群智能優化及其在物流中的應用（簡體書）

群智能優化技術是在自然群體基礎上通過個體協作實現複雜系統優化的一種智能優化技術。智能物流系統作為智能製造系統的重要支撐，通過群智能優化方法可以有效解決複雜物流優化問題，提升問題優化效率、降低計算成本，提高對問題的響應效率。本書得到了國家自然科學基金面上項目“基於移動智能體調度的混雜工業無線傳感器網絡抗毀性研究”(編號：61571336)和青年科學基金項目“面向多移動智能物流資源調度的動態漸進群集智能優化方法研究”(編號：61603280)等項目的資助。在此背景下，開展了關於智能製造發展背景下若干複雜物流系統優化問題的系統研究和實踐。本書詳細介紹了目前群智能優化技術的原理、基於自適應和社會網絡的算法性能提升方法，以及群智能優化算法在自動化立體倉庫貨位優化、冷鏈配送車輛路徑優化、雲物流下基於協同庫存的集合覆蓋的選址分配優化、集裝箱多式聯運優化和集裝箱船舶貝位配載優化等具體實際問題中的應用。本書可幫助高校師生和工程技術人員系統掌握群智能優化技術的原理、改進途徑及應用策略，瞭解群智能優化算法靠前外很新研究進展，掌握工程實際中典型物流問題的建模方法及群智能優化方法。本書對推廣、提升智能製造環境下智能物流系統優化和發展具有重要意義。

李文峰，1990年畢業於華中理工大學機械學院機械學專業，獲工學碩士學位。2000年畢業於武漢理工大學機械設計及理論專業，獲工學博士學位。2003年-2004年瑞典皇家工學院自治系統研究中心訪問學者。2012.7-2012.12美國新澤西理工大學高級訪問學者。2015.7-2015.8美國紐約大學高級訪問學者。現為武漢理工大學教授，博士生導師，物流工程學院副院長。湖北省跨世紀學術帶頭人，湖北省有突出貢獻的中青年專家，中國人工智能學會智能製造專業委員會常務委員，中國人工智能學會智能機器人專業委員會委員，中國物流學會常務理事，湖北省機電一體化學會常務理事，湖北省機械設計與傳動學會常務理事。教育部2006-2010年高等學校物流類專業教學指導委員會委員，教育部2013-2017年高等學校物流管理與工程類教學指導委員會委員。IEEE 高級會員，IEEE SMC CSCWD和ESMDM的TC成員，中國傳感器網絡學術會議(CWSN)程序委員會委員，IEEE CSCWD、IEEE ICMA、ICLEM、DPMSS等國際會議的組織委員會或程序委員會委員,IEEE CSCWD2012、ICIA2010、ICMA2010、IDCS2014、IDCS2015，以及 CSCWD2015年學術會議的程序委員會協作主席。

第1章群智能優化理論及其研究與分析/11.1群智能優化理論/11.2典型群智能優化算法/41.2.1遺傳算法/41.2.2粒子群優化算法/61.2.3蟻群優化算法/71.2.4細菌覓食優化算法/81.2.5生物地理優化算法/91.2.6其他群智能優化算法/111.3群體行為的複雜網絡與社會網絡分析/121.4群智能的種群和拓撲結構/141.5群智能優化中個體行為控制/16本章小結/19第2章具有異構分簇的聚類自適應粒子群優化算法/212.1基於聚類的自適應粒子群優化算法/212.1.1基於聚類的種群動態分割策略/222.1.2基於異構簇的自適應調整策略/242.2算法流程/252.3實驗分析和討論/252.3.1實驗設計和Benchmark函數/252.3.2實驗1：種群分佈度對比分析/272.3.3實驗2：算法參數敏感性測試/292.3.4實驗3：相同初始值對比測試/302.3.5實驗4：相同最大迭代次數對比測試/43本章小結/51第3章基於社會網絡演化的動態拓撲粒子群優化算法/523.1基於社會網絡演化的粒子群優化算法/523.1.1群智能中的社會網絡/523.1.2子群劃分策略/533.1.3基於社會網絡演化的動態拓撲構建算法/543.1.4算法流程/633.2算法複雜度分析/643.3標準測試函數實驗/643.3.1測試函數/643.3.2對比算法及其參數/653.3.3實驗內容及分析/66本章小結/76群智能優化及其在物流中的應用目錄第4章基於社會網絡的群體優化算法/774.1基於社會網絡模型的動態種群拓撲結構構建/774.2擴展式個體鄰域構建/794.3個體學習行為調整/814.3.1NI中個體學習方式/814.3.2RI中個體學習方式/824.4算法流程/844.5與其他智能算法的比較/864.6數值實驗與分析/874.6.1實驗設計/874.6.2實驗與分析/92本章小結/115第5章基於群智能優化算法的自動化立體倉庫貨位優化/1165.1貨位優化分配問題/1165.2貨位優化分配問題模型/1175.2.1模型假設/1175.2.2模型符號說明/1175.2.3模型構建/1185.3基於群智能優化的貨位分配問題求解/1195.3.1算法設計/1205.3.2貨物編碼與貨位編碼/1215.4汽車零部件貨位優化分配實例分析/1235.4.1模型相關參數說明/1235.4.2算法相關參數說明/1245.4.3案例結果分析/124本章小結/128第6章冷鏈配送車輛路徑的群智能優化/1296.1冷鏈物流及車輛路徑問題/1296.1.1冷鏈物流相關概念/1296.1.2冷鏈物流配送路徑研究/1296.2冷鏈配送車輛路徑優化模型/1306.2.1模型相關假設和參數/1306.2.2目標函數構建/1316.3基於群智能優化算法的冷鏈網絡配送模型求解/1336.3.1群智能優化算法搜索――以螢火蟲算法為例/1336.3.2針對網絡配送問題的個體編碼設計/1356.4案例分析/1376.4.1案例/1376.4.2實驗設計/1406.4.3結果及分析/141本章小結/143第7章雲物流下基於協同庫存的集合覆蓋的選址分配優化/1447.1問題背景分析/1447.2模型構建和特點分析/1447.3雲物流下選址分配模型的群智能優化算法設計/1467.4基於雲物流的汽車零部件供應物流選址分配案例研究/1517.4.1汽車零部件供應物流的現狀及需求分析/1517.4.2實驗設計/1527.4.3雲物流下基於協同庫存的集合覆蓋的選址分配案例/155本章小結/160第8章基於群智能優化算法的集裝箱多式聯運優化/1628.1集裝箱多式聯運問題 /1628.2多式聯運基本模型/1648.3多式聯運問題編碼及解碼/1658.3.1全域流量按比例分配/1658.3.2局部流量調整策略/1678.3.3帶懲罰的目標函數/1688.3.4問題求解流程/1698.4案例分析/1698.4.1案例/1698.4.2算法對比設置/1718.4.3實驗結果分析/171本章小結/179第9章集裝箱船舶貝位配載的優化/1809.1集裝箱船舶貝位配載問題/1809.1.1集裝箱船舶貝位配載問題分類/1809.1.2集裝箱船舶箱位位置表示/1819.2集裝箱貝位配載模型/1829.2.1模型假設/1829.2.2模型參數及相關變量定義/1829.2.3模型的目標函數/1839.3個體編碼方案設計/1849.3.1基於個體位置排序的裝載順序解碼/1849.3.2基於規則的貝位裝載策略/1859.4個體適應度計算/1879.5問題求解步驟/1879.6案例實驗/1899.6.1案例設計/1899.6.2對比算法設計/1909.6.3實驗結果及分析/191本章小結/200參考文獻/201