基于時間路徑的物流中心選址與優(yōu)化研究

張雨 逢錦榮 于洋

摘要：為提升快遞物流企業(yè)服務效率和服務質量，優(yōu)化大數(shù)據(jù)環(huán)境下企業(yè)管理模式，基于傳統(tǒng)聚類選址算法和最小支撐樹法，通過分析快遞物流服務過程，提出配送時間路徑概念。以時間路徑優(yōu)化為研究對象，對聚類算法和最小支撐樹法進行改進，構建物流中心選址模型和物流配送區(qū)域劃分模型。采用Python分別以時間路徑和距離路徑為參量的100物流點配送過程進行仿真驗證。實驗結果表明，基于時間路徑的物流選址算法確保了物流中心位置的效率最高，達到了提高整體物流水平的目的。

關鍵詞：物流中心選址;時間路徑;實際距離;聚類

DOI：10.11907/ejdk.191091開放科學（資源服務）標識碼（OSID）：

中圖分類號：TP319文獻標識碼：A 文章編號：1672-7800（2019）010-0125-05

0引言

快遞物流行業(yè)呈現(xiàn)蓬勃發(fā)展之勢，物流配送中心的重要性和必要性日益凸顯，成為現(xiàn)代物流環(huán)節(jié)中不可或缺的一部分。科學合理地選擇物流中心位置有利于提高物流系統(tǒng)整體運行效率，簡化物流系統(tǒng)運作模式，充分利用社會資源。因此，物流中心選址問題研究具有重要的理論與實際意義。

近鄰傳播（Affinity Propagation，AP）聚類分析算法作為物流領域常用的配送中心選址方法，與Bamnol-Wolf模型方法、多準則決策法、德爾菲法、數(shù)據(jù)包網(wǎng)絡分析法等相比，算法簡明、實時性好，能處理大規(guī)模數(shù)據(jù)，但在實際應用時未考慮交通路況，且物流中心選址的準確性取決于算法參數(shù)的值。針對物流中心選址問題研究有：Feng等提出OPTICS聚類算法，解決數(shù)據(jù)集的不同部分需要不同算法參數(shù)的問題，在算法理論上可獲得任意密度的聚類。但該算法運行時間長、效率低;Wang等提出基于均值的距離度量聚類算法，但該算法缺乏魯棒性，對噪聲和異常值較敏感;甘月松等提出最小連接和最大連接聚類算法，通過選擇適當?shù)南禂?shù)構造更復雜的聚類算法，但該算法過程中的決策不可回調、計算復雜;李捷承等提出通過設置不同權值調節(jié)各種因素以影響物流節(jié)點相關性，彌補了聚類算法直接應用于物流選址的不足，但該算法只考慮了空間距離對物流節(jié)點之間相關性影響。

以上研究考慮了算法本身優(yōu)化，在解決物流中心選址問題上都以物流點之間的實際距離作為參考。本文以聚類分析算法為研究基礎，以物流中心選址問題為研究對象，分析物流中心選址行為，考慮配送過程中的不確定因素影響，提出物流配送的時間路徑概念，保證物流中心選址的合理性;基于遍歷搜索法，通過時間最短的最小支撐樹對各個物流節(jié)點進行配送區(qū)域劃分。為驗證提出的中心選址方法是否有效，采用Pathon進行物流中心選址仿真驗證。

1物流配送模型

1.1物流配送行為分析

物流中心作為推動現(xiàn)代物流發(fā)展的重要基礎設施和實現(xiàn)物流信息化的載體，其正確的選址在物流系統(tǒng)優(yōu)化中起到關鍵作用。為準確規(guī)劃物流中心選址，需要分析實際物流派送行為特點，并將其融合到物流中心選址規(guī)劃中。

隨著物流業(yè)的發(fā)展，建立物流配送中心迫在眉睫?；谖锪髋伤托袨槊枋鑫锪髦行倪x址過程如圖1所示。

配送點記為M₁，物流中心記為M₂，用戶記為M₃，物流派送過程如下：

（1）集貨過程：物流公司為滿足特定客戶的配送要求，把從幾家甚至數(shù)十家供應商處預訂的物品集中，并將物品分配到指定容器和場所，該過程稱為集貨過程。

（2）選址過程：在一個具有若干供應網(wǎng)點及若干需求網(wǎng)點的經濟區(qū)域內，選一個地址設置物流中心的規(guī)劃過程，此即為物流中心選址。

