应用于物流配送中心选址的优化方法和系统

技术领域

本公开涉及物流配送中心选址技术领域，特别涉及一种应用于物流配送中心选址的优化方法和系统。

背景技术

物流配送中心选址问题(Location-Allocation Problem,LAP)是现代物流配送设置中重要的规划问题。物流配送中心是物流系统网络中的核心节点以及重要的基础设施，在整个物流系统网络规划中起着枢纽性的作用。当前在选址问题的研究方面，主要有混合整数规划求解、大规模群体决策求解以及两阶段随机规划求解、随机模糊系数的多目标网络优化模型和多成本要素的遗传算法选址求解等。但随着问题规模的增加，模型求解的效率和精度也需要随之提升，因而有必要设计新的高效求解方法来解决此类问题。

发明内容

本公开旨在至少解决现有技术中存在的技术问题之一，提出了一种应用于物流配送中心选址的优化方法和系统。

第一方面，本公开实施例提供了一种应用于物流配送中心选址的优化方法，其特征在于，包括：

步骤S1、构建物流配送中心选址模型；

所述物流配送中心选址模型的目标为：从n个备选物流配送中心选择启用p个物流配送中心，且m个需求点分别到对应供货的物流配送中心的距离与自身物资需求量的乘积之和最小；用于表征第j个备选物流配送中心是否启用的启用参数h

步骤S2、基于算术-免疫优化算法来求解所述物流配送中心选址模型得到对应的当前最优解，所述当前最优解包括各启用参数h

步骤S201、进行免疫算法中的初始化阶段，令迭代次数Iter＝1，生成包含q个抗体的初始抗体种群，并作为第Iter次迭代处理所对应的原始抗体种群，每个抗体包括p个维度，p个维度表示从n个备选物流配送中心选择启用的p个物流配送中心，其中抗体中p个维度中每一维度的取值均为整数且取值范围均为[1,n]；

步骤S202、判断第Iter次迭代的原始抗体种群是否满足迭代终止条件；

若判断出第Iter次迭代的原始抗体种群满足迭代终止条件，则执行步骤S207；若判断出第Iter次迭代的原始抗体种群不满足迭代终止条件，则执行步骤S203；

步骤S203、进行免疫算法中的选择阶段，从第Iter次迭代处理的原始抗体种群中选择出k个抗体，构成当前记忆库,k为正整数且k＜q；

步骤S204、进行免疫算法中的交叉阶段，从第Iter次迭代处理的原始抗体种群中选取q-k个父代抗体进行交叉处理得到对应q-k个子代抗体，构成第Iter次迭代处理的子代抗体种群；

步骤S205、进行免疫算法中的变异阶段，将第Iter次迭代处理的子代抗体种群中至少部分子代抗体作为目标子代抗体，并将目标子代抗体进行变异更新；具体包括：

步骤S2051、进入算术优化算法的数学优化加速阶段，确定第Iter次迭代处理所对应数学优化加速系数MOA(Iter)；

步骤S2052、比较预先生成的位于0到1之间的随机数r

若r

步骤S2053、进入算术优化算法的探索阶段，基于乘除搜索策略对第Iter次迭代处理的子代抗体种群中的目标子代抗体进行变异更新；

步骤S2054、进入算术优化算法的开发阶段，基于加减搜索策略对第Iter次迭代处理的子代抗体种群中的目标子代抗体进行变异更新；

步骤S206、将第Iter次迭代处理的当前记忆库中的k个抗体和完成变异更新处理后的子代抗体种群中q-k个抗体，共计q个抗体，构成第Iter+1次迭代处理所对应的原始抗体种群，并对Iter进行加1处理以进行更新；

