甘曦之

[摘 要] 物流作為“第三利潤源泉”對經(jīng)濟活動的影響日益明顯，越來越受到人們的重視，現(xiàn)代物流業(yè)呈穩(wěn)步增長態(tài)勢，中國物流行業(yè)起步較晚，隨著國民經(jīng)濟的飛速發(fā)展，中國物流行業(yè)保持較快增長速度，運用人工神經(jīng)網(wǎng)絡(luò)主要指模仿人類的思維，屬于非線性動力學系統(tǒng)，主要特點是分布式保存信息進行協(xié)同處理。研究構(gòu)建基于BP算法的應(yīng)急物流網(wǎng)絡(luò)，及通過啟發(fā)式方法的研究，可完成理論建模和仿真的實現(xiàn)，具有重要的理論意義和實踐意義。

[關(guān)鍵詞] 物流網(wǎng)絡(luò)；BP神經(jīng)網(wǎng)絡(luò)；啟發(fā)式算法

[中圖分類號] F560 [文獻標識碼] A [文章編號] 1009-6043（2018）08-0027-03

Abstract： As "the third profit source"， the influence of logistics on the economic activities has become increasingly apparent， increasingly get people's attention. The modern logistics industry grows steadily. China's logistics industry started relatively late. With the rapid development of national economy， China's logistics industry maintains rapid growth. Using artificial neural network is to imitate the human mind and belongs to the nonlinear dynamic system. Its main characteristic is the coordination of distributed stored information. Based on BP algorithm and heuristic method， the research of emergency logistics network can complete theoretical modeling and simulation， which has important theoretical and practical significance.

Key words： logistics network， BP neural network， heuristic algorithm

一、引言

中國的自然災(zāi)害非常多、經(jīng)常發(fā)生，受到自然災(zāi)害的打擊比較大，每年的損失非常多。臺風、地震、洪水、干旱、暴雪、滑坡、泥石流、暴雨等自然災(zāi)害每年都會發(fā)生，防不勝防。經(jīng)過這么多年的總結(jié)，我國的自然災(zāi)害呈現(xiàn)出很多特點，例如，種類繁多、季節(jié)性非常強、地域特征顯著、共生性和伴生性非常明顯等。每年自然災(zāi)害都會讓大家的生命和財產(chǎn)遭受一定的損失，阻礙了經(jīng)濟的發(fā)展、社會的進步，降低了大家的生活水平，所以，國內(nèi)政府往往未雨綢繆，事先制定好應(yīng)急預(yù)案，這樣能夠保證自然災(zāi)害爆發(fā)后可以及時向受災(zāi)地區(qū)運送人、財、物，將由于自然災(zāi)害導致的損失降到最低，此外，國內(nèi)專家學者深入研究了應(yīng)急物流配送方面，幫助我們處理了很多實際困難。配送作為物流系統(tǒng)的核心功能，直接與消費這相關(guān)聯(lián)[1][2]，配送功能完成質(zhì)量的好壞及其達到的服務(wù)水平直接影響企業(yè)物流成本及客戶對整個物流服務(wù)的滿意程度。配送的核心部分是配送車輛的集貨、貨物分揀及送貨過程，其中，車輛配送線路的合理優(yōu)化對整個物流運輸速度、成本、效益影響是比較顯著的。人工神經(jīng)網(wǎng)絡(luò)主要指有著適應(yīng)性的簡單單元構(gòu)成的廣泛并行互連的網(wǎng)絡(luò)，可以模仿生物神經(jīng)系統(tǒng)，交互反應(yīng)真實世界物體。人工神經(jīng)網(wǎng)絡(luò)有著非線性適應(yīng)性處理信息的功能，有著以往人工智能所不具備的直覺，例如，語音識別、模式、非結(jié)構(gòu)化處理信息等，進而在識別模式、優(yōu)化組合、預(yù)測、智能控制等方面獲得非常大的成功[3]。將傳統(tǒng)方法付之于人工神經(jīng)網(wǎng)絡(luò)，有助于信息處理技術(shù)、人工智能的未來發(fā)展壯大。這幾年，人工神經(jīng)網(wǎng)絡(luò)發(fā)展越來越好，在模擬人類認知這一塊日臻完善，再加上遺傳算法、模糊系統(tǒng)、進化機制等方法，達到了計算智能的效果，是今后人工智能的重中之重，并且伴隨著實際應(yīng)用越來越好。信息幾何的出現(xiàn)使得大家對人工神經(jīng)網(wǎng)絡(luò)研究更加深入了。此外，隨著神經(jīng)計算機日益完善，部分產(chǎn)品已經(jīng)開始銷售。神經(jīng)計算機的光電結(jié)合功能極大的推動了人工神經(jīng)網(wǎng)絡(luò)的發(fā)展。

