基于BP神經網絡的物流網點規劃設計

席釕姿，劉 昊，王 鑫，張 磊，武薏敏，劉 秦

（1.湖南工學院 安全與環境工程學院，湖南 衡陽 421002；2.湖南工學院 計算機與信息科學學院，湖南 衡陽 421002；3.湖南工學院 經濟與管理學院，湖南 衡陽 421002）

1 引言

如今市場各種類型的物流公司都在不斷擴大其服務的輻射范圍，力圖實現物流網點的最大輻射范圍和最佳利用率。物流企業的物流中心選址決策在其公司的項目計劃中與物流企業的營業利潤和企業的穩定發展有著直接的聯系，物流網點在整個快遞企業物流系統中起著承上啟下的關鍵作用，是貨物郵件接收地與發送地之間連接的中間橋梁。正確的物流中心選址是能否成功建立快遞系統過程中決定性的一步。所以對物流網點選址方法的研究和選用是確定物流網點經營成功與否的決定性因素之一。

一些現有的快遞企業在進行物流中心位置選擇時并沒有仔細地考慮各種影響因素，而是大致地選擇了某個特定的區域來進行建設，這樣的物流中心將會在以后的長期運營中逐漸出現因其選擇位置決策錯誤所帶來的隱患，其對于正處在快速發展下的快遞企業來說極其不利。選址決策是實現物流系統高效運營最重要、最困難的決策，屬于長期的戰略決策。同時設施選址是一個十分古老而又經典的問題，古代的選址決策往往以經驗、制度甚至迷信思想為依據，缺乏科學性。1909 年德國學者韋伯第一篇選址論文的發表標志著設施選址問題進入到科學研究時代，Hakimi 于1964 年發表的關于網絡多設施選址的論文是設施選址問題發展為一個系統、科學理論的里程碑。此后，設施選址問題被引入一個更寬廣的領域,包括生產中心選址（Eilon,etal,1971）、交通樞紐選址（Wirasinghe & Waters,1984）、變電站選址（Hochbaum,1982）等，選址理論研究進入繁榮時期。進入20 世紀80 年代以后，現代物流理念的產生，則使得設施選址理論的研究內容更加豐富。

為了解決由多個因素組合而成的物流網點選址問題，提高物流網點選址的戰略性，本文提出了基于BP神經網絡的物流網點選址方法。對已有物流網點進行分析，建立三層BP 神經網絡，利用該BP 神經網絡對湖南省各個市的決策指標數據進行處理，得到最佳的物流網點選址方案。

2 基于BP 神經網絡的物流網點選址設計

本文以湖南省某物流公司為例探討基于BP 神經網絡的物流網點規劃設計，該公司主營公路零擔貨物運輸，目前在湖南省已建立網點38 個，計劃在2018 年12 月實現市區網點30 家；2019 年12 月實現新增市區網點10家；2020年12月實現新增市區網點10家，達到可以覆蓋各市區的網絡。

2.1 物流網點選址的影響因素

實際選址面臨復雜環境，物流網點的功能和服務特性決定了物流網點布局的城市邊緣、交通條件以及網點用地等。總的來看，零擔貨物配送網點的選址需要考慮客戶分布、經濟環境、經營環境因素、交通條件因素、其他因素五大因素。根據這五個一級指標選取了21個二級指標，具體見表1。

表1 影響選址指標

2.2 建立網點選址模型

2.2.1 確定網點選址決策的指標體系。由于在確定影響物流網點選址因素時，所選取的指標往往存在相互影響的關系，收集到的數據存在單位不統一的問題，難以統一處理，因此對原始數據進行隸屬度處理建立模糊評價矩陣，再對模糊評價矩陣進行主成分分析，對前文所選出的21 個影響因素進行處理之后得出5個影響最大的組合主成分，從而構成網點選址決策的5個指標體系。

（1）建立模糊評價矩陣。搜集已有的正在運營的網點和預選方案的5個一級指標及其21個二級指標的詳細歷史數據資料，對長沙市、株洲市、湘潭市、衡陽市、邵陽市、岳陽市、常德市、張家界市、益陽市、郴州市、永州市、懷化市、婁底市、湘西自治州的數據，經過隸屬度處理得到模糊評價矩陣，結果見表2。

