配送站网点分布

1、配送区域划分原则配送作为B2C电子商务物流系统的“最后一公里”，直接面对最终客户。B2C模式下，客户个性化需求明显，配送环节的整体能力直接影响客户对企业的忠实度，从而进一步影响企业的盈利能力。配送区域的划分，有利于对配送需求做出快速响应，满足客户个性化需求。配送站点的配送区域划分主要根据区域规模的大小、客户的分布情况、地理位置等因素来规划。配送区域的划分主要考虑配送任务的归属问题，即配送任务指派给哪个配送站点，原 则如下：各个配送站点的配送区域不会重叠；为啥不让重叠(2)客户距离配送站点的直线距离尽可能短，客户需求点归就近的配送站点配送，缩短配送的时间，提高配送效率。配送站点客户单元的划分是在

2、配送区域的划分基础上进一步进行的精细化划分，根据车辆装载量将客户分为不同的配送单元，需要考虑以下原则：配送单元内的客户群的需求特性、个性化要求(如配送时间)、地理位置尽可能相近；每辆车配送服务范围尽可能集中，使客户点间的行车时间最短，总里程尽可能少；每辆车所负责的配送单元，订单量需尽可能平衡？，提高每辆车的容量利用率，车辆尽可能满载。进行配送区域划分时使用的定量分析法主要有：空间填充曲线法(Space Filling Curves,SFC)、聚类分析(Cluster Analysis )、遗传算法等。定量分析的优点在于避免犯经验主 义的错误，避开了经验不足的限制。实际配送区域划分中，很难得到全

3、面的数据，定量分析法需要结合定性分析法一起使用，提高决策效率。这里我们采用聚类分析(Cluster Analysis )划分配送区域：聚类分析(Cluster Analysis )指的是将某区域的客户，按照他们地理位置、配送时间要求、配送量等属性的相似度进行分类，将具有相同属性的客户归类于同一配送单元中。在进行配送区域划分时，聚类分析通过“距离”和相似系数 衡量对象间的亲疏程度。考虑到“距离”度量客户间的亲疏程度易于实现，本文选择以“距离”衡量客户间的差异。实际应用中，明考斯基(Minkowski )距离使用的最多，如式(5.1)所示。式 61)1 )式中d ij表示客户点i和客户点j之间的“

4、距离”(广义距离)，xi表示客户点(i=1 , 2. . . n, iwj) , xik表示客户点xi的第k个特性(k=1 , 2. . . m)。在明考斯基距离应用中 q取 不同的值，代表不同的含义。 q 一般常取1, 2, 8,具体含义如表 5.1所示。表5,1明考斯基距离Table 5.1 Minkowski distanceq值公式1n1m4。)二 k=l绝对值距离?。(2)=k=O JI V)欧几里德距离，与实际中的距离 懒易为接近，使用得最多0Od (旬二 imx% - % MJ切比雪夫距离鉴于q为2时，明考斯基距离所表示的距离与实际距离概念相近，故本文考虑选用欧几里德距离为统计量

5、。在计算欧几里德距离时，各指标的量纲往往不一致，如一个客户点有位置、 货物运量、时间等属性，各个属性间的量纲不一致。各指标需进行无量纲化处理，无量纲化处理方法如表 5.2所示。表5,2无量纲化处理方法Table 5.2 dimensionless indexes method方法州优缺点极差标准化in标准化的效殊财溟的联值和 题唯当某一变量的极差源大爪其 原始懒通过魅标准化处理后献 械变翻占的权1雕差标触f T 一 丫0适合舲正态分布的原始数据也标准 差标准化去除了各指位间的差异也 不能全面反应瞬教跚包含的信息均值标准化v 4标准雌同时用以保留各指标般异 差异信息动态聚类分析法在处理大样本问题

6、时， 则有巨大的优势，相比系统聚类分析法需要较少的计 算机内存及较少的运行时间。其基本流程如下：Stepl：选择一批凝聚点，计算每个样本到各个凝聚点的距离，将样本归并到离其最近的凝 聚点；Step2：约定最优原则？，按最优原则修改分类；Step3:重复Step2,直至所有分类都已合理。目前应用最广泛的动态聚类算法是K-means算法，主流的统计分析软件都集成了K-means算法，该算法是典型的基于距离划分的聚类方法，易实现、效率高、时间复杂度低，比较适合于大规模B2C末端配送单元的划分。K-means算法常采用误差平方和准则函数作为聚类准则，其基本思想是将n个数据对象的数据集划分为 k个聚类（

