对应的区域内配送费用。把,代入式中，计算出配送中心的改善地址,。④利用式，计算出与,相对应的区域内配送费用。比较与，如果，则说明,就是区域里的最优解。如果，则返回的计算，再把,代入式中，计算出配送中心的再改善地点,。这样反复计算下去，直到为止，求出最优解,,为止。这时,为配送区域内的最优配送中心位置，为此区域内的相应优化配送费用。由获得个配送区域配送中心的改进，从而得改进染色体,及相应区域优化配送费用，,根据式得配送系统在中心地址改进后的总配送费为。令，执行获得及相应各配送区域的优化配送费，根据式求得此时配送系统总配送费。比较与，如果，令，，继续。否则，得最后确定的改善染色体为，对应目标函数，确定表征染色体性能的适应度为。染色体复制根据个体的适应值从大到小重新排列个体，重排后的个体的性能最优。根据排序决定每个染色体复制到下代的概率用轮盘赌法共复制个个体，进入下代，代数增交叉重组对新个体依次进行两两交叉,交叉的染色体个数为种群个数的倍为了提高交叉效果,采用种交叉方式,即简单交叉数学交叉和启发式交叉,其在总交叉次数中所占比例分配为即从群体中随机选择的染色体进行两两交叉,其中采用三种交叉的概率分为浮点染色体的简单交叉与二进制染色体的单点交叉类似,即随机确定交叉点,将父染色体分为两部分,两父染色体相互交换前半部分基因而产生两个子染色体数学交叉则对两父染色体进行随机数学组合,如对父染色体随机产生，间的随机数，则产生子染色体为启发式交叉则是对两父染色体中的较优染色体进行线性外推，如对父染色体，若的性能优于，则随机产生，间的随机数，得到两染色体为运用上述任意种方式进行交叉时，还需运用上面提到的判断两个字染色体与其父染色体的优劣性，从中选出两个最优者作为最终子染色体，进入新群体。启发式交叉方式所产生的子染色体有可能超出了边界条件，此时若产生了不符合条件的子染色体，可看作是交叉失败，抛弃此子染色体。变异对交叉后的染色体进行变异操作，为了提高算法搜寻到全局最优解的机会，变异同样采用多种方式，分为均匀变异多点均匀变异与边界变异。确定变异的个数为种群中染色体总数的倍，其中选择各种变异的概率分为。在均匀变异中，随机选择父染色体的个基因如或，然后用区间,或,中均匀分布的个随机数代替，产生子染色体。多点均匀变异则是对选中的染色体的每个基因都实行均匀变异。边界变异则是随机选择父染色体的个基因如或，然后随机用个区间边界值,或,代替，产生子染色体。与交叉操作类似，为了保证操作能够起到进化的作用，每次变异后均采用上面的适应值计算方法判断其适应值大小，和原染色体进行比较，采用优胜劣汰后的染色体作为新个体。自然选择对新个体重新按适应值进行排序,排在最后的染色体性能最差,将其用上代最优染色体代替,以促进优良性状的延续。删除操作为尽量避免算法在进化过程中因出现早熟收敛而陷入局部最优解的情况,应杜绝染色体在群体中占绝对优势甚至统治群体的情形因此在进行自然选择后应检查群体中是否有相同染色体存在,若有,则只保留个这样的染色体,删除其余相同染色体,并用节的方式随机产生染色体代替结果输出判断代数是高低排序，将性能最差的染色体用上代性能最优的染色体替代。如此循环，当种群达到指定的代数或者运算结果达到预定值，输出最终结果。参考文献刘勇等非数值并行计算方法遗传算法科学出版社,高竟成基于遗传算法的紧急物品配送中心选址问题的研究陈菡配送中心选址研究，孙丽萍，柴跃廷遗传算法的现状及发展动向,,戴晓明,许超等并行遗传算法收敛性分析及优化运算计算机工程赵宏立,庞小红,吴智铭基因块编码的并行遗传算法及其在中的应用上海交通大学学报江雷基于并行遗传算法的弹性研究微电子学与计算机文剑并行计算平台的建立及性能分析。广东工业大学工学硕士学位论文美著陆鑫达译并行程序设计第二版北京机械工业出版社，李敏强，寇纪淞,林丹,等遗传算法的基本理论与应用北京科学出版社,年月第版陈国良并行计算结构算法编程修订版北京高等教育出版社,张林波,迟学斌,莫则尧,李若并行计算导论北京清华大学出版社,陈国良,安虹,陈峻,郑启龙,单久龙并行算法实践北京高等教育出版社,姜大立,杨西龙易腐物品配送中心连续选址模型及其遗传算法岳彩锐,常婧雅,宋阳阳,张雪汽车部件焊点优化程序的并行化否达到预定值，若达到，则停止计算，确定当前群体中的第个染色体,其中,表示的个配送中心的地址坐标,就是易腐物品配送中心的个优化选址方案。其适应值倒数即对应配送系统费用。若仍未达到规定代数，则继续从第步开始进行迭代进化。程序实现用语言进行编程，编写易腐物品配送中心连续选址模型的程序，流程图如并行算法并行算法思路在串行程序的基础上分析问题的可并行性。