[發明專利]一種基于N階近鄰分析聚類的配送中心選址方法

在審

• 申請號: 202010848654.5
• 申請日: 2020-08-21
• 公開（公告）號: CN112132184A
• 公開（公告）日: 2020-12-25
• 發明（設計）人: 張貴軍;陳馳;武楚雄;王浩文;李亭;周曉根
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06Q10/04;G06Q10/08
• 代理公司: 杭州斯可睿專利事務所有限公司 33241
• 代理人: 王利強

一種基于N階近鄰分析聚類的配送中心選址方法，首先，根據候選地址的地位位置信息，初始化研究對象的樣本數據集；然后，計算樣本點的N階近鄰距離和方差值，結合次序統計的相關原理來分析樣本數據點簇間特性，得到合適的聚類數目K值；最終，結合聚類算法將樣本數據集劃分為簇內相似度高的K的簇，最終均值向量對應的候選點即為配送中心的最佳選址。本發明提供一種實用性強的基于N階近鄰分析聚類簇的配送中心選址方法。

技術領域

本發明涉及機器學習、統計學分析、選址規劃、模式識別等領域，尤其涉及的是一種基于N階近鄰分析聚類的配送中心選址方法。

背景技術

物流配送中心選址問題是指在一個具有若干供應網點的區域內，選一個或者多個地址設置物流配送中心的規劃過程，它在整個物流系統中占有非常重要的地位，屬于物流管理戰略層的研究問題。由于配送中心選址的決策不僅直接關系到日后配送中心自身的運營成本和服務水平，而且關系到整個社會物流系統的合理化，同時配送中心的建設投資大、周期長、回收緩慢，且一經選定后就將長期經營，因此配送中心選址是配送中心建設項目規劃中首要也是至關重要的環節。正是基于配送中心位置的重要作用，迫切需要對其選址問題開展研究。

近年來，隨著人工智能領域的不斷發展，機器學習領域的研究方法，被成功地應用于許多傳統領域，并且取得了不錯的成果。聚類分析是機器學習領域中常用的無監督學習方法，它根據對象之間的差異性，把不同類的對象區分開。作為數據分析的工具，其重要性在各個領域都得到了廣泛的認可，聚類分析的目的是尋找數據集中的自然分組，將數據集分為幾個差異明顯的簇，簇是指相似元素的集合，聚類后的每一個簇內數據點的相似程度高，不同簇內的數據點差異性大。

目前，針對配送中心選址問題，通常采用的解析法、最優化規劃方法、啟發式算法等，此類方法通常求解時間復雜度高，求解精度很難保證，如啟發式算法，在尋優求解的過程中，常常會陷入局部最優解，導致最終的求解結果出現偏差。以配送中心的候選點為研究對象，采用聚類的方式，將候選點劃分為若干個合適的簇，選取最終各個聚類簇的聚類中心作為配送中心，也是一種效率較高的解決方案，但聚類算法大多數需要在算法運行前給定聚類簇的個數，才能很好地進行。然而，在大部分的實際應用過程中，通常聚類簇的個數是不可能事先知道的，而且也很難預先指定聚類個數，因此，如何選擇恰當的聚類個數是一個非常復雜而又必須面對的問題。

因此，目前的配送中心選址方法是存在很大的局限性，很難保證問題求解的精準性、求解的時效性，需要改進。

發明內容

為了解決現有的配送中心選址方法求解問題的精度低，時效性差的問題，本發明提出了一種基于N階近鄰分析聚類的配送中心選址方法，通過分析研究對象點分布特性，采用基于N階近鄰分析自適應地確定出合適的聚類簇數目，以此來指導聚類算法完成對配送中心候選點的聚類劃分，選取聚類后的每個簇中的聚類中心作為配送中心。

本發明解決其技術問題所采用的技術方案是：

一種基于N階近鄰分析聚類的配送中心選址方法，包括以下步驟：

1)根據候選點的地理位置信息，初始化為二維地理坐標特征的樣本點數據集D＝{x₁,x₂,...,x_M}，M為候選點的數量，初始化聚類數目K＝1；

2)定義為樣本點x_i的一階近鄰距離，即x_i與數據集中其他樣本點之間的最近距離，為樣本點x_i的二階近鄰距離，即x_i與數據集中其他樣本點之間的第二近距離；依次類推，為x_i的n階近鄰距離；

3)計算樣本點的n階近鄰距離，過程如下：

3.1)從數據集D中取出一個目標樣本點x_i，i∈{1,2,...,M}；