自适应萤火虫算法在物流集散点选址中的应用.pdf

黄 宇：自适应萤火虫算法在物流集散点选址中的应用收稿日期：2023-05-31作者简介：黄宇（1984），女，讲师，硕士，研究方向：现代物流管理，经济管理.第 38 卷第 2 期2024 年 4 月白 城 师 范 学 院 学 报Journal of Baicheng Normal UniversityApr.Vol.382024No.2自适应萤火虫算法在物流集散点选址中的应用黄宇（合肥共达职业技术学院 经济管理系，安徽 合肥 231135）摘要：随着国民生产收入的不断提高，我国物流业得到飞速发展.物流集散点选址作为物流企业生产效益的重要影响因素，其选址的科学性和合理性直接决定物流运输成本.本文深入研究了传统萤火虫算法工作原理，提出了改进的自适应萤火虫算法，并应用在物流集散点选址中.通过物流集散点选址建模以及运行流程优化，完成自适应萤火虫算法的收敛性和时间复杂度分析，并进行最优解求解验证.结果表明，自适应萤火虫算法在物流集散点选址中的寻优性能比传统萤火虫算法好，收敛速度和求解精度得到了提高，能够有效提高物流集散点的工作效率，在一定程度上降低了物流运输成本.关键词：自适应萤火虫算法；物流集散点；选址；优化中图分类号：TP18文献标志码：A文章编号：1673-3118（2024）02-0032-070引言随着国民经济的发展和互联网技术的不断成熟，物流运输已然成为人们生活中不可或缺的一部分.物流集散点作为物流系统的重要环节，是连接需求点和供应点的重要桥梁，物流集散点选址策略在很大程度上决定了物流系统运作效率，影响物流企业的运营成本和绩效.因此，科学合理地进行物流集散点选址，对提高物流系统工作效率、降低物流企业配送成本具有十分重要的意义1.针对物流集散点选址问题，国内外学者进行了很多研究，其中大部分集中在智能算法方面，包括蚁群算法、粒子群算法、花朵授粉算法、蝙蝠算法、人工蚁群算法等2.2008年，剑桥学者杨新社提出一种仿生群智能算法萤火虫算法，虽然提出较晚，但因其进化机制简单明晰，低维寻优能力强，被广泛应用于发电系统、机器人路径寻优、地震预测以及图像检索等领域3.萤火虫算法是模拟自然界中荧光强度小的萤火虫个体被荧光强度大的萤火虫个体吸引，是在移动过程中寻找最优位置的算法4.本文以传统萤火虫算法为基础，优化步长因子机制、移动机制和最小吸引度，完成基于自适应萤火虫算法的物流集散点选址研究，从而得到物流集散点选址最优解.1自适应萤火虫算法原理1.1步长因子优化自适应萤火虫算法对传统萤火虫算法的步长因子进行优化，将其从固定取值改进为自适应取值方式.传统萤火虫算法的步长因子为常数，是固定不变的.自适应萤火虫算法引入动态步长因子机制，定黄 宇：自适应萤火虫算法在物流集散点选址中的应用第2期义范围为min，max，根据寻优距离进行自适应取值，步长因子的取值公式为5=min+(max-min)xi-xbestLmax Grand，（1）Lmax=xworst-xbest.（2）其中：max，min分别为最大步长和最小步长；xworst为第t代适应度最差萤火虫个体的位置；xbest为第t代适应度最优萤火虫个体的位置；Lmax为最差个体xworst与全局最优个体xbest的距离.步长因子随萤火虫个体间距离动态改变自适应取值.算法前期，xi-xbest较大，全局寻优效果较好，萤火虫个体i逐渐向最优个体靠近；算法后期，xi-xbest变小，有利于搜索深度的提高.1.2最小吸引度优化萤火虫个体之间的距离过大，会导致彼此吸引度丢失，出现个别单体随机游走.萤火虫吸引度与荧光强度有关，荧光强度计算公式为6I=I0e-rij.（3）其中：I0为萤火虫i的荧光强度；为荧光强度吸收系数，取值为1.0；rij为萤火虫i和萤火虫j之间的欧氏距离，其表达式为rij=xj-xi=k=1d(xjk-xik)2.（4）为防止萤火虫之间距离过大导致吸引度失效，自适应萤火虫算法引入最小吸引度min机制，计算公式为min=*min e(-t2p Gmax).（5）其中：*min为min的可取最大值，当*min取值为0.2时寻优效果最佳；p为扩展常数，取值为0.9；Gmax为最大进化代数.则吸引度ij计算公式为ij=(0-min)e（-t2p Gmax）+min.（6）其中0为最大吸引度.1.3移动机制改进为防止基本萤火虫算法求解最优值陷入局部极值，自适应萤火虫算法改进了萤火虫个体位置移动机制.萤火虫位置移动公式为7xi(t+1)=xi(t)+m rand xbest-xi(t)+ij xj(t)-xi(t)+(rand-0.5)，（7）m=mmax-(mmax-mmin)t=1mxi logGmaxt2.（8）其中：m为压缩因子；mmax，mmin分别为m的最大值和最小值；m rand xbest-xi(t)为最优个体对其他个体的影响力度；t=1mxi为所有个体的m值总和.求解最优值前期，m非线性递减，保证萤火虫个体快速向最优个体靠近，提高求解最优值效率；寻优33白城师范学院学报第38卷后期，m对萤火虫个体位置移动影响较小，避免震荡现象发生.2自适应萤火虫算法步骤自适应萤火虫算法主要分为六个步骤8：步骤1：进行初始参数设定，即设置最大进化代数Gmax，最大步长因子和最小步长因子max，min，萤火虫种群数量n，光强吸收系数，最大吸引度0，min的可取最大值*min，压缩因子m的最大值和最小值mmax，mmin，萤火虫随机初始位置xi（i=0，1，2，n）；步骤2：根据设定的目标函数求解种群中萤火虫个体的适应度值f(xi)，从而得到萤火虫个体的荧光亮度；步骤3：按一定的排列顺序（萤火虫荧光亮度从小到大），寻找第i代适应度最优萤火虫个体的位置xbest和第i代适应度最差萤火虫个体的位置xworst；步骤4：根据式（1）和式（2）计算萤火虫个体的步长因子；根据式（5）和式（6）计算萤火虫之间的吸引度ij值；根据式（8）计算压缩因子m值；步骤5：根据式（7），得到萤火虫个体位置xi(t+1)，并不断更新；步骤6：随着萤火虫个体位置的更新，迭代求解最优值不断进行，当进化代数超过最大进化代数Gmax时，求解最优值结束，并输出全局最优解.