• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      基于地域特征的物流倉(cāng)儲(chǔ)中心逆向選址算法

      2022-09-29 09:04:32苗將張仰森李劍龍刁艷茹
      科學(xué)技術(shù)與工程 2022年24期
      關(guān)鍵詞:帝王均值京津冀

      苗將,張仰森,2*,李劍龍,刁艷茹

      (1.北京信息科技大學(xué)計(jì)算機(jī)學(xué)院,北京 100101;2.國(guó)家經(jīng)濟(jì)安全預(yù)警工程北京實(shí)驗(yàn)室,北京 100044)

      隨著京津冀區(qū)域經(jīng)濟(jì)的快速發(fā)展,完善京津冀區(qū)域物流一體化,將是京津冀高質(zhì)量發(fā)展的突破口。物流是中國(guó)社會(huì)經(jīng)濟(jì)發(fā)展的重要組成部分,物流與經(jīng)濟(jì)之間相互影響、共同發(fā)展[1],是區(qū)域經(jīng)濟(jì)發(fā)展引擎中的重要齒輪[2]。物流倉(cāng)儲(chǔ)中心選址作為物流配送路徑的根本源頭,很大程度上決定了完成物流配送所需要的時(shí)間,對(duì)于大幅提升物流配送效率具有重要意義[3]。

      王勇等[4]提出了一種基于數(shù)學(xué)視角物流倉(cāng)儲(chǔ)中心選址策略,即求一個(gè)點(diǎn)到多個(gè)確定點(diǎn)的距離最小。該方法屬于數(shù)學(xué)正向求解,距離參數(shù)權(quán)重過于苛刻,缺少其他復(fù)雜約束條件支撐。物流倉(cāng)儲(chǔ)中心選址問題具有較多復(fù)雜的約束條件,具有非確定性多項(xiàng)式困難(non-deterministic polynomial hard,NP-hard)的性質(zhì)。舒孝珍[5]提出了一種非線性規(guī)劃模型求解物流倉(cāng)儲(chǔ)中心選址策略,注重了多級(jí)指標(biāo)選取和計(jì)算。劉善球等[6]提出了一種基于遺傳算法模型的物流倉(cāng)儲(chǔ)中心選址策略,通過引入概率的適應(yīng)與突變?cè)鰪?qiáng)求解能力。李衛(wèi)星[7]提出了一種基于灰狼算法的物流倉(cāng)儲(chǔ)中心選址策略,通過引入擾動(dòng)因子跳出局部最優(yōu)。孟軍等[8]提出了一種基于飛蛾算法的物流倉(cāng)儲(chǔ)中心選址策略,通過引入非線性慣性權(quán)重增加意外影響。雖然這些算法對(duì)于解決物流倉(cāng)儲(chǔ)中心選址問題起到了一定的效果,但仍陷入局部最優(yōu)、搜索重點(diǎn)偏差和收斂速度慢等缺點(diǎn)。

      為此,,基于京津冀物流發(fā)展的實(shí)際情況之上,提出了一種KMBR(K-means in Monarch butterfly with roulette)算法,通過建立物流倉(cāng)儲(chǔ)中心選址的數(shù)學(xué)模型,基于機(jī)器學(xué)習(xí)聚類特征,對(duì)標(biāo)準(zhǔn)帝王蝶優(yōu)化算法進(jìn)行改進(jìn),加入輪盤賭策略,為京津冀物流倉(cāng)儲(chǔ)中心選址的問題提供有力依據(jù)。

      1 構(gòu)建選址數(shù)據(jù)集

      1.1 京津冀地區(qū)中心坐標(biāo)

      隨著北京原密云和延慶撤縣設(shè)區(qū)、天津原薊縣撤縣設(shè)區(qū),當(dāng)?shù)厝藛T正式加入直轄市的管制,享受各種政策直接幫扶,促進(jìn)政府資源的調(diào)度[9]。北京、天津各區(qū)和河北各地級(jí)市的政務(wù)中心是當(dāng)?shù)胤秶暮诵牡囟危蜆I(yè)、居住、醫(yī)療、教育等資源都緊緊圍繞,是人口集中的密集點(diǎn)。故通過百度地圖開發(fā)者文檔功能,確立各行政中心經(jīng)度和緯度。

      1.2 各地區(qū)經(jīng)濟(jì)適應(yīng)量

      北京和天津作為直轄市,其郵政管理局并未公布各區(qū)詳細(xì)的物流數(shù)據(jù),故提出經(jīng)濟(jì)適應(yīng)量參數(shù)作為替代[10]。經(jīng)濟(jì)適應(yīng)量的數(shù)學(xué)模型為

