区域配送中心配送规模较大, 用户较多, 是物流中重要节点. 其合理的物流规划不仅关系到是否能达到资源利用的效益最大化, 满足客户的物流需求, 保证物流时效性, 也决定着投入物流成本的高低. 多区域物流配送中心选址需确定配送中心最佳数目、位置及覆盖范围. 聚类算法将一整个区域划分, 以此来确定配送中心数目以及其覆盖范围, 非常适用于多配送中心的选址问题. 诸如K-means的聚类算法通常用于多区域配送中心的选址, 但它们的初始聚类中心是随机的, 易陷入局部极小解, 且K值不同导致聚类效果各异[1], 并且有些城市地处偏僻, 常被作为噪音数据排除, 最主要的是由于山川、河流的阻碍, 两地之间的欧式距离并不能用来衡量实际的运输距离.
1 目前主要K-means聚类划分方法综述K-means聚类算法技术较为成熟, 操作便捷, 经常被用于选址中对区域的划分上. 考虑到该聚类方法对区域划分时存在的劣势, 许多学者对该聚类方法进行了改进. 朱培芬结合密度的思想, 在可选范围中优先考虑边缘点, 具有良好的全局收敛性[2], 但并未科学衡量距离因子, 也未曾考虑物流需求等重要影响因子. 谷炜提出两阶段K-means聚类算法, 在传统K-means聚类后, 通过不断迭代来检验是否满足配送时间最少的收敛条件, 最终确定聚类结果[3], 避免了算法陷入局部最优, 但不断的迭代大大增加了算法的运算时间. 于晓寒考虑到河流、公路等地理障碍, 以“障碍距离”为差异度量标准, 站点工作量为约束, 提出基于障碍距离的约束聚类算法[4], 但距离并不是简单的空间距离, 虽其在抽象意义上是同质的, 但诸如城市这样实质的经济主体, 距离明显包含了更多的非空间因素.
本文针对选址的实际情况, 以城市经济引力模型为基础, 考虑到距离的“非空间因素”, 重新定义了对象间度量距离的因子. 同时把密度的思想引入K-means算法以解决K值不确性问题, 并提出类内差分均值的概念确定最优聚类数. 借助改进的K-means聚类算法完成西北地区物流网络的划分, 实现分区后, 分别在这些区域中利用重心法对配送中心进行最终的确定. 并通过和传统K-means聚类结果对比, 来验证改进后方法更优.
2 改进的K-means聚类算法和重心法 2.1 改进K-means聚类对区域划分(1) 将密度思想引入K-means算法
基于传统K-means算法易受噪声和孤立点影响的事实, 本文将密度的思想引入K-means算法来确定k个聚类中心. 不仅可以避免噪声数据干扰, 而且可以有效降低算法时间复杂度. 考虑到M维空间的n维数据点
${D_i} = \sum\limits_{j = 0}^{n - 1} {\exp \left[ { - \frac{{{{\left\| {{X_i} - {X_j}} \right\|}^2}}}{{{{(0.5{r_a})}^2}}}} \right]} $ | (1) |
根据式(1)获取所有样本点的密度指数, 按照从大到小的顺序排列, 选取前k个数据点作为聚类中心.
(2) 基于经济引力模型对距离的定义
在度量两个城市之间相似度的过程中, 把距离的概念仅定义为两个城市间的空间距离是不可取的, 为了更科学的衡量距离且更加有效的运用于实际情况, 本文以居民可支配收入作为衡量城市间的经济引力因子, 交通运输时间作为衡量城市间的距离因子. 相应的公式如下:
$D({X_i},{X_j}) = \frac{{{D_{ij}}^2}}{{{{({M_i}{M_j})}^u}}}$ | (2) |
式(2)中
(3) k值的确定
聚类的目的是使同一类的样本点间相似度高, 而不同类间相似度低. 为精确测量聚类结果, 进一步确定k值. 本文采用计算类内差分均值的评估方法. 计算样本点与各自聚类中心的距离之和的平均值. 值越小, 总的聚类距离越小, 类间相似度越高, 聚类效果越好; 反之, 值越大, 聚类距离越大,类间相似度越低, 聚类效果越差. 用内类差均值的方法衡量最佳聚类个数, 以达到修建最少的配送中心实现最大区域的覆盖.
