[發明專利]一種考慮交叉的倉庫網絡中在線零售商的倉庫選址方法

有效

• 申請號: 201711076449.6
• 申請日: 2017-11-06
• 公開（公告）號: CN108960474B
• 公開（公告）日: 2021-07-27
• 發明（設計）人: 陳燦;王一君;熊輝;劉峻銘;吳珊珊
• 申請（專利權）人: 杭州覽眾數據科技有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q10/08;G06K9/62
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙) 33240
• 代理人: 朱月芬

1.一種考慮交叉的倉庫網絡中在線零售商的倉庫選址方法，其特征在于包括如下步驟：

步驟1、給定顧客分布的集合、客戶物流滿意度的相關特征、顧客購置能力的相關特征；基于給定的特征和集合，利用人工神經網絡方法預測未來一年內的產品銷量需求；

步驟2、通過帶有距離權重的EM聚類算法來解決優化倉庫選址問題，接著通過層次聚類方法對問題大小進行歸約；

所述的步驟1具體實現步驟如下：

步驟1-1、銷量預測模型的輸入：

第k+1層的單元i由第k層的輸出α^k得到的，第0層的輸入α⁰是特征向量由于給定的特征來自于不同的因素和范圍，因此需要先將給定的特征經過公式1標準化到[0,1]，具體如下：

α⁰(i)＝f_i (公式2)

其中，α⁰是網絡輸入，是特征向量，f_i代表第i個特征，l^k+1代表k+1層的輸入端，是k層的線性組合，代表一個常量，代表第k+1層的權重系數，S_k第k層節點的總數，x代表一個變量，x_min代表變量x中的最小值，x_max代表變量x中的最大值；

第k+1層的單元i是通過一個sigmoid激活函數映射得到的；

步驟1-2、銷量預測模型的訓練：

為了降低銷量預測模型的預測誤差，該銷量預測模型需要通過訓練得到訓練集中輸入輸出對之間的關系，目標是使得預測誤差達到最小；所述的訓練集中每個輸入輸出對表示的是時刻t₁對應的特征向量

所述的步驟2具體實現步驟如下：

步驟2-1、通過帶有距離權重的EM聚類算法，快速地對最小化總成本問題獲得一個逼近全局最優的結果；

最小化總成本問題定義：

給定一個供應商坐標、顧客的坐標分布和顧客需求集合，選擇一組倉庫的集合和顧客分配到各個倉庫的策略，以最小化總成本；目前對于優化成本問題比較好的模型是MINLP，參看公式(5)：

式中：SW_j是供應商與倉庫j之間的運輸成本，WC_i,j是倉庫j與顧客i之間的快遞傳輸成本，是倉庫m與倉庫n之間的運輸成本；z_ij和y_j是二進制決策變量，如果倉庫j被選擇，那么y_j等于1；如果顧客i被分配到倉庫j，那么z_ij等與1，否則為0；

W_candi代表候選的倉庫，p_i代表第i個顧客的包裹需求，I_j代表需要發往倉庫j的總的包裹需求，C代表客戶總需求的集合，K代表固定的倉庫的個數，y_jm代表倉庫m的二進制決策變量，y_jn代表倉庫n的二進制決策變量；

通過MINLP模型來構建倉庫選址中的總成本，同時通過帶有距離權重的EM算法來解決優化倉庫選址問題，接著通過層次聚類方式對問題大小進行歸約，利用EM聚類算法來求得各個成本的權重；

1)假設倉庫位置已經確定，估計每一個顧客被分配到的指定倉庫，使得物流成本最低，來求得快遞運輸成本的參數，即z_ij，具體計算如下：

其中，l_i代表客戶，d_c代表倉庫到顧客的單元成本，d_s代表倉庫與倉庫之間的單元成本，D代表距離，s₀代表供應商，w_j代表倉庫，xⁱ表示通過公式5標準化后的顧客i的變量；

2)步驟1)結束后，根據固定的顧客分配，重新計算倉庫的位置以讓物流成本最低，來求得倉庫運輸成本的參數，即y_j；最優的倉庫位置需滿足其中T_ij和A_i滿足如下等式：

其中，l_i代表客戶，d_c代表倉庫到顧客的單元成本，d_s代表倉庫與倉庫之間的單元成本，C代表客戶的集合，W代表倉庫的集合，I_j代表需要發往倉庫j的總的包裹需求；

步驟2-2、通過一個自底向上的基于層次聚類的顧客需求對問題大小進行歸約，從而減少倉庫選址問題的復雜度。