免疫优化与物流管理PDF电子书下载

第1章 人工免疫系统与免疫算法 1

1.1 生物免疫系统概述 2

1.2 人工免疫系统及其研究概况 4

1.2.1 人工免疫系统的研究现状 5

1.2.2 人工免疫系统方法的应用研究 7

1.3 免疫算法研究现状 8

1.3.1 免疫算法的发展 8

1.3.2 典型免疫算法分析 10

1.3.3 免疫算法理论分析 14

1.3.4 免疫算法研究展望 17

1.4 免疫算法的应用进展 17

第2章 物流管理中的优化问题 20

2.1 物流系统与物流管理 21

2.1.1 物流行业发展概况 21

2.1.2 物流系统及物流过程 22

2.1.3 经济发展对物流管理的需求 23

2.2 物流配送中的车辆调度优化问题 24

2.2.1 问题研究的意义 25

2.2.2 物流配送研究现状 26

2.3 物流配送中心的选址优化问题 27

2.3.1 配送中心简介 27

2.3.2 物流配送选址的早期研究 29

2.3.3 常用配送选址模型和方法比较 32

2.4 基于供应链协同的虚拟库存优化问题 35

2.4.1 供应链协同管理 35

2.4.2 虚拟库存 38

2.5 物流系统中协同车辆路径优化问题 40

2.5.1 协同车辆路径问题概述 40

2.5.2 车辆路径优化研究现状 42

2.5.3 协同车辆路径优化研究现状 44

第3章 基于免疫原理的优化算法研究 46

3.1 遗传算法简介 46

3.1.1 基本概念 46

3.1.2 基本遗传算法框架 47

3.1.3 遗传算法的基本算子 48

3.1.4 遗传算法的特点与缺陷 49

3.2 生物免疫系统及其智能机制 50

3.2.1 生物免疫系统的组成 51

3.2.2 免疫系统的功能 53

3.2.3 免疫系统的主要特性 54

3.3 免疫优化算法及其特点 55

3.3.1 免疫算法的基本框架 55

3.3.2 几种免疫算法介绍 57

3.3.3 免疫优化算法的特点 58

3.4 几种新型免疫算法模型 59

3.4.1 免疫策略算法 59

3.4.2 模糊人工免疫系统 59

3.4.3 危险模式理论 59

3.5 国际研究新动向 60

3.6 小结 61

第4章 多模态免疫优化算法及应用研究 62

4.1 多模态优化算法概述 62

4.1.1 多模态优化的意义与应用 62

4.1.2 多模态遗传算法研究综述 63

4.1.3 免疫记忆遗传算法（IMGA） 67

4.1.4 多模态免疫优化算法通用框架 68

4.2 自适应多模态免疫优化算法的设计 72

4.2.1 免疫进化及其动力学模型 72

4.2.2 多模态免疫优化算法设计 74

4.2.3 仿真实验与结果比较 76

4.2.4 性能分析与结论 78

4.3 基于平衡峰值的多模态免疫优化算法 79

4.3.1 平衡峰值的思想及实现 79

4.3.2 算法设计与描述 81

4.3.3 算法运行机理分析 83

4.3.4 仿真实验与结果比较 84

4.4 多模态免疫优化算法的理论性能分析 87

4.4.1 多模态算法的完全收敛性定义 87

4.4.2 多模态遗传算法的收敛性证明 89

4.4.3 多模态免疫算子的定义 90

4.4.4 多模态免疫算法的收敛性证明 91

4.4.5 计算复杂性分析 94

第5章 免疫算法在物流配送车辆调度中的应用 96

5.1 免疫优化算法的改进 96

5.1.1 克隆选择原理 96

5.1.2 算法的数学描述 97

5.1.3 算法描述 98

5.1.4 算法的实现 99

5.2 仿真实验及结果分析 100

5.2.1 实验设计 100

5.2.2 结果分析 106

5.3 调度模型及算法研究 107

5.3.1 实际问题描述 107

5.3.2 车辆调度模型建立 107

5.3.3 常见的车辆调度算法 109

5.4 免疫优化算法求解车辆调度问题 111

5.4.1 抗体表示 111

5.4.2 初始抗体的产生 111

5.4.3 亲和力计算 111

5.4.4 选择、交叉和变异 112

5.5 仿真实验与结果分析 115

5.5.1 实验设计 115

5.5.2 实验结果 116

