寻路算法的优化探讨
游戏编程中寻路算法的优化探讨
1背景
近年来，游戏产业的快速发展带动了游戏中人工智能（Artificial Intelligence，AI）的发展，越来越多的游戏采用人工智能技术提高游戏的可玩性。
一个在市场上畅销的成功的游戏，必须既要有华丽的画面视觉效果和悦耳的听觉感受，又要有高超逼真的人工智能控制系统。游戏开发者把AI 应用在计算机或者游戏机的游戏中，就会使广大玩家感到他们所面对的由电脑AI 系统控制的敌人(即NPC)跟现实中的敌人一样拥有人类智能，让玩家留下如临实境的体验。如果一个游戏的人工智能做得一团糟的话，那么绝大多数游戏玩家宁愿在网络上跟真人进行对战了，或者就转投向其他拥有更高智能的游戏去了，这将给游戏制作公司带来承重的打击甚至破产。
在电子游戏中，玩家操控主要角色，而其他角色的行为逻辑由人工智能操纵，这些角色我们称之为NPC（Non-Player Character，非玩家控制角色）。大部分游戏在开发过程中都会遇到路径探索问题，快速、准确地计算出游戏角色从地图中的A点到达B点的一条路径，一直是游戏开发者追求的目标，同时也是游戏人工智能研究的一个重要方面。
一般游戏AI 系统都是从搭建最基本的寻路系统开始，一步步修改和完善后而成的。本文重点阐述了游戏AI 开发中最基本寻路算法及其优化。
2游戏编程中的简单寻路算法
2.1问题提出
考虑以下图1-1：
图1-1
该单位的初始位置（start）在地图的下方，想要到达地图的目标位置（goal）。如果物体所能侦测到的地方（粉色部分所示）并没有障碍，那么物体就会直接向上走到它的目标位置。但在距离顶端较近的位置时，物体侦测到了障碍，因而改变了方向。该物体将不得不行进一个“U”形的路径绕过障碍物（如红色路径所示）。通过对比可知，寻路系统能够通过搜索一个更大的范围（如蓝色区域所示），并寻找一个更短的路线（如蓝色路径所示），使物体避免绕这条由凹陷障碍物造成的远路。
我们可以通过改进物体的移动算法解决上图所示的陷阱。即可以避免在地图
上创建有凹陷的物体，或者标记整个凹陷物体的整个凸包为危险区域（即除非目标在该区域内，否则避免进入该区域），如下图1-2：
图1-2
寻路系统则会让路径的决定提前，而不是如上图一样，物体直到移动到最后一刻才发现问题所在。对于“改进物体移动算法”和“使用寻路系统规划路径”两种方式有以下的折中：规划路径一般来说更慢，但效果更好；改进移动算法则会快一些，但有时候会卡住。如果游戏地图经常改变，那么路径规划的方式可能没有较大意义。
2.2 A*寻路算法
将寻路问题简化在二维网格中。大部分在AI和算法领域的寻路算法都是针对作为数学结构的“图”本身，而并非针对这种网格化游戏地图。我们希望寻找一种能利用游戏地图自身特征的方法。其实有些在二维网格图中我们认为是常识的事情，一些在普通图上使用的寻路算法本身可能并没有考虑到。例如如果两个物体距离较远，那么可能从一个物体到另一个物体的移动的时间和路径会较长。对于方向来说，如果方向是朝东，那么最优路径的路径也应当是大体往东走，而不是向西去。在网格中还可以从对称中获取信息，即先向北再向西，大部分情况下和先向西再向北等价。这些额外的信息可以让寻路算法更加快速。
在介绍A*算法之前，我们先来看看Dijkstra算法和Greedy算法。Dijkstra
算法简单说来，就是从起始点访问其他临近节点，并将该节点加入待检查节点集合中，使用松弛算法更新待检查节点的路径长度值。Greedy算法大体与之类似，不同的是该算法对目标点的距离有一个估计值（启发值）。该算法并不在待检查节点集合中选取距离起始点近的节点进行下一步的计算，而是选择距离目标点近的节点。贪心最好优先搜索算法并不能保证寻找到最优路径，然而却能大大提高寻路速度。A*算法结合了Dijkstra算法使用的节点信息（倾向于距离起点较近的节点），以及贪心最好优先搜索算法的信息（倾向于距离目标较近的节点）。
A*算法具体过程如下：
1 开两个空队列OPEN，CLOSE。
2 将起点的G值设为0，并计算出对应的H，F值，将起点放入OPEN队列
3 从OPEN队列中取出F值最小的节点放入临时队列TempQueue(一开始就是起点这一个点；另外F值最小的可能不止一个,如有多个则都取出。
4 如果TempQueue队列为空，也就意味着OPEN队列为空，说明已经遍历完整个地图，此时应该退出寻路过程。
5 将TempQueue中的所有节点加入到CLOSE队列中。
6 遍历TempQueue中的每一个节点Node，处理Node的每一个邻居节点Neighbor。如果Neighbor既不在OPEN队列也不在CLOSE队列中，计算出Neighbor节点的G、H、F值（G值等于Node的G值加一个单位），设置Neighbor 的父节点为Node，并将Neighbor加入到OPEN队列。如果Neighbor在CLOSE 队列中则不处理；如果Neighbor在OPEN队列中，则用Neighbor之前的F值和现在计算出来的F值进行比较；如果现在计算出来的F值更小，则更新Neighbor的F值，并重新设置Neighbor的父节点为Node。如果Neighbor就是终点，则寻路过程结束，从终点根据父节点的指向到CLOSE队列中去找父节点，可倒推出完整的最短路径。
7 回到步骤3继续处理。
A*算法关键代码：
void CAStar::FindPath()
{
m_bFind = false;
vector
while (!m_bFind)
{
minVec.clear();
GetMinFromOpen(minVec);
if (minVec.empty())
break;
m_close.insert(m_close.end(), minVec.begin(), minVec.end());
for (vector
DoNeighbors(*it);
if (m_bFind)
GetFinalShortestPath();
if (m_CallBack) m_CallBack(m_pArg);
}
}
A*算法的MFC编程界面如图1-3：
图1-3A*算法MFC编程
在右边3个单选按钮中选择一个，然后可在左边设置起点、终点或者障碍物。点击开始寻路，则开始动态演示寻路过程。
其中：计算F、G、H值的节点，F = G + H。其中，F 是从起点经过该点到终点的总路程，G 为起点到该点的“已走路程”，H 为该点到终点的“预计路程”。其F值在左上角；G值在左下角；H值在右下角。
红色方块为起点，绿色方块为终点，蓝色方块为OPEN队列中的点，黄色方块为CLOSE队列中的点，紫色方块为最短路径。如图1-4：