否则不停循环执行步骤2到步骤5，一直到进化代数达到最大进化代数.3自适应萤火虫算法应用3.1物流集散点选址建模物流集散点选址的目的是在一定数量的城市中，选取合适的物流集散点，使得各物流集散点选址最优，即该最优物流集散点为各城市物流运输需求量与城市到物流集散点运输距离乘积的总和最小点，进而建立合理的配送区域.前提条件是一个城市只能有一个物流集散点，但是一个物流集散点可以向多个城市提供物流服务，同时物流集散点数量也是给定的.物流集散点选址模型如下：minf=i Nj MizilijHij，（9）j MiHij=1，i N，（10）Hij hj，i N，j Mi，（11）lij s，（12）j Mihj=p，（13）Hij，hj0，1，i N，j Mi.（14）其中：N为所有城市的序号集合；Mi为城市i到物流集散点小于s的集合；zi为各城市物流运输需求量；lij为城市i到物流集散点j的距离；Hij只取0、1两个值，是各城市与物流集散点的配送关系，当Hij=1时，即物流集散点j为城市i提供物流服务.在物流集散点选址中，每个城市只能通过一个物流集散点进行物流配送，且每个城市都在物流集散点配送范围内.34黄 宇：自适应萤火虫算法在物流集散点选址中的应用第2期3.2约束条件优化由物流集散点选址模型可知，s为城市i到物流集散点j的距离上限.由于不同城市之间距离不同，可能会出现s取值范围变化大.若s取值过大，则物流集散点选址模型缺乏约束作用；若s取值过小，又会出现可行解求解失败的情况.因此，对城市i到物流集散点j的距离上限s进行自适应取值，计算公式为s=u i Nj Milijdemand center.（15）其中：demand为配送需求城市数量；center为物流集散点数量；u为常数因子，且u 1.通过查阅资料和大量实验测试分析，当u取值为1.5时，城市i到物流集散点j的距离上限s为城市i到物流集散点j的距离平均值的u倍.3.3编码方式本文采取自然编码方式进行物流集散点选址.在初始化萤火虫位置时必须确保各维度取值范围在1，n 内（n为城市总数），同时取整.其中萤火虫维数是物流集散点数量的k倍，每个维度值都对应一个备选物流集散点的序号.自适应萤火虫算法与物流集散点选址问题之间各变量的对应关系如表1所示.表1变量对应关系表萤火虫算法萤火虫位置种群规模维度编码方式物流集散点选址问题物流集散点选址的备选方案物流集散点选址备选方案总量物流集散点备选点数量自然数编码4自适应萤火虫算法收敛性分析自适应萤火虫算法收敛性是指在算法不断进化迭代过程中，寻求最优解不断趋向理论最优解，最终趋于一个固定值.收敛性是评估算法运算有效性和稳定性的重要因素，本文采用二阶常系数非齐次差分方程对算法进行收敛性分析9.为简化计算收敛性，将式（7）中的m rand记为常量a，吸引度ij记为常量b，将式（1）中的(max-min)Grand记为常量c，xi-xbestxworst-xbest记为常量d，固定值min记为e，则步长因子的取值公式简化为=e+cd.（16）假设第t代萤火虫个体最优位置xbest为gb，荧光强度较大个体的位置为ga；第t+1代萤火虫个体最优位置为pb，荧光强度较大个体的位置为pa，则萤火虫位置移动公式转化为x(t+1)=x(t)+a ga-x(t)+b ga-x(t)+(e+cd)，x(t+2)=x(t+1)+a pa-x(t+1)+b pa-x(t+1)+(e+cd).（17）35白城师范学院学报第38卷计算二阶常系数非齐次差分方程可得其特征方程为2+(a+b)+(a+b-1)=0.（18）则有=(a+b)2-4(a+b-1)=(a+b-2)2 0.（19）当=0时，有两个相等的特征根，满足x(t)=(A0+A1t).（20）经计算可得 A0=x(0)，A1=(a+b-2)x(0)-agb-bga-(e+cd).（21）当 0时，有两个不相等的特征根1，2，满足x(t)=A0+A11+A22.（22）经计算可得A0=x(0)-A1-A2，A1=2 x(0)-(1+2)x(1)+x(2)(2-1)(1-1)，A2=1 x(0)-(1+1)x(1)+x(2)(1-2)(1-2).（23）5萤火虫算法时间复杂度分析时间复杂度是体现自适应萤火虫算法运算效率的关键因素，本文借鉴的是布谷鸟算法的时间复杂度分析方法10.假设萤火虫种群规模为N，空间维度为n，各参数设置时间为0，初始化时间为1，自适应函数时间为f(n)，则初始化阶段的时间复杂度为O 0+N 1n+f(n)=On+f(n).（24）每个萤火虫个体适应度排序时间为2，则种群适应度排序时间复杂度为O(N2).同理，通过定义各参数计算时间，可得种群欧式距离时间复杂度为O(N3)；种群吸引度时间复杂度为O(N4)；种群随机步长时间复杂度为O(N5n)；种群移动位置时间复杂度为O(N6n).最后，计算得到自适应萤火虫算法的时间复杂度为T(n)=On+f(n)+O(N2+N3+N4+N5n+N6n).（25）6仿真实验为验证自适应萤火虫算法在求解物流集散点选址问题中的有效性，本文利用31个城市的位置坐标，选取6个城市点作为物流集散点，独立运行50次，求解最优值、最差值和平均值.