在步骤S206结束后执行步骤S202。

步骤S207、输出第Iter次迭代的原始抗体种群中的最优亲和力抗体，得到当前最优解。

在一些实施例中，所述物流配送中心选址模型中的目标函数为：

F表示m个需求点分别到对应供货的物流配送中心的距离与自身需求量的乘积，d

抗体中p个维度中每一维度的取值是对Z

抗体中p个维度中每一维度的取值是对Z

所述物流配送中心选址模型中的约束条件包括：

条件1、一个需求点仅能由一个物流配送中心进行配送，一个物流配送中心可以配送多个需求点，且物流配送中心的配送半径不受限：

条件2、n个备选物流配送中心中仅有p个物流配送中心被启用：

条件3、仅被启用的物流配送中心能够向需求点进行配送，没有被启用的物流配送中心无法向需求点进行配送：

在一些实施例中，在步骤S205中，在步骤S2051之前还包括：

步骤S2050a、基于如下式子确定第Iter次迭代处理的子代抗体种群内各子代抗体的亲和力；

s∈[1,p]且t∈[1,q-k]

B1

步骤S2050b、基于如下式子确定第Iter次迭代处理的子代抗体种群内各子代抗体的变异概率；

P1

步骤S2050c、针对第Iter次迭代处理的子代抗体种群内每一个子代抗体，分别生成各子代抗体所对应的位于0到1之间的变异用随机数，并筛选出对应的变异用随机数大于对应的变异概率的子代抗体，作为目标子代抗体。

在一些实施例中，步骤S204包括：

步骤S2041、基于如下式子确定第Iter次迭代处理的原始抗体种群内各抗体的亲和力；

s∈[1,p]且t'∈[1,q]

B2

步骤S2042、基于如下式子确定第Iter次迭代处理的原始抗体种群内各抗体的交叉概率；

P2

步骤S2043、从第Iter次迭代处理的原始抗体种群内筛选出交叉概率最大的前q-k个抗体作为父代抗体；

步骤S2044、基于q-k个父代抗体进行交叉处理，得到对应的q-k个子代抗体构成子代抗体种群。

在一些实施例中，步骤S203包括：

步骤S2031、基于如下式子确定第Iter次迭代处理的原始抗体种群内各抗体的亲和力；

s∈[1,p]且t'∈[1,q]

B2

步骤S2032、基于如下式子确定第Iter次迭代处理的原始抗体种群内各抗体之间的关联力；

其中，s

步骤S2033、基于如下式子确定第Iter次迭代处理的原始抗体种群内各抗体的浓度；

其中，C

步骤S2034、基于如下式子确定第Iter次迭代处理的原始抗体种群内各抗体的期望繁殖率；

其中，P

步骤S2035、将第Iter次迭代处理的原始抗体种群内各抗体的期望繁殖率作为各抗体被选择的概率，按照轮盘赌选择机制从原始抗体种群中选择出k个抗体。

在一些实施例中，基于如下式子得到数学优化加速系数MOA(Iter)：

Min_MOP和Max_MOP分别为预设的最小优化概率和最大优化概率，MaxIter为预设的最大迭代次数。

在一些实施例中，在步骤S2053中，基于如下式子对第Iter次迭代处理的子代抗体种群内作为目标子代抗体的第t个子代抗体进行变异更新：

xam

在一些实施例中，在步骤S2054中，基于如下式子对第Iter次迭代处理的子代抗体种群内作为目标子代抗体的第t个子代抗体进行变异更新：

xam

第二方面，本公开实施例还提供了一种应用于物流配送中心选址的优化系统，其特征在于，能够实现如第一方面中提供的所述优化方法，所述优化系统包括：

构件模块，用于构建物流配送中心选址模型；

所述物流配送中心选址模型的目标为：从n个备选物流配送中心选择启用p个物流配送中心，且m个需求点分别到对应供货的物流配送中心的距离与自身物资需求量的乘积之和最小；用于表征第j个备选物流配送中心是否启用的启用参数h

算术-免疫优化模块，用于基于算术-免疫优化算法来求解所述物流配送中心选址模型得到对应的当前最优解，所述当前最优解包括各启用参数h

第三方面，本公开实施例还提供了一种电子设备，其中，包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面中提供的所述优化方法。

