，它源于對鳥(niǎo)群群體尋食運動(dòng)行為研究結果的啟發(fā)。本文研究分布式多工廠(chǎng)、多產(chǎn)品、多周期、多分銷(xiāo)中心的約束生產(chǎn)批量計劃問(wèn)題，并為該問(wèn)題設計了粒子群算法求解方案。

　　1、分布式多工廠(chǎng)批量計劃的問(wèn)題描述和數學(xué)模型

　　考慮一個(gè)具有分布式多工廠(chǎng)、多分銷(xiāo)商的制造型企業(yè)集團在不同地點(diǎn)共設有F個(gè)工廠(chǎng)，J個(gè)分銷(xiāo)中心的供應鏈。每個(gè)工廠(chǎng)都有能力生產(chǎn)企業(yè)允許范圍內的任何產(chǎn)品，產(chǎn)品的種類(lèi)數是I，分布式的各工廠(chǎng)由于所處的地理位置不同以及所擁有的生產(chǎn)線(xiàn)水平的差異導致各工廠(chǎng)即使生產(chǎn)同一種產(chǎn)品，其生產(chǎn)時(shí)間、生產(chǎn)調整時(shí)間以及生產(chǎn)成本等都有可能是不同的。整個(gè)計劃期包含T個(gè)時(shí)間段，各工廠(chǎng)在計劃周期的初始和結束時(shí)間段的庫存均為零，每個(gè)時(shí)間段各分銷(xiāo)中心的訂貨需求都必須得到滿(mǎn)足，且訂單不可拆分。工廠(chǎng)以準時(shí)制方式向分銷(xiāo)中心運輸產(chǎn)品，即只有工廠(chǎng)存在庫存，分銷(xiāo)中心不存在庫存。因此整個(gè)集團的優(yōu)化經(jīng)營(yíng)的目標是:在計劃期內，在各工廠(chǎng)生產(chǎn)能力條件許可的情況下，根據分銷(xiāo)商的需求，合理制定計劃期內各個(gè)生產(chǎn)工廠(chǎng)的生產(chǎn)計劃，使得總成本，即生產(chǎn)成本、生產(chǎn)調整成本、庫存成本和運輸成本之和得到優(yōu)化。

　　模型中的各符號的定義如表1所示。目標函數式(1)使得在整個(gè)計劃范圍內項目總的生產(chǎn)調整費用、各工廠(chǎng)庫存保管費用、生產(chǎn)費用和運輸費用之和最小。約束式(2,3)表示滿(mǎn)足需求的物流平衡方程。約束式(4)表示各工廠(chǎng)的生產(chǎn)資源能力的限制。約束式(5)表示只有當生產(chǎn)數量大于0時(shí)才能發(fā)生生產(chǎn)調整費用和準備工時(shí)。約束式(6,7)表示Y和Z是0或1的調整變量。約束式(8)表示訂單不可拆分。約束式(9,10)表示每個(gè)周期的生產(chǎn)數量和運輸數量為非負的。約束式(11)表示不允許缺貨。約束式(12)表示初始和結束周期的各工廠(chǎng)的庫存均為Oo

　　2、求解分布式多工廠(chǎng)批量計劃問(wèn)題的粒子群算法

　　標準粒子群算法主要適用于連續空間函數的優(yōu)化問(wèn)題，Kennedy和Eberhard在1997年提出了二進(jìn)制粒子群算法，馬慧民等應用二進(jìn)制粒子群算法分別求解了基于成組單元和單級約束批量計劃問(wèn)題，取得了不錯的優(yōu)化效果。本文為分布式多工廠(chǎng)批量計劃問(wèn)題設計了二進(jìn)制粒子群算法求解方案。

　　2. 1算法的編碼

　　分布式多工廠(chǎng)批量計劃問(wèn)題由兩個(gè)子問(wèn)題構成:①將各分銷(xiāo)中心在不同時(shí)間段對各產(chǎn)品的訂單合理地分配到各工廠(chǎng);②各工廠(chǎng)根據分配的訂單情況，在生產(chǎn)能力允許的條件下制定合理的生產(chǎn)批量計劃問(wèn)題。為此，本文構造兩層粒子群算法，第一層解決訂單分配問(wèn)題，第二層解決各工廠(chǎng)生產(chǎn)批量計劃問(wèn)題。

　　(1)構造訂單分配問(wèn)題解

　　對于訂單分配問(wèn)題，采用二進(jìn)制粒子群算法，具體的編碼方式如下

　　其中K表示最大迭代次數、H表示種群的規模，1表示產(chǎn)品種類(lèi)數，J表示分銷(xiāo)中心數，T表示計劃范圍長(cháng)度，R表示二進(jìn)制數所占位數(即工廠(chǎng)數量用二進(jìn)制表示所占的最大位數)。