同时为了全面检验算法的求解性能，将自适应萤火虫算法（GDAFA）与基本萤火虫算法（FA）、免疫算法（IA）、粒子群算法（PSO）和VSSFA算法进行比对，分析其收敛特性.5种算法的参数设置如表2所示.36黄 宇：自适应萤火虫算法在物流集散点选址中的应用第2期表25种算法参数设置一览表算法名称GDAFAFAIAPSOVSSFA参数值光强吸收系数=1，最大吸引度0=1，步长因子=0.5，最大吸引度0=1光强吸收系数=1，最大吸引度0=1，步长因子=0.25记忆库容量=10，交叉概率pc=0.5，变异概率pm=0.4学习因子C1=1.5，学习因子C2=1.5，惯性权重=0.8光强吸收系数=1，最大吸引度0=1，步长因子=0.25根据31个城市的位置坐标以及所需物流运输量，计算5种算法下的最优运输成本，如表3所示.表35种算法下的最优运输成本求解情况元算法名称GDAFAFAIAPSOVSSFA最优值549 650555 330554 130559 410554 130最差值590 380608 850612 260606 820608 050平均值568 862.2588 434.2571 245.2579 319.4586 054.4由表3可知，自适应萤火虫算法GDAFA求解的最优运输成本为549 650元，低于其他4种算法，而且最差值和平均值均优于其他算法.根据运输成本最优值求解结果，计算自适应萤火虫算法求解的物流集散点选址方案为5-9-12-17-20-27，图1为基于自适应萤火虫算法求解物流集散点选址的最优值求解方案.图1自适应萤火虫算法物流集散点选址方案37白城师范学院学报第38卷由图1可知，通过自适应萤火虫算法求解的物流集散点选址方案最终确定物流集散点为城市5、9、12、17、20、27，从各物流集散点到其他城市运输所花费的物流费用最低.同时为验证自适应萤火虫算法收敛性分析的准确性，结合物流集散点选址方案进行最优值求解，完成5种算法的收敛曲线仿真，寻优收敛数据如表4所示.表45种算法的最优值求解收敛数据情况算法名称GDAFAFAIAPSOVSSFA收敛求解时间/s0.5780.5190.7941.2370.523迭代次数41456810046由表4可知，PSO算法迭代次数最多且收敛求解时间最长，不可取；FA算法与VSSFA算法虽然收敛求解时间短，但是迭代次数多于GDAFA算法，不可取；IA算法在收敛求解时间与迭代次数上处于中等位置，同时运输成本不是最低；GDAFA算法迭代次数最少，为41次，算法能够在较短时间内收敛，同时该算法在一段时间内陷入局部极值，由于改进机制又跳出局部最优，最优值求解性能最佳.7结论为提高物流系统运行效率、优化物流集散点选址方案，本文在深入研究基本萤火虫算法的基础上，改进步长因子、最小吸引度以及移动机制等，完成自适应萤火虫算法在物流集散点选址中的应用，通过物流集散点选址建模、约束条件优化以及编码方式改进，完成自适应萤火虫算法收敛性和时间复杂度的分析，最后，进行仿真实验.实验结果表明，基于自适应萤火虫算法的物流集散点选址方案科学合理，运输成本较低，有效提高了物流系统运行效率，对降低物流企业运营成本具有一定的参考意义.参考文献：1郑乔芳，郝忠娜.考虑交通拥堵的物流配送中心选址研究 J.物流工程与管理，2020，42（10）：151-153.2王芸博.基于改进原子算法的物流配送中心选址策略 J.浙江万里学院学报，2021，34（3）：80-87.3孔垂琳，杨世虎.服装退货逆向物流处理中心选址及处理流程研究以云丰国际物流公司为例 J.物流工程与管理，2020，42（10）：81-83.4裴时域，李元香.改进的模拟退火算法在物流配送中心选址中的应用 J.统计与决策，2021，37（9）：172-176.5毛艺楠.萤火虫算法的改进及其在物流中心选址中的应用 D.开封：河南大学，2020：65-68.6刘婧.基于改进模拟退火算法的船舶物流配送中心选址研究 J.舰船科学技术，2020，42（16）：199-201.7林殿盛，张智勇，王佳欣，等.需求不确定下的低碳物流配送中心选址 J.控制与决策，2020，35（2）：492-500.8赖志柱，王铮，戈冬梅，等.多目标应急物流中心选址的鲁棒优化模型 J.运筹与管理，2020，29（5）：74-83.9梁玥，陈思，汤银英.FA-kmeans算法下面向城乡物流网络优化的网点选址研究 J.综合运输，2021，43（5）：115-122.10宋国忠.基于改进混沌萤火虫算法的煤炭物流中心选址研究 D.秦皇岛：燕山大学，2023：42-48.（下转第47页）38訾彤彤，等：基于深度学习的田间玉米幼苗与杂草语义分割研究第2期Research on semantic segmentation of field maize seedlingsand weeds based on deep learningZI Tong-tong1，LI Wen-wen2（1.College of Information and Control Engineering，Jilin Institute of Chemical Technology，Jilin 132022，China；2.College of Mechanical and Control Engineering，Baicheng Normal University，Baicheng 137000，China）Abstract：In order to achieve accurate segmentation of maize seedlings and weeds under complex fieldbackground，a semantic segmentation