附图说明

图1为本公开实施例提供的一种应用于物流配送中心选址的优化方法的流程图。

图2为本公开所涉及的算术—免疫优化算法与相关技术中传统免疫算法、模拟退火算法的求解结果对比示意图；

图3为本公开实施例提供的一种应用于物流配送中心选址的优化系统的结构框图；

图4为本公开实施例的一种电子设备的结构示意图。

具体实施方式

为使本领域技术人员更好地理解本公开的技术方案，下面结合附图和具体实施方式对本公开作进一步详细描述。

除非另外定义，本公开使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，“一个”、“一”或者“该”等类似词语也不表示数量限制，而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述目标的绝对位置改变后，则该相对位置关系也可能相应地改变。

在各个附图中，相同的元件采用类似的附图标记来表示。为了清楚起见，附图中的各个部分并没有都按比例绘制。此外，在图中可能未示出某些公知的部分。

在下文中描述了本公开的许多特定的细节，以便更清楚地理解本公开。但正如本领域的技术人员能够理解的那样，可以不按照这些特定的细节来实现本公开。

免疫算法(Immune Algorithm，IA)属于一种遗传算法，通过免疫算子来模仿生物在免疫系统中的衍生规律及其它特征信息，不但具有遗传算法的学习能力，还具有一定的更新、激励、计算、记忆以及全局搜索能力。算法主要分为三阶段，一是初始化阶段：在这个阶段，免疫算法会根据问题的特点和参数设置，随机生成一定数量的抗体(也称为个体)；二是克隆选择阶段：在这个阶段，根据适应度值，从每个抗体中随机选择一部分进行克隆操作；三是变异进化阶段：在这个阶段，引入交叉、变异机制，即将两个不同的抗体进行交叉、变异，得到新的抗体。交叉变异可以增加抗体的多样性，提高搜索能力。通过这三个阶段的不断迭代，模拟生物免疫系统的进化过程，从而寻找最优解。IA具有如下优点：①自适应能力强，IA能够适应不同的问题环境和参数变化，具有较强的鲁棒性；②灵活性强，免疫算法可以通过调整参数和策略来适应不同类型的优化问题，具有较高的灵活性。虽然IA在求解部分优化问题时很好地展现出了上述优点，但是由于其在搜索过程中容易受到局部最优解的影响，因此在面对复杂的优化问题时，IA容易陷入局部最优解，也容易出现无法找到全局最优解的问题。针对此，国内外不少学者针对IA算法进行了改进。如在搜索策略和收敛性方面，相关技术之一提出了群体免疫优化算法，通过模仿病毒的快速传播与死亡更新进行解空间搜索以提高收敛性；在个体更新方式和种群多样性方面，相关技术之二提出了离散冠状病毒免疫算法，引入离散化的个体更新方式并提出了多尺度联合搜索的种群更新机制以快速、均匀地搜索解空间；在种群的保存利用方面，相关技术之三结合免疫算法和遗传算法并加以改进，对精英种群进行保存和利用，避免了优良个体的流失以提高最优解的精确度；在免疫操作方面，相关技术之四提出了混合免疫算法，采用免疫操作的交叉和变异对可行解进行改进，进一步提高了可行解的准确度。虽然上述改进IA算法在求解一些优化问题上取得了较好的效果。但针对物流配送中心的选址难题，这些IA算法虽然能够一定程度上可以解决LAP问题，可仍存在以下缺点：

首先，传统IA算法在交叉变异阶段采用的更新方式太过简单，导致种群多样性不足。种群多样性是算法性能的重要因素，能够帮助算法探索更广阔的问题空间，从而有更大的概率找到更优的解。IA算法在交叉变异过程中，克隆选择操作会导致优秀个体的大量繁殖，而较差的个体被淘汰，从而导致种群多样性降低；此外，亲和度成熟操作也可能导致种群多样性降低，因为相似度高的个体会相互竞争，导致部分个体被淘汰。现有的技术方法在这方面的不足会导致算法的收敛性降低，很难达到全局最优解。