图1-4A*算法演示
3 A*算法速度
我们需要一个开启列表和关闭列表，用来储存已经被开启的节点和被关闭的节点。初期，地图上的节点都是未开启也未关闭的初始状态，我们每检测一个节点，就要开启一些节点，检测完之后，要把检测完的节点关闭。
我们了解了A*算法的原理，发现在每次查找最小节点的时候，我们需要在开启列表中查找F值最小的节点，研究A*的速度，这里就是关键，那么如何更快的找出这个最小节点呢？
3.1三种算法
普通查找算法。最简单的做法，就是每次都把开启列表中所有节点检测一遍，从而找到最小节点。
for (var i:uint = 0; i if (min.value_f>_open[i].value_f) { min.value_f = _open[i].value_f; min.i = i; } 排序查找算法。该算法始终维持开启列表的排序，从小到大或者从大到小，这样当我们查找最小值时，只需要把第一个节点取出来即可。我们每次排序的同时，顺便计算列表中的平均值，这样插入新节点的时候，根据这个平均值来判断从前面开始判断还是从后面开始插入。 //和F平均值做比较，决定从前面或者后面开始判断 if (newNode.value_f<=_aveOpen) { for (var i:int=0; i<__len; i++) { //找到比F值小的值，就插在此值之前 //找到比F值大的值，就插在此值之后 } //计算开放列表中F平均值 _aveOpen += (newNode.value_f-_aveOpen)/_open.length; } 二叉树查找算法。该算法根据二叉树排序原理，来维持开启列表的排序。（父节点永远比子节点小）代码如下： ······ if(newFlg){ newNode.open = true; var new_f:int = newNode.value_f; _open.push(newNode); new_index = _open.length - 1; }else{ new_index = newNode.index; } while(true){ //找到父节点 var f_note_index:int = new_index/2; if(f_note_index > 0){ //如果父节点的F值较大，则与父节点交换 if(_open[new_index].value_f < _open[f_note_index].value_f){ var obj_note:Object = _open[f_note_index]; _open[f_note_index] = _open[new_index]; _open[new_index] = obj_note; _open[f_note_index].index = f_note_index; _open[new_index].index = new_index; new_index = f_note_index; }else{ break; ······ } //取开放列表里的最小值 //将第一个节点，即F值最小的节点取出，最后返回 var obj_note:Object = _open[1]; _open[1] = _open[_open.length - 1]; _open.pop(); _open[1].index = 1; var this_index:int = 1; while(true){ var left_index:int = this_index * 2; var right_index:int = this_index * 2 + 1; if(left_index >= _open.length){ break; }else if(left_index == _open.length - 1){ //当二叉树只存在左节点时，比较左节点和父节点的F值，若父节点较大，则交换 } }else if(right_index < _open.length){ //找到左节点和右节点中的较小者 if(_open[left_index].value_f <= _open[right_index].value_f){ //比较左节点和父节点的F值，若父节点较大，则交换 }else{ //比较右节点和父节点的F值，若父节点较大，则交换} ······ 3.2运行比较 经过测试，相同条件下三种算法运行时间大致如下表3-1： 算法名称运行时间（单位：秒） 普通查找0.038 简单排序0.025 二叉树排序0.015 表3-1算法运行时间比较 经过测试，考虑简单二维图表，使用通过二叉树排序原理来维持OPEN列表排序的A*寻路算法能够提高寻路效率。推广到游戏复杂地图中，该算法能够很好的满足用户需求。 寻找客户途径的方法 1、逐客访问 优点缺点 范围广、涉及客户多很盲目、容易遭受拒绝 可借机进行市场调查，了解客户的需求倾向，并挖掘潜在客户耗费大量的人力和时间 可以与各种类型的客户打交道并积累经验若赠送样品则成本更高 关键点：一是无遗漏，不放过一个有望成交的客户；二是营销人员的素质和能力。 2、广告搜寻 优点缺点 传播速度快目标对象的选择不易掌握 传播范围广广告费用昂贵 节约人力、物力和财力企业难以掌握客户的具体反应 关键点：一方面要选择针对目标客户的适当媒体；另一方面广告的制作效果也极其重要。 3、连锁介绍：连锁客户开发法被营销人员称为黄金客户开发法 优点缺点 信息比较准确、有用----客户知道在什么时候，他的哪位朋友需要这些产品事先难以制定完整的客户开发访问计划 能够增强说服能力----熟人介绍，信赖感好，成功率高营销人员常常处于比较被动的地位方法：1、运用卡片----不管业务是否达成都给一张卡片，让他介绍两为朋友； 2、让顾客相信----只有客户相信了你的产品、你的为人，才有可能为你介绍更多的客户。 关键点：要善于使用各种关系；必须取信于现有的客户；给现有的客户一定的利益；拜访新客户时，提前摸清新客户的情况。 4、资料查寻 优点缺点 1、较快地了解市场容量和准客户的情况； 2、成本比较低商业资料的时效性比较差 可以提供目标客户的公共情报有： 1、电话号码本 2、为你提供某些服务的人士，如律师、医生、汽车修理人员等 3、各种专业名册 4、选举人名册 5、证照的核发机构 6、新的工程的修建 7、报纸、杂志上登载的讯息 关键点：细心与积累 5、名人介绍 优点缺点 影响力大，信赖度高，成交快。 完全将成交在一个人身上，风险比较大。 注意：选择恰当的人选 关键点：加强与中心人物的联系，经常沟通，取得中心人物的信任。 