文摘

随着中国的快速发展,供应链系统已成为增强经济竞争力的一个有效工具,和智能供应链系统集成创新技术,如互联网、物联网、云计算和大数据到工业供应链管理。蚁群算法显示了超级的灵活性和鲁棒性的许多组合优化问题;聪明的农产品供应链体系结构本质上是资源的合理配置,这是一个动态的组合资源和任务,结合多种组合选择最合适和最优性能。本文的架构智能农产品供应链研究结合改进的蚁群算法,和一些改进策略采用避免陷入局部优化和局部收敛,以避免陷入局部优化或局部收敛。算法的改进主要包括以下:提高单个蚂蚁的路径搜索,提高了信息素更新策略,选择概率,改善和提高动态增长机制的蚂蚁。摘要VRPTW数学模型,数据集TSPLIB,和操作数据的智能供应链农产品用于测试验证;结果可以通过验证实验的结果更接近最优解,并显著提高算法的效率。因此,通过蚁群算法的改进和优化,它非常适合于解决和优化农产品智能供应链系统。

1。介绍

本文基于智能的建设农产品供应链系统改进的蚁群算法,智能供应链系统建设农产品利用改进的蚁群算法进行了优化。蚁群算法是一种新型的模拟进化算法,它是一个重要的群体智能算法领域的情报理论(1]。这是一个基于多个代理的智能算法与假想的平衡机制;事实上,它是一个随机概率算法是一种全局搜索算法,可以有效地避免在局部地区优化。群体智慧中提到的文本不是一群许多个人而是由个人与简单的情报合作表现出一个复杂的智能行为特征(2]。这一概念的起源与本质,主要通过观察昆虫,如蚂蚁、蜜蜂等。3]。一只蚂蚁的动作行为极其短暂,和行为的数量在10种,但数百甚至成千上万的蚂蚁可以获得巨大的智慧通过合作到一大群蚂蚁。智慧的形成离不开信息的传递它们之间通过信息素(4]。蚂蚁释放的信息素的物质,信息素的主要作用是确定位置和蚂蚁去哪里。让后来者选择行走的方向根据信息素的浓度的深度根据自己的信息素识别,最终到达的地方的食物是(5]。当他们第一次饲料,没有信息素的地方觅食,所以蚂蚁觅食,他们不断的外套方向和路线信息素(6]。会有一些蚂蚁找到食物,在这个时候,从洞穴到食品有许多路径信息素,所以知道蚂蚁的路径是随机分布的7]。因此,在一定的时间内,大多数蚂蚁蚂蚁比那些需要很长的路,所以他们留下信息素的浓度更高。在此基础上,所有的蚂蚁有一个强大的方向指示,和越来越多的蚂蚁会聚集在两个点之间的最短路径(8]。他们有明确的组织分工和相互沟通和信息传递;他们总能找到最短路径中巢和食物之间复杂的环境;他们解释信息素没有视觉来判断他们去的地方和保持,并选择信息素浓度是最强的方向9];产生的信息素也会随着时间变得越来越弱。然而,他们仍然可以通过判断信息素作出正确的选择。也就是说,他们有一个高度的结构,自动优化、反馈的信息,和自催化行为10]。很多企业和个人接触,和企业之间,电子商务技术的支持,而一些新兴公司,学习电子商务过程技术和使用之间的供应链系统重组(11]。在公司和公司之间的交易,包括在线交易、在线市场和电子市场,他们曾经称为跟随时代的潮流,和他们都是由他们主导的世界贸易,和许多公司没有盈利,但亏钱(12]。然而,在这种情况下,许多公司已经学会了电子商务流程和网络重组他们的供应链和成功,而这些成功的公司从未缓慢做电子商务,虽然他们非常经济13]。因此,成功的企业案例,可以看出,供应链和电子商务之间的关系发展也有巨大的价值和潜力。公司和公司之间的竞争过程中,企业和个人,个人与个人,在线和离线,“智能”也使它更强大的东西,和所有电子商务智能的转变也是非常重要的一步,即智能供应链(14]。其智能动态供应链网络是基于当前的经济趋势,行业,消费市场,等等,已经出现和即将出现的一种新型的物流模式,和中国的一些龙头企业进入了这个新模型。例如,移动的逻辑是基于“智能供应链管理网络”(15),已成为交通管理、采购、和一些企业运作更灵活和透明。例如,它可以更好地处理在整个运输过程中异常问题;它可以跨越一些中介机构直接接触更多的下游运输能力,避免运输效率的影响由于人类或者合作的原因,等等。简而言之,它是沉没的运输能力和整体运输效率和效益的提高16]。基于技术的改进和优化算法有很大帮助建筑智能农产品供应链的研究。

