《智慧物流与供应链管理》 PPT第第5章

2. 模拟退火算法（Simulated Annealing Algorithm , SAA）
SAA 算 法 的 基 本 步 骤 如 图 所 示 ：
模拟退火算法也被经常用于求解车辆路径优化、物流整车
运 输 、 物 流 网 络 优 化 等 问 题 。 模 拟 退 火 算 法 最 早 是 由 N. Metropolis等人于1953年提出。1983 年,S. Kirkpatrick 等成功地 将退火思想引入到组合优化领域。SAA来源于固体退火原理， 是基于Monte-Carlo迭代求解策略的一种随机寻优算法，其出发 点是基于物理中固体物质的退火过程与一般组合优化问题之间
总结以上，遗传算法是一种概率化的随机捜索方法，具有自我调节机制，能根据捜索结果自适应的调整 捜索方向。同时，还是一种隐性的并行算法，具有较强全局捜索性能，且算法的通用性强，对问题的已有知 识和性能要求不髙。但其也有一定的缺点，如初始解的选取对算法的效率和求解质量有较大影响，而对于复 杂问题，需要捜索的空间大，造成较长时间的搜索，早熟收敛的现象也会时常发生。
然而，随着经济的全球化发展，在全国性供应链网络、全球性跨境电商配送系统中，正在不断涌现出 许多大型复杂的优化问题，比如：规模大、节点多、网络连接很复杂。面对这种问题，传统运筹学中的优 化方法如牛顿法、共轭梯度法、模式搜索法和单纯形法等需要遍历整个搜索空间，无法在短时间内完成搜 索，且容易产生搜索的“组合爆炸”。因此，探索高效的智能优化算法成为必然。
智慧物流与供应链管理
第5章 支撑智慧物流与供应链 的关键技术——计算技术

学习目的
通过本章的学习，学员应该能够： 理解智慧物流与智慧供应链中智能计算技术的重要性 了解智慧物流与智慧供应链中常用的智能计算优化方法 掌握常用智能优化算法、云计算与大数据的基本原理 了解智能计算技术在物流与供应链中的应用
案例来源：Rich Sutton, The Bitter Lesson. [EB/OL]. (2019-3-13) [2020-11-07]. /IncIdeas/BitterLesson.html.
5.1 智能优化算法及其在物流供应链中的应用
受到人类智能、生物群体社会性或自然现象规律的启发，很多智能优化算法被开发研究来解决诸如物流与供应链领域的 大型复杂优化问题。常用的智能优化算法主要包括：模仿自然界生物进化机制的遗传算法（Genetic Algorithm, GA）、模拟蚂 蚁集体寻径行为的蚁群算法（Ant Clony Optimization，ACO）、模拟鸟群和鱼群群体行为的粒子群算法（Particle Swarm Optimization, PSO）、源于固体物质退火过程的模拟退火算法(Simulated annealing, SA)、模拟人类智力记忆过程的禁忌搜索算 法(Tabu Search,TS)、模拟生物免疫系统学习和认知功能的免疫算法(Immune Algorith, IA)等，在优化领域称它们为智能优化算 法。其中模拟退火算法（SA）等是基于个体的智能优化方法，而遗传算法（GA）、蚁群算法（ACO）和粒子群优化算法 （PSO）等都是基于种群的智能优化方法。
的相似性。将固体加温至充分高，再让其徐徐冷却，加温时，
固体内部粒子随温度升高变为无序状，内能增大，而徐徐冷却
时粒子渐趋有序，在每个温度都达到平衡态，最后在常温时达
到基态，内能减为最小。因此实际操作中从某一较高初温出发，
伴随温度参数的不断下降，结合概率突跳特性在解空间中随机
寻找目标函数的全局最优解，即在局部最优解能概率性地跳出
