基于K-means聚类方法的物流多配送中心选址优化研究
发布时间：2021-08-13 11:00
针对城市物流多配送中心选址过程中因素选取和方法融合研究方面存在的不足,提出先对备选配送中心进行聚类分析而后在各聚类单元内进行选址排序的思想方法。首先,建立物流多配送中心选址的评价指标体系,将语言变量值与梯形直觉模糊数相结合并应用模糊集成方法进行计算,进而得到各配送中心在准则指标下的集成综合评价值;其次,根据隶属度函数,将集成后的综合评价值拆分成3个分属性值,并将分属性值作为聚类过程的输入。然后,应用K-means方法计算多配送中心的聚类单元和确定初始聚类中心,并选取聚类单元均值作为新的聚类中心进行优化迭代计算,直到确定聚类中心位置,进而得到最终聚类结果。最后,应用TOPSIS方法计算各类中选址位置的评价值,排序选出配送中心选址位置。实例验证表明,所提方法得到的选址结果合理且优于其他选址方法,并可应用到多级物流配送网络的选址优化问题研究中。
【文章来源】：公路交通科技. 2020,37(01)北大核心CSCD
【文章页数】：8 页
【部分图文】：
多配送中心选址的评价指标体系
表5 聚类数为3-5的聚类结果Tab.5 Clustering result for cluster number is 3～5 聚类数 DB值 类别名称 配送中心 3类 1.035 类1 D1 D2 D4 D7 D11 D13 D14 D15 D16 类2 D6 D8 D12 D18 类3 D3 D5 D9 D10 D17 D19 D20 4类 1.623 类1 D2 D4 D7 D11 D13 D14 D16 类2 D1 D6 D8 D15 类3 D5 D12 D18 类4 D3 D9 D10 D17 D19 D20 5类 1.257 类1 D2 D4 D7 D14 D16 类2 D1 D6 D8 D13 类3 D11 D12 D15 D19 类4 D5 D9 D18 类5 D3 D10 D17 D20当DB越小时,其聚类效果越好,表明聚类单元中同类别个体间的差距越小,而不同类别个体间差距越大。因此当聚类数为3时得到最佳聚类数目: {D1, D2,D4,D7,D11,D13,D14,D15,D16},{D6,D8,D12,D18},{D3,D5,D9,D10,D17,D19,D20}。为了进一步验证聚类结果的有效性,分别应用文献[17]提出的一种基于Spark框架的改进DBSCAN聚类算法和文献[18]提出的BIRCH聚类算法进行聚类比较分析,如表6所示。
【参考文献】：
期刊论文
[1]DBSCAN算法研究及并行化实现[J]. 宋董飞,徐华. 计算机工程与应用. 2018(24)
[2]基于BIRCH聚类的物流配送设施选址算法[J]. 李捷承,陶耀东,孙咏,高岑. 计算机系统应用. 2018(09)
[3]模糊条件下配送中心选址评价方法研究[J]. 楼振凯,戴晓震. 华东交通大学学报. 2017(03)
[4]一种基于属性加权综合直觉梯形模糊数多属性决策方法[J]. 陈良莉,黄天民. 西南民族大学学报(自然科学版). 2017(01)
[5]多物流配送中心的选址布局问题优化模型研究[J]. 李明,刘航,张晓建. 重庆交通大学学报(自然科学版). 2017(01)
[6]基于部分跨级和集中存储模式的库存配置与选址决策模型[J]. 姜燕宁,郝书池. 公路交通科技. 2016(11)
[7]基于聚类中心优化的k-means最佳聚类数确定方法[J]. 贾瑞玉,宋建林. 微电子学与计算机. 2016(05)
[8]基于直觉梯形模糊TOPSIS的多属性群决策方法[J]. 陈晓红,李喜华. 控制与决策. 2013(09)
[9]综合模糊TOPSIS决策的应急物资储备库多级覆盖选址模型[J]. 肖俊华,侯云先. 工业工程. 2013(01)
[10]Location optimization of multiple distribution centers under fuzzy environment[J]. Yong WANG1,Xiao-lei MA2,Yin-hai WANG2,Hai-jun MAO1,Yong ZHANG1(1School of Transportation,Southeast University,Nanjing 210096,China)(2Department of Civil and Environmental Engineering,University of Washington,Seattle,WA 98195-2700,USA). Journal of Zhejiang University-Science A（Applied Physics & Engineering）. 2012(10)