（3）配送過程：根據(jù)客戶要求將貨物送達至客戶要求的地點稱為配送過程。

1.2物流中心選址

從物流配送行為分析可知，選址階段最為復雜，一旦物流中心的位置不合理會造成不可估計的損失。所以，物流中心的選址不是簡單、基本層面的分析，而是需要系統(tǒng)、綜合、全面分析。

1.2.1物流中心選址問題模型

由圖1可知，物流配送中心選址問題實際為p-中值問題，即已知需求點或客戶的位置坐標及配送需求量，在空間中或候選地址集中選擇p個位置作為物流中心，可覆蓋全部區(qū)域的配送需求且使所有需求點到其歸屬的配送重心距離和最小。

1.2.2物流中心選址流程

基于上述分析，選擇合理的物流中心地址不僅可以有效節(jié)約物料、節(jié)省費用，而且還能有效促進消費者和生產者的協(xié)調與配合。因此，為保證物流中心位置的合理性，結合上述物流中心選址問題模型，提出物流中心選址算法流程如下：首先確定物流中心選址目標，其次制定物流中心選址原則，進行選址，直到選擇出物流中心地址。通過物流中心評價指標對選擇物流中心地址進行驗證，最后確定合適的地址，如圖2所示。

2基于改進的AP聚類算法應用

為提高AP聚類算法規(guī)劃的物流中心位置合理性，結合上述物流中心選址行為分析理論，對傳統(tǒng)規(guī)劃物流中心位置的AP聚類算法進行改進。

2.1AP聚類算法理論

近鄰傳播算法由學者Frey&Due提出，可在短時間內處理較大規(guī)模數(shù)據(jù)集，且算法將每個數(shù)據(jù)點都作為潛在的數(shù)據(jù)中心，避免了主觀意識對聚類結果的影響。算法將所有數(shù)據(jù)點都作為一個網(wǎng)絡節(jié)點，在網(wǎng)絡的邊緣對實值信息進行傳輸，通過遞歸方式直到得到最優(yōu)結果并出現(xiàn)聚類

2.2改進的AP聚類算法

基于傳統(tǒng)AP聚類算法與物流中心選址行為對AP聚類算法進行改進，主要在基于時間路徑建立物流中心選址模型和改進的物流配送區(qū)域劃分模型方面進行改進。

2.2.1時間路徑矩陣

在傳統(tǒng)AP聚類算法中，一般以物流點之間的實際空間距離作為相似度評判標準進行聚類分析。由于城市物流本身存在很多影響因素，如城市交通高峰期、交通擁堵等，造成物流點間的實際空間距離無法代表實際運送時間，因此無法保證物流中心選址的準確性，同時也會降低整個物流系統(tǒng)配送的效率和用戶服務體驗。

為保證合理準確規(guī)劃物流中心選址，基于城市交通約束提出物流點的時間路徑理念，即以時間作為物流點之間的距離進行計算，提高物流中心選址的準確性和實際應用價值。用戶物流點之間時間路徑獲取公式如下：

物流節(jié)點的時間距離矩陣獲取方式如下：

通過收集N個物流節(jié)點位置和運輸車輛速度信息，獲得各個物流節(jié)點之間的距離，形成N x N的距離矩陣;與此同時獲取到各個物流節(jié)點之間的運送時間，實際運送時間是通過累計計算兩個物流節(jié)點之間的各次運送時間得到95%置信區(qū)間的最大值，以此作為其“時間距離”。以滿足95%以上的任務完成度為目標，若獲取不到就根據(jù)實際距離和實際情況進行估計、模擬，將所獲得的時間信息存儲到“時間距離”矩陣中。

2.2.3物流配送區(qū)域劃分

物流配送過程中，當確定物流中心個數(shù)及相應位置后，需要通過遍歷搜索方法確定各物流中心的配送區(qū)域以提高物流運輸效率。本文將配送運輸時間最短作為研究點，將其轉化為最小支撐樹條件，即將物流中心配送區(qū)域劃分轉變?yōu)槲锪髋渌途W(wǎng)絡優(yōu)化問題。

3仿真驗證

由于缺乏準確的物流點之間運送時間信息，因此本文實驗數(shù)據(jù)集采用模擬數(shù)據(jù)進行實驗驗證。用Python在圖上生成100個隨機數(shù)據(jù)點作為物流點，根據(jù)每兩點之間的距離按正太分布，隨機生成100xl00組100個數(shù)據(jù)代表兩個物流點之間的運送時間，將其作為基礎試驗數(shù)據(jù)集，每100個數(shù)據(jù)代表一個數(shù)據(jù)點到另一個數(shù)據(jù)點之間的100次物流運送時間。隨機生成的測試離散點如圖4所示。

