基于聚类算法的快递服务网点布局研究

发布时间：2017-10-16 15:11

  本文关键词：基于聚类算法的快递服务网点布局研究

  更多相关文章： k-means聚类算法 蚁群算法 选址模型

【摘要】：现代物流的商品供应或者物流服务应该更多的是面向人、面向服务的,并且呈现多样化的服务需求,物流配送中心作为现代物流的标志,合理的布局可以有效的减少不必要的运输费用和降低物品流通的环节,同时有助于企业提高生产的效益,减少库存,提高单位时间内企业库存货物的更迭量。物流配送中心的货物大概会经历以下几个阶段,分别为:接送货、搬运、存储、分拨等操作流程,但是这些流程的实施是建立在快递网点基础上的,所以如果在能够不增加成本的前提下,通过选择合理的服务网点布局方案,以期对快递公司的整个配送作业效率产生积极的影响。在这种情况下,本文以选址模型作为出发点,结合用户的潜在趋势分布,提出一种基于k-means聚类算法的用户购买潜在意向的选址模型,并对其进行求解得出最佳快递网点选址布局策略。本文从理论分析的角度出发,在基于点需求的多目标选址模型中,将k-means聚类算法、蚁群算法应用到网点布局选址中,同时为了更好的使用本文的特定案例模型,对k-means聚类和蚁群算法进行了如下改进:(1)在k-means算法中的每次聚类迭代过程之间,定义一个均衡值,这个均衡值就是衡量各个工作区域任务量是否均衡的指标,保证最终的聚类簇是均匀的分布在各个中心点坐标附近;(2)改进的蚁群算法主要通过降低路径选择计算量、降低路径选择计算次数和利用平衡二叉树优化蚁群寻径等三种方式来优化在处理大规模的数据中,经典算法较低的执行效率,并且也避免了在寻路过程中陷入局部最优解的问题。其中改进的kmeans算法虽然在效率上和经典k-means算法相比,有小幅的降低,但是它却规避了经典k-means算法可能在各个聚类簇内部点集的分布不均衡问题,并在UCI数据集上进行了算法仿真实验和分析,以此验证算法的性能和聚类效果。除此之外,本文还通过深入的分析车辆调度模型,总结出影响车辆调度效率的影响因子。同时对于蚁群算法,采用TSPLIB数据库作为仿真的算法数据源,从算法的最优解、平均解、命中最优次数、平均时间和最优进化曲线等几个方面仿真了改进的蚁群算法和经典蚁群算法,通过对它们的比较,证明改进的算法在以上几个方面都有明显的提升,尤其对于规模较大的数据输入,改进的蚁群算法具有较好的时间复杂度;同时改进的蚁群算法可以很好的规避局部解的最优。最后通过对引入约束、权值、扩展瓶颈、动态需求满意度和适应性等方案指标比较了交叉中值模型、最大覆盖模型和离散点覆盖启发式选址模型三种选址模型的优缺点,得出离散点覆盖启发式选址模型在满足用户动态需求、可扩展性等方面具有较好的表现。结合以上改进的k-means聚类和蚁群算法,应用它们到快递的网点布局模型中,模拟仿真了成都市区的网点需求区域。把区域内的模拟网点坐标作为聚类的输入数据样本,分析出用户购买的“群居”特性,为接下来的选址提供理论依据。然后通过对用户的聚类,分析出用户的“群居”特性,然后划分出初步布局区域。之后采用离散点覆盖启发式选址模型来确定最终的选址方案,并给出每个选址中心点的服务辐射范围以及在各个服务区域内的最佳配送路径。本文通过对快递模型的分析、优化、仿真以及对仿真结果的分析可知,合理的网点布局策略在能够不增加成本投入的情况下,在物流配送的过程中,对提高物流配送系统的作业效率有明显的提升,这对现代物流的发展和物流行业服务质量都会起到一定的积极作用和影响。
【关键词】：k-means聚类算法 蚁群算法 选址模型
【学位授予单位】：成都理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP311.13;F724.6;F259.2
【目录】：

• 摘要4-6
• Abstract6-11
• 第1章 导论11-19
• 1.1 研究背景11-13
• 1.2 国内外网点布局相关研究综述13-15
• 1.3 研究内容和技术路线15-17
• 1.3.1 研究内容15-16
• 1.3.2 技术路线16-17
• 1.4 本文结构以及创新点17-19
• 1.4.1 本文结构17
• 1.4.2 本文创新点17-19
• 第2章 k-means聚类算法分析及其改进19-31
• 2.1 经典聚类分析19-23
• 2.1.1 类的定义19
• 2.1.2 类的数据结构19-20
• 2.1.3 类的相似性测度20-23
• 2.2 经典k-means聚类算法23-28
• 2.2.1 k-means算法中参数的确定25-27
• 2.2.2 算法停止条件27
• 2.2.3 空聚类的处理27-28
• 2.3 改进的带有类内点数量均衡的k-means聚类算法28-29
• 2.3.1 经典k-means算法的缺陷28
• 2.3.2 k-means算法改进28-29
• 2.4 实验结果与分析29-31
• 第3章 车辆调度问题和启发式算法研究31-42
• 3.1 经典车辆调度线路问题31-34
• 3.1.1 VRP问题31-33
• 3.1.2 TSP问题33
• 3.1.3 VRPTW问题33-34
• 3.2 车辆调度问题的决策因子34-35
• 3.3 “多段式”动态车辆调度策略35-36
• 3.4 蚁群算法36-40
• 3.4.1 蚁群算法的基本模型36-39
• 3.4.2 改进的蚁群算法39-40
• 3.5 实验结果与分析40-42
• 第4章 快递服务网点选址方案研究42-71
• 4.2 快递网络基础结构模式42-46
• 4.2.1 快递网络的运输节点42-43
• 4.2.2 快递运输网络结构图43-45
• 4.2.3 我国快递集运网络的结构图45-46
• 4.3 物流节点选址需求预测中常用方法及其比较46-57
• 4.3.1 重心法46-50
• 4.3.2 类“运输问题”方案50-52
• 4.3.3 CFLP法52-54
• 4.3.4 鲍莫尔——沃尔夫方法54-57
• 4.4 城市物流枢纽配送选址模型比较57-62
• 4.4.1 连续点选址模型——交叉中值模型57-59
• 4.4.2 离散点选址模型——覆盖模型59-60
• 4.4.3 最大覆盖模型60-62
• 4.5 离散点覆盖启发式选址方案62-63
• 4.6 算例分析63-70
• 4.6.1 交叉中值法63-67
• 4.6.2 最大覆盖模型67-68
• 4.6.3 离散点覆盖启发式选址模型68-70
• 4.7 三类选址方案对比分析70-71
• 第5章 实例应用—某快递公司服务网点布局综合解决方案71-78
• 5.1 背景介绍71-72
• 5.2 定义相关变量72-73
• 5.3 用户聚类和用户分区规划73-74
• 5.4 离散点覆盖启发式选址方案74-76
• 5.5 车辆的配置行驶路线76-78
• 结论78-80
• 致谢80-81
• 参考文献81-86
• 攻读学位期间取得学术成果86

【参考文献】

中国期刊全文数据库 前8条

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 冯文成;曲思源;;基于集对-熵权分析的铁路枢纽物流中心站选址的研究[J];铁道经济研究;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 杨杰,牛r，

本文编号：1043367