• 在物流与供应链领域中，每天都会产生大量的交易与业务数据，如我国的淘宝网新增的交易数量每天 超过10TB， Amazon在其电子商务平台上每秒处理订单超过70个，而eBay的数据处理和分析能力是每天 100PB。依据国际数据公司IDC的推断，全世界数据量每18个月就会翻一番。而伴随着这么大数据量的商业 订单交易过程，商品、货物等会通过遍布全国、甚至全球的物流系统网络或者供应链信息集成系统，来控 制与协调其中的各种各样物流活动，如仓储进出、分拣与装载等调度、运输多资源多式联运的衔接、车辆 配送路径问题优化等问题。因为网络规模大、资源协调因素多、环境复杂多变，故常常属于NP-hard问题， 为了求解智慧物流与智慧供应链中的这些问题，智能优化技术与算法在其中发挥了巨大的作用。
案例5-1 进入智慧物流与智慧供应链时代，关键是计算技术？
h• t加tp拿s:/大/w阿w尔w.伯yp塔p大学计算机科学教授Richard S. Sutton 被称为是“强化学习的教父”，是 DeepMind 的杰出pt研.co究m科/ 学家。2019年他发表一篇文章《苦涩的教训》，指出人工智能在多年的发展中所走的弯路是 没有很好地利用计算能力，认为人工智能中的搜索和算法是智能与智慧技术水平的长期提升动力。 IBM开 发基于RS6000的超级计算机“深蓝”，其中输入了100年以来所有国际象棋特级大师的开局、残局的下法， 2017年击败世界冠军卡斯帕罗夫的方法，就是基于计算机强大的存储能力、快速深度的搜索与匹配计算技 术。
3. 禁忌搜索算法（Tabu Search, TS）
禁忌搜索算法也常被用于物流多车配送优化、配送多车辆调度决策等问题中。 算法的基本流程如图所示：
其基本原理是仿效生物界中的“物竞天择、适者生存”的演化法则。遗传算法的做法是把 问题参数编码为染色体，再利用迭代的方式进行选择、交叉以及变异等运算来交换种群中染 色体的信息，最终生成符合优化目标的染色体，即优化问题的最优解或满意解。遗传算法的 优化流程见图所示，其中的适应度一般就是优化问题的目标函数，如成本最小化或利润最大 化等。
5.1.1 传统优化方法与智能优化算法及其区别
在物流与供应链系统中处处会用到优化方法，如配送中心的选址优化、车辆路径优化问题等。优化是 在给定的约束条件情况下, 从众多解决方案中获得最佳结果的行为。事实上，优化是一种以数学为基础的方 法，主要用于求解各种问题的应用技术。各种优化方法在很多领域都得到了广泛应用，并且已经产生了巨 大的经济效益和社会效益。实践证明，通过优化方法，能够合理地利用资源，提高系统效率，降低能耗， 并且随着处理对象规模的大大增加，这种效果也会更加明显。
智能算法主要特点：
• 是一类不确定的优化算法。不确定性体现了自然界生物的生理机制，并且在求解某些问题时优于确定性算法。 • 是一类概率型的全局搜索算法。随着搜索优化过程的不断推进，找到优质解的概率大于得到劣质解的概率，能以更大概 率求得全局最优解。 • 在优化过程中，不依赖于优化问题本身的某些数学特性。如目标函数和约束条件的精确数学描述、目标函数的连续性及 可导性等。 • 是一类基于多个智能体的算法。各个智能体之间通过相互协作来更好适应环境，以获取所需性能，具有潜在的并行性。 • 搜索过程同时从多点出发，分布式并行计算模式极大地提高了整个算法的运行效率、鲁棒性和反应能力，具有很好的学 习能力。 • 在复杂的、不确定的、时变的物流与供应链的问题环境中，能通过自我学习不断提高个体的适应性。
SAA的优点是捜索过程根据Metropoli准则决定接受新解与否，即以一定概率接受劣解，来使算法具有避免陷入局部极值 与过早收敛的全局优化能力，具有较强的跳出局部最优值的能力，该算法求解效率高、灵活性强，同时具有较好的鲁棒性和 通用性。但是，SAA对初始值，如初始湿度和退温系数有较强的依赖性，初始参数选择合理与否对求解结果影响较大。
5.1.2 智能优化方法简介
遗传算法具有以下一些特点：
• 算法从问题解的串集开始搜索，而不是从单个解开始。因而可以有效的防止搜索过程收敛于局部最优， 有较大的可能求得全部的最优解。