5.5.3 结果分析 121

5.6 小结 122

第6章 物流中心选址的免疫算法优化模型 123

6.1 智能算法在物流配送选址中的应用 124

6.1.1 启发式算法 124

6.1.2 仿真方法 126

6.2 配送中心选址的目标和原则 127

6.2.1 配送中心选址的目标 127

6.2.2 配送中心的选址原则 128

6.2.3 物流配送合理化分析 128

6.3 配送中心选址的程序和步骤 129

6.3.1 配送中心选址的程序 129

6.3.2 配送中心选址的步骤 130

6.3.3 配送中心选址的方法 131

6.4 物流中心选址的免疫算法实现 134

6.4.1 配送中心选址模型 134

6.4.2 免疫优化算法设计 135

6.5 物流配送选址优化模型的免疫算法求解 137

6.5.1 仿真实验方案 137

6.5.2 实验结果及分析 138

6.6 小结 144

第7章 基于供应链协同的虚拟库存研究 146

7.1 研究背景及意义 146

7.1.1 研究背景 146

7.1.2 研究意义 148

7.1.3 研究内容 149

7.1.4 研究方法 149

7.2 供应链协同管理相关理论 150

7.2.1 供应链管理 150

7.2.2 供应链协同管理层次及主要内容 151

7.2.3 基于供应链的库存管理策略 153

7.3 虚拟库存理论 156

7.3.1 虚拟库存的概念 156

7.3.2 虚拟库存的特征及优势 156

7.3.3 虚拟库存控制业务流程 158

7.3.4 虚拟库存管理模型 160

7.4 造船供应链基于协同的虚拟库存管理分析 161

7.4.1 造船供应链的概念 161

7.4.2 船舶制造业供应商及船用物资分类 162

7.4.3 造船供应链虚拟库存管理对象 165

7.5 小结 166

第8章 基于供应链协同的虚拟库存优化模型 167

8.1 经济订货批量模型——EOQ模型 167

8.2 二级供应链条件下的库存优化模型 170

8.2.1 研究对象和模型假设 170

8.2.2 模型建立与求解 171

8.3 基于供应链协同的虚拟库存优化模型 174

8.3.1 符号说明 176

8.3.2 模型建立 179

8.4 算法设计与实证分析 183

8.4.1 算法应用案例背景简介 183

8.4.2 算法设计 184

8.4.3 实证分析 186

8.4.4 结果分析 188

8.5 小结 188

第9章 车辆路径问题及蚁群算法 189

9.1 车辆路径问题概述 189

9.1.1 车辆路径问题的定义 189

9.1.2 车辆路径问题的组成要素 189

9.1.3 车辆路径问题的数学模型 191

9.1.4 车辆路径问题的分类 192

9.2 车辆路径问题常用算法 192

9.2.1 精确算法 193

9.2.2 传统启发式算法 193

9.2.3 智能算法 194

9.3 蚁群算法概述 195

9.3.1 基本蚁群算法的原理 195

9.3.2 蚁群算法的特性 196

9.3.3 基本蚁群算法的数学模型 197

9.3.4 基本蚁群算法的实现步骤 199

9.4 改进的蚁群算法 200

9.4.1 适应蚁群算法 200

9.4.2 算法性能比较 201

9.5 小结 204

第10章 基于蚁群算法的协同车辆路径优化 206

10.1 问题描述及模型建立 206

10.1.1 问题描述 206

10.1.2 模型建立 207

10.2 改进的自适应蚁群算法设计与实现 208

10.2.1 自适应蚁群算法思想 208

10.2.2 多配送中心算法思想 210

10.2.3 协同车辆路径算法设计 210

10.3 基于自适应蚁群算法的仿真算例 214

10.4 蚁群遗传算法及改进策略 216

10.4.1 蚁群遗传混合算法 217

10.4.2 蚁群遗传算法改进策略 218

10.5 蚁群遗传算法的改进设计 219

10.5.1 遗传操作 219

10.5.2 蚁群操作 223

10.5.3 算法的操作步骤 223

10.6 基于蚁群遗传算法的仿真算例 223

10.7 本章小结 225

参考文献 227