你在如何寻找客户资料 有句话说的好“选择比努力更重要，方法比激情更重要”，做销售更是如此！初入销售行业，难免迷茫和不知所措，想要在这一行业里成为佼佼者更是需要耐心和方法技巧。 作为多年从事销售工作者的我看到很多销售新手在这里白白浪费掉几个月的青春，最后一事无成地离开本行业，我十分同情，也想伸出援助之手，因此总结了一下销售新手寻找潜在客户的有效途径，分享给大家，希望对您有所帮助！ 许多销售人员尤其是刚入行的销售人员，都有一颗充满激情的心，但往往由于缺少或者掌握不了潜在客户或者潜在客户的信息，米取乱撒网的方法，疯狂打电话，结果呢？时间一天天的过去，有效客户没有抓到几个，销售业绩没有什么增长，反而，把自己的身心搞得非常疲惫。 在所有的销售人员中，应该来说销售人员的流动性是最大的，因为他们看不到希望，找不到成就感，完成不了销售任务，可能每天得到的多是拒绝甚至伤害性的结果。 对于，对销售人员来说，如果你所在公司没有建立一套完善客户开发资料系统，而是依靠你们自己通过各种方式或者手段，去搜集到一些客户资料，而且在不进行任何整理、筛选的情况，就进行客户拜访，开发客户，你们会有多少的成功率？ 其实，对于销售人员来说，销售前的客户资料准备工作应该列为销售工作中的头等大事，而有效客户的资料更是销售第一步。 有这样一句常说的话，选择比努力更重要，方法比激情更有效，许多的人往往喜欢做这样的事情，顺着梯子爬到了墙上，结果却发现梯子靠错了墙。可悲的是许多销售人员的行为就是如此，一天覆一天, 重复着这种错误的行为，希望能够捕到鱼，希望能够沙粒到淘到金。 我们自己认真的去想下，假如把你手中搜索的资料比作一个池塘的话，如果这个池塘中根本没鱼，无论你付出多大的努力，无论你的销售技能多么高明，你还是根本无法捕到鱼，也就是说你根本连个机会都不存在。 做这样的无用功，伤神费力受挫折，又是何苦呢？ 所以，对于我们销售人员来说，若销售有成功的希望或者机会，必须先去寻找、去筛选那些潜在客户群体或者潜在客户群体，这样才能够提高你销售成功的效率。否则，你还是会陷入在一种“失败、失败、不停的失败”这样的恶性循环中。 那么，销售人员究竟如何才能在销售前，就能发觉那些是他们的潜在客户群体呢？这并非是一件很容易的事情。 有人说，台上一秒钟，台下十年功，的确如此。那么，我来告诉那些初入销售行业的销售人员如何才能寻找到自己的潜在客户。 材料01班李兰艳201101056 一、绪论 1. 简述石油裂解制烯烃的工艺过程。 答：石油裂解装置大多采用管式裂解炉，石油裂解过程是沸点在350 ℃左右的液态烃,在稀释剂水蒸气的存在下,于750-820℃高温裂解化为低级烯烃,二烯烃的过程。在石油化工生产过程里，常用石油分馏产品作原料，采用比裂化更高的温度，使具有长链分子的烃断裂成各种短链的气态烃和少量液态烃，以提供有机化工原料。工业上把这种方法叫做石油的裂解。所以说裂解就是深度裂化，以获得短链不饱和烃为主要成分的石油加工过程。石油裂解的化学过程是比较复杂的裂解气里烯烃含量比较高。在裂解原料中，主要烃类有烷烃、环烷烃和芳烃，二次加工的馏份油中还含有烯烃。尽管原料的来源和种类不同，但其主要成分是一致的，只是各种烃的比例有差异。烃类在高温下裂解，不仅原料发生多种反应，生成物也能继续反应，其中既有平行反应又有连串反应，包括脱氢、断链、异构化、脱氢环化、脱烷基、聚合、缩合、结焦等反应过程。因此，烃类裂解过程的化学变化是十分错综复杂的，生成的产物也多达数十种甚至上百种。见图1－1。 环烷烃环烯烃 中等分子烯烃叠合烯烃二烯烃 较大分子的烯烃乙烯、丙烯芳烃稠环烃焦 中等分子烷烃 碳 甲烷乙炔 图1－1 裂解过程中部分化学变化 2. 画出C4馏分中制取丁二烯流程简图，并说明采用两次萃取精馏及简单精馏的目的。 3. 如何由煤炭路线及石油化工路线生产氯乙烯单体？ 答：石油化工路线是石油经过热裂解分离得到烯烃、丁二烯和芳烃等，后经过以下反应 CH2=CH2+Cl2+O2→CHCl2—CHCl2→CH2=CHCl最终得到氯乙烯单体。煤炭路线是煤炭在高温和隔绝空气下干馏生产煤气、氨、煤焦油和焦炭。所得的焦炭与生石灰在2500-3000℃高温的电炉中强热生产碳化石。碳化钙与水作用生成乙炔气体。乙炔再与氯化氢在氯化汞的催化作用下生成氯乙烯单体。 一、本体聚合 1. 以苯乙烯的本体聚合为例，说明本体聚合的特点。 答：特点：产品纯净，电性能好，可直接进行浇铸成型；生产设备利用率高，操作简单，不需要复杂的分离、提纯操作。优点：生产工艺简单，流程短，使用生产设备少，投资较少；反应器有效反应容积大，生产能力大，易于连续化，生产成本低。缺点：热效应相对较大，自动加速效应造成产品有气泡，变色，严重时则温度失控，引起爆聚，使产品达标难度加大．由于体系粘度随聚合不断增加，混合和传热困难；在自由基聚合情况下，有时还会出现聚合速率自动加速现象，如果控制不当，将引起爆聚；产物分子量分布宽，未反应的单体难以除尽，制品机械性能变差等。以苯乙烯为例，苯乙烯连续本体聚合的散热问题是可由预聚和聚合两段来克服的，预聚可在立式搅拌釜内进行，聚合温度为80-90℃以BPO或AIBN为引发剂，转化率在30%-35%之间。这时还没发生自动加速现象，聚合热不难排除。透明粘稠的预聚物流入聚合塔顶缓慢流向塔底，温度由100℃渐增至200℃，最后达到99%转化率，自塔底出料，后经挤出，冷却，切粒，即成成透明粒料产品。 2. 乙烯高压聚合的影响因素有哪些？ 答：乙烯气相本体聚合有以下特点，a聚合热大，约为95.0kJ∕ml，b基于乙烯高压聚合的转化率较低，即链终止反应非常容易发生，因此聚合物的平均分子量小，c链转移反应容易发生，乙烯的转化率越高和聚乙烯的停留时间越长，则长链支化越多。聚合物的分子量分布嘟越大，产品的加工性能越差，d以氧为引发剂时，存在着一个压力和氧浓度的临界值关系，即在这种情况下，乙烯的聚合速率取决于乙烯中氧的含量。 3. 对比管式反应器及釜式反应器生产高压聚乙烯的生产工艺。 答：釜式法：该工艺大都采用有机氧化物为引发剂，反应压力交管式法低、聚合物停留时间稍长，部分反应热是借连续搅拌和夹套冷却带走，大部分反应热是靠连续通入冷乙烯和连续排出热物料的方法加一调节，使反应温度交为恒定。此法的单程转化率可达24.5%，生产流程简短，工艺较容易控制。主要缺点是反应器结构较复杂，搅拌器的设计与安装较为困难，而且容易发生机械损坏，聚合物易粘釡。 管式法，该法所用的引发剂是氧或过氧化物反应器的压力梯度和温度分布大、反应时间短，所得聚乙烯的支链少，分子量分布较宽，适合制作薄膜产品，反应器结构简单，传热面积大。主要缺点是聚合物粘管而导致堵塞现象。 二、悬浮聚合 1. 