二、神經(jīng)網(wǎng)絡(luò)BP算法

（一）人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)的發(fā)展大概有50年時間，這期間跌宕起伏，有波峰也有低谷。人工智能、神經(jīng)網(wǎng)絡(luò)技術(shù)是兩種完全不一樣的技術(shù)[4]。人工神經(jīng)網(wǎng)絡(luò)的發(fā)展歷程如下：

（1）1940年-1950年，人工神經(jīng)網(wǎng)絡(luò)處于起步階段，剛剛興起。

（2）1950-1968年，人工神經(jīng)網(wǎng)絡(luò)的高峰期。

（3）1968-1980年是人工神經(jīng)網(wǎng)絡(luò)研究的低潮期。

（4）20世紀80年代的第二次高潮期。

（5）20世紀90年代以后的發(fā)展時期。

總的來說，人工神經(jīng)網(wǎng)絡(luò)是由很多簡單的處理單元采用既定的方式彼此連接組成計算機系統(tǒng)，系統(tǒng)動態(tài)響應(yīng)外部的輸入信息對信息進行處理。

（二）BP神經(jīng)網(wǎng)絡(luò)原理

1986年，BP網(wǎng)絡(luò)誕生了，主要指按照誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡(luò)，如今BP網(wǎng)絡(luò)的應(yīng)用越來越廣泛，受到大家的一致好評，它能夠?qū)W習并保存非常多的輸入—輸出模式映射關(guān)系，根本不需要提前列出闡述該映射關(guān)系的數(shù)學方程[5]。

誤差反傳算法的核心是將學習過程一分為二：（1）正向過程，輸入信息借助輸入層傳遞到隱含層并且進行處理，最終得到各個單元的實際輸出結(jié)果；（2）反向過程，假如輸出層沒有獲得想要的輸出結(jié)果，系統(tǒng)就會逐層遞歸地運算實際的輸出結(jié)果同想要的輸出結(jié)果之間的誤差，進而參照這個誤差來改變權(quán)值，也就是說，我們能夠?qū)γ恳粰?quán)重運算接收單元的誤差值和發(fā)送單元的激活值的積。運用BP算法得到多層前饋型網(wǎng)絡(luò)的結(jié)構(gòu)。如圖1所示。

網(wǎng)絡(luò)結(jié)構(gòu)由輸入、輸出層節(jié)點構(gòu)成，此外，還含有一或多層隱含節(jié)點。將輸入信息傳遞給隱含層節(jié)點，通過每個單元激活函數(shù)（也就做轉(zhuǎn)換、作用函數(shù)）運算，隱含節(jié)點把輸出答案送至輸出節(jié)點，輸出值就得到了[6]。網(wǎng)絡(luò)的學習過程一分為二，包括正向和反向。正向傳播的原理是上層神經(jīng)元影響下層神經(jīng)元。假如沒有得到想要的結(jié)果，就是輸出結(jié)果同想要的輸出結(jié)果之間的誤差，該系統(tǒng)就切換到反向傳播模式，信號自動返回，我們可以變動每一層神經(jīng)元的權(quán)重，反復地傳播給輸入層計算，然后轉(zhuǎn)到正向傳播過程，通過這樣反反復復的過程，系統(tǒng)的誤差信號會達到最低，一旦系統(tǒng)的誤差讓大家能夠接受，BP網(wǎng)絡(luò)的學習過程就完成了。

BP算法適用在多層神經(jīng)元網(wǎng)絡(luò)，以梯度下降法為核心，通過反復演變，BP網(wǎng)（包括一個隱含層）能夠保證任意精度近似任何連續(xù)非線性函數(shù)。

（三）BP算法簡介

BP算法涉及兩個方面內(nèi)容：前向傳遞信號、反向傳遞誤差。也就是獲得實際結(jié)果是按照正向傳播模式，修正權(quán)值、閾值是按照反向傳播模式，也就是反向。