其次是收敛速度慢的问题，具体地说，IA算法将搜索空间看作一个抗原空间，通过模拟人体免疫系统中的克隆、突变等过程对抗原进行优化。但是这些过程需要消耗大量的计算资源和时间，而且在处理复杂问题时，搜索空间非常庞大，可能需要进行数百万次的迭代才能找到符合要求的解。

此外，IA算法的搜索过程还可能会受到其他因素的影响，如克隆率、突变率等参数的设置、初始解的选择等等。如果这些因素没有得到合理的控制，就可能导致收敛速度更加缓慢。尤其是在处理物流配送中心的选址这一类大规模优化问题时，这一问题尤为突出。

算术优化算法(Arithmetic Optimization Algorithm,简称AOA)是基于四则混合运算思想设计的元启发式优化算法。算法分为三部分，一是通过数学优化器加速函数选择优化策略；二是探索阶段，利用乘法策略与除法策略进行全局搜索，提高解的分散性，增强算法的全局寻优与克服早熟收敛能力，实现全局探索寻优；三是开发阶段，利用加法策略与减法策略降低解的分散性，有利于种群在局部范围内充分开发，加强算法的局部寻优能力。AOA具有如下优点：①操作简单，通用性强；②自适应学习能力强，可以平衡搜索精度和收敛速度；③可平衡全局与局部搜索。

为有效改善相关技术中存在的至少之一的技术问题，本公开的技术方案基于IA算法和AOA算法的结合，提供了一种应用于物流配送中心选址的优化方法。

图1为本公开实施例提供的一种应用于物流配送中心选址的优化方法的流程图。如图1所示，该优化方法包括：

步骤S1、构建物流配送中心选址模型。

在本公开中对于物流配送中心选址问题进行如下假设：

(1)物流配送中心的规模能够支持需求点的需求供应，并由其配送辐射范围内的需求量来确定。

(2)一个需求点仅能由一个物流配送中心满足配送需求，一个物流配送中心可以辐射多个需求点。

(3)不考虑物流配送中心的服务半径。

物流配送中心选址模型的目标为：从n个备选物流配送中心选择启用p个物流配送中心，且m个需求点分别到对应供货的物流配送中心的距离与自身物资需求量的乘积之和最小；用于表征第j个备选物流配送中心是否启用的启用参数h

步骤S2、基于算术-免疫优化算法来求解物流配送中心选址模型得到对应的当前最优解；其中，当前最优解包括各启用参数h

其中，步骤S2具体包括：

步骤S201、进行免疫算法中的初始化阶段，令迭代次数Iter＝1，生成包含q个抗体的初始抗体种群，并作为第Iter次迭代处理所对应的原始抗体种群，每个抗体包括p个维度，p个维度表示从n个备选物流配送中心选择启用的p个物流配送中心；其中抗体中p个维度中每一维度的取值均为整数且取值范围均为[1,n]。

IA算法中生成初始抗体种群的过程属于本领域的常规技术，此处不作详细描述。

步骤S202、判断第Iter次迭代的原始抗体种群是否满足迭代终止条件。

若判断出第Iter次迭代的原始抗体种群满足迭代终止条件，则执行步骤S207；若判断出第Iter次迭代的原始抗体种群不满足迭代终止条件，则执行步骤S203。

在实际应用中，迭代终止条件可根据实际需要进行预先设置；例如，当第Iter次迭代的原始抗体种群满足如下至少之一迭代终止条件时则迭代过程结束：

1)迭代次数Iter大于预设的最大迭代次数MaxIter。

2)第Iter次迭代的原始抗体种群中最优亲和力抗体的亲和力(affinty，也可以称为适应度fitness)值大于预设的亲和力阈值。

其中，原始抗体种群中最优亲和力抗体是指原始抗体种群中所对应的亲和力值最大的抗体。对于抗体的亲和力的计算，可参见后面示例。

步骤S203、进行免疫算法中的选择阶段，从第Iter次迭代处理的原始抗体种群中选择出k个抗体，构成当前记忆库,k为正整数且k＜q。

步骤S204、进行免疫算法中的交叉阶段，从第Iter次迭代处理的原始抗体种群中选取q-k个父代抗体进行交叉处理得到对应q-k个子代抗体,构成第Iter次迭代处理的子代抗体种群。