　　(2)構造各工廠(chǎng)批量計劃問(wèn)題解

　　對各工廠(chǎng)批量計劃問(wèn)題，采用如下編碼策略:①使用變量構造0,1編碼的粒子;②由通過(guò)公式(15)和(16)來(lái)確定和的值。具體編碼方式公式(14)所示。

　　2. 2算法流程

　　具體的算法流程如下:

　�、俅_定參數值

　　確定種群規模H，確定學(xué)習因子c１和c2。并令進(jìn)化代數k =0

　�、诔跏蓟�所有粒子的位置和速度

　　粒子群中的每個(gè)粒子的初始位置(即0和W的值)由公式(17)隨機生成，其中R (0,1)表示隨機產(chǎn)生[0,1}之間的隨機數。

　　粒子群中的每個(gè)粒子的初始速度由公式(18)隨機生成，其中和表示速度的最大最小限制值。

　�、塾嬎懔Ｗ拥倪m應值，計算粒子經(jīng)歷的最好位置和種群經(jīng)歷的最好位置。

　　粒子的適應值可以由公式(19)計算，其中M為充分大的正數。令表示粒子h進(jìn)化k代所經(jīng)歷的最好位置，令表示整個(gè)種群進(jìn)化k代所經(jīng)歷的最好位置。如果k =0，則，否則可由公式(2０)計算�？捎晒�式(21)計算。檢查結束條件是否滿(mǎn)足，滿(mǎn)足則結束，否則繼續。

　�、芨�新粒子的速度和位置。

　　為了有效的更新粒子群中粒子的速度和位置，首先引人公式(22)和公式(23 )。其中公式(22)的目的是使粒子的速度在最大最小速度范圍之內。公式(23)的目的是使結果值處于0和1之間。

　　令k=k+1。由公式(24),(25),(26)來(lái)更新粒子的位置和速度，然后轉步驟③。

　　3、仿真實(shí)驗

　　考慮2個(gè)工廠(chǎng)、3個(gè)分銷(xiāo)中心所組成的供應鏈在5個(gè)時(shí)段內關(guān)于5種產(chǎn)品的計劃問(wèn)題。仿真實(shí)驗的具體參數如表2、表3、表4所示。本文用VB6. 0為上文提到的算法編寫(xiě)了程序，粒子群算法的參數如下:C1= C2=2，種群規模H二240，最大進(jìn)化代數為300。算法程序在Intel P4 3. 4GHz , 1 G內存的計算機上獨立運行50次，目標函數最優(yōu)值為16886，平均運行時(shí)間為50s。

　　應用LING08. 0軟件求解該問(wèn)題，運行15h后得到的優(yōu)化可行解為16871，本文粒子群算法的優(yōu)化值為16886，兩者的偏差為0. 0803 %，而粒子群算法僅用50s。另外，針對不同規模的分布式多工廠(chǎng)批量計劃問(wèn)題，分別采用粒子群算法和LINGO軟件求解。仿真結果表明，不論結果的質(zhì)量還是算法效率，粒子群算法都具有優(yōu)越的性能。

　　4、結束語(yǔ)

　　本文研究了分布式多工廠(chǎng)協(xié)同生產(chǎn)的約束批量計劃問(wèn)題，建立了該問(wèn)題的數學(xué)模型，提出了用于求解該問(wèn)題的粒子群算法方案。對典型算例進(jìn)行了仿真，結果表明粒子群算法方案的有效性和可行性。

【基于粒子群算法的分布式論文】相關(guān)文章：

基于智能優(yōu)化算法的Wiener模型辨識論文提綱12-05

基于Hadoop分布式文件系統的單點(diǎn)問(wèn)題的研究論文12-17

基于嵌入式技術(shù)的分布式系統研究及應用論文03-16

基于QBASIC環(huán)境下的數學(xué)算法教學(xué)11-14

《基于導納的圖像加密算法的研究》開(kāi)題報告12-03

談除法計算法則的教學(xué)的論文03-04

基于網(wǎng)格特征臨界點(diǎn)的三維工程模型檢索算法11-23

基于PHP技術(shù)的網(wǎng)站設計畢業(yè)論文11-21

基于修辭定義的修辭學(xué)教學(xué)論文03-02

基于動(dòng)漫產(chǎn)業(yè)的高職動(dòng)畫(huà)實(shí)踐教學(xué)的論文03-03