本文關(guān)鍵詞：基于聚類算法的快遞服務(wù)網(wǎng)點布局研究

  更多相關(guān)文章： k-means聚類算法 蟻群算法 選址模型

【摘要】：現(xiàn)代物流的商品供應(yīng)或者物流服務(wù)應(yīng)該更多的是面向人、面向服務(wù)的,并且呈現(xiàn)多樣化的服務(wù)需求,物流配送中心作為現(xiàn)代物流的標志,合理的布局可以有效的減少不必要的運輸費用和降低物品流通的環(huán)節(jié),同時有助于企業(yè)提高生產(chǎn)的效益,減少庫存,提高單位時間內(nèi)企業(yè)庫存貨物的更迭量。物流配送中心的貨物大概會經(jīng)歷以下幾個階段,分別為:接送貨、搬運、存儲、分撥等操作流程,但是這些流程的實施是建立在快遞網(wǎng)點基礎(chǔ)上的,所以如果在能夠不增加成本的前提下,通過選擇合理的服務(wù)網(wǎng)點布局方案,以期對快遞公司的整個配送作業(yè)效率產(chǎn)生積極的影響。在這種情況下,本文以選址模型作為出發(fā)點,結(jié)合用戶的潛在趨勢分布,提出一種基于k-means聚類算法的用戶購買潛在意向的選址模型,并對其進行求解得出最佳快遞網(wǎng)點選址布局策略。本文從理論分析的角度出發(fā),在基于點需求的多目標選址模型中,將k-means聚類算法、蟻群算法應(yīng)用到網(wǎng)點布局選址中,同時為了更好的使用本文的特定案例模型,對k-means聚類和蟻群算法進行了如下改進:(1)在k-means算法中的每次聚類迭代過程之間,定義一個均衡值,這個均衡值就是衡量各個工作區(qū)域任務(wù)量是否均衡的指標,保證最終的聚類簇是均勻的分布在各個中心點坐標附近;(2)改進的蟻群算法主要通過降低路徑選擇計算量、降低路徑選擇計算次數(shù)和利用平衡二叉樹優(yōu)化蟻群尋徑等三種方式來優(yōu)化在處理大規(guī)模的數(shù)據(jù)中,經(jīng)典算法較低的執(zhí)行效率,并且也避免了在尋路過程中陷入局部最優(yōu)解的問題。其中改進的kmeans算法雖然在效率上和經(jīng)典k-means算法相比,有小幅的降低,但是它卻規(guī)避了經(jīng)典k-means算法可能在各個聚類簇內(nèi)部點集的分布不均衡問題,并在UCI數(shù)據(jù)集上進行了算法仿真實驗和分析,以此驗證算法的性能和聚類效果。除此之外,本文還通過深入的分析車輛調(diào)度模型,總結(jié)出影響車輛調(diào)度效率的影響因子。同時對于蟻群算法,采用TSPLIB數(shù)據(jù)庫作為仿真的算法數(shù)據(jù)源,從算法的最優(yōu)解、平均解、命中最優(yōu)次數(shù)、平均時間和最優(yōu)進化曲線等幾個方面仿真了改進的蟻群算法和經(jīng)典蟻群算法,通過對它們的比較,證明改進的算法在以上幾個方面都有明顯的提升,尤其對于規(guī)模較大的數(shù)據(jù)輸入,改進的蟻群算法具有較好的時間復雜度;同時改進的蟻群算法可以很好的規(guī)避局部解的最優(yōu)。最后通過對引入約束、權(quán)值、擴展瓶頸、動態(tài)需求滿意度和適應(yīng)性等方案指標比較了交叉中值模型、最大覆蓋模型和離散點覆蓋啟發(fā)式選址模型三種選址模型的優(yōu)缺點,得出離散點覆蓋啟發(fā)式選址模型在滿足用戶動態(tài)需求、可擴展性等方面具有較好的表現(xiàn)。結(jié)合以上改進的k-means聚類和蟻群算法,應(yīng)用它們到快遞的網(wǎng)點布局模型中,模擬仿真了成都市區(qū)的網(wǎng)點需求區(qū)域。把區(qū)域內(nèi)的模擬網(wǎng)點坐標作為聚類的輸入數(shù)據(jù)樣本,分析出用戶購買的“群居”特性,為接下來的選址提供理論依據(jù)。然后通過對用戶的聚類,分析出用戶的“群居”特性,然后劃分出初步布局區(qū)域。之后采用離散點覆蓋啟發(fā)式選址模型來確定最終的選址方案,并給出每個選址中心點的服務(wù)輻射范圍以及在各個服務(wù)區(qū)域內(nèi)的最佳配送路徑。本文通過對快遞模型的分析、優(yōu)化、仿真以及對仿真結(jié)果的分析可知,合理的網(wǎng)點布局策略在能夠不增加成本投入的情況下,在物流配送的過程中,對提高物流配送系統(tǒng)的作業(yè)效率有明顯的提升,這對現(xiàn)代物流的發(fā)展和物流行業(yè)服務(wù)質(zhì)量都會起到一定的積極作用和影響。
【關(guān)鍵詞】：k-means聚類算法 蟻群算法 選址模型
【學位授予單位】：成都理工大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP311.13;F724.6;F259.2
【目錄】：

