一种用于货物联运物流中心选址方面的概念模型.docx
《一种用于货物联运物流中心选址方面的概念模型.docx》由会员分享,可在线阅读,更多相关《一种用于货物联运物流中心选址方面的概念模型.docx(21页珍藏版)》请在冰点文库上搜索。
一种用于货物联运物流中心选址方面的概念模型
一种用于货物联运物流中心选址决策的概念模型
YasanurKayikcia*
aGrazUniversityofTechnology,ViF,Inffeldgasse21a/2ndfloor,A-8010,Graz,Austria
摘要
市区货运交通拥堵和空气污染的日益加重,加之在土地开发利用上不断加剧的失衡、低效,迫使政府当局和用户尽快找到可以替代的物流解决方案,以缓解货运交通拥堵问题。
通过以顾客为主导,按户送达上门服务,增强不同方式的优化整合,来提供一个有效的,具有成本效益的运输系统。
在实现社会经济和环境的可持续性方面,货物联运物流中心扮演了一个非常重要的角色,同时也有利于商家之间的竞争。
在商业中心内,为达成商业目标,一个有效的物流中心不仅会产生巨大的利润和投资回报率,而且会显著提高其竞争优势。
在提高城市货运系统效率和初期相对充足的供应链方面,物流中心的选址是其关键因素。
因此,政府当局在宣布物流中心区之前,应当考虑在强大的经济环境和社会影响方面任意决定的重要性。
本研究的目的在于探寻一种适用的新方法,以使在决策过程中选择最适应的位置,这一方法的概念模型是基于模糊层次分析法(AHP)和人工神经网络(ANN)法。
实例中所提到的模型概念是数值实例。
关键词:
选址问题;联运货物物流中心;选择;决策;模糊层次分析法;人工神经网络
1.引言
在欧洲的城市区域规划中,多式联运物流货运和客运在当今激烈的竞争环境下正显现出非凡的形象。
全球供应链系统的变化需求,综合信息和通信技术的快速推进,也正由投资者,城市规划者和环保主义者共同进行更仔细的研究。
欧洲交通部门预测显示交通量将有显著增长,预计到2020年货运量将增长30%,客运量将增长20%。
然而,交通量的飞速增长,正使城市环境恶化(像环境污染,交通拥堵,交通事故,尾气排放,对矿物燃料的依赖等)。
在经济发展,可持续性和社会公平等方面,货物运输是一个非常关键的保证系统,已成为越来越多解决冲突的核心问题。
此外,通过提高运输效率,严谨的进行物流中心选址,涉及运输的环境问题能够得到改善。
在整个地区的物流中心中,长期运输可持续发展规划的一个主要目标是为发展不同运输模式下最理想的综合体而创建一个框架。
T通过无缝的以顾客为主导的上门服务,能够高效、物有所值的使用运输系统,同时也利于运营者之间的竞争(BabkockandGerman,1989)。
在欧盟区内的运输政策,很多物流中心是为了加强联运性和可操作性而建立。
这些物流中心在强化物流服务和使其达到最佳起到了关键性作用。
随着货运效率的提高,在其供应链方面,它提供了一个实用性的手段,以解决城市交通拥堵问题。
因此,要鼓励创新和降低运输成本,并将精力集中在多式联运的可操作性和物流运作方面。
联运货物物流中心是由一组优质的工业,联运,配送,有一定边界的物流建筑组成,并为每个使用者提供一系列的服务。
从一种到另一种货运模式的转化,产生很少的负面环境影响,这方面它有很高的可及性(McCalla,2001;Weisbrodetal.,2002).。
在提高城市货运系统效率和初期相对充足的供应链方面,物流中心的选址是其关键因素;因此物流中心的选址应当缜密选取;否则会在城市规划中产生不可弥补的后果,也可能会产生一个导致运输成本迅速增加的瓶颈。
所有关于选址的决定都应被考虑到,并要做到计划周密。
因此,政府当局在宣布物流中心区之前,应当考虑在强大的经济环境和社会影响方面任意决定的重要性。