简述PVC悬浮聚合工艺过程、特点。 答：氯乙烯悬浮聚合的配方是由氯乙烯单体、水、油溶性引发剂、分散剂组成，工艺过程：首先将去离子水，分散剂以及除引发剂外的各种助剂，经计量后加于聚合反应釡中，然后加计量的氯乙烯单体。升温至规定的温度，加入引发剂溶液和分散剂溶液。聚合反应随即开始。夹套通低温水进行冷却，在聚合反应激烈阶段应通5℃以下的低温水，应根据生产的树脂牌号设定反应温度。严格控制反应温度波动不超过±0.2℃范围。 2. 苯乙烯悬浮聚合有两种工艺：即高温聚合和低温聚合，分析对比两种方法的配方及工艺过程。答：高温：苯乙烯（100）去离子水（140-160）NaCO3（10%）MgSO4（16%）0.12苯乙烯-马来酸酐共聚物钠盐0.12 2,6-叔丁基对本酚0.025，ST高温悬浮聚合在釜式压力反应去器中间歇操作，初反应温度为80℃，然后逐渐升温至140℃，反应t为5-24H,然后酸洗，再经离心分离，脱水干燥，添加必要的助剂后制成成品料粒。 低温：苯乙烯100，过氧化异丙苯0.8，石油醚6-10，紫外线吸收剂（UV-9）0.2，分散剂（PVA）4-6，抗氧化剂2640.3，软水200-300.工艺过程：a发泡剂处理b操作条件，压力（表压）MPa0.4-0，温度℃ 90-100，时间4h预发泡d熟化e成型。 销售员如何寻找有效客户 的种方法 Final revision on November 26, 2020 销售员如何寻找有效客户的10种方法许多电话销售人员尤其是刚入行的销售人员，都有一颗充满激情的心，但往往由于缺少或者掌握不了潜在客户或者潜在客户的信息，采取乱撒网的方法，疯狂打电话，结果呢？时间一天天的过去，有效客户没有抓到几个，销售业绩没有什么增长，反而，把自己的身心搞得非常疲惫。 在所有的销售人员中，应该来说电话销售人员的流动性是最大的，因为他们看不到希望，找不到成就感，完成不了销售任务，可能每天接触的多是拒绝甚至伤害性的结果。 对于，电话销售人员来说，如果你所在公司没有建立一套完善客户开发资料系统，而是依靠你们自己通过各种方式或者手段，去搜集到一些客户资料，而且在不进行任何整理、筛选的情况，就进行客户电话拜访，开发客户，你们会有多少的成功率。 其实，对于电话销售人员来说，在进行电话销售前的客户资料准备，应该列为电话销售工作中的头等大事。 为什么这么说呢？ 许多电话销售人员总是提出这样的问题，许多人只要接到他们的电话，了解了他们的目的后，立刻对方就会晴转多云，话语立刻变了，对你客气的可能会说，“不好意思，我现在不需要”、“不好意思，我现在很忙”等，对你不客气的可能立刻就把电话挂了，甚至有的会说：“搞什么呀，浪费我时间”等。 这些事实，这样的结果，总是在不停鞭笞我们电话销售人员那脆弱的心灵，他们究竟应该如何做呢？ 有这样一句常说的话，选择比努力更重要，方法比激情更有效。 许多的人往往喜欢做这样的事情，顺着梯子爬到了墙上，结果却发现梯子靠错了墙。 许多电话销售人员的行为就是如此，一天覆一天，重复着这种错误的行为，希望能够捕到鱼，希望能够沙粒到淘到金。 我们自己认真的去想下，假如把你手中搜索的资料比作一个池塘的话，如果这个池塘中根本没鱼，无论你付出多大的努力，无论你的销售技能多么高明，你还是根本无法捕到鱼，也就是说你根本连个机会都不存在。 做这样的无用功，伤神费力受挫折，又是何苦呢？ 所以，对于我们电话销售人员来说，若电话销售有成功的希望或者机会，必须先去寻找、去筛选那些潜在客户群体或者潜在客户群体，这样才能够提高你电话销售成功的效率。否则，你还是陷入在一种“失败、失败、不停的失败”这样的恶性循环中。 用ACO 算法求解机器人路径优化问题 4.1 问题描述 移动机器人路径规划是机器人学的一个重要研究领域。它要求机器人依据某个或某些优化原则(如最小能量消耗，最短行走路线，最短行走时间等)，在其工作空间中找到一条从起始状态到目标状态的能避开障碍物的最优路径。机器人路径规划问题可以建模为一个有约束的优化问题，都要完成路径规划、定位和避障等任务。 4.2 算法理论 蚁群算法（Ant Colony Algorithm，ACA），最初是由意大利学者Dorigo M. 博士于1991 年首次提出，其本质是一个复杂的智能系统，且具有较强的鲁棒性，优良的分布式计算机制等优点。该算法经过十多年的发展，已被广大的科学研究人员应用于各种问题的研究，如旅行商问题，二次规划问题，生产调度问题等。但是算法本身性能的评价等算法理论研究方面进展较慢。 Dorigo 提出了精英蚁群模型（EAS），在这一模型中信息素更新按照得到当前最优解的蚂蚁所构造的解来进行，但这样的策略往往使进化变得缓慢，并不能取得较好的效果。次年Dorigo 博士在文献[30]中给出改进模型（ACS），文中 改进了转移概率模型，并且应用了全局搜索与局部搜索策略，来得进行深度搜索。 Stützle 与Hoos给出了最大-最小蚂蚁系统（MAX-MINAS），所谓最大-最小即是为信息素设定上限与下限，设定上限避免搜索陷入局部最优，设定下限鼓励深度搜索。 蚂蚁作为一个生物个体其自身的能力是十分有限的，比如蚂蚁个体是没有视觉的，蚂蚁自身体积又是那么渺小，但是由这些能力有限的蚂蚁组成的蚁群却可以做出超越个体蚂蚁能力的超常行为。蚂蚁没有视觉却可以寻觅食物，蚂蚁体积渺小而蚁群却可以搬运比它们个体大十倍甚至百倍的昆虫。这些都说明蚂蚁群体内部的某种机制使得它们具有了群体智能，可以做到蚂蚁个体无法实现的事情。经过生物学家的长时间观察发现，蚂蚁是通过分泌于空间中的信息素进行信息交流，进而实现群体行为的。 下面简要介绍蚁群通过信息素的交流找到最短路径的简化实例。如图 2-1 所示，AE 之间有 ////////////////////////////////////////////////////////////////////////// // // // // //写一个自己实现的A*搜索算法 ////////////////////////////////////////////////////////////////////////// #include"stdafx.h" #include std::map B5: 全局优化应用 西希安工程模拟软件（上海）有限公司，2010 优化介绍 优化（optimization）的目标是从一组可能的答案中发现问题的最佳解。答案通过使用一个或多个问题变量的实际值目标函数（objective function）进行对比。可能的集合（feasible set ）由约束条件（constraints）决定，约束条件通常是关于问题变量的不等式或方程（组）。