7、其中k w n）,基于给定的聚类目标函数，以目标函数最小为指 导，不断的进行迭代更新， 直到聚类结果不再改变，即停止迭代，视为得到较优解。K-means算法如图5.2所示。开始喷出聚美结果一、配送区域划分减少车辆相对配送距配送区域的划分方法主要以配送站点到客户需求点的距离最短为指导， 离，实现整体快速配送，思路如下：5.2）所示；式（5.2）Stepl:计算n个配送站点到 m个客户需求点间的相对距离，如式（D = （x.-x.） + （V. - vj2：l / jm Jr rS j/ |t Jf J其中（xi, yi）代表客户需求点坐标，（xj, yj）代表配送站点距离，D为距离。Step2：

8、按各个配送站点到客户需求点的距离，由近到远依次排序；Step3:按相对距离的远近，将客户需求点，分配给各个配送站点，配送区域划分的示意图 如图5.3所示。八 tx oa 电 0 o。o o 、的 Ono。眦 %嗓0 o 啸Oo。 oo o嘈麝铲ao oo0 口o%。砂Qo名翼小口8OO 凸电 m00 OoO o o 8%d%。 8Q8零4米 3%/00(9-。料寐o -0 0 000能簪。O o 承 oo%? 8 皿3 。”品8 8PtpGCFQy8a 4O % 口。口角&50010001500二、配送站点的客户配送单元划分客户配送单元的划分是在配送区域划分基础上的精细化划分。配送站点的客户配

9、送单元划分可描述为：假设某个配送站点服务区域内订单量稳定，每天都有足够的订单量。 配送站点有m个客户需求点，每辆车辆的额定容量都为V ,每个客户需求点的需求量为di (i=1 ,2. . . m),根据客户需求点与配送站点的距离、配送时间的要求将客户划分为多个配送 单元。配送单元区域划分的数学模型可描述为：minSSk-z*fg 1式(53)式(5.4)j ,第n个数据点不属于第k类第力个数据点属于第k类符号说明：xn ：第n个客户点的各种指标；zk：第k个聚类中心的各种指标；dk：第k个聚类中各个客户点货物需求量。配送单元划分的求解算法基于K-means算法的优越性及便捷性，考虑使用K-me

10、ans算法对配送站点的各配送单元进行划分。由第三章的分析可知，B2C模式下的配送特点是“小批量，多批次”，客户所下订单，包裹以轻便型为主，所定包裹体积（或重量）相对差异不大，故不将客户节点所定 的包裹的体积（或重量）作为聚类分析的统计量，只在最后核查配送小单元中的客户节点包 裹体积（或重量）总和是否超出车辆额定的容量（或重量）时，考虑配送小单元中的总的包 裹体积（或重量）。聚类分析时，主要考虑客户点间相对距离及配送时间的差异。现有的K-means改进算法在处理配送单元客户总需求是否超过车辆额定配送容量流程：（1） 一种算法的思路为：在进行聚类分析的过程中，不断累加聚类中各客户需求量，若客户需求

11、量超出配送车辆的额定容量，则弹出；将弹出点归并到其它聚类中，直到所有客户点分类完成。但这种弹出机制的设定，漏洞：很有可能将离聚类中心较近的客户点剔除在该聚类之外。（2）另一种算法的思路为： 设计了带权重的聚类质心，重点考虑客户需求量对聚类的影响，在做距离比较时，不采取1:1的比率，而是采用和权重有关的度量方式。但是，在B2C模式下，各个需求点的配送需求量都是以“小批量”的形式配送，需求量对聚类分析的影响并不大。本文中的聚类分析的流程如下所示：Stepl:聚类中心个数的确定， 本文通过确切的所需的配送车辆数来确定聚类中心的个数K,如式（5.5）所示。式(5.5)其中为全部客户配送量之和，为取整函

12、数.Step2：配送单元聚类分析统计量的确定，主要通过综合考虑配送站点离客户的相对距离及客户的时间要求，来确定聚类分析的距离，无量纲化处理选用均值标准化；Step3:利用 R统计软件进行 K-means聚类分析。Step4：聚类分析结果的微调。判断每个配送单元的客户需求总和，是否超出了配送车辆的额定容量；若超出，将离聚类中心最远的客户点剔除，归入到其他邻近的配送单元中。Step5:重复Step4,直到所有配送单元中客户需求总和不超过配送车辆的额定容量。聚类流程分析上述聚类分析的流程中，聚类中心的个数是通过所有客户需求量除以单辆车辆的容量计算所 得。一方面可使各辆车的配送量相差不大，不会出现单个聚类中客户的配送量远超过车辆额定的容量的情况，适合在聚类完成后对聚类分析结果进行微调。另一方面