设施选址和规划能力问题几年前已经利用不同的运筹学技术得到了解决。
物流选址地点分析长期以来一直被认为是最重要的综合设施决策问题之一。
在一个真实的系统中,选择最合适的位置应当考虑和评估许多不同因素的影响,这些影响会导致大量不确定因素。
此外,选址问题的选取标准,依赖还是独立的界定是很难区分的。
大多数常见决策模型如线性规划模型(LG)、混合整数规划模型(MIP)和目标规划模型(GP)等,通过相加性和独立性假设的正确性来说明给定情况下的次级标准的相互关系时存在局限性,而且在有效数据处理能力方面应用成本很高,因此,它们仅能用于解决中型大小的简单问题。
本研究的目的在于探寻一种使用的新方法,以使在决策过程中选择最适应的位置,这一方法的概念模型是基于模糊层次分析法(AHP)和人工神经网络(ANN)。
在研究中,确定了以合适文献为基础的依赖于独立关系的影响因素。
在此,模糊层次分析法的扩展技术用于每个选定标准派生的重点。
人工神经网络(ANN)是用于解决多准则决策(MCDM)的,以获得选址问题最佳的模型配置。
ANNM使用的是Matlabv.6.5版本。
这一模型的提出能帮助实际工作者(如公众决策者,政府当局)作出关于考虑到的标准和有利于城市物流问题的决定。
此外,这一模型的结果可以用来开发一种能解决在复杂决策环境时选址问题的软件程序。
最后,被推荐的概念模型用来展示给定最佳解决方案的实证案例研究,此外,对如何提高每个子标准,以减少现实和理想的性能值之间的差距,最终确定最合适的多式联运货运物流在市区位置,研究结果提供一些临时性的评价。
2.LiteratureReview文献回顾
为了解决选址问题,已经提出了许多经典的和启发式的方法,如线性,非线性规划,辛普列斯算法,拉格朗日松弛理论,分支—切割方法,分支定界法(Mayer和瓦格纳,2002年),局部定向搜索法,tabusearch(Glover,1993年),人工神经网络,模糊控制法,层次分析法(Janic和雷贾尼,2001年),泛型演算法,专家系统,多代理系统等。
但是,常用的选址方法也有很多与添加到选址模型上所有指标的不足相关的局限性。
这些模型通常与许多基本要素组成,例如:
目标函数,潜在地点,目标要求,距离或时间矩阵,和一些分配规则(ChiandKuo,2001)。
使用MCDM方法进行与选址决策相关的不同研究已普遍开展。
例如使用eightedfuzzyfactorratingsystem的物流中心选址(OuandChou,2009),三阶段层次选择与配送中心的选择(VinhVanandDevinder,2005),利用QFD法(质量功能展开QFD(QualityFunctionDeployment))物流配送中心选址问题(Chuang,2002),模糊层次分析法与选址问题(Kaboli,etal.,2007),动态双钻石模型与物流中心选址(Wangetal.,2005),基于基因演算法和模糊综合演变的物流配送中心(RenandWang,2006),多目标评价模型与联运货运枢纽选址(SirikijpanichkulandFerreira,2005;2006),基于模糊层次分析法和TOPSIS的物流中心选址(WangandLiu,2007),基于熵权的模糊多目标决策法的物流中心选址(ChenandLili,2006),多目标评价模型与设施或厂区选址(FarahaniandAsgari,2007),设施选址也层次分析法(YangandLee,1997),便利店选址与模糊层次分析法(Kuoetal.,2001),港口选址与层次分析法(Ugbomaetal.,2006),逆向物流选址(Kannanetal.,2008),物流中心网站选择的因素和方法(ChenandLiu,2006),物流中心选址和fuzzy-AHPandElectreMethod(GhoseiriandLessan,2008)和多式联运枢纽位置(AshayeriandKampstra,2002).在这项研究中,模糊层次分析法和人工神经网络结合使用,以使这些方法在选址决策问题上利用复杂的多维数据产生更好的结果。