      (1)

      式(1)中:m為直轄市或省地級(jí)市;n為對(duì)應(yīng)直轄市或省地級(jí)市所屬的區(qū)域;Eij為當(dāng)?shù)貐^(qū)域的經(jīng)濟(jì)適應(yīng)量;Pij為當(dāng)?shù)貐^(qū)域的常住人口;Yij為當(dāng)?shù)貐^(qū)域的15~69歲人口比例;Gij為當(dāng)?shù)貐^(qū)域的生產(chǎn)總值;Tij,total為當(dāng)?shù)貐^(qū)域所屬的直轄市或省地級(jí)市的生產(chǎn)總值之和。

      對(duì)區(qū)域進(jìn)行脫密處理,以相應(yīng)代號(hào)進(jìn)行指代。故京津冀選址數(shù)據(jù)集如表1所示。

      表1 選址數(shù)據(jù)集Table 1 Location data set

      2 物流倉(cāng)儲(chǔ)中心選址數(shù)學(xué)模型

      提出的物流倉(cāng)儲(chǔ)中心選址問題為,從X個(gè)直轄市和省地級(jí)市所屬的區(qū)域中,確定Y個(gè)出發(fā)點(diǎn)作為物流倉(cāng)儲(chǔ)中心[11]。由于各物流倉(cāng)儲(chǔ)中心所處地理位置不同、面向區(qū)域不同,故建立帶多種約束條件的物流倉(cāng)儲(chǔ)中心選址數(shù)學(xué)模型為

      (2)

      Dij≤Z

      (3)

      (4)

      Ej≤V

      (5)

      式中:C為代價(jià)函數(shù);X為直轄市和省地級(jí)市所屬的區(qū)域的數(shù)目;Y為物流倉(cāng)儲(chǔ)中心數(shù)目;Ej為第j個(gè)區(qū)域的經(jīng)濟(jì)適應(yīng)量;Dij為第i個(gè)物流倉(cāng)儲(chǔ)中心與第j個(gè)區(qū)域之間的距離;Tij為第i個(gè)物流倉(cāng)儲(chǔ)中心向第j個(gè)區(qū)域出倉(cāng)發(fā)貨;Z為當(dāng)前區(qū)域到最遠(yuǎn)物流倉(cāng)儲(chǔ)中心的距離;V為當(dāng)前區(qū)域物流倉(cāng)儲(chǔ)中心涉及的經(jīng)濟(jì)適用量總量。

      式(3)表示每個(gè)區(qū)域的所需物品都必須有一個(gè)物流倉(cāng)儲(chǔ)中心完成出倉(cāng)發(fā)貨;式(4)表示一個(gè)區(qū)域的所需物品只能從一個(gè)物流倉(cāng)儲(chǔ)中心完成出倉(cāng)發(fā)貨;式(5)表示每個(gè)區(qū)域的經(jīng)濟(jì)適用量都應(yīng)小于等于與其對(duì)應(yīng)物流倉(cāng)儲(chǔ)中心涉及的經(jīng)濟(jì)適用量總量。

      3 聚類算法

      3.1 K均值聚類算法

      聚類是一個(gè)將相似數(shù)據(jù)分類的過程[12],同類數(shù)據(jù)相似度盡可能大,異類數(shù)據(jù)相似度盡可能小。K均值聚類算法是一種無監(jiān)督迭代聚類算法,采用歐氏距離作為相似度指標(biāo),力求同類數(shù)據(jù)與所在類的誤差平凡和達(dá)到最小。K均值聚類算法基于以下規(guī)則:①?gòu)臄?shù)據(jù)集中隨機(jī)選擇指定數(shù)量的數(shù)據(jù)作為初始的質(zhì)心向量;②計(jì)算每個(gè)新加入的數(shù)據(jù)與各個(gè)質(zhì)心向量的距離,將該數(shù)據(jù)加入對(duì)應(yīng)距離最小的類別中;③重新計(jì)算質(zhì)心向量。

      基于上述規(guī)則,得出K均值聚類算法的迭代公式如下。

      數(shù)據(jù)到質(zhì)心向量距離的計(jì)算公式為

      (6)

      式(6)中:Xi為第i個(gè)對(duì)象;Cl為第l個(gè)聚類的中心;Xit為第i個(gè)對(duì)象的第t個(gè)屬性;Cjt為第j個(gè)聚類中心的第t個(gè)屬性。

