论文部分内容阅读
电子商务的普及促进了物流行业的发展,然而与发达国家相比我国物流业仍处于起步阶段。物流信息化的程度较低,配送成本较高成为了急需解决的问题。物流路径的选择是物流体系当中至关重要的一环,路径直接决定了物流配送的效率。因此物流路径优化对降低企业成本、提高物流配送效率、合理资源配置有着重要的意义。物流路径优化问题的核心就是车辆路径优化(Vehicle Routing Problem),即VRP问题。关于该问题,主要有三类研究:中心选址、局部路径优化、具有时间窗约束的应急路径优化等。这些研究主要从局部的角度获取最优解或者对优化解执行二次优化等,并没有对整体物流路径进行规划。针对局部优化物流路径效率低下,无法在全局上实现实际需求应用的问题,本文利用先整体后分解的思想,建立了一种基于区域路径优化的物流路径优化ZROM(Zoning-Routing Optimization Model)模型,提出了一种混合聚类KM-A方法对模型求解。为了提高方法对大数据集的处理效率,基于Hadoop平台对算法进行并行优化,实验结果证明了并行KM-A方法的合理性及有效性。本文的主要工作及创新:(1)利用先整体后分解的路径优化思想,对我国整体物流网络进行区域划分。在区域内部进行详细的路径优化,构建了一种基于区域划分的物流路径优化ZROM模型,给出约束条件并基于约束函数推导简化模型的目标函数。(2)利用基于一定权重降低离群点敏感度影响的聚类分析K-Means算法结合基于一定容忍度代价剪枝的Apriori频繁序列模式挖掘算法,提出了一种混合聚类KM-A方法求解ZROM模型。为了验证KM-A方法的正确性,对标准物流路径数据集进行多次仿真实验。实验结果验证了方法的合理性及有效性。(3)基于分布式计算框架Hadoop平台的MapReduce编程架构对KM-A方法进行并行化改进。分别对区域划分以及区域内路径优化的Map、Combine、Reduce阶段进行研究,并对标准物流路径数据集进行实验分析,通过多次仿真实验结果从加速比和可扩展性两方面表明并行KM-A方法提高了数据处理的效率,证明了并行化KM-A方法的合理性及有效性。