尽管智能计算能力增强,但模糊逻辑和人工神经网络还是有些缺点。
拟议的两种方法混合模型持续性为改善结果提供了一些优势。
3.Methodology
如图1所示,该模型包括两个主要阶段和四个附加组件(I)Fuzzy-AHPphase;模糊层次分析法阶段
(1)模糊扩展,即模糊AHP的层次结构发展
(2)权重确定(3)数据采集(II)人工神经网络阶段(4)基于人工神经网络的决策。
被挑选出的模糊层次分析法分层结构的评定标准和次级标准取决于与决策者(专家)面谈和文献回顾。
各自标准的数据通过调查收集。
应用人工神经网络的模糊AHP计算权重,在货运物流选址中选择“最合适的替代品”。
关于模型的详细讨论将在以下的小节提出。
3.1.模糊层次分析法
模糊层次分析法最初由Saaty(1980)在二十多年提出,广泛用于多准则决策模型。
模糊层次分析法能有效处理定量和定性数据以分层次彻底解决问题所在以及关于从总体目标(例如选择适当的分配方法)到子目标(如最大限度地降低成本,最大限度地提高过程能力)中的关系中提到的关于层次水平的子元素。
层次分析法有三个主要阶段组成,如图2所示;
(1)层次问题分解:
识别决策问题和总体目标,这一问题分解为子层级元素(这些子元素由不同的层次结构构成,从顶级通过中级到达下一级,通常包含有限个决定要素)。
(2)评价阶段:
在一个特定水平上各个元素的相对重要性通过成对比较过程来判断。
决策者为使用量表的每一要素的优先权提供一些数值。
(3)综合归类:
各个等级元素的优先权重使用特征向量或最小二乘法计算。
每个层次都要重复这一过程,直到通过整体复合权重得到一个最终结果(Saaty,1980)。
图1联运货物物流中心选址模型结构设计流程
图2层次分析法层次结构
层次分析法需要将数值进行认知转化,在对于任何给定标准的任意两种属性之间不断地通过各种机制如利开特式量表(1-3-5,1-3-9or1-5-9)量化“决策者”的感知力。
随后,层次分析法利用适当方法来估测决策元素相对权重,最终将其聚集以得出结果。
然而,人的定性评估总是主观的,因此不够精确,人们用语言来表达自己的感受或判断时本质上是模糊的(Kuo等,2009)。
尽管数值范围有简单易用的优点,但它不考虑与一个人的看法(或判断)对某数字的映射相关的不确定性,因此,它提供了一个有限的数值评级来约束选择决策者的各种口头态度。
因此,为了获得一个更强大和更多面向对象的层次分析法的过程,模糊集理论可以应用层次分析法确定之间的关系。
在选址问题上,不同文献中构造了不同的模糊层次分析模型。
在该模型中,即确定加权因数的模糊层次分析法在Chang(1996)的模型中被应用。
下面给出Chang程度分析模型的步骤:
第一步:
一个特定的模糊集合F={x,μF(x),x∈R},其中x取值是一条直线R:
(−∞≤x≤∞),μF(x)是从R到闭区间[0,1]的连续映射。
一个三角形模糊数可以表示为M=(l,m,u)。
它等同于从属函数μF(x):
R→[0,1]。
当l≤m≤u.,l和u分别是M的上下值,并且m是M的中值
Wheni=m=u时,它是一个约定的非模糊数。
语意变数是一个通过语言表达价值标准的可变因素。
语意变数的概念,处理那些太过复杂或以常用变量表达式不能很好地表达的状况时是非常有用的(Zimmermann,1991)。
此模型中使用的语意变数可以用每个标准的正三角模糊数表示,如图3。
表1中,与语意变数匹配,并提供相应的从属函数。
拟议的方法采用在模糊层次分析法中用(~)象征符号表示的从