      質(zhì)心向量更新計(jì)算公式為

      (7)

      式(7)中:Sl為第l個(gè)聚類中對(duì)象的個(gè)數(shù)。

      3.2 改進(jìn)K均值聚類算法

      K均值聚類算法初始選擇質(zhì)心向量時(shí)是一個(gè)隨機(jī)選取,單純的隨機(jī)選取易產(chǎn)生不同的聚類結(jié)果。且在更新質(zhì)心向量時(shí)以各類均值為依據(jù),若聚類中有一個(gè)遠(yuǎn)心點(diǎn)便破壞了聚類效果的緊密性。針對(duì)京津冀地域京津緊密,冀分散的特點(diǎn),對(duì)K均值聚類算法進(jìn)行改進(jìn)。

      對(duì)初始的質(zhì)心向量選擇引入單點(diǎn)密度和多點(diǎn)間距參數(shù)因子。單點(diǎn)密度是指以某一點(diǎn)為核心,以指定長(zhǎng)度為半徑的圓內(nèi)其他數(shù)據(jù)個(gè)數(shù)。多點(diǎn)間距是指多個(gè)單點(diǎn)密度間對(duì)應(yīng)的距離。聚類效果一般遵循同類距離較小,異類距離較大的準(zhǔn)則。但在引入單點(diǎn)密度和多點(diǎn)間距參數(shù)因子后,如果兩個(gè)點(diǎn)的密度都較大,且兩個(gè)點(diǎn)之間距離較小,但這樣的兩個(gè)點(diǎn)都選做質(zhì)心向量得到的聚類效果也是很好。改進(jìn)K均值聚類算法的迭代公式如下。

      單點(diǎn)密度的計(jì)算公式為

      (8)

      式(8)中:Sij為點(diǎn)i到點(diǎn)j之間的距離;Sb為指定長(zhǎng)度距離。

      多點(diǎn)間距的計(jì)算公式為

      (9)

      式(9)中:Pi為點(diǎn)i的單點(diǎn)密度;most為所有數(shù)據(jù)的單點(diǎn)密度最大值;SiI為點(diǎn)i到對(duì)應(yīng)單點(diǎn)密度中最遠(yuǎn)點(diǎn)I的距離。

      對(duì)應(yīng)單點(diǎn)密度和多點(diǎn)間距的乘積較好的體現(xiàn)了各個(gè)數(shù)據(jù)點(diǎn)的綜合性能,然后由高到低篩選并選取指定數(shù)量的乘積值,根據(jù)乘積值對(duì)應(yīng)的數(shù)據(jù)作為初始質(zhì)心向量。

      4 帝王蝶優(yōu)化算法

      4.1 帝王蝶簡(jiǎn)介

      帝王蝶作為世界上最知名的昆蟲之一[13],是鱗翅目中唯一的一種遷移性蝴蝶。大部分帝王蝶為躲避北美的嚴(yán)寒,每年秋季都要從洛基山出發(fā),向墨西哥中部進(jìn)軍。而剩余部分的帝王蝶則選擇留下來,通過適應(yīng)環(huán)境進(jìn)行生存。

      4.2 標(biāo)準(zhǔn)帝王蝶優(yōu)化算法

      帝王蝶優(yōu)化算法(Monarch butterfly optimization,MBO)是受帝王蝶遷移和適應(yīng)環(huán)境的啟發(fā),于2015年提出的一種優(yōu)化算法。在MBO中,每只蝴蝶都看成一個(gè)粒子,決策變量的產(chǎn)生由粒子位置是否變動(dòng)來表示。該算法通過模擬帝王蝶在自然界中的遷徙行為,其基于以下4個(gè)規(guī)則。

      (1)所有的帝王蝶只位于陸地1(美國(guó)北部)和陸地2(墨西哥),即理想化的將整個(gè)帝王蝶種群由陸地1和陸地2的帝王蝶組成。

      (2)每只子代帝王蝶都是由陸地1或陸地2的帝王蝶通過生育(遷移)產(chǎn)生的,即帝王蝶通過遷移產(chǎn)生了相應(yīng)位置的變動(dòng)。

      (3)為了維護(hù)種群數(shù)量恒定,一只父代帝王蝶只能生育一只子代帝王蝶,且生育完成父代帝王蝶就會(huì)死去。若新生子代帝王蝶沒有表現(xiàn)出更好地適應(yīng)度,則子代帝王蝶被拋棄,父代帝王蝶保持完整(適應(yīng)環(huán)境),即通過適應(yīng)環(huán)境避免位置的變動(dòng)。