• 摘要4-6
• Abstract6-11
• 第1章 導論11-19
• 1.1 研究背景11-13
• 1.2 國內(nèi)外網(wǎng)點布局相關(guān)研究綜述13-15
• 1.3 研究內(nèi)容和技術(shù)路線15-17
• 1.3.1 研究內(nèi)容15-16
• 1.3.2 技術(shù)路線16-17
• 1.4 本文結(jié)構(gòu)以及創(chuàng)新點17-19
• 1.4.1 本文結(jié)構(gòu)17
• 1.4.2 本文創(chuàng)新點17-19
• 第2章 k-means聚類算法分析及其改進19-31
• 2.1 經(jīng)典聚類分析19-23
• 2.1.1 類的定義19
• 2.1.2 類的數(shù)據(jù)結(jié)構(gòu)19-20
• 2.1.3 類的相似性測度20-23
• 2.2 經(jīng)典k-means聚類算法23-28
• 2.2.1 k-means算法中參數(shù)的確定25-27
• 2.2.2 算法停止條件27
• 2.2.3 空聚類的處理27-28
• 2.3 改進的帶有類內(nèi)點數(shù)量均衡的k-means聚類算法28-29
• 2.3.1 經(jīng)典k-means算法的缺陷28
• 2.3.2 k-means算法改進28-29
• 2.4 實驗結(jié)果與分析29-31
• 第3章 車輛調(diào)度問題和啟發(fā)式算法研究31-42
• 3.1 經(jīng)典車輛調(diào)度線路問題31-34
• 3.1.1 VRP問題31-33
• 3.1.2 TSP問題33
• 3.1.3 VRPTW問題33-34
• 3.2 車輛調(diào)度問題的決策因子34-35
• 3.3 “多段式”動態(tài)車輛調(diào)度策略35-36
• 3.4 蟻群算法36-40
• 3.4.1 蟻群算法的基本模型36-39
• 3.4.2 改進的蟻群算法39-40
• 3.5 實驗結(jié)果與分析40-42
• 第4章 快遞服務(wù)網(wǎng)點選址方案研究42-71
• 4.2 快遞網(wǎng)絡(luò)基礎(chǔ)結(jié)構(gòu)模式42-46
• 4.2.1 快遞網(wǎng)絡(luò)的運輸節(jié)點42-43
• 4.2.2 快遞運輸網(wǎng)絡(luò)結(jié)構(gòu)圖43-45
• 4.2.3 我國快遞集運網(wǎng)絡(luò)的結(jié)構(gòu)圖45-46
• 4.3 物流節(jié)點選址需求預測中常用方法及其比較46-57
• 4.3.1 重心法46-50
• 4.3.2 類“運輸問題”方案50-52
• 4.3.3 CFLP法52-54
• 4.3.4 鮑莫爾——沃爾夫方法54-57
• 4.4 城市物流樞紐配送選址模型比較57-62
• 4.4.1 連續(xù)點選址模型——交叉中值模型57-59
• 4.4.2 離散點選址模型——覆蓋模型59-60
• 4.4.3 最大覆蓋模型60-62
• 4.5 離散點覆蓋啟發(fā)式選址方案62-63
• 4.6 算例分析63-70
• 4.6.1 交叉中值法63-67
• 4.6.2 最大覆蓋模型67-68
• 4.6.3 離散點覆蓋啟發(fā)式選址模型68-70
• 4.7 三類選址方案對比分析70-71
• 第5章 實例應(yīng)用—某快遞公司服務(wù)網(wǎng)點布局綜合解決方案71-78
• 5.1 背景介紹71-72
• 5.2 定義相關(guān)變量72-73
• 5.3 用戶聚類和用戶分區(qū)規(guī)劃73-74
• 5.4 離散點覆蓋啟發(fā)式選址方案74-76
• 5.5 車輛的配置行駛路線76-78
• 結(jié)論78-80
• 致謝80-81
• 參考文獻81-86
• 攻讀學位期間取得學術(shù)成果86

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前8條

1 Arthur A.Shaw;N.P.Gopalan;;Finding frequent trajectories by clustering and sequential pattern mining[J];Journal of Traffic and Transportation Engineering(English Edition);2014年06期

2 馮文成;曲思源;;基于集對-熵權(quán)分析的鐵路樞紐物流中心站選址的研究[J];鐵道經(jīng)濟研究;2013年Z1期

3 ;Wear State Recognition of Drills Based on K-means Cluster and Radial Basis Function Neural Network[J];International Journal of Automation & Computing;2010年03期

4 ;A DISTRIBUTED QOS ROUTING BASED ON ANT ALGORITHM FOR LEO SATELLITE NETWORK[J];Journal of Electronics(China);2007年06期

5 ;Selections of data preprocessing methods and similarity metrics for gene cluster analysis[J];Progress in Natural Science;2006年06期

6 楊杰,牛r，

本文編號：1043367