数学意义上，目的是发现目标函数的最大值（maximizes）或最小值（minimizes ）、同时满足（ satisfying）约束条件的点，这个点称为极值（extremum）。优化问题定义如下。 的最大值（或最小值 约束条件 , , 和 , 这里， 优化模型由, , 和 的结构分类。如果所有的函数是 x 线性函数，这个模型是一个线性规划（linear program）。如果 是 x 的二次函数，以及 和 是 x 的线性函数，这个模型是一个二次规划（quadratic program）。如果 是一个平方和函数，这个模型是一个非线性规划（least-squares problem）。对于其他任意结构，模型称为非线性回归（NLP）。Maple 9.5中的优化程序包（Optimization）提供了一系列算法分别求解这些类型的问题。 传统上，优化研究集中在局部搜索算法（local）。局部搜索的目的是发现 f(x) 在可行区域内的局部极值。从一个初始点出发，局部搜索算法迭代（iteratively）搜索当前点领域中的一个点，提高目标函数值，同时维持或逼近可行性、使用当前点上关于 , , 和 的迭代信息。理想情况下，搜索会终止于一个可行的局部极值。优化算法的不同决定它们如何衡量逼近可行，以及它们如何搜索。 当在可行区域内有唯一的局部极值时，局部搜索是有效的，这是因为搜索发现的局部解是问题的全局解。如果, 都是凸函数（convex），并且所有的是仿射函数（affine）时，极值是唯一的。 当 在可行区域内有许多局部极值，局部搜索难以完成。在这种情况下，局部极值的发现依赖于起始点，但可能并不是全局解。当任一个, 是非凸函数，或者任一个 是非线性函数时，存在多个局部最小值。非凸性经常存在于现实问题中，可能是求解优化问题最大的障碍。全局优化（Global）是最新的和最成功方法，能够克服这个障碍。 MATLAB实现基于蚁群算法的机器人路径规划 1、问题描述 移动机器人路径规划是机器人学的一个重要研究领域。它要求机器人依据某个或某些优化原则(如最小能量消耗，最短行走路线，最短行走时间等)，在其工作空间中找到一条从起始状态到目标状态的能避开障碍物的最优路径。机器人路径规划问题可以建模为一个有约束的优化问题，都要完成路径规划、定位和避障等任务。 2 算法理论 蚁群算法（Ant Colony Algorithm，ACA），最初是由意大利学者Dorigo M. 博士于1991 年首次提出，其本质是一个复杂的智能系统，且具有较强的鲁棒性，优良的分布式计算机制等优点。该算法经过十多年的发展，已被广大的科学研究人员应用于各种问题的研究，如旅行商问题，二次规划问题，生产调度问题等。但是算法本身性能的评价等算法理论研究方面进展较慢。 Dorigo 提出了精英蚁群模型（EAS），在这一模型中信息素更新按照得到当前最优解的蚂蚁所构造的解来进行，但这样的策略往往使进化变得缓慢，并不能取得较好的效果。次年Dorigo 博士给出改进模型（ACS），文中改进了转移概率模型，并且应用了全局搜索与局部搜索策略，来得进行深度搜索。Stützle 与Hoos给出了最大-最小蚂蚁系统（MAX-MINAS），所谓最大-最小即是为信息素设定上限与下限，设定上限避免搜索陷入局部最优，设定下限鼓励深度搜索。蚂蚁作为一个生物个体其自身的能力是十分有限的，比如蚂蚁个体是没有视觉的，蚂蚁自身体积又是那么渺小，但是由这些能力有限的蚂蚁组成的蚁群却可以做出超越个体蚂蚁能力的超常行为。蚂蚁没有视觉却可以寻觅食物，蚂蚁体积渺小而蚁群却可以搬运比它们个体大十倍甚至百倍的昆虫。这些都说明蚂蚁群体内部的某种机制使得它们具有了群体智能，可以做到蚂蚁个体无法实现的事情。经过生物学家的长时间观察发现，蚂蚁是通过分泌于空间中的信息素进行信息交流，进而实现群体行为的。 下面简要介绍蚁群通过信息素的交流找到最短路径的简化实例。如图2-1 所示，AE 之间有两条路ABCDE 与ABHDE，其中AB，DE，HD，HB 的长度为1，BC，CD 长度为0.5，并且，假设路上信息素浓度为0，且各个蚂蚁行进速度相同，单位时间所走的长度为1，每个单位时间内在走过路径上留下的信息素的量也相同。当t=0时，从A 点，E 点同时各有30 只蚂蚁从该点出发。当t=1，从A 点出发的蚂蚁走到B 点时，由于两条路BH 与BC 上的信息素浓度相同，所以蚂蚁以相同的概率选择BH 与BC，这样就有15 只蚂蚁选择走BH，有15 只蚂蚁选择走BC。同样的从E 点出发的蚂蚁走到D 点，分别有15 只蚂蚁选择DH 和DC。当t=2 时，选择BC 与DC的蚂蚁分别走过了BCD 和DCB，而选择BH 与DH 的蚂蚁都走到了H 点。所有的蚂蚁都在所走过的路上留下了相同浓度的信息素，那么路径BCD 上的信息素的浓度是路径BHD 上信息素浓度的两倍，这样若再次有蚂蚁选择走BC 和BH 时，或选择走DC 与DH 时，都会以较大的概率选择信息素浓度高的一边。这样的过程反复进行下去，最短的路径上走过的蚂蚁较多，留下的信息素也越多，蚁群这样就可以找到一条较短的路。这就是它们群体智能的体现。 蚁群算法就是模拟蚂蚁觅食过程中可以找到最短的路的行为过程设计的一种仿生算法。在用蚁群算法求解组合优化问题时，首先要将组合优化问题表达成与信息素相关的规范形式，然后各个蚂蚁独立地根据局部的信息素进行决策构造解，并根据解的优劣更新周围的信息素，这样的过程反复的进行即可求出组合优化问题的优化解。 归结蚁群算法有如下特点： （1）分布式计算：各个蚂蚁独立地构造解，当有蚂蚁个体构造的解较差时，并不会影响整体的求解结果。这使得算法具有较强的适应性； （2）自组织性：系统学中自组织性就是系统的组织指令是来自系统的内部。同样的蚁 第一章 1.简述高分子化合物的生产过程。 答：(1)原料准备与精制过程; 包括单体、溶剂、去离子水等原料的贮存、洗涤、精制、干燥、调整浓度等过程和设备。(2)催化剂(引发剂)配制过程; 包括聚合用催化剂、引发剂和助剂的制造、溶解、贮存。调整浓度等过程与设备。(3)聚合反应过程；包括聚合和以聚合釜为中心的有关热交换设备及反应物料输送过程与设备.(4)分离过程；包括未反应单体的回收、脱出溶剂、催化剂，脱出低聚物等过程与设备。(5)聚合物后处理过程；包括聚合物的输送、干燥、造粒、均匀化、贮存、包装等过程与设备。(6)回收过程；主要是未反应单体和溶剂的回收与精制过程及设备。 2 简述连续生产和间歇生产工艺的特点 答：间歇生产是聚合物在聚合反应器中分批生产的，经历了进料、反应、出料、清理的操作。