      (4)通過遷徙或適應(yīng)環(huán)境獲得最好適應(yīng)度的帝王蝶,將自動(dòng)運(yùn)用到下一次選擇中,該行為無法被任何操作終止,即確保了帝王蝶種群質(zhì)量不會(huì)隨著選擇的增加而下降。

      基于上述規(guī)則,標(biāo)準(zhǔn)帝王蝶優(yōu)化算法的迭代公式如下。

      遷移操作計(jì)算公式為

      (9)

      適應(yīng)環(huán)境操作計(jì)算公式為

      (10)

      4.3 改進(jìn)帝王蝶優(yōu)化算法

      標(biāo)準(zhǔn)帝王蝶優(yōu)化算法具有一定的搜索能力和收斂魯棒性,但當(dāng)陷入局部最優(yōu)解問題時(shí),缺乏有效手段打破該局部極值,全局搜索能力不斷降低,最終導(dǎo)致無法搜索出全局最優(yōu)結(jié)果。根據(jù)京津冀區(qū)域的人口分布特點(diǎn),引入輪盤賭策略對(duì)標(biāo)準(zhǔn)帝王蝶優(yōu)化算法進(jìn)行改進(jìn)。

      輪盤賭策略可以將個(gè)體數(shù)據(jù)被選中的概率與經(jīng)濟(jì)適用量數(shù)值大小構(gòu)建正比關(guān)系,同時(shí)也能防止經(jīng)濟(jì)適用量較小的數(shù)據(jù)直接被丟棄。輪盤賭策略基于以下規(guī)則:①數(shù)據(jù)個(gè)體的選擇概率,即經(jīng)濟(jì)適應(yīng)度數(shù)值大小越高的數(shù)據(jù),它被選中的概率就越大;②不同數(shù)據(jù)個(gè)體的概率累積,即將數(shù)據(jù)個(gè)體的選擇概率從大到小進(jìn)行累積,總和概率為1;③選擇隨機(jī)個(gè)體,即通過隨機(jī)生成0~1的數(shù)字找到對(duì)應(yīng)的概率區(qū)間,便選擇該數(shù)據(jù)個(gè)體。

      基于上述規(guī)則,輪盤賭策略的迭代公式為

      (11)

      (12)

      5 仿真實(shí)驗(yàn)與分析

      5.1 實(shí)驗(yàn)數(shù)據(jù)和環(huán)境

      為驗(yàn)證所提出的算法在逆向求解物流倉(cāng)儲(chǔ)中心選址問題中的正確性和有效性,采用京津冀選址數(shù)據(jù)集作為選址算例。采用Python框架進(jìn)行相關(guān)模型的編碼實(shí)現(xiàn),在Windows10操作系統(tǒng)上采用Intel core i7-10750H處理器進(jìn)行模型的訓(xùn)練和調(diào)試。

      5.2 物流區(qū)域劃分

      為驗(yàn)證改進(jìn)K均值聚類算法在區(qū)域劃分的優(yōu)秀性能,通過在京津冀選址數(shù)據(jù)集上劃分6個(gè)區(qū)域,并與K均值聚類算法、K-modes聚類算法、K-medians聚類算法進(jìn)行比較。同時(shí)提出了一種新的比較方法,通過引入固定點(diǎn)(114,36)作為起始點(diǎn),再運(yùn)用迪杰斯特拉算法得出6個(gè)區(qū)域的路徑和,其路徑和越小,所代表的聚類算法性能越優(yōu)秀。改進(jìn)K均值聚類算法區(qū)域劃分結(jié)果如表2所示,4種聚類算法實(shí)驗(yàn)結(jié)果如表3所示。

      表2 區(qū)域劃分結(jié)果Table 2 Regional division results

      表3 4種聚類算法聚類比較Table 3 Clustering comparison of four clustering algorithms

      對(duì)于京津冀選址數(shù)據(jù)集劃分6個(gè)區(qū)域問題,改進(jìn)K均值聚類算法取得了最小的路徑和。因?yàn)楦倪M(jìn)K均值聚類算法是對(duì)K均值聚類算法進(jìn)行了改進(jìn),增加了判定函數(shù),故運(yùn)算時(shí)間略高于K均值聚類算法,但同比低于K-modes聚類算法和K-medians聚類算法。故改進(jìn)K均值聚類算法具有較好的區(qū)域劃分性能。

