浅谈基于改善K.doc

　　浅谈基于改善K 基于改善K-means聚类的物流配送区域划分方 文导读：本论文是一篇关于基于改善K-means聚类的物流配送区域划分方法的优秀论文范文,对正在写有关于路径论文的写有一定的参考和指导作用,大，本文从解决实际理由入手，首先明确了使用聚类算法进行配送区域的划分可以使得到的区域比较紧密且更符合实际需求，然后分析了现有基于K-means聚类算法的优劣性，在此基础上设计了一种新的配送区域均衡的划分策略——改善的两阶段K-means聚类算法，并经过仿真实验验证了策略的实用性和有效性。　　［关键词］物流配送；区域划分 ［摘 要］ 在求解大规模的车辆路径理由时，首先需要将大规模复杂的配送X络根据一定的约束条件并利用相应的策略划分为若干个小规模的配送区域，而不同的配送区域的划分策略对最后优化效果影响很大，本文从解决实际理由入手，首先明确了使用聚类算法进行配送区域的划分可以使得到的区域比较紧密且更符合实际需求，然后分析了现有基于K-means聚类算法的优劣性，在此基础上设计了一种新的配送区域均衡的划分策略——改善的两阶段K-means聚类算法，并经过仿真实验验证了策略的实用性和有效性。 　　［关键词］ 物流配送； 区域划分； K-means 聚类 　　doi : 10 . 3969 / j . issn . 1673 - 0194 . 2010 . 24 . 028 　　［］A ［］1673 - 0194（2010）24- 0060 - 04 　　 　　１引言 　　 　　物流配送区域的划分是一个多约束、多目标决策的组合优化理由，属于ＮＰ难理由［１］，现行一般求解ＶＲＰ理由的算法时间复杂度大都为Ｏ（ｎ２），若按此计算规模为10 000个左右节点的车辆路径理由预计至少需要数百小时，因此在求解大规模车辆路径理由上需要寻找合适的解法。目前的解决思想是化整为零，各个击破。即首先将大规模复杂的配送X络根据一定的约束条件并利用相应的策略划分为若干个小规模的配送区域，然后逐个求解小规模车辆路径理由即在各子区域内设计最优配送路线，以此寻找到整个理由的近似较优解。 　　而在选择划分策略时，不同的配送区域的划分策略对最后优化效果影响很大，所以确定一种比较合理的划分算法对整个系统是非常关键的。目前配送区域划分的主要策略有扫描法和聚类算法。扫描法的基本思路是采用逐次逼近的策略求解物流配送车辆调度理由，一般适用于客户数目不太大且配送区域不多时；而当客户X点数目较大且配送区域较多时，则采取聚类算法，把大量的ｄ维数据对象（ｎ个）聚集成ｋ个聚类（ｋ ＜ ｎ），使同一聚类内的对象的相似性尽可能最大，而不同聚类内的对象的相似性尽量达到最小。也就是说形成聚类之后，同一个聚类内的对象具有很高的相似性，而且与不属于该聚类的对象有迥然的差异（即不相似）。由于聚类的特殊性，在物流系统中使用聚类算法进行配送区域的划分可以使得到的区域比较紧密且更符合实际需求。 　　在进行聚类时，主要有以下几方面需要考虑： 　　第一，聚类的数量。这是一个需要先行输入的数值，需要考虑到实际情况，根据每天总的送货量和单车容量进行计算得出。因为客户的需求每一个周期是不同的，所以每个配送周期开始时都需要重新计算该值。 　　第二，每个聚类内点应该相对集中，这样车辆就不会花费大量时间在行驶过程中。这也是聚类的基本原理之一。 　　第三，每个聚类的工作量应大体相当，这样可以避开某配送车辆送货格外少或者格外多的情况出现。 　　第四，每两个聚类不能有重合，否则会发生重复送货的情况；同理每一个点都必须包含在某一个类中。 　　第五，在实际应用中只考虑位于城区的客户分布，对于位于郊区的客户，可以利用城区的配送原理进行计算。 　　 　　２基于ＧＩＳ的两点间最短距离的确定 　　 　　ＧＩＳ环境下针对配送道路路线进行规划，将着重分析城市的道路X络图层，道路中两个节点间的最短距离的求解就是基于这个图层。在城市道路X图层中进行最短路径分析时，必须首先将现实中的城市道路X络实体抽象化为图论中的X络图的形式，然后通过X络分析来实现道路X络的最短路径分析。在实际应用中，城市道路X的表现形式一般为数字化的矢量地图，其X络空间特征中的交叉路口坐标和道路位置坐标是在地图上借助图形来识别和解释的，而为了能够高效率地进行最短路径分析，必须首先将其按节点和边的关系抽象为图的结构。这就需要对原始道路图进行预处理，建立其相应的X络拓扑关系。经过预处理后，当对城市道路X进行最短路径分析操作时，系统就可以直接从拓扑信息表中提取道路X的X络拓扑结构。将配送仓库和每个客户点之间的最短距离，以及每个客户之间的两两最短距离都保存到数据库中，为求解路径规划理由提供数据。 　　研究模型与ＧＩＳ结合时最大的理由在于：不再只是计算两两配送点之间的直线距离，而是利用地理