优点是反应条件易控制，升温、恒温可精确控制，物料在聚合反应器中停留的时间相同，便于改变工艺条件，所以灵活性大，适于小批量生产，容易改变品种和牌号。缺点是反应器不能充分利用，不适于大规模生产。 连续生产是单体和引发剂或催化剂等连续进入聚合反应器，反应得到的聚合物则连续不断的流出聚合反应器的生产。优点是聚合反应条件稳定，容易实现操作过程的全部自动化、机械化，所得产品质量规格稳定，设备密闭，减少污染。适合大规模生产，因此劳动生产率高，成本较低。缺点是不宜经常改变产品牌号，不便于小批量生产某牌号产品。 3.合成橡胶和合成树脂生产中主要差别是哪两个过程，试比较它们在这两个生产工程上的主要差别是什么？ 答:合成树脂与合成橡胶在生产上的主要差别为分离工程和后处理工程。 分离工程的主要差别：合成树脂的分离通常是加入第二种非溶剂中，沉淀析出；合成橡胶是高粘度溶液，不能加非溶剂分离，一般为将高粘度橡胶溶液喷入沸腾的热水中，以胶粒的形式析出。 后处理工程的主要差别：合成树脂的干燥，主要是气流干燥机沸腾干燥；而合成橡胶易粘结成团，不能用气流干燥或沸腾干燥的方法进行干燥，而采用箱式干燥机或挤压膨胀干燥剂进行干燥。 4. 简述高分子合成工业的三废来源、处理方法以及如何对废旧材料进行回收利用。 答: 高分子合成工业中:废气主要来自气态和易挥发单体和有机溶剂或单体合成过程中使用的气体;污染水质的废水主要来源于聚合物分离和洗涤操作排放的废水和清洗设备产生的废水;废渣主要来源于生产设备中的结垢聚合物和某些副产物.。 对于废气处理，应在生产过程中严格避免设备或操作不善而造成的泄露，并且加强监测仪表的精密度，以便极早察觉逸出废气并采取相应措施，使废气减少到容许浓度之下。对于三废的处理，首先在井陉工厂设计时应当考虑将其消除在生产过程中，不得已时则考虑它的利用，尽可能减少三废的排放量，例如工业上采用先进的不适用溶剂的聚合方法，或采用密闭循环系统。必须进行排放时，应当了解三废中所含各种物质的种类和数量，有针对性地回收利用和处理，最后再排放到综合废水处理场所。 废弃物的回收利用有以下三种途径： 1,、作为材料再生循环利用； 2、作为化学品循环利用； 3、作为能源回收利用 实验十遗传算法与优化问题 一、问题背景与实验目的 遗传算法（Genetic Algorithm—GA），是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型，它是由美国Michigan大学的J.Holland教授于1975年首先提出的．遗传算法作为一种新的全局优化搜索算法，以其简单通用、鲁棒性强、适于并行处理及应用范围广等显着特点，奠定了它作为21世纪关键智能计算之一的地位． 本实验将首先介绍一下遗传算法的基本理论，然后用其解决几个简单的函数最值问题，使读者能够学会利用遗传算法进行初步的优化计算． 1．遗传算法的基本原理 遗传算法的基本思想正是基于模仿生物界遗传学的遗传过程．它把问题的参数用基因代表，把问题的解用染色体代表（在计算机里用二进制码表示），从而得到一个由具有不同染色体的个体组成的群体．这个群体在问题特定的环境里生存竞争，适者有最好的机会生存和产生后代．后代随机化地继承了父代的最好特征，并也在生存环境的控制支配下继续这一过程．群体的染色体都将逐渐适应环境，不断进化，最后收敛到一族最适应环境的类似个体，即得到问题最优的解．值得注意的一点是，现在的遗传算法是受生物进化论学说的启发提出的，这种学说对我们用计算机解决复杂问题很有用，而它本身是否完全正确并不重要（目前生物界对此学说尚有争议）． （1）遗传算法中的生物遗传学概念 由于遗传算法是由进化论和遗传学机理而产生的直接搜索优化方法；故而在这个算法中要用到各种进化和遗传学的概念． 首先给出遗传学概念、遗传算法概念和相应的数学概念三者之间的对应关系．这些概念如下： （2）遗传算法的步骤 遗传算法计算优化的操作过程就如同生物学上生物遗传进化的过程，主要有三个基本操作（或称为算子）：选择（Selection）、交叉（Crossover）、变异（Mutation）． 遗传算法基本步骤主要是：先把问题的解表示成“染色体”，在算法中也就是以二进制 几种典型客户类型及应对技巧 大致可以将客户分为九大类型，根据每种类型的客户选择相应的公关方式如下： 第一类型：理智型客户 特点：这类客户办事情比较理智，有原则，有规律，这类客户不会因为关系的好与坏而选择供应商，更不会因为个人的感情色彩选择对象，这类客户大部分工作比较细心，比较负责任，他们在选择供应商之前都会做适当的心理考核比较，得出理智的选择。 对应方法：对于这样的客户不可以强行公关、送礼、拍马屁等关系公关方式；最好、最有效的方式就是坦诚、直率的交流，不可以夸大其词，要该怎么样就怎么样，把自己的能力、特长、产品的优势劣势等直观的展现给对方。给这类客户承诺的一定要做到，能做到的一定要承诺到，这就是最好的公关方式了。 第二类型：任务型客户 特点：这类客户一般在公司的职务不会是股东级的，他们只是在接受上级给予的任务，而且这个任务也不是自己的工作职责范围之内的，所以这样的客户一般对任务只是抱有完成的比上不足比下有余的效果就可以了，不会有太多的要求，也不会有太多的奢望。 对应方式：对于这类型的客户，要周到的服务，要主动地为客户分析，一定要承诺的斩钉截铁，给对方吃个定心丸。这样的客户不是完全的重点公关对象，因为这样的客户往常是我们的即时性客户，服务完了一笔业务可能以后就没有业务机会和他打交道了。所以在费用和服务上都不能太优惠，拜访这样的客户第一印象特别重要，有了好的第一印象一定要跟进、说服、给与一定的质量、服务、时间上的承诺。 第三类型：贪婪型客户 特点：这类型的客户一般在自身公司的关系比较复杂，做事的目的性比较强，对价格压得比较厉害，对质量和服务也要求比较高，但这类型的客户很容易稳定，只要和对方的关系发展到一定程度就很容易把屋住对方需求。这类客户时常也会主动要求和接受贿诺。 对应方式：对于这样的客户，在关系上要保持心灵沟通，不可大造声势，要给对方有安全感，保密感。另外在质量、价格、服务上都要有一定的保障，这类的客户要主动送礼、主动给回扣。但是对这类客户也不可以完全的满足对方，操作中该给多少回扣就给多少，该加收税收的就一定要加收。一味的满足对方就会导致自己操作很被动，因为对方的贪婪没有止境。 第四类型：主人翁型客户 特点：这类型客户大部分是企业的老板，或者非常正值的员工，这样的客户只在乎追求价格、质量、服务的最佳结合体，尤其价格最为关注，所以对于这样的客户首先要在价格上给与适当的满足，再根据质量回升价格的战略。