2。意识内容的研究

2.1。蚁群算法的思想背景

从1990年到1999年,意大利学者在研究蚂蚁觅食的过程中发现一只蚂蚁的行为很简单,但它反映了智能行为组性能(17]。他们可以快速找到最接近的食物在复杂环境中。这种现象的出现使得学者进一步研究蚂蚁的觅食过程,发现他们在觅食过程中,产生一种信息素物质,他们可以达到食品网站通过最近的路线通过这种物质的解释和分析。蚂蚁觅食的行走路线表明最好的方法,最好的解决问题的办法,和通过,构成了空间形成的路线路线从蚁巢到食物,和解决方案空间来解决这个问题18]。路越短,信息素的浓度越高,所以时间越长,信息素的浓度会越来越高,以及后来的蚂蚁会选择这条路线来觅食,此时行走路线是最佳的解决问题的办法。

2.2。智能农产品供应链的理论基础

农业产品主要是指作物、畜牧、渔业、和其他产品,主要是烟草、茶叶、食用菌、瓜类、水果、蔬菜、鲜花、苗等。烟草:产品由不同的烟叶处理。毛茶:茶由加工茶叶树上摘下的年轻芽。食用蘑菇:自然或人工栽培食用菌。西瓜,水果,和绿色食品:如西瓜、卷心菜、红薯,等等。

供应链是一个功能链连接供应商、制造商、分销商、最终用户,从支持组件的生产最终产品通过分销网络(航运产品到消费者17]。支持供应链管理的经营理念是寻找一个整体供应链的优化从消费者的角度,从公司的角度。成功的供应链管理可以协调和集成供应链活动,导致一个无缝集成的过程。然后,所谓的智能供应链是使用互联网、物联网、云计算、大数据,和其他创新技术为工业供应链管理,企业可以实现智能化,数字化,网络化,自动化的管理(19]。智能供应链使物流行业,可以降低物流企业的成本,并有利于建立自己的核心竞争力穿过表达传输作为一个例子:在快递运输,这个物流公司早就开始布置智能供应链,在通过技术和数据的作用,表达交通人,车辆和货物;严格的管理和控制,小心操作后,我们终于找到了最好的准时,服务和成本标准大大提高运输效率,大多数用户的终极体验。

智能供应链主要包括三种结构:决策水平、管理水平和应用程序层。其中,智能供应链中心与控制台交互数据,智能供应链的数据中心也将进入销售智能应用,分析操作数据,形成一个辅助决策基础,并提供反馈的一层一层地辅助决策,最后返回到控制台。决策层使最终决定根据收到的信息,如图1。

2.2.1。决策层

从收到第一个订单,分析和预测,供应链的协调(即控制台控制供应链中的所有链接),控制台是最好的选择。

2.2.2。管理

管理和协调智能供应链架构提供有效支持供应链的操作。

2.2.3。应用程序层

生成的数据智能供应链操作期间将提交销售智能应用系统进行数据处理,和反馈将提出供应链中心根据用户特征的分析和营销数据,然后提交到控制台。

3所示。供应链的优化和设计路径

3.1。标准蚁群算法

承担更多的蚂蚁,研究相关问题,然后并行。每只蚂蚁完成一次旅行后,释放信息素在旅途中,信息素含量成正比的质量解决方案(20.]。蚂蚁路径选择一个随机的局部搜索策略基于初始信息素量(提供初始信息素量等于)在考虑两个点之间的距离。这提高了周边的信息素,让你更容易选择后续行动。每只蚂蚁只能采取法律途径当所有蚂蚁跑出去找到他们,他们将开始有自主权来更新信息素。新蚁群行为新搜索更新信息素,包括替代原来的信息素和改进他们的方法。如果发生预定的步骤或停滞(所有蚂蚁选择相同的路径和答案没有改变),然后该算法成功,目前最好的解决方案被认为是最好的解决问题的办法。总结了蚁群算法的流程图如图2。它看起来像这样:

3.2。分析供应链的路径

物流智能农产品供应链的特征包括各种模型,空,多目标,车辆路径问题、时间窗和其他特征。VRP (VRPTW),时间窗更适合智能农产品供应链的实际情况(21]。VRPTW的数学模型如下:

目标函数:

代表的最低成本。

实际货物的车辆k小于车辆的限制载货能力:

为每辆车离开供应中心:

车辆服务并完成交付指定的用户:

所有车辆完成任务并返回到起点:

变量之间的关系

方程(7)是时间窗口,满足用户的需求: 公式V表示顶点组; 表示用户; 代表智能供应链农产品供应中心;E代表边集;K代表汽车的总数; 从用户到用户代表了运输成本, ; - - -- - - - - - - - - - - - - - - - - ;问代表的重量可以容纳的车辆; 代表用户的时间窗口, ; 代表个人用户的交货时间的起点; 代表的最后交货期为个人用户; 代表了当到达用户的车辆; 代表车辆的时间保持在用户。

3.3。改进蚁群算法

3.3.1。蚁群系统

(1)设置为一个新的常数;蚂蚁前生成一个随机数k选择一条路径;如果 节点的当前k是我,然后k从节点到节点人民党公式;人民党公式如下:∗ (2)全局信息素更新最短的路线是以下公式: 在公式(9),p代表一个信息素蒸发参数, 。在方程(10),表示当前路径的信息素(i, j)通过循环增加;发现表明,全球最好的路线, 。(3)此外,当地的信息素也正在升级和改进,蚂蚁从节点我到节点j,他们传球的路线,代表常数,指的是在初始路径上信息素的浓度,可调。公式如下: ,

3.3.2。最大和最小蚁群系统

(1)改善单个蚂蚁的搜索路径。集O,P,问,W,N用户地址,因为, 。O,P,问,W和N半径由用户的地址。O的起点,然后,选择结束点P,N,W,问不能作为终点。然后,选择的概率O指出P,W,N和其他点的距离成反比,距离越近,就越容易选择下一个,如图3,从O,P可以优先作为下一个点。

一天的农业产品订单在特定区域作为样本数据,用户的数量大约是2270,蚂蚁的数量人口26日和迭代的数量是360。样本数据进行了40次,前20的时间和路径长度的改进和过去的20改进实验的平均,分别。结果如表所示1。

因此,从表1,我们可以看到改进的蚁群算法的收敛速度。

(2)提高信息素。为了得到一个更好的和更好的解决方案,添加一个基于罚函数来改进信息素更新(交货时间) 。

TM最长时间差异: 在哪里结束时间和吗开始时间是

罚函数公式: 在哪里的起点是智能供应链中心的交货时间,是交货时间的终点智能供应链中心,然后呢是时间的车辆到达用户, 。

罚函数公式的目的是加速收敛的蚁群而不影响信息素的优化能力。

信息素计算公式:

这表明,它超过了窗口的时间越长,累积这条道路的价值越小,选择的机会越低。

(3)改进的选择概率。蚁群迭代分为三个阶段,计算公式是分布在不同的阶段,公式如下: 在哪里是当前迭代的位置,和是迭代次数,是迭代的最大数量。的概率是0.8 < <1.0 < < 0.4 。越大价值,更多的蚂蚁是作用于相同的路径,导致一个非常相似的路径;无法找到最优解;和小价值,越小值,表明蚂蚁不走一条路,但走扩大范围,但缺点是收敛速度慢。

(4)经济增长机制。当蚁群算法应用于智能农产品供应链体系结构,它的影响将是有限的智能供应链农产品物流,和计算公式如下: 在哪里D代表的农产品总量等分布,问是一个配送车辆的负载能力的智能供应链农产品中心K理论分布的车辆总数在聪明的农产品供应链中心。改进蚁群算法的流程如图4。