开始的李克特量表模糊数。
表1描述了AHP和模糊层次分析法的比较数值,这些数值考虑了语意变数在属性和备选方案方面的重要性,以提高判断矩阵的比例。
图3每个标准重要权重的语意变数
第二步:
利用三角形模糊数,通过成对比较,模糊判断矩阵
可以被表示成公式(3):
判断矩阵
是一个包含模糊数
的n阶模糊矩阵。
X={x1,x2,x3,…,xn}看成变量函数,则U={u1,u2,u3,…,un}为目标函数。
根据模糊程度分析模型,每一个目标函数都要进行程度分析,gi,分别执行。
作为每个目标的m程度分析值结果,都能获得以下特征:
其中所有
(j=1,2,.....,m)是三角模糊数,可以定义为M=(l,m,u)其中l≤m≤u,l和u表示M的上下限,m是M的中值。
表1备选方案的价值标准和相对权重标准模糊值的语意表达(判断举例)
第三步:
关于
的模糊综合分析值可以表示为:
其中M1≥M2可能性程度定义为:
当数组(x,y)存在,x≥ya且
,等式方程V(M1≥M2)=1。
M1=(l1,m1,u1)和M2=(l2,m2,u2)为凸模糊数,这样能表示为:
其中d是
和
交点D的最大纵坐标(图4)。
D的纵坐标可以用以下等式表示:
要比较M1和M2,必须要求V(M1≥M2)和V(M2≥M1)。
第四步:
凸模糊数的可能度要大于K个凸模糊数Mi(i=1,2,...k)
假设:
(12)
对k=1,2,....,n;k≠i.能取得以下权向量:
(13)
其中Ai(i=1,2,….,n)是n个自然数。
第五步:
标准化后,可以表示为:
(14)
其中W是非模糊数字。
图4模糊数M1和M2交点D
3.2.人工神经网络基本结构
神经网络或人工神经网络的发展通过模仿人类大脑的认知学习过程,反复试验。
Trafalisetal.(2002)),是指ANN模型计算例如学习、分类、识别、评估和优化的智能任务,它是基于人类的脑力劳动的概念。
然而,在过去的十年中,他们也吸引了商贸行业大量关注。
这些ANN模型通常是利用电子元件或是数字计算机的模拟软件来实现。
ANN已经证明了在模拟收集足够复杂数据且知之甚少的难题方面效率很高。
ANN是一个主要用于预测、聚类、异常分类和告警模式的技术(在2008年)。
认知事例或许是神经网络在应用方面最主要的性能,而且可以用来训练神经网络与过去对复杂系统迅速回复的记录(Weietal.,1997)。
一个ANN模型是由大量的被称作神经元的信息处理元素构成。
图5表明了一个神经元的模型,它由层中的传输功能和一个人工神经网络连接而成。
用数学专业术语,一个神经k可以这样来描述(Haykin,2008):
(15)
(16)
在这儿x1,x2,....,xm是输入信号,wk1,wk2,……,wkm是神经元k的突触重量(包括连接强度);uk是对于输入信号的线性输出终端,个神经元模型还包括一个神经元模型和由bk表示的外部的偏见,它对增加或降低活化作用和Φ的网络输入有影响非线性活化作用;yk是神经元的输出信号。
这样一个神经元(阈值类型活化作用)是指在文献的McCulloch-Pitts模型,由麦卡洛克和pitts(1943)引领的先驱工作的认知(Haykin,2008)。
在分层的神经网络中,神经元是以神经层的形式组织的。
他们有至少两个层面:
一个输入和一个输出层。
输入层神经元包括从外部环境接收输入信号的神经元。
输出层神经元是由交流系统的输出给用户或外部环境的神经元组成。
输入与产出之间的层(如果有的话)被称为隐含层,计算节点相应地称为隐含层神经元隐藏的单位。
图6显示了one-hidden-layer的总体结构ANN。
具有这类建筑的神经网络也称为多层感知器。
ANN的输入层有一些代表以前销售数据的神经元,比如说时间段t−m到时间段t-1,是连接到隐含层的。
