第1章 导论 1
1.1 研究背景及意义 1
1.1.1 研究背景 1
1.1.2 研究意义 2
1.2 研究内容和创新之处 3
1.2.1 研究内容 3
1.2.2 创新之处 5
1.3 本书的总体结构 6
第2章 选址研究及相关理论介绍 9
2.1 选址问题研究综述 9
2.1.1 传统选址问题 10
2.1.2 扩展的选址问题 15
2.1.3 物流设施选址模型研究存在的问题与不足 26
2.2 选址问题常用算法介绍 28
2.3 本章小结 36
第3章 云物流模式下的协同库存机制 37
3.1 传统的库存管理 39
3.1.1 需求确定情况下的RMI问题 39
3.1.2 需求不确定情况下的RMI问题 43
3.2 供应链下的库存管理 46
3.2.1 供应商管理库存（VMI） 46
3.2.2 多级供应链库存 49
3.3 企业集群和云物流下的协同库存 52
3.3.1 企业集群 52
3.3.2 云物流模式 55
3.3.3 协同库存及其形式化建模 58
3.4 本章小结 64
第4章 不确定需求下基于模糊理论的库存控制模型 65
4.1 关于模糊三角和泊松流的讨论 65
4.1.1 模糊三角函数的概念 65
4.1.2 不确定需求 67
4.1.3 基于模糊理论的不确定性需求拟合 69
4.2 不确定需求下基于模糊理论的最优库存建模 75
4.2.1 模型的背景和假设 75
4.2.2 建立模型 75
4.2.3 求解模型 77
4.3 算法设计和最优库存系统实现 77
4.3.1 算法设计 77
4.3.2 系统实现 80
4.4 本章小结 81
第5章 供应链协同库存下基于覆盖的选址-分配模型 83
5.1 供应链上物流成本分析 83
5.1.1 供应链成本概述 83
5.1.2 供应链物流成本组成 85
5.2 云物流下基于协同库存的覆盖状态和覆盖半径 87
5.3 基于集合覆盖的选址-分配模型 92
5.3.1 问题背景分析 92
5.3.2 模型构建和特点分析 94
5.4 基于最大覆盖的选址-分配模型 98
5.4.1 问题背景分析 98
5.4.2 模型构建和特点分析 99
5.5 基于覆盖的选址-分配模型的扩展 101
5.5.1 时间和容量约束 101
5.5.2 需求点的效益权重 102
5.6 本章小结 110
第6章 选址模型算法设计及算例分析 111
6.1 粒子群优化算法 111
6.1.1 粒子群算法的基本原理 111
6.1.2 粒子群算法的求解流程 113
6.1.3 关于粒子群算法的分析 115
6.2 遗传算法 117
6.2.1 遗传算法的基本原理 117
6.2.2 遗传算法的求解过程 121
6.2.3 关于遗传算法的分析 121
6.3 基于PSO-GA的混合算法 124
6.3.1 基于集合覆盖的选址-分配模型的PSO-GA混合算法设计 125
6.3.2 基于最大覆盖的选址-分配模型的PSO-GA混合算法设计 132
6.4 算例分析 141
6.4.1 基于集合覆盖的选址-分配算例 141
6.4.2 基于最大覆盖的选址-分配算例 149
6.5 本章小结 156
第7章 结论与展望 157
7.1 主要研究成果和结论 157
7.2 研究展望 158
参考文献 160
致谢 171