network based on improved ResNet is proposed.Firstly，the backbonenetwork is adjusted to reduce the computation and improve the segmentation accuracy while keeping the receptive field unchanged.Secondly，the multi-scale context information and the global context information of thetarget are captured by the atrous spatial pyramid pooling module.Finally，a strip pooling module is introducedto complement and improve the context information and enhance the global semantic information expression.The experimental results show that this model has a MIoU of 85.3%on self built data，and has good segmentation and generalization ability for corn seedlings and weeds in complex field environments.The research resultsprovide reference for intelligent weed control equipment.Key words：field maize seedlings and weeds；deep learning；semantic segmentation；atrous spatial pyramid pooling；stripe pooling（责任编辑：许慧）Research on the application of adaptive firefly algorithm inlogistics distribution points location selectionHUANG Yu（Department of Economics and Management，Hefei Gongda Vocational and Technical College，Hefei 231135，China）Abstract：With the continuous improvement of national production income，China s logistics industry hasdeveloped rapidly.The location selection of logistics distribution points is an important factor affecting the production efficiency of logistics enterprises，and its scientific and reasonable location directly determines the logistics transportation cost.This paper deeply studies the working principle of the traditional firefly algorithm，proposes an improved adaptive firefly algorithm，and applies it to the logistics distribution points location selection.Through the logistics distribution points location modeling and operation process optimization，the convergence and time complexity of the adaptive firefly algorithm are analyzed，and the optimal solution is verified.The results show that the adaptive firefly algorithm has better optimization performance than the traditional firefly algorithm in the logistics distribution points location selection.The Rate of convergence and solution accuracy have been improved，which can effectively improve the work efficiency of logistics distribution points andreduce the logistics transportation cost to a certain extent.Key words：adaptive firefly algorithm；Logistics distribution points；location selection；optimization（责任编辑：许慧）（上接第38页）47