2.2 重心法重心法是一种简单可行的选址方法, 通常用于解决连续点的单个配送中心选址问题, 其唯一的决策依据是运输成本. 应用时, 它对候选位置没有任何限制, 在已知各个备选地点的位置、物流需求量、各个备选地点的直线距离的前提下, 运用重心法可以很好地确定配送中心的位置. 其运算方便, 计算速度快, 通过几次迭代就能计算出理论位置. 但此种方法只适用于确定单一配送中心, 对于确定多个配送中心的选址问题, 此法并不适用[5].
3 多区域配送中心选址模型针对多区域配送中心选址问题, 本文采用目前比较主流的两阶段模型:第一阶段把所有的需求点划分为若干个配送区域, 第二步阶段选取相应区域中最佳配送中心[6–8]. 借助该模型的选址步骤, 本文首先用改进的k-means聚类对区域进行划分, 确定需建立配送中心的个数以及其配送范围. 然后运用重心法在划分的区域中选取合适的配送中心位置.
3.1 基于改进的K-means聚类对区域划分本文运用MyEclipse Professional 2014软件, 采用JAVA语言, 在Win10 64位系统环境下运行.其中按照样本大小和聚类个数k值的关系,
1) 存储数据, 对数据进行归一化处理.
2) 按照式(1)计算城市密度, 按密度从大到小的顺序排列, 取排序前m个城市作为聚类中心候选点.
3) 取前k个候选点作为聚类中心, 按照式(2)计算当k取不同值时的距离因子, 这里u=0.1, 当u=0.1时, 最能科学均衡经济引力与距离之间的影响力. 按照最小距离原则分配
4)计算
5)结束, 输出最优聚类结果.
3.2 重心法对单一区域配送中心选址在上一阶段过程中确定了配送中心的个数以及其覆盖范围的问题, 但聚类过程中选取的聚类中心仅仅考虑到了城市交通的密度, 而未考虑其他因素, 不足以认为是最合适的配送中心地址. 需结合单一配送选址模型在各个区域中对聚类中心进行修正, 从而确定单一区域配送中心的最佳位置, 本文选取重心法来进行此阶段工作.
4 评估模型建立区域物流中心选址模型是带有复杂约束的非线性规划模型, 在构建评估模型时先明确如下假设: (1) 中心容量总是可以满足所覆盖需求点的需求量, 并由该中心供应的所有单位的需求量确定. (2) 一个需求点仅由一个物流配送中心供应. (3) 从物流中心到需求点通过零担物流的方式进行配送, 且不考虑装载的问题, 仅以最大车载量进行运算. (4) 运输费用仅由运价、实际运输路程决定, 不考虑装卸等人工成本. (5) 配送中心每辆车每天仅往需求点配送一趟. 基于以上5条假设建立衡量选址是否有效的模型. 目标函数是各个配送中心到需求点的运输费用之和最小, 目标函数为:
${F_{MIN}} = \sum\limits_{i = 0}^{k - 1} {\sum\limits_{j \in {N_i}} {{m_{ij}}{w_{ij}}J} } $ | (3) |
式(3)中i表示配送中心, 其取值为
西北地区地域广阔, 自然资源丰富, 但地区天气恶劣, 城市之间道路险阻较多, 交通十分不便, 物资运输上的不便是西北地区电子商务的发展主要阻碍. 本文对西北物流网络进行研究, 由于新疆地区地域物流管理体制较混乱, 机构多元化, 多采用外包的物流模式, 这里主要讨论除新疆之外的37个地级市的物流区域配送中心选址问题. 本次共采集37个城市间交通时间数据共703条记录. 选取甘肃、青海、陕西、宁夏2016年的统计年鉴中选取四省的城镇居民可支配收入. 并对已有数据进行了归一化处理, 来消除数据量纲的影响.
为验证方法的正确性和实用性, 抽象实验数据为: 零担运输的机动车辆车身均为5~7米,车载量20 000 kg, 平均行驶速度68 km/h. 考虑到西北地区一体化趋势日益明显, 可忽略地域的运价费用差异, 这里单位运价均定1元/kg*km. 通过城镇居民可支配收入折算成每日的需求量以及配送所需车辆如表1所示.
5.2 改进方法选址求解
(1) 确定聚类中心候选点, 本文取前10位城市以及相应密度, 从结果看出, 嘉峪关、酒泉、西安等作为当前交通的枢纽中心, 是聚类中心的首选. 在区域划分中把密度思想引入是合理有效的. 结果如表2如下.
