应用聚类分析实现物流配送网络优化.docVIP

应用聚类分析实现物流配送网络优化 　　[摘 要] 研究了物流配送网络的优化问题，通过对配送货物采用聚类预处理，增加了系统处理实际问题的规模，提高了配送网络的优化性能。测试结果表明该方法有效地降低了配送的成本，提高了效率。 　　[关键词] 物流 配送网络 聚类分析 　　 　　一、引言 　　配送是物流系统中一个直接与消费者相连的重要环节，优化配送网络，进行合理的物流配送是实现运输规模经济、节省运输费用的重要手段。物流配送网络实际上由多个不同的网络组成，每个网络都服务于特定的目标，但每个网路又不是孤立进行运作的。确切地说，在不同的运输网络之间存在极大的重叠和冗余。因此通过配送网络的优化，消除这些冗余是降低配送成本的有效手段。聚类分析又称群分析，它是研究(样品或指标)分类问题的一种统计分析方法。采用聚类分析的方法，可极大地提高优化的性能，增加所处理业务的规模。 　　二、聚类基本理论 　　“物以类聚，人以群分”，在自然科学和社会科学中，存在着大量的分类问题。所谓类，通俗地说，就是指相似元素的集合。聚类分析起源于分类学，随着人类科学技术的发展，对分类的要求越来越高，仅凭经验和专业知识难以确切地进行分类，于是数学工具逐渐地被引用到了分类学中，形成了数值分类学，之后又将多元分析的技术引入到数值分类学形成了聚类分析。 　　假设一个要进行聚类分析的数据集包括n个对象，这些对象可以是人、房屋、货物等。基于内存的聚类算法通常都采用差异矩阵[1]的数据结构。 　　差异矩阵是一个对象-对象结构。它存放所有n个对象彼此之间所形成的差异。它一般采用n×n矩阵表示，如式(1)所示。 　　 　　 　　 　　 　　其中，d(i, j)表示对象i和对象j之间的差异(或不相似性程度)。通常d(i, j)为一个非负数，当对象i和对象j非常相似或彼此“接近”时，该值接近0，该数值越大，就表示对象i和对象j越不相似。由于有d(i,j) = d(j,i)且d(i, i) = 0，因此就有式（1)所示的矩阵。 　　所采用的测量单位可能会对聚类分析产生影响。例如：将测量单位(对于高度属性)从英尺变为米，或(对于重量属性)从英磅变为千克，都会导致不同的聚类结果。通常采用一个较小的单位表示一个属性会使得属性的取值范围变大，因此对聚类结构就有较大的影响。为帮助避免对属性测量单位的依赖，就需对数据进行标准化。所谓标准化测量就是给所有属性相同的权值。这一做法在没有任何背景知识的情况下是非常有用的。而在一些应用中，用户会有意识地赋予某些属性更大权值以突出其重要性。例如:在对货物进行聚类分析时，可能就会给时间属性赋予更大的权值。 　　为了实现标准化测量，一种方法就是将初始侧量值转换为单位变量。给定一个属性(变量)f，可以利用以下计算公式对其进行标准化： 　　(1)计算绝对偏差均值S 　　 　　其中，x1f，x2f，…… xnf是变量f的n个测量值，mf为变量f的均值，也就是 　　 　　(2)计算标准化测量(Z -分值） 　　 　　其中，绝对偏差均值sf要比标准差σf更为鲁棒(对含有噪声数据而言)。在计算绝对偏差均值时，对均值的偏差|xnf-mf|没有进行平方运算，因此异常数据作用被降低。 　　一种有效的聚类分析计算方法是基于密度的算法(Density-based Methods），它与其它方法的一个根本区别是:它基于密度而非基于各种各样的距离。这样就能克服基于距离的算法只能发现“类圆形”聚类的缺点。这个方法的指导思想就是:只要一个区域中点的密度大过某个阈值，就把它加到与之相近的聚类中去。代表算法有:OBSCAN算法、OPTICS算法、OENCLUE算法等。 　　三、配送网络的优化 　　配送网络的底层结构由下述五个主要元素构成: 　　1.Facility(设施) 　　配送网络中的站点(一般是物理的)。在网络中，站点代表了货物集中或分发的地点。例如，在邮政配送网中，它们可以是加工及分发站，调度中心，航空邮件中心和散件中心。 　　2.Delivery(一次投递的货物) 　　Facility之间配送的项目。在网络中，Delivery代表了在特定时间窗(即，从货物准备好到要求送达目的站之间的时间段)之内、从起点到终点、有一定体积和重量、要运送的货物。不同类型的Delivery可能代表了，从起点到终点、有不同的服务标准的货物(例如，从北京到上海的特快专递)。 　　Delivery按是否可分开配送可以分成可分Delivery和不可分Delivery。可分的Delivery是可以被分成不同部分进行配送的。相反，不可分Delivery不能分成不同部分进行配送。 　　3.Batch(班次) 　　配送网络中时间固定，经过的站点固定的运送货物的路线。