本文编号：3340305
【文章来源】：公路交通科技. 2020,37(01)北大核心CSCD
【文章页数】：8 页
【部分图文】：
多配送中心选址的评价指标体系
表5 聚类数为3-5的聚类结果Tab.5 Clustering result for cluster number is 3～5 聚类数 DB值 类别名称 配送中心 3类 1.035 类1 D1 D2 D4 D7 D11 D13 D14 D15 D16 类2 D6 D8 D12 D18 类3 D3 D5 D9 D10 D17 D19 D20 4类 1.623 类1 D2 D4 D7 D11 D13 D14 D16 类2 D1 D6 D8 D15 类3 D5 D12 D18 类4 D3 D9 D10 D17 D19 D20 5类 1.257 类1 D2 D4 D7 D14 D16 类2 D1 D6 D8 D13 类3 D11 D12 D15 D19 类4 D5 D9 D18 类5 D3 D10 D17 D20当DB越小时,其聚类效果越好,表明聚类单元中同类别个体间的差距越小,而不同类别个体间差距越大。因此当聚类数为3时得到最佳聚类数目: {D1, D2,D4,D7,D11,D13,D14,D15,D16},{D6,D8,D12,D18},{D3,D5,D9,D10,D17,D19,D20}。为了进一步验证聚类结果的有效性,分别应用文献[17]提出的一种基于Spark框架的改进DBSCAN聚类算法和文献[18]提出的BIRCH聚类算法进行聚类比较分析,如表6所示。
【参考文献】：
期刊论文
[1]DBSCAN算法研究及并行化实现[J]. 宋董飞,徐华. 计算机工程与应用. 2018(24)
[2]基于BIRCH聚类的物流配送设施选址算法[J]. 李捷承,陶耀东,孙咏,高岑. 计算机系统应用. 2018(09)
[3]模糊条件下配送中心选址评价方法研究[J]. 楼振凯,戴晓震. 华东交通大学学报. 2017(03)
[4]一种基于属性加权综合直觉梯形模糊数多属性决策方法[J]. 陈良莉,黄天民. 西南民族大学学报(自然科学版). 2017(01)
[5]多物流配送中心的选址布局问题优化模型研究[J]. 李明,刘航,张晓建. 重庆交通大学学报(自然科学版). 2017(01)
[6]基于部分跨级和集中存储模式的库存配置与选址决策模型[J]. 姜燕宁,郝书池. 公路交通科技. 2016(11)
[7]基于聚类中心优化的k-means最佳聚类数确定方法[J]. 贾瑞玉,宋建林. 微电子学与计算机. 2016(05)
[8]基于直觉梯形模糊TOPSIS的多属性群决策方法[J]. 陈晓红,李喜华. 控制与决策. 2013(09)
[9]综合模糊TOPSIS决策的应急物资储备库多级覆盖选址模型[J]. 肖俊华,侯云先. 工业工程. 2013(01)
[10]Location optimization of multiple distribution centers under fuzzy environment[J]. Yong WANG1,Xiao-lei MA2,Yin-hai WANG2,Hai-jun MAO1,Yong ZHANG1(1School of Transportation,Southeast University,Nanjing 210096,China)(2Department of Civil and Environmental Engineering,University of Washington,Seattle,WA 98195-2700,USA). Journal of Zhejiang University-Science A（Applied Physics & Engineering）. 2012(10)
本文编号：3340305
本文链接：https://www.wllwen.com/jingjilunwen/jingjiguanlilunwen/3340305.html