(2) 通过类内差分均值评估, 绘制曲线图观察最适k值. 从折线图很直观看出, 当k=6时, 曲线出现拐点, 达到最小值, 当k=7,8时类内差均值小范围增加, 证明当建立6个配送中心时物流网络已经达到了较好的覆盖效果. 随着配送中心的增多, 覆盖效果反而降低. 即当37个城市被分为6类时, 类间的相似度越高, 聚类结果越好. 如图1所示.
确定最佳聚类个数后, 根据改进的K-means算法聚类, 当k=6时, 聚类结果如表3所示.
(3) 把每个区域中城市作为物流服务需求点,人均可支配收入作为需求量, 用重心法修正的配送中心结果如下, 区域一: 张掖, 区域二: 宝鸡, 区域三: 嘉峪关, 区域四: 铜川市, 区域五: 共和县, 区域六: 白银.配送中心地址及其辐射区域如图2所示.
5.3 结果评估
本文参照传统的K-means算法对配送中心选址结果进行对比. 在传统的K-means算法中把城市之间的直线距离作为相似性度量的因子, 以每个城市之间的经纬度计算城市距离, 设置k=6, 阈值为0.000 001, 共迭代50次, 得到区域划分后, 再用重心法选出各个区域的配送中心. 以式(3)计算运输成本, 实验结果如表4所示.
从配送中心选址效果对比中可以看出, 对比传统的K-means聚类算法, 改进后的算法每天可节约运输成本41 626 420元, 配送时间可节省30.62小时. 在保证配送时效的同时也节约了运输成本, 在一定程度上说明改进后的算法较传统的算法在实际中能创造更好的经济效益.
6 结论通过本文分析, 得出以下结论: 在进行区域划分时, 考虑当地的实际情况越来越受到学者们的重视, 本文以城市运输距离与居民消费能力的指标相结合, 重新定义了对象间的相似性度量的距离因子, 区域划分后后, 利用重心法对聚类中心进行修正, 科学的选出了每个区域内的配送中心, 更符合西北地区发展的实际情况. 为了验证改进方法的有效性, 本文对比传统K-means聚类对区域进行划分后选址结果, 实验可知: 较传统的K-means聚类, 改进后的算法不仅节省了配送时间, 而且大大降低了运输成本, 具有很好的实际运用价值, 为西北物流建设提供了参考. 但本文考虑的是西北地区这一宏观的区域性概念, 还有地处偏僻的部落并未考虑在内, 因此划分的区域未能全部覆盖, 想要在西北地区完成物流的全部覆盖及其布局, 还需要一些发展的契机, 有待以后学者们去探索.
[1] |
Kanungo T, Mount DM, Netanyahu NS, et al. An efficient K-means clustering algorithm: Analysis and implementation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2002, 24(7): 881-892. DOI:10.1109/TPAMI.2002.1017616 |
[2] |
朱培芬, 汉吉庆, 杨华龙, 等. 基于改进K-means算法的烟草配送区域划分. 物流工程与管理, 2009, 31(6): 84-85. DOI:10.3969/j.issn.1674-4993.2009.06.034 |
[3] |
谷炜, 张群, 胡睿. 基于改进K-means聚类的物流配送区域划分方法研究. 中国管理信息化, 2010, 13(24): 60-63. DOI:10.3969/j.issn.1673-0194.2010.24.028 |
[4] |
于晓寒, 王东. 基于带约束K-means聚类的城市快递配送区域划分. 哈尔滨商业大学学报(自然科学版), 2016, 32(5): 631-634. |
[5] |
沈默, 戴冰洁. 物流配送中心重心法选址解析——以苏宁为例. 物流技术, 2015, 34(4): 192-194. DOI:10.3969/j.issn.1005-152X.2015.04.058 |
[6] |
叶浔宇. 基于聚类和重心法的区域配送中心选址应用研究. 中国市场, 2009(23): 83-85. DOI:10.3969/j.issn.1005-6432.2009.23.026 |
[7] |
胡贤满, 张燕, 李珍萍. 带车辆路线安排的多配送中心选址问题的求解——基于SPSS和遗传算法. 物流技术, 2010, 29(1): 83-86. DOI:10.3969/j.issn.1005-152X.2010.01.028 |
[8] |
孔继利, 顾苧, 孙欣, 等. 系统聚类和重心法在多节点配送中心选址中的研究. 物流技术, 2010, 29(3): 83-85. |
[9] |
杨善林, 李永森, 胡笑旋, 等. K-means算法中的k值优化问题研究. 系统工程理论与实践, 2006, 26(2): 97-101. DOI:10.3321/j.issn:1000-6788.2006.02.013 |