圖2中：xj表示輸入層第j個節(jié)點的輸入，j=1，…，M；

wij表示隱含層第i個節(jié)點到輸入層第j個節(jié)點之間的權(quán)值；

θi表示隱含層第i個節(jié)點的閾值；

？準（x）表示隱含層的激勵函數(shù)；

wki表示輸出層第k個節(jié)點到隱含層第i個節(jié)點之間的權(quán)值，i=1，…，q；

ak表示輸出層第k個節(jié)點的閾值，k=1，…，L；

？鬃（x）表示輸出層的激勵函數(shù)；

Ok表示輸出層第k個節(jié)點的輸出。

（2）誤差的反向傳播過程

反向傳遞誤差，也就是從輸出層一層一層算出每一層神經(jīng)元輸出誤差，接下來使用誤差梯度下降法對每一層閾、權(quán)值進行修正，通過這樣反反復復的過程，系統(tǒng)的誤差信號會達到最低[7]。

參數(shù)初始化完成：批量輸入學習精度、初始權(quán)值、閾值、最大訓練次數(shù)、隱節(jié)點數(shù)等學習樣本，然后歸一化出來這些輸出、輸入量，接下來就能夠獲得每一層的輸出、輸入量以及輸出層的誤差E（q）E（q）<ε，將閾、權(quán)值進行修正YesNYes，自此參數(shù)初始化完成。

三、基于MATLAB的神經(jīng)網(wǎng)絡(luò)預(yù)測模型建立及應(yīng)用

（一）物流配送的車輛調(diào)度發(fā)展現(xiàn)狀

對于應(yīng)急救助物資配送方面，國外的研究比較早，技術(shù)比較完善，并且有很多成果值得我們借鑒。隨著研究的深入，很多研究成果已經(jīng)開始嘗試在實實在在的應(yīng)急物資配送問題中得到應(yīng)用，取得了非常好的效果，挽救了大量的生命，避免了很多財產(chǎn)的損失。由于國內(nèi)對應(yīng)急救助物資配送方面的研究還不夠深入，目前僅有的這些研究成果基本上都是理論層面的，盡管個別學者研究了應(yīng)急物流配送優(yōu)化模型，借助優(yōu)化算法解開了模型。最終由于國外的研究成果不滿足國內(nèi)的實際情況，存在一定的問題，不能直接投入使用。

VRP（車輛調(diào)度問題）是指對很多個裝、卸貨點，安排最優(yōu)的行車線路，使各車輛能夠順利通過，達到約束條件的要求（例如，發(fā)送量、貨物量、發(fā)交貨時間、車輛容量），達到預(yù)期目的（例如，行駛最短的路線、花費最少的資金、耗費最少的時間、安排最少數(shù)量的車輛）。一般認為，不涉及時間的是路徑問題，涉及時間的是調(diào)度問題。當然，VRP并不止是這樣的一個小范圍，而是有更多的客戶點與一個倉庫鏈接，從而達到一整個物流集群[8]。

根據(jù)路徑規(guī)劃前調(diào)度員對相關(guān)信息是否已知，VRP可分為靜態(tài)VRP和動態(tài)VRP，動態(tài)VRP是相對于靜態(tài)VRP而言的。靜態(tài)VRP指的是：假定在優(yōu)化調(diào)度指令執(zhí)行之前，調(diào)度中心實現(xiàn)獲得全部和優(yōu)化調(diào)度有用的資料，并且這些資料不隨時間變化而變化。調(diào)度開啟之后，以上信息不再改變。

而VRP發(fā)展到現(xiàn)在存在的問題也是非常突出的，例如，只有一單貨物，配送成本遠高于一單的客戶所給的運費，在這種情況下，該如何調(diào)度車輛？甚至還有回程運輸?shù)目蛰d問題，在這些問題之中，或多或少都涉及到了VRP的身影，那么在這樣的配送中怎么有效的解決車輛的路徑優(yōu)化問題就是降低運輸和物流成本的關(guān)鍵所在。

（二）BP網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計

MATLAB將newff作為神經(jīng)網(wǎng)絡(luò)函數(shù)，然后用其來獲得每層的神經(jīng)元數(shù)、網(wǎng)絡(luò)的層數(shù)、傳遞函數(shù)，它的表達式如下：

net=newff（PR，[S1，S2，..，SN]，{TF1，TF2，..，TFN}，BTF，BLF，PF）

其中PR：由R維的輸入樣本最小最大值構(gòu)成的R*2維矩陣；

[S1，S2，…SN]：各層的神經(jīng)元個數(shù)；

{TF1，TF2，…，TFN}：各層的神經(jīng)元傳遞函數(shù)；

BTF：訓練用函數(shù)的名稱。

因此BP網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計的內(nèi)容如下：列出網(wǎng)絡(luò)層數(shù)以及神經(jīng)元數(shù)量，定下來傳遞函數(shù)和相應(yīng)的算法。