要让对方感觉你做的东西就是价格最便宜的， 启发式优化算法综述 一、启发式算法简介 1、定义 由于传统的优化算法如最速下降法，线性规划，动态规划，分支定界法，单纯形法，共轭梯度法，拟牛顿法等在求解复杂的大规模优化问题中无法快速有效地寻找到一个合理可靠的解，使得学者们期望探索一种算法:它不依赖问题的数学性能，如连续可微，非凸等特性; 对初始值要求不严格、不敏感，并能够高效处理髙维数多模态的复杂优化问题，在合理时间内寻找到全局最优值或靠近全局最优的值。于是基于实际应用的需求，智能优化算法应运而生。智能优化算法借助自然现象的一些特点，抽象出数学规则来求解优化问题，受大自然的启发，人们从大自然的运行规律中找到了许多解决实际问题的方法。对于那些受大自然的运行规律或者面向具体问题的经验、规则启发出来的方法，人们常常称之为启发式算法（Heuristic Algorithm）。 为什么要引出启发式算法，因为NP问题，一般的经典算法是无法求解，或求解时间过长，我们无法接受。因此，采用一种相对好的求解算法，去尽可能逼近最优解，得到一个相对优解，在很多实际情况中也是可以接受的。启发式算法是一种技术，这种技术使得在可接受的计算成本内去搜寻最好的解，但不一定能保证所得的可行解和最优解，甚至在多数情况下，无法阐述所得解同最优解的近似程度。 启发式算法是和问题求解及搜索相关的，也就是说,启发式算法是为了提高搜索效率才提出的。人在解决问题时所采取的一种根据经验规则进行发现的方法。其特点是在解决问题时,利用过去的经验,选择已经行之有效的方法，而不是系统地、以确定的步骤去寻求答案， 以随机或近似随机方法搜索非线性复杂空间中全局最优解的寻取。启发式解决问题的方法是与算法相对立的。算法是把各种可能性都一一进行尝试，最终能找到问题的答案，但它是在很大的问题空间内，花费大量的时间和精力才能求得答案。启发式方法则是在有限的搜索空间内，大大减少尝试的数量，能迅速地达到问题的解决。 2、发展历史 启发式算法的计算量都比较大，所以启发式算法伴随着计算机技术的发展，才能取得了巨大的成就。纵观启发式算法的历史发展史： 40年代：由于实际需要，提出了启发式算法（快速有效）。 50年代：逐步繁荣，其中贪婪算法和局部搜索等到人们的关注。 60年代: 反思，发现以前提出的启发式算法速度很快，但是解得质量不能保证，而且对大规模的问题仍然无能为力（收敛速度慢）。 70年代：计算复杂性理论的提出，NP问题。许多实际问题不可能在合理的时间范围内找到全局最优解。发现贪婪算法和局部搜索算法速度快，但解不好的原因主要是他们只是在局部的区域内找解，等到的解没有全局最优性。由此必须引入新的搜索机制和策略。 Holland的遗传算法出现了（Genetic Algorithm）再次引发了人们研究启发式算法的兴趣。 80年代以后：模拟退火算法（Simulated Annealing Algorithm），人工神经网络（Artificial Neural Network），禁忌搜索（Tabu Search）相继出现。 最近比较火热的：演化算法（Evolutionary Algorithm）, 蚁群算法（Ant Algorithms），拟人拟物算法，量子算法等。 二、启发式算法类型 做销售送你个实用的寻找客户的方法干货 集团文件发布号：（9816-UATWW-MWUB-WUNN-INNUL-DQQTY- 做销售送你8个实用的寻找客户的方法干货销售人员怎么寻找客户，一直是一个老生常谈的话题。每个人寻找客户的方法不尽相同，各有各的方法，但又会有他们的共性。寻找客户，是一个销售人最基本的功底，有客户，才有市场。如何找到自己满意的客户，如何判断这个客户是否能够成为你的潜在客户。那么，就跟销售解密一起来学习，销售人员寻找客户的方法有哪些呢? 第一种：老客户带新客户法 众所周知，老客户带新客户，是销售人用的比较多的一种方法，也是比较成交的一种方法。 这种寻找客户的销售技巧经常用在房地产销售和汽车销售上，因为这些销售额度相对比较大，客户的风险意识比较强，如果是老客户介绍，新客户的信任度会较高，免去了前期争取客户信任的麻烦。 要提高老客户提供新客户的积极性，很多销售组织都采取给老客户一定奖励的方法。可以做个最简单的试想，如果是我跟你一起在这里买车买房，是否你会觉得更有安全感呢? 第二种：广撒网法（新人优选） 何谓广泛撒网法，就是你刚开始接手这个行业的时候，对于你的客户定位还不是很熟悉，亦或为了打开市场，而采取的一种方法。一般的做法是，陌拜跟电销。 就是你利用公司的资源，或者是用云客宝、寻客搜索软件来查找企业黄页、企业电话。因为这里面有他们的姓名、电话、地址等，这样做陌拜跟电销你们也有针对性，是金融、保险、投资等比较有效的一种方法。 例如：推销员借助互联网的强大搜索引擎如：Google、Baidu、Yahoo、Sohu等，可以搜寻到大量的准顾客。 通过Internet推销人员可以获得以下信息： 1、准顾客的基本联系方式，不过你往往不知道那个部门的负责人，这需要电话销售配合。 2．准顾客公司的介绍，可以了解公司目前的规模和实力。 3．准顾客公司的产品，可以了解产品的技术参数、应用的技术等。4．一些行业的专业网站会提供在该行业的企业名录。一般会按照区域进行划分，也会提供一些比较详细的信息，例如：慧聪国际、阿里巴巴这些网站往往会由于进行行业的分析研究而提供比较多的信息。 第三种：连锁介绍法 连锁介绍法又称为客户引荐法或无限连锁法，是最有效的寻找顾客的方法之一，被称为黄金客户开发法。 该方法遵循的是“连锁反应”原则，即犹如化学上的“连锁反应”，第一次有10个客户，经过老客户介绍，就成了20+，依次30+……这种方法要求：推销人员设法从自己的每一次推销面谈中，了解到其他更多的新客户的名单，为下一次推销拜访做准备。 通过客户介绍获取潜在客户信息，介绍内容一般为提供名单及简单情况，介绍方法有口头介绍、写信介绍、电话介绍、名片介绍等。 因此，了解和掌握每一个客户的背景情况会随时给你带来新的推销机会。运用这种方法可以不断地向纵深发展，使自己的客户群越来越大。此法的关键，是推销人员能否赢得现有客户的信赖。 机器人的路径规划---蚁群算法 1.蚁群算法 众所周知，蚁群算法是优化领域中新出现并逐渐引起重视的一种仿生进化算法它是群体智能的典型实现，是一种基于种群寻优的启发式搜索算法。自从M．Dorigo等意大利学者在1991年首先提出蚁群算法(Ant Colony System，ACS)以来，这种新型的分布式智能模拟算法已逐渐引起人们的注意并得到广泛的使用。 蚁群算法的特点主要表现在以下五个方面： (1)蚂蚁群体行为表现出正反馈过程。