步骤S205、进行免疫算法中的变异阶段，将第Iter次迭代处理的子代抗体种群中至少部分子代抗体作为目标子代抗体，并将目标子代抗体进行变异更新。

其中，步骤S205具体包括：

步骤S2051、进入算术优化算法的数学优化加速阶段，确定第Iter次迭代处理所对应数学优化加速系数MOA(Iter)。

在一些实施例中，基于如下式子得到数学优化加速系数MOA(Iter)：

Min_MOP和Max_MOP分别为预设的最小优化概率(例如，取值为0.2)和最大优化概率(例如，取值为1)，MaxIter为预设的最大迭代次数(例如取值为200)。

步骤S2052、比较预先生成的位于0到1之间的随机数r

若r

步骤S2053、进入算术优化算法的探索阶段，基于乘除搜索策略对第Iter次迭代处理的子代抗体种群中的目标子代抗体进行变异更新。

步骤S2054、进入算术优化算法的开发阶段，基于加减搜索策略对第Iter次迭代处理的子代抗体种群中的目标子代抗体进行变异更新。

在一些实施例中，在探索阶段(乘除搜索策略)采用如下式子对第Iter次迭代处理的子代抗体种群内作为目标子代抗体的第t个子代抗体进行变异更新：

在一些实施例中，在开发阶段(加减搜索策略)基于如下式子对第Iter次迭代处理的子代抗体种群内作为目标子代抗体的第t个子代抗体进行变异更新：

xam

在上述基于乘除搜索策略或加减搜索策略进行变异更新的过程中，如果产生的xam

当然，本公开中探索阶段所采用的乘除搜索策略和开发阶段所采用的加减搜索策略，还可以采用其他形式，此处不在一一举例。

步骤S206、将第Iter次迭代处理的当前记忆库中的k个抗体和完成变异更新处理后的子代抗体种群中q-k个抗体，共计q个抗体，构成第Iter+1次迭代处理所对应的原始抗体种群，并对Iter进行加1处理以进行更新。

在步骤S206结束后执行步骤S202；

步骤S207、输出第Iter次迭代的原始抗体种群中的最优亲和力抗体，得到当前最优解。

在本公开实施例中，通过步骤S207所输出的最优亲和力抗体中的p维的值，即可以得知n个备选物流配送中心中的哪p个物流配送中心被启用，即得到n个备选物流配送中心各自所对应的启用参数h

在本公开的技术方案中，将算术优化算法与免疫算法进行结合，改变种群的变异更新方式，在探索阶段运用乘除法进行种群更新，在开发阶段运用加减法完成种群更新，可以有效加快收敛速度，所得结果也更优。

在一些实施例中，在步骤S1中，物流配送中心选址模型中的目标函数为：

F表示m个需求点分别到对应供货的物流配送中心的距离与自身需求量的乘积，d

抗体中p个维度中每一维度的取值是对Z

物流配送中心选址模型中的约束条件包括：

条件1、一个需求点仅能由一个物流配送中心进行配送，一个物流配送中心可以配送多个需求点，且物流配送中心的配送半径不受限：

条件2、n个备选物流配送中心中仅有p个物流配送中心被启用：

条件3、仅被启用的物流配送中心能够向需求点进行配送，没有被启用的物流配送中心无法向需求点进行配送：

在一些实施例中，步骤S203包括：

步骤S2031、基于如下式子确定第Iter次迭代处理的原始抗体种群内各抗体的亲和力。

s∈[1,p]且t'∈[1,q]