（三）初始值的選擇及參數(shù)設(shè)計

BP神經(jīng)網(wǎng)絡(luò)屬于一種非線性系統(tǒng)，初始值決定了學習能不能達到局部最小，能不能收斂，訓練時間有多長。必須滿足的一點是：輸入累加初始權(quán)值讓所有神經(jīng)元狀態(tài)值同0接近，以此保證每一個神經(jīng)元的連接權(quán)值都能夠在它們的S型激活函數(shù)變化最大處進行調(diào)節(jié)。一般來說，初始值選擇（-1，+1）之間的隨機數(shù)。

此外，參數(shù)的設(shè)計對神經(jīng)網(wǎng)絡(luò)的應(yīng)用也是非常關(guān)鍵的。BP網(wǎng)絡(luò)模型中最重要的參數(shù)包括學習速率和動量因子。

（四）預(yù)處理和后處理數(shù)據(jù)

在網(wǎng)絡(luò)訓練之前，必須讓全部數(shù)據(jù)的量綱一致，這就應(yīng)該預(yù)處理輸入以及輸出數(shù)據(jù)，進而滿足要求，還能夠極大地提高訓練速度。數(shù)據(jù)預(yù)處理基本都使用歸一化方法，也就是把全部數(shù)據(jù)處理后滿足[0，1]的條件。

操作流程如下：

根據(jù)全部原始數(shù)據(jù)，找到最大值Xmax、最小值Xmin。

接下來按照以下公式進行運算：

這樣，Xi就是歸一化之后的數(shù)據(jù)。

（五）確定網(wǎng)絡(luò)訓練模式

逐變和批變是BP網(wǎng)絡(luò)訓練的兩種模式。前者主要原理是，只要有樣本輸入到網(wǎng)絡(luò)，就會自動更新權(quán)重、偏置值。后者主要原理是，必須全部樣本輸入的網(wǎng)絡(luò)，才會更新權(quán)重、偏置值。所以，批變模式僅僅需要一個訓練函數(shù)，非常的便捷，有著較快的收斂速度。此外，很多改進的快速訓練算法必須采取批變模式。

四、結(jié)論

對于應(yīng)急救助物資配送方面的研究由于國外起步較早，研究成果也相對比國內(nèi)多一些，技術(shù)也比較成熟。但是許多國外學者的研究和我國的實際國情不相符，不能直接應(yīng)用到我國的應(yīng)急物資配送系統(tǒng)中。因此，基于BP算法的應(yīng)急物流網(wǎng)絡(luò)構(gòu)建研究，及啟發(fā)式方法的研究，找到高效準確的應(yīng)急物流網(wǎng)絡(luò)構(gòu)建方法，具有重要的理論意義和實踐意義。

[參考文獻]

[1]王美玲.利用于非線性函數(shù)逼近的小波神經(jīng)網(wǎng)絡(luò)算法仿真[J].北京理工大學學報，2012（3）：10-27.

[2]郝昕玉，姬長英.非線性系統(tǒng)的神經(jīng)-模糊建模方法的研究[J].江西農(nóng)業(yè)學報，2008（9）：12-29.

[3]孫帆，施學勤.基于MATLAB的BP神經(jīng)網(wǎng)絡(luò)設(shè)計[J].計算機與數(shù)學工程，2007，35（8）：55-70.

[4]張葛祥，李娜.MATLAB仿真技術(shù)與應(yīng)用[M].北京：清華大學出版社，2010：1-9.

[5]余華，吳文全，曹亮.BP神經(jīng)網(wǎng)絡(luò)的改進算法及其應(yīng)用[J].電腦知識與技術(shù)，2009，5（19）：5256-5258.

[6]蘇高利，鄧芳萍.論基于MATLAB語言的BP神經(jīng)網(wǎng)絡(luò)的改進算法[J].科技通報，2003，19（2）：130-135.

[7]馮蓉，楊建華.基于BP神經(jīng)網(wǎng)絡(luò)的函數(shù)逼近的MATLAB實現(xiàn)[J].榆林學院學報，2007（3）：20-22.

[8]韓力群.人工神經(jīng)網(wǎng)絡(luò)理論設(shè)計及應(yīng)用[M].北京：化工工業(yè)社，2012：5-15.

[責任編輯：趙磊]