（2）進行主成分分析。對模糊評價矩陣進行主成分分析，21個指標標準化后的初始特征值、累計貢獻率以及各個指標在每個主成分的權重見表3、表4。

由表3 可以看出，前5 個主成分可代表原指標93.289%的信息量，所以可用前5個主成分作為BP神經網絡的輸入。由表4 可以得出每個指標在主成分所占權重，從而計算出長沙市、婁底市、邵陽市、常德市、岳陽市、株洲市、湘潭市、郴州市、張家界市、衡陽市、懷化市、永州市、湘西市、益陽市在五個主成分的得分，具體見表5。

表2 地州市模糊評價矩陣

表3 地州市主成分分析總方差解釋

2.2.2 設計BP神經網絡模型

（1）確定網絡節點。根據上述分析得知一共有5個主成分，所以選擇5 個輸入，即輸入層有5 個節點xi(i=1,2,...,5)分別表示每一個樣本的5個主成分；經過分析隱含層設置為4 個節點。最終要得到各個城市的評價值，所以輸出層只需要1個節點。

表4 地州市主成分分析成分矩陣

表5 地州市主成分分析得分

（2）建立傳遞函數。傳遞函數是BP 網絡的重要組成部分，必須是連續可微的，BP網絡常采用S型的對數或正切函數和線性函數。在這里取輸入層到隱含層的傳遞函數為tansig；隱含層到輸出層的傳遞函數為logsig；訓練函數為Trainlm。

（3）確定訓練速率。網絡訓練的速率是非常重要的問題，如果太大會使結果十分震蕩，但是如果太小模型很難收斂到一個點上。所以，在網絡設計中可以用不同的速率進行運算，然后在這些情況中選擇一個最好的訓練速率，其一般取值在(0.01，0.6)之間。在這里取值為0.3。

（4）迭代次數。需要設置一個最大的迭代次數，如果長時間不能收斂，得到相應的結果就得設置一個最多迭代的次數，如達到這個次數還沒有收斂出結果，就自動終止運行。本文把最大迭代次數設置為1 000次。

綜上得到各個參數及取值見表6。

表6 BP神經網絡模型各種參數訓練表

2.2.3 訓練神經網絡

（1）建立選址目標的訓練網絡。將主成分分析后的新指標作為BP 神經網絡的輸入，并在MATLAB上運算程序得到一個逆向的學習模型和最優連接權值。

訓練代碼如下：

clear

p=[2.835 345 984 0.663 264 597 -0.203 929 14

0.000 756 11 0.000 906 214 ;

0.912 126 741 0.261 053 62 0.010 984 141 0.002 949 431 -0.104 106 081;

0.789 706 613 0.144 855 771 -0.013 161 939 0.003 665 237 -0.130 283 917];

t=[1 0.79 0.74];

p_fore=[1.091 384 917 0.245 207 383 0.047 018 996 0.001 484 083 -0.137 434 03;

0.793 239 038 0.142 809 86 0.084 913 331 0.002 855 883 -0.108 933 877;

0.814 993 113 0.292 465 007 0.000 692 087 0.002 611 506 -0.127 976 822;

0.550 958 1 0.366 217 291 0.098 668 241 0.004 969 056 -0.010 155 744;

0.574 634 199 0.046 959 401 -0.014 469 694 0.005 013 778 -0.112 517 673;

0.590 366 7570.169 374 5540.004 805 233 0.003 971 782 -0.105 186 761;

0.617 834 911 0.283 746 295 0.016 470 456 0.003 078 037 -0.107 884 651;

0.580 637 0270.233 245 823 0.068 935 204 0.004 120 578 -0.067 414 393;

0.579 217 21 0.170 064 205 0.047 830 268 0.002 363 84 -0.096 747 32;

0.324 152 7690.281 946 952 0.047 368 062 0.005 405 754-0.048 955 169;

0.484 672 787 0.093 459 083 0.049 787 872 0.003 890 07 -0.086 697 753;