B2

步骤S2032、基于如下式子确定第Iter次迭代处理的原始抗体种群内各抗体之间的关联力。

其中，S

步骤S2033、基于如下式子确定第Iter次迭代处理的原始抗体种群内各抗体的浓度。

其中，C

步骤S2034、基于如下式子确定第Iter次迭代处理的原始抗体种群内各抗体的期望繁殖率；

其中，P

步骤S2035、将第Iter次迭代处理的原始抗体种群内各抗体的期望繁殖率作为各抗体被选择的概率，按照轮盘赌选择机制从原始抗体种群中选择出k个抗体。

在本公开实施例中，在计算函数的繁殖期望率时，引入可变参数θ的能更好的在迭代开始时实现全局搜索，在快要达到最大迭代次数时加速收敛。θ随着迭代次数的增加逐渐减小，因此迭代开始时可以有效减小抗体浓度高的个体的繁殖期望率，快要达到最大迭代次数时，为加速收敛，θ的值逐渐减小，期望繁殖概率逐渐变大。

在一些实施例中，步骤S204包括：

步骤S2041、基于如下式子确定第Iter次迭代处理的原始抗体种群内各抗体的亲和力。

s∈[1,p]且t'∈[1,q]

B2

步骤S2042、基于如下式子确定第Iter次迭代处理的原始抗体种群内各抗体的交叉概率。

P2

步骤S2043、从第Iter次迭代处理的原始抗体种群内筛选出交叉概率最大的前q-k个抗体作为父代抗体。

步骤S2044、基于q-k个父代抗体进行交叉处理，得到对应的q-k个子代抗体构成子代抗体种群。

作为一个示例，可以从q-k个父代抗体中随机挑选2个父代抗体作为一组父代抗体，然后该一组父代抗体进行交叉处理，得到对应的2个子代抗体(或则从得到2个子代抗体中择一作为交叉处理得到的子代抗体)。通过循环上述操作，直至得到q-k个子代抗体。

其中，在对一组父代抗体进行交叉处理时，可以采用单点交叉处理或多点交叉处理。

由传统的IA算法可知，种群的更新主要依靠交叉与变异。比如，如果交叉概率越大，则产生新个体的速度就越快，同时种群具有更明显的多样性。但是如果交叉概率过大，则先前遗传下来的优良基因就容易受到破坏，这直接会导致整个群体变成了随机搜索；此外概率过小，又不利于产生新的个体，使得所有的个体陷入局部最优。为此，本公开提出双向交叉，具体实现方式为：对亲和力较高抗体，采用较低的交叉概率，使他们的优良基因能够以更大的概率传播到下一代，而对于亲和力较低的抗体，则采用较大的交叉概率，让他们能够尽快被淘汰，产生新的个体，从而使得种群具有多样性。

在一些实施例中，在步骤S205中，在步骤S2051之前还包括：

步骤S2050a、基于如下式子确定第Iter次迭代处理的子代抗体种群内各子代抗体的亲和力；

s∈[1,p]且t∈[1,q-k]

B1

步骤S2050b、基于如下式子确定第Iter次迭代处理的子代抗体种群内各子代抗体的变异概率；

P1

步骤S2050c、针对第Iter次迭代处理的子代抗体种群内每一个子代抗体，分别生成各子代抗体所对应的位于0到1之间的变异用随机数，并筛选出对应的变异用随机数大于对应的变异概率的子代抗体，作为目标子代抗体。

在本公开实施例中，基于前述双向交叉的原理，本公开还提供了双向变异机制。具体实现方式为：对亲和力较高抗体，采用较低的变异概率，使他们的优良基因能够以更大的概率传播到下一代，而对于亲和力较低的抗体，则采用较大的变异概率，让他们能够尽快被淘汰，产生新的个体，从而使得种群具有多样性。