蚁群在寻优的过程中会释放一定量的信息素，蚁群的规模越大，释放的信息素的量也就越大，而寻优路径上存在的信息素浓度越高，就会吸引更多的蚂蚁，形成一种正反馈机制，然后通过反馈机制的调整，可对系统中的较优解起到一个自增强的作用，从而使问题的解向着全局最优的方向演变，最终能有效地获得全局相对较优解。 (2)蚁群算法是一种本质并行的算法。个体之间不断进行信息交流和传递．有利于最优解的发现，并在很大程度上减少了陷于局部最优的可能。 (3)蚁群算法易于和其他方法结合。蚁族算法通过和其他算法的结合，能够扬长避短，提高算法的性能。 (4) 蚁群算法提供的解具有全局性的特点。一群算法是一种群只能算法，每只蚂蚁巡游的过程相对独立，他们会在自己的活动空间进行搜索，蚂蚁在寻优过程中通过释放信息素，相互影响，互相通信，保证了解的全局性。 (5) 蚁群算法具有鲁棒性。蚁族算法的数学模型易于理解，可以广泛使用在很多复杂的优化问题中，蚁族算法区别于传统优化算法的一个特点在于该算法不依赖于初始点的选择，受初始点的影响相对较小，并且在整个算法过程中会自适应的调整寻优路径。 由此可见，在机器人寻找最优路径的过程中，采用蚁群算法实现路径的规划问题，可以高效，准确的找到最优的路径。 2.移动机器人的路径规划 2.1环境信息处理 假设机器人运行环境为边长分别为x和Y的矩形区域，在矩形区域内分布有n ——第6届全国青年管理科学与系统科学学术会议论文集 2001年·大连 437 物流系统优化中的定位—运输路线安排问题 （ＬＲＰ）研究评述* 林岩 胡祥培** （大连理工大学系统工程研究所, 116023） 摘要 本文概述了物流优化问题中的定位—运输路线安排问题 （Location-Routing Problems, LRP ）的发展历程，并对LRP 的分类和解决方 法加以评述，最后就这一问题的发展方向进行简单地探讨。 关键词 LRP 物流 系统优化 运筹学 1 引言 新技术的迅速发展，特别是电子商务的风起云涌，为我国经济的快速发展提供了契机。目前我国电子商务得到政府和民众的支持，发展势头强劲，但是，由于它是一套全新的技术，同时还是一种全新的管理理念，所以其发展过程中必然存在一些难题。在电子商务“三流”（信息流、物流、资金流）中，随着网络基础设施建设的成熟、电子商务网站的蓬勃发展以及有效利用网络资源观念的普及，信息流的发展已经比较成熟了；而随着各大银行纷纷开展网上业务，以及支付网关的建立和加密技术的成熟，网上支付已经在许多网站上成为现实；然而，我国传统的物流体系是在计划经济环境下建立、发展起来的，与目前的电子商务环境已经无法相容。现今物流体系的落后现状已经成为我国社会经济快速发展的重要制约因素之 一。所以对物流系统优化的研究将会具有很大的现实意义。 国外许多学者在电子商务出现之前就已经研究物流系统优化的问题了，为各类实际问题构建了优化模型，并形成了许多解决问题的算法。依据实际问题的不同，可以对物流系统优化问题进行分类，比如，运输车辆路线安排问题（VRP ）、定位—配给问题（LA ）、定位—运输路线安排问题（LRP ）等等，其中LRP 更贴近目前的物流系统复杂的实际特征，所以对它的研究是十分有意义的。 本文先从VRP 和LA 的集成来探讨LRP 的由来，然后讨论LRP 的分类，同时探讨LRP 的研究现状，并对LRP 的解决方法进行概述，最后就LRP 的未来发展方向作简要的讨论。 2 从VRP 、LA 到LRP ——物流系统的集成 依据实际问题的不同，可以对物流系统优化问题进行分类，比如确定设施（指的是物品流动的出发点和终到点，如配送中心、仓库、生产工厂、垃圾回收中心等）位置、运输路线 * 国家自然科学基金重点项目(70031020) ** 林岩, 硕士研究生, 1972年出生, 主要研究方向: 电子商务, 信息系统工程。 胡祥培, 1962年出生, 教授,博导, 主要研究方向: 电子商务, 智能运筹学, 信息系统集成。 九种寻找客户的方法 一、普遍寻找法 这种方法也称逐户寻找法或者地毯式寻找法。其方法的要点是，在业务员特定的市场区域范围内，针对特定的群体，用上门、邮件或者电话、电子邮件等方式对该范围内的组织、家庭或者个人无遗漏地进行寻找与确认的方法。比如，将某市某个居民新村的所有家庭作为普遍寻找对象，将上海地区所有的宾馆、饭店作为地毯式寻找对象等。 普遍寻找法有以下的优势： 1 、地毯式的铺开不会遗漏任何有价值的客户； 2 、寻找过程中接触面广、信息量大、各种意见和需求、客户反应都可能收集到，是分析市场的一种方法； 3 、让更多的人了解到自己的企业。 当然其缺点也是很明显的： 1 、成本高、费时费力； 2 、容易导致客户的抵触情绪。 因此，如果活动可能会对客户的工作、生活造成不良的干扰，定要谨慎进行。 普遍寻找法可以采用业务员亲自上门、邮件发送、电话、与其他促销活动结合进行的方式展开。 二、广告寻找法 这种方法的基本步骤是：（1）向目标顾客群发送广告；（2）吸引顾客上门展开业务活动或者接受反馈。例如，通过媒体发送某个减肥器具的广告，介绍其功能、购买方式、地点、代理和经销办法等，然后在目标区域展开活动。 1 、传播信息速度快、覆盖面广、重复性好； 2 、相对普遍寻找法更加省时省力； 其缺点是需要支付广告费用、针对性和及时反馈性不强。 三、介绍寻找法 这种方法是业务员通过他人的直接介绍或者提供的信息进行顾客寻找，可以通过业务员的熟人、朋友等社会关系，也可以通过企业的合作伙伴、客户等由他们进行介绍，主要方式有电话介绍、口头介绍、信函介绍、名片介绍、口碑效应等。 利用这个方法的关键是业务员必须注意培养和积累各种关系，为现有客户提供的满意的服务和可能的帮助，并且要虚心地请求他人的帮助。口碑好、业务印象好、乐于助人、与客户关系好、被人信任的业务员一般都能取得有效的突破。 介绍寻找客户法由于有他人的介绍或者成功案例和依据，成功的可能性非常大，同时也可以降低销售费用，减小成交障碍，因此业务员要重视和珍惜。 四、资料查阅寻找法 我们一直认为，业务员要有强的信息处理能力，通过资料查阅寻找客户既能保证一定的可靠性，也减小工作量、提高工作效率，同时寻找客户途径的方法
九大寻找客户的方法(20200627093505)
聚合方法 作业 答案李兰艳
销售员如何寻找有效客户的种方法
matlab 蚁群算法 机器人路径优化问题
A 寻路算法模拟实现 C++ 可运行
Maple全局优化应用
基于蚁群算法的路径规划
聚合物合成工艺学思考题及其答案
遗传算法及优化问题重要有代码
几种典型客户类型及应对技巧
启发式优化算法综述
做销售送你个实用的寻找客户的方法干货
蚁群算法最优路径
物流系统优化——定位——运输路线安排问题LRP研究评述
九种寻找客户的方法