分析可并行计算的条件，提出实用的并行计算模型，见流程图如图所示。图并行计算流程图制定方案，提出高效并行计算方案。编代码，进行并行程序设计和并行性能优化。并行方案设计方案静态分配任务将个任务分配给个结点做，前个结点做个，最后个结点做剩余的任务，任务都完成后，将每个结点上保存的结果数据归约到主结点上，对数据进行计算分析。简单操作步骤如下步骤静态分配任务本文程序中任务的大小是致的，采用平均分配的方法，如图所示，每个结点中任务排队提交计算。步骤收集计算结果每个结点分析自身的任务后，等待其他结点求解完自己的任务后，块儿通讯给主结否主结点子结点是变异变异变异计算适应度计算适应度计算适应度选取两个最优染色体选取两个最优染色体选取两个最优染色体染色体排序代数加输出结果退出程序交叉交叉交叉分配染色体初始化种群判断是否结束点，然后程序依次顺序执行，如图所示。结点结点结点图各个结点分配任务图结点结点结点图从结点返回结果到主结点方案二动态分配任务因为在我们搭建的机群系统中，每台机器的性能以及运算速度并不会达到理想的致，采用静态分配任务会造成运算速度快的结点算完自己的任务后处于等待状态，这样并不能最好的发挥机群的运算能力，我们的动态分配任务是将个结点作为主结点，负责分配任务，从结点负责计算，如果完成任务后，就向主结点发回数据信息和新的申请任务请求，主结点判断是否还有任务，发出任务信息或者结束信息。简单操作步骤示意图步骤动态分配任务程序开始时，主结点主动给每个子结点分配个任务，如图所示。步骤从结点返回结果并申请新任务待从结点计算完主结点分配的任务后，把计算结果通讯给主结点，同时申请新的任务，如图所示。步骤结束本次迭代循环本次迭次任务求解完毕后，主结点会给每个从结点发送指令，表示本次任务结束，各结点跳出请求任务循环，等待下次循环，如图所示。图主结点将初始任务分配到从结点图从结点提交结果申请新任务图所有任务执行完毕主结点发送结束标识动态分配会牺牲掉主结点的运算能力，但是经过实验，发现动态分配可以达到更好的计算效果，我们可以额外采用台配置不需要太高的机器作为主结点，更加分配的利用资源，这在机群系统上会发挥不错的效果。从结点主结点从结点从结点从结点主结点从结点从结点从结点主结点从结点从结点两种并行策略的分析对比如果机群系统中存在台运算能力较差的机器，使用静态分配就会造成下面结果，整个程序需要等待最慢的机器运算结束以后再进行下次循环，这台运算能力较差的机器就会成为机群运算速度的瓶颈，如果采用动态分配，使用台机器作为主结点进行任务分配，虽然少了台机器运算，但是除去了等待时间，加快了运算效率，如果将运算能力差的机器作为主结点，就能发挥这种分配策略的最佳效果。在这次的程序设计中，我们采用的是静态分配任务方案，通过主结点生成初始种群，然后将初始种群平均分配到各个子结点中进行处理。各个子结点主要进行染色体的交叉变异和性能评价，在交叉过程中有三种交叉方法简单交叉数学交叉和启发式交叉。简单交叉在两个父染色体中随机选择个基因，将基因前面的部分进行互换，重组成新的染色体。数学交叉则对两父染色体进行随机数学组合。启发式交叉则是对两父染色体中的较优染色体进行线性外推。每次交叉之后，在两个子染色体与父染色体中计算他们的性能，取性能最优的两个进入新的种群。染色体交叉运算结束后，要对他们进行变异，变异操作有三种变异方案均匀变异多点均匀变异与边界变异。各种变异方案之间的比例为。经过交叉变异操作之后，子结点将其处理的染色体传递给主结点，由主结点对产生的子染色体种群进行性能的计算，按性能色体的表现形式，尤其是基于，符号集的二进制编码形式。然后，编码的策略和方法对于遗传算子，尤其是交叉和变异算子的功能和设计有很大的影响。由于编码形式决定了交叉算子的操作方式，编码问题往往称作编码交叉问题。因此，作为遗传算法流程中第步的编码就是遗传算法中需要仔细认真研究的问题，很多的专家提出了各种编码方法。对于给定的优化问题，由个体的表现型集合所组成的空间称为问题空间，由基因型个体所组成的空间称为编码空间。遗传算子在编码空间中对位串个体进行操作。问题编码般应满足以下个原则完备性问题空间中的所有点潜在解都能成为编码中的点染色体位串的表现型。健全性编码空间中的染色体位串必须对应问题空间中的潜在解。非冗余性染色体和潜在解必须对应。在些情况下，为了提高遗传算法的运行效率，允许生成包含致死基因的额编码位串，它们对应于优化问题的非可行解。虽然这些导致冗余或无效的搜索，但可能有助于生成全局最优解所对应的个体，所需要的总计算量可能反而减少。二进制编码二