• 遗传算法具有并行计算的特点，因而可通过大规模并行计算来提高计算速度。 • 遗传算法对于适应度函数基本无限制，它既不要求函数连续，更不要求可微；既可以是数学解析式所表 达的显函数，也可以是映射矩阵甚至是神经网络等隐函数，因而应用范围较广； • 遗传算法不是采用确定性规则，而是采用概率的变迁规则来指导他的搜索方向。 • 具有自组织、自适应和自学习性。遗传算法利用进化过程获得的信息自行组织搜索时，适应度大的个体 具有较高的生存概率，并获得更适应环境的基因结构。 • 算法本身也可以采用动态自适应技术，在进化过程中自动调整算法控制参数和编码精度，比如使用模糊 自适应法。
并最终趋于全局最优。
2. 模拟退火算法（Simulated Annealing Algorithm , SAA）
(1) 初始化：初始温度T(充分大)，初始解状态S(是算法迭代的起点)，每个T值的迭代次数L (2) 对k=1, …, L做第(3)至第(6)步 (3) 产生新解S′ (4) 计算增量ΔT=C(S′)-C(S)，其中C(S)为评价函数，即优化的目标函数 (5) 若ΔT<0则接受S′作为新的当前解；否则以概率exp(-ΔT/T)接受S′作为新的当前解. (6) 如果满足终止条件则输出当前解作为最优解，结束程序。终止条件通常取为连续若干个新解，都没有被接受时终止算 法。 (7) T逐渐减少，且T=T-1，T>0，然后转第2步。
模拟退火算法是一种通用的优化算法，是局部搜索算法的扩展。它与局部搜索算法的不同之处在于以一定的概率选择邻 域中目标值大的状态。从理论上讲，它是一种全局最优算法。另外，模拟退火算法具有十分强大的全局搜索性能，这是因为 它采用了许多独特的方法和技术，基本不用搜索空间的知识或者其他的辅助信息，而只是定义邻域结构，在邻域结构内选取 相邻解，再利用目标函数进行评估。同时，采用概率的变迁来指导它的搜索方向，它所采用的概率仅仅是作为一种工具来引 导其搜索过程朝着更优化解的区域移动。因此，虽然看起来它是一种盲目的搜索方法，但实际上有着明确的搜索方向。
5.1.1 传统优化方法与智能优化算法及其区别
传统优化算法
智能优化算法
一般针对结构化问题，有较为明确的问题 和条件描述
大多属于凸优化范畴，有唯一明确的全局 最优点
一般是确定性算法，有固定的结构和参数， 计算复杂度和收敛性可做理论分析
一般针对较为普适的问题描述，一般缺乏 问题的结构性信息
绝大多数属于多极值问题，旨在防止陷入 局部最优，以尽可能找到全局最优
属于启发性算法范畴，收敛速度较慢，计 算复杂度较高
智能优化算法和传统的优化算法之间的区别
5.1.2 智能优化方法简介
1. 遗传算法（Genetic Algorithm, GA） 遗传算法对于组合优化中的NP-hard问题非常有效，已经在求解旅行商问题、背包问题、
装箱问题、物流配送中心选址、物流配送等方面得到了成功应用。GA最早是由美国密执安大 学Holland教授于20世纪70年代提出, 是模拟生物在自然环境中遗传与进化过程中形成的一种自 适应全局优化概率搜索算法。
实实际际问问题题参参数数集集
编编码码
初初始始种种群群
计计算算适适应应度度
选选择择适适应应度度 高高的的染染色色体体
交交叉叉
否
得得到到优优化化结结果果
解解码码
是
满满足足终终止止条条件件
产产生生新新种种群群
变变异异
5.1.2 智能优化方法简介
另外，遗传算法中包括三种关键的基本操作算子，来进行进化计算： （1）选择算子：从群体中选择优胜的个体，淘汰劣质个体的操作叫选择算子。选择算子有时 又称为再生算子(reproduction operator)。选择的目的是把优化的个体(或解)直接遗传到下一代或通 过配对交叉产生新的个体再遗传到下一代，选择操作是建立在群体中个体的适应度评估基础上的。 （2）交叉算子：在自然界生物进化过程中起核心作用的是生物遗传基因的重组(包括变异)。同 样，遗传算法中起核心作用的是遗传操作的交叉算子，交叉是指把两个父代个体的部分结构加以 替换重组而生成新个体的操作。 （3）变异算子：变异算子主要是模拟生物在自然的遗传环境中由于各种偶然因素引起的基因 突变，其基本内容是对群体中表示染色体的符号串的某一位的值做变动。