本公开的技术方案具有以下优点和有益效果：

首先，针对常规免疫算法容易陷入局部最优的问题，本公开的技术方案在计算函数的繁殖期望率时，能够实现在增加适应度值高的个体的同时抑制浓度高的个体，参数θ的引入能够更好的在迭代开始时实现全局搜索，在快要达到最大迭代次数时加速收敛，提高求解效果。同时，本公开的技术方案对算法中种群的变异方式进行了进一步优化，通过结合免疫算法与算术优化算法，改变了种群的变异更新方式，在探索阶段和开发阶段分别运用乘除法和加减法的方式进行种群更新，帮助算法在运行过程中能够更好的跳出局部最优并加快收敛速度。

其次，在种群的多样性方面，本公开的技术方案在交叉变异过程中采用了双向交叉变异方法，这样做的效果是能够更好地保留亲和度较优的个体，淘汰亲和度较差的个体，在加快收敛速度的同时还进一步提高了种群的多样性，提高了算法的适应性和泛化能力。

最后，本公开的技术方案能够更加有效地求解LAP求解难题。本公开的技术方案进一步将免疫算法与算术优化算法进行结合并应用于LAP求解难题中。通过应用不同算法求解结果的对比性实验表明：该方法加快了收敛速度，所得结果也更优。

图2为本公开所涉及的算术—免疫优化算法与相关技术中传统免疫算法、模拟退火算法的求解结果对比示意图。如图2所示，设定n＝20，p＝8，m＝40，d

基于同一发明构思，本公开实施例还提供了一种应用于物流配送中心选址的优化系统。图3为本公开实施例提供的一种应用于物流配送中心选址的优化系统的结构框图。如图3所示，该优化系统包括：构件模块和算术-免疫优化模块。

其中，构件模块用于构建物流配送中心选址模型。具体可用于实现前面实施例中的步骤S1。

算术-免疫优化模块用于基于算术-免疫优化算法来求解物流配送中心选址模型得到对应的当前最优解，当前最优解包括各启用参数h

对于构建模块和算术-免疫优化模块的具体描述，可参见前面实施例中的相应内容，此次不再赘述。

基于同一发明构思，本公开实施例还提供了一种电子设备。图4为本公开实施例的一种电子设备的结构示意图。如图4所示，本公开实施例提供一种电子设备包括：一个或多个处理器101、存储器102、一个或多个I/O接口103。存储器102上存储有一个或多个程序，当该一个或多个程序被该一个或多个处理器执行，使得该一个或多个处理器实现如上述实施例中任一优化方法；一个或多个I/O接口103连接在处理器与存储器之间，配置为实现处理器与存储器的信息交互。

其中，处理器101为具有数据处理能力的器件，包括但不限于中央处理器(CPU)等；存储器102为具有数据存储能力的器件，包括但不限于随机存取存储器(RAM，更具体如SDRAM、DDR等)、只读存储器(ROM)、带电可擦可编程只读存储器(EEPROM)、闪存(FLASH)；I/O接口(读写接口)103连接在处理器101与存储器102间，能实现处理器101与存储器102的信息交互，包括但不限于数据总线(Bus)等。

在一些实施例中，处理器101、存储器102和I/O接口103通过总线104相互连接，进而与计算设备的其它组件连接。

在一些实施例中，该一个或多个处理器101包括现场可编程门阵列。

根据本公开的实施例，还提供一种计算机可读介质。该计算机可读介质上存储有计算机程序，其中，该程序被处理器执行时实现如上述实施例中任一优化方法中的步骤。

特别地，根据本公开实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，包括承载在机器可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。在该计算机程序被中央处理单元(CPU)执行时，执行本公开的系统中限定的上述功能。

需要说明的是，本公开所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，前述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

可以理解的是，以上实施方式仅仅是为了说明本公开的原理而采用的示例性实施方式，然而本公开并不局限于此。对于本领域内的普通技术人员而言，在不脱离本公开的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本公开的保护范围。