(5)改进的蚁群算法流程和算法流程。(1)开始:(1)读的订单发行,并获得相关的用户的基本信息,如数量,经度和纬度。在蚁群算法,用户位置是等同于城市。(2)初始化禁忌表的访问(允许节点列表和列表的访问节点)。(3)计算理想数量的运载工具(蚂蚁)。(4)计算车辆允许的最大数量。(5)设置全局最优车辆载荷比、全局最优单负载比率,和默认单一负载电压。(2)循环迭代,直到达到最大迭代次数:(1)初始化迭代的基本参数。(2)开始遍历地址,直到你遍历所有地址。(一)选择下一个合适的位置。原则:选择合适的地方的一个集ant的当前节点的下一个位置可以到达,货物的数量,位置小于其余负载的蚂蚁。可能会有多个满足条件的蚂蚁。轮盘赌算法用于选择。信息素越多,就越容易选择。(b)当蚂蚁发现下一个合适的地方,更新ant的相关信息,记录的信息,增加负载的蚂蚁,这个地方标记为一个已经访问过的地方。(c)如果没有蚂蚁找到的下一个地方连续P乘以,添加一个蚂蚁和遍历米次没有访问。(3)遍历所有用户位置和所有蚂蚁达到他们的目的地分布。(4)计算目标函数值:(一)所有蚂蚁的总行程是局部最优。(b)计算所有蚂蚁的总行程。(c)确定它是全局最优的蚁群,并记录最优蚁群和总距离最短。

3.3.3。并行蚁群算法

每个殖民地都使用并行算法来匹配他们的最佳解决方案。殖民地获得最优解后,其他蚂蚁情节分辨率信息接收器(22]。在队列中,定期从队列中提取信息,进行比较与当地最可行的解决方案,分析保存的路径信息,并更新本地信息系统。当其他殖民地的最优路径偏离当前蚁群路径,其他殖民地被认为是“过滤路径”23),如图5。

从图可以看出5,殖民地经历了类(A-B-C-D-E路线)。根据其他蚁群的最佳解决方案和规则,路段上的所有信息素进行了优化FB和DN道路增加选择其他道路的可能性。然后,当前信息电缆更新如下: 在哪里是路径的信息素值为当前的殖民地,是由其它蚂蚁信息素值传播在路上行走,滤波器的最优解是蚁群的路径我sub-colony对应n,表示当前蚁群的最优解。

算法的步骤如图所示6,该算法步骤如下:(1)初始化系统和生成x独立sub-ant殖民地与相同的基本信息。(2)X sub-colonies并行独立运作,每个sub-colony的迭代次数n,d= 0,C= 0。具体步骤如下:(1)我sub-ant殖民地,迭代的数量C=C+ 1,每只蚂蚁的殖民地依次进入网络上搜索路径并更新信息素。记录最优解的殖民地和蚂蚁的最短路径最优蚂蚁(行)。(2)sub-colony我满足条件的迭代次数的分裂n通过米= 0,然后迭代的数量是通过人工智能最优蚂蚁信息(包括它的最优路径和附加信息素)在其他殖民地m-order操作。(3)重复步骤(1)-(2),直到C=n,退出循环,等待其他sub-colonies。(3)同时,sub-colony我负责接收和处理最优群体传播其他sub-colonies,如下:(1)写最优蚂蚁AK接收蚂蚁的蚁群广播K队列。(2)最早把蚂蚁从ant队列AK,微分路径计算方法,计算并更新信息素矩阵sub-colony我。(3)重复(1)-(2),反复执行。(4)毕竟sub-ant殖民地完成n迭代,输出全局最优蚁群。(5)结束。

3.3.4。并行蚁群算法实验

并行蚁群算法试验来测试其性能,和数据集选择TSPLIB [24]。设置参数:一个= 1,b= 2,c= 0.95,G= 3,4,5,6,7,米= 250。实验数据如表所示2和3。

并行蚁群算法是根据加速比和效率测量如下:

