[发明专利]一种考虑交叉的仓库网络中在线零售商的仓库选址方法

权利要求书

1.一种考虑交叉的仓库网络中在线零售商的仓库选址方法，其特征在于包括如下步骤：

步骤1、给定顾客分布的集合、客户物流满意度的相关特征、顾客购置能力的相关特征；基于给定的特征和集合，利用人工神经网络方法预测未来一年内的产品销量需求；

步骤2、通过带有距离权重的EM聚类算法来解决优化仓库选址问题，接着通过层次聚类方法对问题大小进行归约；

所述的步骤1具体实现步骤如下：

步骤1-1、销量预测模型的输入：

第k+1层的单元i由第k层的输出α^k得到的，第0层的输入α⁰是特征向量由于给定的特征来自于不同的因素和范围，因此需要先将给定的特征经过公式1标准化到[0,1]，具体如下：

α⁰(i)＝f_i (公式2)

其中，α⁰是网络输入，是特征向量，f_i代表第i个特征，l^k+1代表k+1层的输入端，是k层的线性组合，代表一个常量，代表第k+1层的权重系数，S_k第k层节点的总数，x代表一个变量，x_min代表变量x中的最小值，x_max代表变量x中的最大值；

第k+1层的单元i是通过一个sigmoid激活函数映射得到的；

步骤1-2、销量预测模型的训练：

为了降低销量预测模型的预测误差，该销量预测模型需要通过训练得到训练集中输入输出对之间的关系，目标是使得预测误差达到最小；所述的训练集中每个输入输出对表示的是时刻t₁对应的特征向量

所述的步骤2具体实现步骤如下：

步骤2-1、通过带有距离权重的EM聚类算法，快速地对最小化总成本问题获得一个逼近全局最优的结果；

最小化总成本问题定义：

给定一个供应商坐标、顾客的坐标分布和顾客需求集合，选择一组仓库的集合和顾客分配到各个仓库的策略，以最小化总成本；目前对于优化成本问题比较好的模型是MINLP，参看公式(5)：

式中：SW_j是供应商与仓库j之间的运输成本，WC_i,j是仓库j与顾客i之间的快递传输成本，是仓库m与仓库n之间的运输成本；z_ij和y_j是二进制决策变量，如果仓库j被选择，那么y_j等于1；如果顾客i被分配到仓库j，那么z_ij等与1，否则为0；

W_candi代表候选的仓库，p_i代表第i个顾客的包裹需求，I_j代表需要发往仓库j的总的包裹需求，C代表客户总需求的集合，K代表固定的仓库的个数，y_jm代表仓库m的二进制决策变量，y_jn代表仓库n的二进制决策变量；

通过MINLP模型来构建仓库选址中的总成本，同时通过带有距离权重的EM算法来解决优化仓库选址问题，接着通过层次聚类方式对问题大小进行归约，利用EM聚类算法来求得各个成本的权重；

1)假设仓库位置已经确定，估计每一个顾客被分配到的指定仓库，使得物流成本最低，来求得快递运输成本的参数，即z_ij，具体计算如下：

其中，l_i代表客户，d_c代表仓库到顾客的单元成本，d_s代表仓库与仓库之间的单元成本，D代表距离，s₀代表供应商，w_j代表仓库，xⁱ表示通过公式5标准化后的顾客i的变量；

2)步骤1)结束后，根据固定的顾客分配，重新计算仓库的位置以让物流成本最低，来求得仓库运输成本的参数，即y_j；最优的仓库位置需满足其中T_ij和A_i满足如下等式：

其中，l_i代表客户，d_c代表仓库到顾客的单元成本，d_s代表仓库与仓库之间的单元成本，C代表客户的集合，W代表仓库的集合，I_j代表需要发往仓库j的总的包裹需求；

步骤2-2、通过一个自底向上的基于层次聚类的顾客需求对问题大小进行归约，从而减少仓库选址问题的复杂度。