基于改进RBF神经网络物流配送中心选址决策.docVIP

基于改进RBF神经网络物流配送中心选址决策摘要：文章从物流规划项目的要求出发，提出了改进的RBF神经网络学习算法，并通过数学推导阐明了这种改进算法的基本原理，较客观地对多个选址方案的优劣进行评价。 关键词：选址；RBF；配送中心 一、引言 物流配送中心选址是否合理与投资或运营该物流配送中心的企业能否取得最大利益有直接关系。对于物流配送中心选址的研究，随着环境的变化，人们又陆续提出了一些新的决策方法，但这些方法都有各自的缺点，而利用RBF神经网络的方法可以很好地解决上述方法的缺点。 二、RBF神经网络评价模型 RBF神经网络具有高度的非线性作用、良好的容错性及定性推理更具智能化的求解模型，从而利用RBF神经网络的自适应、自学习功能，通过对评价指标及评价结果的不断学习，能够收到很好的效果。 RBF神经网络由三层组成，其输入层节点只是传递输入信号到隐含层，隐含层节点（也称RBF节点）由像高斯基函数那样的辐射状作用函数构成，而输出层节点通常是简单的线性函数。RBF神经网络从输入到输出的映射为： f（x）=■wi??（x，ci）{1} 其中x=（x1，x2，…，xn）T∈Rn为输入向量，w=（w1，w2，…，wn）T∈Rm为权值矩阵，f（x）为输出矢量，??（x，ci）为径向基函数，ci为径向基函数的第i个聚类中心。 现有针对RBF神经网络的各种训练算法都是采用所谓的离线方式，即网络的训练过程在时间上被分成几个独立的阶段，RBF神经网络的离线训练方式无法有效处理反映对象特性改变的样本数据，所以本文采用在线训练方式。将分组优化策略引入到RBF神经网络的在线训练方式中，并注意到，网络输出对网络权值是一种线性关系，而仅对隐单元“中心”和“宽度”成非线性关系，这意味着可以对两部分参数分别采用不同的优化方法进行处理将更加合适。 基于上面的分析，可以得到改进的RBF神经网络在线训练算法。对网络各隐单元“中心”和“宽度”采用梯度下降法进行调整，而对最后输出层的权值采用递推最小二乘法。 设ｙ＾i为网络的第i个输出，ｙ＾=■wjihj，wji表示第j个隐单元与第i个输出单元之间的连接权值，hj表示第j个隐单元的输出，hj=exp（-■）；Cj和σ表示第j个隐单元的中心矢量和宽度。 选取神经网络训练的目标函数为： J=■■（yi-ｙ＾i）2=■■[yi-■wji exp（-■）]2{2} 网络各隐单元“中心”和“宽度”采用梯度下降法进行调整，为此，要给出目标函数J对隐单元“中心”矢量的各个分量和“宽度”的偏导数： 对“中心”： ■=-2■■(yi-ｙ＾i)wti{3} 对“宽度”： ■=-■hi■（yi-ｙ＾i）wti{4} 对输出层权值： W（k）=W（k-1）+W（k）[y（k）-HT（k）W（k-1）]{5} K（k）=P（k-1）H（k）[Ht（k）P（k-1）H（k）+μ-1]-1{6} P（k）=λ-1[I-K（k）HT（k）]P（k-1）{7} 其中，μ＝λ＝1，I为单位矩阵。 三、应用RBF神经网络进行配送中心选址决策分析 （一）建立评价指标体系 在物流配送中心选址的过程中不可避免地要涉及社会、经济人文甚至政治因素。因而为综合考虑上述各种影响因素建立评价指标体系并对其划分层次，项目规划方案综合评价的指标体系一般可分为三个层次：总体评价层、评价因素层和评价指标层。 假设某配送中心选址主要考虑十个因素：税收政策、地质条件、水文条件、交通运输、土地资源、物流人才、经营环境、通讯条件、道路设施和可持续发展。 （二）确定权重向量 综合专家对各项评价因素相对重要性的判断，对指标体系用层次分析法，引用常用的1-9的标度准则对各指标分别建立评价因素层对总体评价层的判断矩阵和评价指标层各指标对应评价因素的判断矩阵。 （三）构造模糊矩阵 模糊评价矩阵反映从评价因素到评价尺度之间的模糊评价关系，这种评价是一种模糊影射，它可以通过专家投票等方式获得。搜集已有的正在运营的配送中心和预选方案因素及其指标的详细历史数据资料，这些数据资料要尽可能的多，这样更有利于我们对网络的充分训练，得到的结果更接近。 本文根据确定的十个指标，搜集了已有的十五个配送中心的选址数据资料，得到这些配送中心的选址模糊评价矩阵，同时选取五个方案作为备选方案。 将十五组数据ak[1,2,3...10]，其中k=1，2，3….15分别作为输入，其专家值作为输出进行训练，可以得到与专家值非常接近的训练结果，故可以用这个改进的RBF神经网络训练备选方案，选出一组最大的输出训练结果，从而得到最优方案。