];

net = newff(minmax(p')，[4，1]，{'tansig'，'logsig'}，'train

lm')

net.trainParam.epochs=1 000;

net.trainParam.lr=0.3

net = train(net，p'，t)

y = sim(net，p')

error = y-t

訓練結果如下：

y=

1.000 00.790 00.740 0

error=

1.0 e-006*

-0.431 9 -0.000 6 -0.000 5

y和error表示實際輸出和誤差，可以看到誤差已經是10 的負6 次方的量級了，已經達到了要求。故訓練得到的網絡可以用來對預選網點進行處理。

p[1]表示矩陣的第一行也就是第一個樣本長沙市的數據，共有5 個數據，其中每一個數據就是一個主成分，也就對應了每一個輸入。

p[2]表示矩陣的第二行第二個樣本婁底市的數據，共有5個數據，其中每一個數據就是一個主成分，也就對應了每一個輸入。

p[3]表示矩陣的第三行第三個樣本邵陽市的數據，共有5個數據，其中每一個數據就是一個主成分，也就對應了每一個輸入。

其中t 矩陣中的1 表示對長沙市的打分，0.79 表示對岳陽市的打分，0.74 表示對婁底市的打分。t 矩陣也就是網絡的期望輸出值。

‘tansig’表示輸入層到隱含層的傳遞函數。

‘logsig’表示從隱含層到輸出層的傳遞函數。

‘trainlm’表示訓練函數。

net.trainParam.epochs=1 000 表示訓練的次數為1 000 次，當訓練了1 000 以后，網絡就會停止學習輸出結果。

net.trainParam.lr=0.3表示訓練的速率為0.3。

y表示按照net完成訓練以后的實際輸出值。

error 表示實際輸出值減去期望輸出值，也就是誤差。

2.2.4 用經過訓練的網絡對預選網點數據進行處理。訓練代碼如下：

訓練結果如下：

圖1 是1 000 次訓練時誤差的變化曲線圖，可以看到在經過1 000次的訓練以后，網絡已經穩定。

圖1 地州市預選網點迭代曲線

y0的每一個輸出是按照每一個輸入層的數據依次得出來的，所以0.837 8 表示常德市的輸出值，0.625 7 表示岳陽市的輸出值，0.850 6 表示株洲市，0.683 4 表示湘潭市，0.421 4 表示郴州市，0.588 7 表示張家界市，0.661 7 表示衡陽市，0.577 7 表示懷化市，0.522 0 表示永州市，0.572 1 表示湘西自治州，0.560 1 表示益陽市的輸出值。評價值越高，表示在此地建立物流網點越好，將三個學習樣本長沙市、邵陽市、婁底市和測試樣本即常德市、益陽市等14個市的得分進行排序，結果見表7。

表7 地州市結果排名

通過對現有網點的分析，對其進行打分，分數越高代表這個物流網點的經營越好，所以預測網點的分數越高，代表越適合在這個地方新建物流網點。

2.3 根據BP神經網絡得出的結果，選擇最后的方案

為了實現公司三年的網絡規劃目標，首先利用BP神經網絡對湖南省的14個地州市進行排名，然后在排名中選擇出該市排名最靠前的市區，從而實現公司的網絡規劃目標，即2018年12月市區網絡為30家；2019年12月市區網絡新增10家；2020年12月市區網絡新增10家。

3 結語

本文基于BP 神經網絡物流網點選址模型對物流網點進行了規劃設計。以湖南省某物流公司為例，首先根據公司實際情況選取了5個一級指標以及21 個二級指標，并收集湖南省各個市州的二級指標數據。由于數據存在相互影響的關系，難以統一處理，利用隸屬度處理得到模糊評價矩陣，再對矩陣進行主成分分析，確定新的決策指標體系，作為BP神經網絡的輸入端。建立三層BP神經網絡，利用該BP神經網絡對湖南省各個市的決策指標數據進行處理，得到各個市州的總得分。依據BP神經網絡選址模型，得出預選市級網點排名，選擇地州市排名靠前的市，逐步實現該公司未來三年的物流網點計劃?；贐P 神經網絡物流網點選址模型綜合考慮了物流網點影響因素的全面性、復雜性，是一種快速、高效的選址方法，可以提高物流網點選址的戰略性。