论文部分内容阅读
本文讨论的主要内容是物流中心选址问题。通过将无容量限制的物流中心选址模型中传统的点对点运输路线转化为更贴近实际的连续圈式运输路线,使得模型更具实际意义。计算方法则通过将离散粒子群思想融入K-Harmonic means聚类分析算法中,并将其用于模型的求解,通过数值实验证明了算法的优越性。论文第一部分介绍了物流中心选址问题研究的意义以及物流在现代社会生活中的重要作用;通过对前人所做工作的总结以及当前存在的主要问题,提出了利用聚类分析的思想进行物流中心选址模型的计算,并将离散粒子群思想融入到聚类分析中。第二部分回顾了物流中心选址问题的起源、发展历程以及目前的研究状况,先后介绍了物流中心的概念、功能以及各种目前比较流行的选址模型,对各选址模型的特点、算法进行了初步的总结;重点介绍了本文所使用的无容量限制的单阶段模型,并对解物流中心选址模型的一般方法做了较系统的总结。第三部分对聚类分析进行了概述,从数据挖掘的产生、发展到目前的发展状况做了较详细的介绍;重点介绍了数据挖掘中的重要分支聚类分析,对聚类分析的定义、类内测度距离、类间测度距离都做了详尽的说明;详细分析了两种聚类方法:分层次聚类法和K-Harmonic means聚类法,并对他们的优缺点以及适用范围进行了讨论。本文主要内容是第四部分和第五部分。通过对上述物流中心选址问题、聚类分析的介绍,试图将其相结合,即通过聚类分析的思想来研究物流中心选址问题。将所要研究的需求点集进行聚类分析,得到几个子集,每个子集由一个物流中心供应产品,然后利用解中国邮递员问题的方法对各子集进行串联,即得到每个子集的运输费用,从而将传统的点对点运输路线修正为更贴近实际的连续圈式运输路线,并通过数值试验证明了本文思想的优越性。第五部分介绍了粒子群算法的产生与原理以及连续型粒子群算法和离散型粒子群算法的区别与联系并将离散粒子群的思想引入聚类分析,结合K-Harmonic means聚类法较强的局部搜索特点和粒子群思想的全局搜索特点,得到了一个能够更快地接近最优解的K-Harmonic means聚类法的改进算法,最后通过数值试验证明了所给算法思想的有效性。最后,对论文所做的工作进行了总结,并对以后的工作进行了展望。