      5.3 物流倉(cāng)儲(chǔ)中心選址

      通過改進(jìn)帝王蝶算法對(duì)物流倉(cāng)儲(chǔ)中心進(jìn)行逆向選址,從京津冀選址數(shù)據(jù)集提供的地理位置和經(jīng)濟(jì)適用量進(jìn)行仿真實(shí)驗(yàn),得出6個(gè)實(shí)際的經(jīng)緯度坐標(biāo)作為物流倉(cāng)儲(chǔ)中心的選址地點(diǎn),并與標(biāo)準(zhǔn)鯨魚算法(whale algorithm,WA)、標(biāo)準(zhǔn)螢火蟲算法(Firefly algorithm,F(xiàn)A)和標(biāo)準(zhǔn)蝙蝠算法(bat algorithm,BA)得出的結(jié)果進(jìn)行比較。同時(shí)提出對(duì)應(yīng)區(qū)域內(nèi)的所有數(shù)據(jù)點(diǎn)到選址點(diǎn)的距離和作為評(píng)價(jià)標(biāo)準(zhǔn),距離和越小,該選址地點(diǎn)越優(yōu)秀。改進(jìn)帝王蝶算法求得的選址地點(diǎn)如表4所示,4種優(yōu)化算法實(shí)驗(yàn)結(jié)果如表5所示。

      表4 6個(gè)區(qū)域選址地點(diǎn)Table 4 Six regional site selection sites

      表5 4種優(yōu)化算法選址性能比較Table 5 Comparison of location selection performance of four optimization algorithms

      可以看出,相較于其他3種優(yōu)化算法而言,改進(jìn)帝王蝶優(yōu)化算法對(duì)于選址策略具有更優(yōu)的求解結(jié)果,表現(xiàn)方式為對(duì)應(yīng)區(qū)域內(nèi)的所有數(shù)據(jù)點(diǎn)到選址點(diǎn)的距離和最小。改進(jìn)帝王蝶算法的迭代次數(shù)明顯較小,算法運(yùn)行時(shí)間也是最少,表明改進(jìn)帝王蝶算法有著較高的收斂速度和求解速度??傮w而言,相較于其他3種優(yōu)化算法,改進(jìn)帝王蝶算法可以更加快速、精準(zhǔn)地逆向求解出物流倉(cāng)儲(chǔ)中心的具體地址。

      6 結(jié)論

      針對(duì)京津冀實(shí)際地域的物流倉(cāng)儲(chǔ)中心選址缺失的情況,考慮到人口、物流和經(jīng)濟(jì)三者之間的關(guān)系,提出一種基于聚類特征的改進(jìn)帝王蝶優(yōu)化算法,在滿足精確求解選址前提的情況下,注重提高算法的全局搜索能力,提高了算法的收斂速度和經(jīng)度,通過完成其他函數(shù)的對(duì)比試驗(yàn),驗(yàn)證了算法的有效性,使其更加契合實(shí)際問題的解決。最終通過對(duì)算法構(gòu)建模型,并完成仿真實(shí)驗(yàn)和相關(guān)分析,結(jié)果表明所提算法符合實(shí)際的需求,求解結(jié)果、迭代次數(shù)和收斂時(shí)間均優(yōu)于其他算法,使得物流運(yùn)輸時(shí)間和成本都進(jìn)一步降低。

      猜你喜歡
      帝王均值京津冀
      走,去抓帝王蟹
      軍事文摘(2022年16期)2022-08-24 01:53:00
      她與帝王為鄰
      帝王蝶的瘋狂遷徙
      均值不等式失效時(shí)的解決方法
      均值與方差在生活中的應(yīng)用
      京津冀大聯(lián)合向縱深突破
      關(guān)于均值有界變差函數(shù)的重要不等式
      京津冀一化
      養(yǎng)老“京津冀一體化”謹(jǐn)慎樂觀看
      對(duì)偶均值積分的Marcus-Lopes不等式
      红河县| 新宁县| 高淳县| 民勤县| 武川县| 凤山县| 永川市| 九龙县| 竹溪县| 屏山县| 高邑县| 河北区| 乐业县| 昌邑市| 兰州市| 龙泉市| 舒城县| 大荔县| 淮北市| 武陟县| 呼图壁县| 泰和县| 武鸣县| 张家界市| 和龙市| 浦县| 理塘县| 长治市| 方正县| 静乐县| 邯郸市| 雷山县| 台山市| 永善县| 沾益县| 筠连县| 忻州市| 平遥县| 苗栗县| 泾阳县| 阳原县|