按正太分布計算每組數(shù)據(jù)，獲得95%置信區(qū)間的最大值，將其作為該點到另一個數(shù)據(jù)點之間的運送時間，模擬現(xiàn)實生活中物流點完成95%以上的最低時間要求。將100xl00組數(shù)據(jù)全部處理，獲得一個100xl00的矩陣，對數(shù)據(jù)進行處理獲得相似度矩陣，以其中的5個數(shù)據(jù)點為例，處理結果如表1所示。

將數(shù)據(jù)處理階段的兩組相似度矩陣帶人算法，調整算法內各個參數(shù)，根據(jù)以下流程得到物流中心選址位置：

（1）根據(jù)兩個數(shù)據(jù)點之間的實際距離進行聚類，計算出兩個數(shù)據(jù)點之間的歐式距離得到相似度矩陣，聚類中心為：

[1.023281031.10586516]、[0.84056362-0.99388229]、[-0.95558077-0.85930372]。

（2）根據(jù)實驗數(shù)據(jù)處理階段得到的時間相似度矩陣，帶人聚類算法得到兩個數(shù)據(jù)點之間關于時間的聚類結果，聚類中心為：

[1.016015480.9344856]、[0.96554162-1.2322174]、[-1.26947063-0.81126278]。

基于上述物流中心數(shù)據(jù)，通過最小支撐樹法獲得物流配送的最小支撐樹。為清楚地展示實驗過程，以20個數(shù)據(jù)點為例進行說明。

如圖5所示，點1、點14、點18代表基于上述時間路徑得出的物流中心位置，其余點代表客戶位置點，各點之間的連接邊上的權值為時間值。

采用最小支撐樹法獲得物流中心位置的最小支撐樹，如圖6所示。

基于上述最小支撐樹和相應的物流信息，分別通過點1、14、18三個物流中心點進行廣度優(yōu)先的遍歷搜索，獲得各自所負責配送的客戶點，結果如下：

（1）以點1進行遍歷搜索的結果（規(guī)定其遍歷層數(shù)為四層）：2，3，4，6，8，5，7，9，10。

（2）以點14進行遍歷搜索的結果（規(guī)定其遍歷層數(shù)為三層）：12，15，13，11。

（3）以點18進行遍歷搜索的結果（規(guī)定其遍歷層數(shù)為二層）：16，19，17，20。

通過以上方法對100個數(shù)據(jù)點進行處理，基于實際距離和時間路徑得到的處理結果分別如圖7和圖8所示（彩圖見封三）。

從聚類結果可以看出，圖7中除去部分噪聲點，空間距離相近的數(shù)據(jù)點聚為一個類，即圖中顏色相同的點;而從圖8可以看出，部分原歸為綠色的數(shù)據(jù)點，即圖8中圓圈內標記的數(shù)據(jù)節(jié)點，由時間進行聚類后劃為黃色的數(shù)據(jù)點，這是因為在實際物流中心選址應用中，兩個物流點之間的實際距離較長，但兩個物流點之間的運送時間卻較短，造成部分原屬于一個物流中心分配的物流點，經過以時間計算的方式后重新歸屬于另一個物流中心進行分配。

從以上結果分析可知，通過時間進行的聚類保證了物流中心分配到客戶點的時間最優(yōu)，確保了物流中心位置效率最高，從而達到優(yōu)化整體物流水平目的。

4結語

本文以物流中心選址為研究對象，分析了基于物流點之間的運送時間進行選址的可行性，建立了基于時間路徑的物流中心選址模型，并且通過最小支撐樹法，由時間路徑對選擇的物流中心劃分物流配送區(qū)域，通過仿真實例驗證選址模型的有效性。

以時間路徑替代實際距離進行聚類，避免了復雜環(huán)境下物流服務管理面對不確定性因素的處理難度，簡化了管理控制過程的參量集合。采用最小支撐樹法，通過時間賦權進行物流配送區(qū)域劃分，提高了配送區(qū)域的合理性，提高了物流整體服務水平。后續(xù)將進一步研究時間路徑數(shù)據(jù)如何采集以及大數(shù)據(jù)環(huán)境下的快遞物流管理。