有一些神经元隐层与代表在阶段t的销售额的在输出层的单个神经元相联系(KuoandXue,1998),相应的,m表示样本数量,t和O是理想的与实际的输出。
图5人工神经网络非线性模型原理图
图6人工神经网络结构(隐蔽图层前馈神经网络的全连接)
3.3.模糊层次分析法和人工神经网络的整合
在本文中描述的混合模型(见图1),通过包括模糊集理论和人工神经网络的二维分析集中在一个系统位置选择计算程序上。
这个方法被用来分类和选择重要评价和尊重决策者(股东)的准则。
决策者们能够决定那些准则,确定最合适的货运物流中心。
第一阶段包括一个模糊AHP结构,以此来决定物流配送中心选址准则的等级。
这个等级是以决策者所执行的调查为依据的。
调查问卷运用模糊AHP概念构成。
这份调查问卷以下面的商业角色为目标:
在图7底部可见的运营商、组织者、基础设施经营者、客户、社区和管理。
图7利益相关者与地点选择
主要和次要准则在图8用一个等级结构决定。
在访谈了决策者和激烈的文学评论后,我们确定了五个主要的评价准则:
环境影响、国际市场定位、多式联运运营及管理、国家安定和经济规模以及配送中心选址问题每一个主要标准的下设准则。
在这项研究中,决策者的意见用之前在表1中细节评价角度的语言术语表达,即:
(1)同等重要(EI),
(2)比较重要的(MI),(3)非常重要(SI),(4)重中之重(VSI)、(五)绝对重要(AI)。
为了避免每一个调查问卷中的主观结果,面试者被要求从每个范围中选择标准范围,从1到9(1表示同等重要,9表示绝对重要)。
图2表示了对于每个决策者表达自己对每一个主要标准决定的语言术语权重因素的相关重要性,然后对以每个决策者为依据的模糊评价矩阵进行计算。
表3显示了评价矩阵,它是以首先计算向量‘W’=(0,920;0,065;0,670;0,546;1,000),然后通过归一化因子W=0,287;0,020;0,209;0,170;0,312)计算归一化权重向量的管理为依据。
这个过程为决策者执行。
表4显示了对每一个决策者来说权重因素等级重要性的一个主要前景。
决策者们表达自己的观点来决定评价准则的权重。
表2权重因素的相对重要性
表3依据政府的模糊评价矩阵
ESIO&MNSIMLEEW
ES(1,1,1)(3,5,7)(1/3,1,1)(3,5,7)(1/5,1/3,1)0,29
IO&M(1/7,1/5,1/3)(1,1,1)(1/3,1,1)(1/3,1,1)(1/7,1/5,1/3)0,02
NS(1,1,3)(1,1,3)(1,1,1)(1/5,1/3,1)(1,3,5)0,21
IML(1/7,1/5,1/3)(1,1,3)(1,3,5)(1,1,1)(1/7,1/5,1/3)0,17
EE(1,3,5)(3,5,7)(1/5,1/3,1)(3,5,7)(1,1,1)0,31
W==可选择的优先权重
图8权重的层级结构
表4利益相关者的加权因素的重要程度
每一个利益相关者和Chang的程度分析(1996)相关的每个评价标准执行在所有程序中都已生效。
表5显示根据第一级评价标准和利益相关者得出的加权因素的重要性程度。
表5加权因素的重要程度
确定所有加权系数后,我们从我们的框架中可以消除不重要的子标准。
这里的经济规模,流动性不是重要因素,多式联运经营和管理,连接,服务的可用性和协调同样可以被淘汰,以减轻该模型的复杂性。
之后,我们可以进行该模型的第二阶段。
在这个阶段,联运货运物流最合适的位置使用人工神经网络结构确定。
提到的模型中人工神经网络的设计流程被分成三类(图1),也就是
(1)设计阶段目标在于输入和输出变量,研究方式选择,隐藏图层设计
(2)研究阶段要选取一个研究方法,调整和查证研究参数(3)概括阶段,这一阶段神经网络要归类整个设计阶段合适的模式中任何未知的相反数据模式(Choyetal.,2003)。