上述方程代表了加速比公式,并行蚁群算法运行时和吗是一台机器的时间来执行一个串行算法。

上述方程代表了效率公式,表示有多少主机和表示算法的运行效率。

该算法如图的加速度7。

实验结果图7显示的加速比和效率测试并行蚁群算法。加速度比率至少是0.97和3.25在其最大。显然,如果问题数据增加,进度也将大大提高。当问题的数据量更大,可以使用并行蚁群算法,可以大大缩短时间。使用并行蚁群算法在本文提出大量的问题,设置合理的初始化参数将有助于大大提高更好地加速效率。

3.3.5。改进的蚁群算法实验

改进的蚁群算法实验,改进后的性能测试和参数一个= 1,b= 2,c= 0.95设置,每个段的概率C1 = 0.8和C2 = 0.2,迭代的数量是250。测试集W20、M48 N30, H225。改进蚁群算法的实验结果如表所示4。

因此,从表中的数据2,可以得出结论,该算法优于其他算法,即改进的蚁群算法是有效的。

4所示。案例研究

4.1。研究设计

(1)智能供应链中心购买农产品的采购战略和战术根据改进的蚁群算法来提高市场的竞争优势,而其采购战略的细节如下:从表5,它可以获得采购困难,IOR很低,和供应链策略可以用来购买,和如表所示6,供应链策略可以用来最大化利润。(2)根据表5,一个实验性的农产品智能供应链中心分发货物21个客户,知道客户的位置和商品需求;有4个相同的交通工具在农产品供应链智能中心;和供应链的中心节点设置为1。它们之间的关系如下所示。

4.2。数据分析和处理

实验通过使用改进的蚁群算法,解决和参数一个= 2.0(代表了每个路径上留下的信息素的关注程度),b= 5.0(代表可见性、指导的重要性路径的过程中蚂蚁选择和优化),和c= 0.2(指的是学位信息素挥发系数),W= 100 = 200(迭代)的最大数量,蚂蚁蚂蚁的数量y= 15,车辆的总数K= 4,客户节点的数量T= 21,供应链中心节点1。获得的结果如表所示7。

从表6可以看出,之前和之后的最短路径搜索改进的蚁群算法基本上是相同的,但也有差异。没有多大区别长度之前和之后获得改进的蚁群算法如图8,但得到的最优路径寻找改进的蚁群算法是相对稳定的改善前380.94公里。

4.3。数据结果

最好的解决方案根据改进后的蚁群算法分配四车辆、货物总距离为380.94公里(从图获得的最优路径8)。数据9和10如下所示。

数据9和10显示最优结果图后获得的改进信息素发挥系数的改进蚁群算法。即最优路线提供货物由四个车辆中可用的数据9和10是A-K-I-G-D-E-L-N-A A-M-P-S-U-Q-A A-O-Q-T-V-A, A-H-F-C-B-J-A。

5。结论

本文基于智能研究农产品供应链体系结构基于蚁群算法的改进,通过全球信息素的升级和改进蚁群系统的改善路径分析和研究的最大最小蚁群系统,和改进的滤波算法选择的路径不是最优路径并行蚁群算法,最后进行实验是整个智能供应链架构的整体改进蚁群算法后,和实验从采购农产品智能供应链中心(源)屏幕各种农产品在数字形式。通过使用改进的蚁群算法智能供应链系统,成本,销售,物流,和其他方面的分析和决定购买农产品,和最优采购方法和最优物流和运输路径。它可以得出结论,改进蚁群算法的智能农产品供应链是可行的,无论是从农产品获得最优的采购采购计划,或供应链智能交割仓库和货物收据供应链中心节省成本;尤其是在交付和分销环节,物流路径的优化不仅降低了里程,还将进一步降低成本,大大提高输出效率。虽然本文的研究取得了一些成果的智能供应链基于改进蚁群算法,我们还可以结合以下几方面进行更深层次的研究和应用:(1)结合大数据技术来提高综合管理能力的智能农产品供应链。(2)使用动态能力视角体现在充分利用资源的结构智能农产品供应链和供应链整合和升级的智能农业产品的体系结构。

数据可用性

使用的实验数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者声明,关于这项工作他们没有利益冲突。

确认

本研究支持的蔓越莓河北省教育部研究融资效率和资本市场支持企业技术创新的对策(SD2022096)。