本节通过对博士论文、硕士论文和报刊文章相关数据库进行检索分析，筛选出关于逆向物流方面的部分研究选题（如表12-2），据之可以看到逆向物流方面的理论前沿与研究现状。这些选题可供学生进行学年论文、毕业论文或参加有关创新创业大赛时参考借鉴。

表12-2

续表

续表

续表

续表

关于上表中所提到的部分概念与术语现分别解释如下。

（1）DEA：数据包络分析（Data Envelopment Analysis，DEA），数据包络分析（DEA）与博弈论之间关系密切。DEA是一种评价多投入多产出决策单元间（DMU）相对效率的数学规划方法。(www.daowen.com)

（2）遗传算法：遗传算法（Genetic Algorithm）是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。遗传算法是从代表问题可能潜在的解集的一个种群（population）开始的，而一个种群则由经过基因（gene）编码的一定数目的个体（individual）组成。每个个体实际上是染色体（chromosome）带有特征的实体。染色体作为遗传物质的主要载体，即多个基因的集合，其内部表现（即基因型）是某种基因组合，它决定了个体的形状的外部表现，如黑头发的特征是由染色体中控制这一特征的某种基因组合决定的。因此，在一开始需要实现从表现型到基因型的映射即编码工作。仿照基因编码的工作很复杂，往往进行简化，如二进制编码，初代种群产生之后，按照适者生存和优胜劣汰的原理，逐代（generation）演化产生出越来越好的近似解，在每一代，根据问题域中个体的适应度（fitness）大小选择（selection）个体，并借助于自然遗传学的遗传算子（genetic operators）进行组合交叉（crossover）和变异（mutation），产生出代表新的解集的种群。这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境，末代种群中的最优个体经过解码（decoding），可以作为问题近似最优解。

（3）启发式算法：启发式算法（Heuristic Algorithm）是相对于最优化算法提出的。一个问题的最优算法求得该问题每个实例的最优解。启发式算法可定义：一个基于直观或经验构造的算法，在可接受的花费（指计算时间和空间）下给出待解决组合优化问题每一个实例的一个可行解，该可行解与最优解的偏离程度一般不能被预计。

（4）粒子群优化算法：粒子群优化算法（Particle Swarm Optimization，PSO）又翻译为粒子群算法、微粒群算法、或微粒群优化算法。是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法。通常认为它是群集智能（Swarm Intelligence，SI）的一种。它可以被纳入多主体优化系统（Multiagent Optimization System，MAOS），粒子群优化算法是由Eberhart博士和Kennedy博士发明。

（5）GI-TOPSIS方法：GI即“灰色关联”　（Grey Incidence）；TOPSIS即“逼近理想解排序法”　（Technique for Order Preference by Similarity to an Ideal Solution）。

（6）鲁棒优化：数学规划的经典范例是在输入数据准确知道并且等于某些标称值的假设条件下建立模型，并利用已有的数学规划求解方法得到最优解。这种方法没有考虑数据不确定性的影响。因此，当数据的取值不同于标称值时，一些约束可能不满足，原来得到的最优解可能不再最优甚至变得不可行。因此，需要找到一种优化方法使得优化解免受数据不确定性的影响，这种方法就是鲁棒优化方法。

鲁棒优化的目的是求得这样一个解，对于可能出现的所有情况，约束条件均满足，并且使得最坏情况下的目标函数的函数值最优。其核心思想是将原始问题以一定的近似程度转化为一个具有多项式计算复杂度的凸优化问题。鲁棒优化的关键是建立相应的鲁棒对等模型。然后利用相关的优化理论将其转化为可求解的“近似”鲁棒对等问题，并给出鲁棒最优解。