摘 要：随着国家经济的飞速发展，成品油市场长期保持高速增长。在成品油销售过程中，成品油物流凸现了它的重要性。由于物流过程是一个非常复杂、因素多变的过程，基于成熟的信息化技术进行管理并且对物流过程进行优化，是国内外非常热门的研究方向。 关键词：遗传算法;成品油;物流优化;线性尺度变换
1.成品油物流业务介绍和分析
1.1 成品油物流业务与实现技术分析
成品油是通过采油、炼油、销售后到达最终消费市场。通常会通过以下六个环节来完成成品油生产至销售过程。
首先，成品油由炼厂生产，并由炼厂运输至发站(港)。
第二，通过铁路、水路、公路或管道方式将成品油由发站运输至到站，称为一次物流。
第三，由到站将成品油运输至油库。。
第四，油库储存成品油。
第五，由油库将成品油通过铁路、公路、水路及管道等方式运输至加油站或批发客户。也称为二次物流。
第六，加油站将成品油销售至最终客户。
1.2 物流对象和模型
物流模型对于物流优化算法至关重要，通过对物流过程的分析总结，可以将成品油的物流节点分成供应、仓储、需求三个类型，物流路径分为两个部分。
1.3 物流优化分析和优化目标
物流优化的目标是实现利润最大化，主要的物流指标将体现在以下几点：
A. 总利润：即整个运输方案产生的总毛利润，按照目前销售价格计算的销售金额减去一二次物流运费、仓储费以及按照目前供应价格计算的购货金额得出的总毛利润。
B. 供应分配比例：即供应计划完成的比例。
C. 需求满足比：即加油站或客户的需求量满足的比例。
2.优化算法选择和介绍
物流优化算法是为了计算出从供应点到需求点的最大利润。
首先考虑遍历所有路径情况：假设有S为供应点个数，M为仓储点个数，D为需求点个数，I为油品数量，max为方案数量，如果将所有路径遍历，则
在实际的业务中，约有20个供应点，150个仓储点，1700个需求点，即S ≈ 20, M ≈ 150, D ≈ 1700，I = 4，如果采用贪心算法遍历所有运输方案，计算量将是一个天文数字： 3.算法实现
3.1 初始化群体
根据算法原型的模拟运算，我们发现在采用随机生成的个体在后续的进化中很难收敛，除非使用非常高的进化代数，但是进化代数的和运算时间成正比，在实际业务中是不能接受的，而且个体也还没有出现明显的收敛趋势。为了解决这个问题，我们通过研究多种遗传算法和讨论该问题的出现原因后，决定采用先按照优先满足原则生成一个具有一定可行性的个体，将该个体复制成多个个体形成种群，然后在后续的进化过程中，各个个体分别进化，然后收敛到一个合适的值，
3.2 适应度计算
适应度函数是对个体进行度量的函数，根据业务中对毛利润的要求，物流优化的适应度函数如下：
利润 =(销售价格-购进价格-运费-仓储费)×数量
其中运费为一次运费和二次运费之和。
在业务还必须引入两个指标：供应分配率和需求满足率：供应分配率是指供应量在优化结果中被安排运输的比例，需求满足率是指需求量在优化过程中被安排运输的比例。将这两个比例作为线性参数对上述公式计算出的适应度值进行处理，产生的新值作为适应度值。
3.3 遗传算子
3.3.1 选择
选择的过程是将尺度变换后的适应度值进行比较，按照适应度值大小决定被选择的概率，将选择出的个体两两进行交换，产生新的个体，形成新的种群。分下面几步进行：
⑴.选择出适应度值最高的个体，不参与交换运算;
⑵.将其他个体按照适应度值生成赌盘表，赌盘表由轮盘赌算法生成;
⑶.在0~1之间产生两个随机数;
⑷.按照⑶产生的随机数在赌盘表中找出对应的两个个体进行交换生成新的个体;
⑸.重复⑶、⑷步直至生成足够的新个体(种群规模-1个)。
在选择算子中，采用的了轮盘赌的概率选择方法。轮盘赌是将一组数据按照大小建立一个0~1的之间的赌盘表，赌盘表的每个间隔和每个数据相对应，间隔的大小和数据值有关，当产生一个随机数后，将随机数对应在赌盘表上某一间隔上，就可以选择出相应数据。轮盘赌的原理很简单，就是由每个数据在全部数据中的比例组成，值越大的数据，被随机选择的概率越大。
3.3.2 交换
交换过程是将两个个体按照交换概率和交换长度将基因进行交换。其中交换概率pc和交换长度pc_len均作为算法参数进行设定。
交换过程分下面几步进行：
⑴.产生一个0~1的随机数，并且和交换概率pc进行比较，如果小于pc，则进行基因交换，否则，以适应度值大的个体作为新的个体。
⑵.确定交换起始点。由于每个个体都是由D_NUM个运输组成，所以交换起始点是在0~D_NUM间取一随机整数作为交换起始点;
⑶.根据交换长度pc_len，将交换起始点后的pc_len个基因(运输路径)进行互换;
⑷.计算互换后两个个体的适应度值，将适应度值大的个体作为交换生成的新个体。
3.3.3 变异
变异过程是将个体的基因进行突变以增加物种多样性。基本遗传算法的基因编码是按照BIT进行编码的，变异时将需要变异的位进行取反操作即可。
由于本文随研究的应用原因，如果按照位进行编码，有可能出现无效供应点、仓储点等数据，所以在开始的基因的编码阶段，本文采用了结构的方式来编码基因。
变异的过程由变异概率控制，变异概率同样也是遗传算法的参数之一。
参考文献:
[1]Androulakis I P, Venkatasubramanlan V. A genetic algorithm framework for process design and optimization[J]. Computer Chem Engng, 1991,15(4):217~228.
[2]Ankenbrande C A. An extensive to the theory of convergence and a proof of the time complexity of genetic algorithms. In Foundations of Genetic Algorithms[C], San Mateo, Morgan Kaufmann. 1991:53~68.
[3]褚蕾蕾，陈绥阳，周梦，计算智能的数学基础[M]，科学出版社，2002.