在设计阶段,模糊层次分析法中其余标准用作ANN模型的输入节点,最合适的选址权重作为输出节点。
在我们的例子中,三个地方被选定作为一个潜在的物流中心。
这些中心有不同的物理特性,在这项研究中,并没有表示。
在研究阶段,我们用了多层感知网络模型。
为评价三个潜在的地点,我们从决策者的角度用一个标准的范围从0(坏)4(优秀)进行评价。
在这里,我们必须定义一个新的方程(17)执行每个物流中心选址的性能标准;M代表决策者观点和模糊权重的数据矩阵;dmij,为每个物流中心选址的地点决策者观点;Wj,非模糊权重。
以三个潜在的地点值进行计算,位置1是C22,C11,C32,C43,C51和C55的平均值,而位置2是C13,C33,C52,C41的平均值,位置3是C38和C42的平均值。
可以利用的有效优化方法有:
反向增值法,共轭梯度法,牛顿和拟牛顿方法,Levenberg-Marquardt算法(乔德赫瑞和Bhattacharya,2000;Haykin,2008)。
在此我们选用Levenberg-Marquardt算法。
图9应用Levenberg-Marquardt算法的模糊AHP-ANN模型的结果
将Levenberg-Marquardt算法用到神经网络模型中利用MATLABv.6.5.进行计算。
Levenberg-Marquardt算法是一种非线性规划的方法,它能从给定的测试集合中获得最好的结果,并提供均方根误差数值。
这一网络与数据集中60%相关的158个样本一起研究,并测验从数据集中随机选取的30个样本。
平均误差和MSE相比等于3.44870e-005/0.0001,这表明,测试的结果97%正确,验证成功。
图9表明thefuzzyAHP-ANNmodel为联运物流中心选址提供的结果显示地点1是最合适地点。
4.Conclusion总结
欧洲公共交通的主要目标之一联运货物运输的发展利用其运输系统,各种运输模式都能够达到一个高效,低成本的最佳整合状态。
联运货物物流中心也能够充分实现其目标。
物流中心最重要的决策是设施选址。
本研究试图用一种科学的方法,利用多标准,多层次决策来解决联运货物物流中心的选址问题。
将模糊层次分析法和人工神经网络技术相结合,找到一种选址决策问题备选方案的解决方案。
虽然模糊层次分析法用于确定最重要权重因数,人工神经网络用来选择物流中心最佳选址,但两者结合能得出更好的结果。
Acknowledgements致谢
作者由衷感谢“COMETK2Forschungsförderungs-Programm”oftheAustrianFederalMinistry提供的交通革新技术(BMVIT),theAustrianFederalMinistryofEconomicsandLabour(BMWA),ÖsterreichischeForschungsförderungsgesellschaftmbH(FFG),DasLandSteiermarkandSteirischeWirtschaftsförderung(SFG)的资金支持。
References参考文献
[1]Ashayeri,J.,&Kampstra,P.(2002).ModelingLEGATOproject–Network:
Amulti-criteriasolutionformultimodalhublocationproblem:
thecaseofCuracao.
[2]Babkock,M.W.,&German,H.W.(1989).Changingdeterminantsoftruck-railmarketshares.LogisticsandTransportationReview,25,51-71.
[3]Chang,D