BP神经网络的逆向物流中心选址模型研究_百度文库

1、 Logistics Sci-Tech 2009.247m+1Logistics Sci-Tech No.2, 2009 物流科技 2009 年第 2 期· 现代物流技术·基于 BP 神经网络的逆向物流中心选址模型研究Research on BP-based Model of Center Location Selection in Re ve r se Logist ic s詹 川（重庆工商大学， 重庆 400067）ZHAN Chuan(Chongqing Technology and Business University, Chongqing 400067, C h

2、ina 摘 要： 逆向物流中心选址是逆向物流中关键问题之一。 文章根据逆向物流的物流环境、 生产能力、 经济效益三个方面的9 个评价指标， 用 BP 神经网络建立了逆向物流中心选址的评价模型。 应用示例表明该模型具有较高的精度和效率， 在逆向物流中心选址中具有较好地应用价值。关键词： BP 神经网络； 逆向物流； 选址 中图分类号： F272 文献标识码： A 文章编号： 1002-3100 (2009 02-0047-03Abstract: Center location selection is one of key issues of research on reverse logist

3、ics. According to the evaluation standard of logistics environment, production capacity and economic efficiency, a decision model on center location selection of reverse logistics is established which is based on BP neural networks. As a case study, the results show the model has high precision and

4、efficiency and is suitable for decision center location selection of reverse logistics. Key words: BP neural network ； reverse logistics ； location selection0 引 言社会生产力的快速发展在给人类带来丰富的物质生活享受的同时， 也带来了资源枯竭、 环境恶化等严重问题。 它已经严重 危害到人类的生存。 人类已经意识到只有坚持走高效、 绿色环保、 可持续发展的道路才能有效解决日益突出的问题。 废旧物资 的回收、 处理和再利用就是其中一个很好的具

5、体措施 ， 它不仅可以重复利用废旧的资源 ， 同时也减轻了废旧物资对环境的 破 坏。 因此得到政府和社会的高度重视和支持。 废旧物资的回收涉及到的范围极其广大， 在回收网络建立的前期， 逆向物流中心 的选址是个关键问题， 它直接关系到整个回收网络的回收效率、 效果和成本。由于逆向物流问题在 20 世纪末才开始在国际上引起重视， 研究时间不长。 在逆向物流中单独研究中心选址问题的相对较 少。 Kishore K.Pochampally 和 Surendra M.Gupta 1针对满足消费者、 政府和商家三方利益下的回收中心选址问题进行了讨论 。 在 国内， 冷杰和熊寿刚2利用现性规划建立了再制造

6、逆向物流网络选址的数学模型。 本文利用 BP 神经网络的特性， 建立逆向物流 中心选址的模型。 本文首先介绍了 BP 神经网络； 然后描述了构建的逆向物流中心选址评价指标体系； 并说明了 BP 神经网络 模型的设计和进行了实例分析； 最后给出了结论。1 BP 神经网络模型介绍BP 神经网络模型3是在 1985 年由斯坦福大学的 D.Rumelhart 等提出来的， 由于能很好地处理非线性问题， 其已成为应用最 广泛的神经网络。 BP 算法解决了多层网络模型中隐含层的连接权问题， 提高了神经网络的学习和记忆功能， 尤其解决了 XOR（异或） 问题。BP 神经网络模型是由输入层、 输出层和若干隐含

7、层组成的前向连接模型， 同层各神经元间互不连接， 相邻层的神经元通 过权重连接且为全互连结构。 在 BP 网络中， 要求结点的特征函数要可微， 通常采用 Sigmoid 型函数。 BP 网络的学习过程分为 正向传播和反向传播两部分。 当给定网络一个输入时， 它由输入层至隐含层并进行计算， 并向下一层传递， 这样逐层传递和计 算， 最后到输出层， 产生一个输出， 这是一个逐层状态更新的过程 ， 称为正 （前） 向传播。 如果实际输出与期望输 出 存在 误 差， 那么就将误差沿原来的连接通路从输出层向输入层反向逐层传输， 来调整各层的连接权值， 使误差减小， 直至满足条件为 止， 这个过程称为反向

8、传播。 当 BP 网络经过训练集训练达到要求后， 这时 BP 网络就学习好了， 在运用时就只需要正向传播, 不再进行反向传播。BP 神经网络算法具体如下：m（1） 通过神经网络将输入逐层前向传播， a 0代表第 m 层神经元的输入， 其中 a 0a =p和 a 分别代表整个网络的输入和输出。收稿日期：m+1a =f! w m +1 ma +b m+1 "， m=0,1,M-1 基金项目： 重庆自然科学基金项目（2007BB0207）作者简介： 詹 川（1973-）， 男， 江西南昌人， 重庆工商大学商务策划学院电子商务研究室， 副教授， 博士， 研究方向： 商务智 能、 电子商务。

9、Ma=a （2） 通过网络将敏感性反向传播， 使期望输出与实际输出的均方误差值最小， t 代表期望输出， a 代表实际输出。M&MMS =-2Fnt-am &mmS = FnTm+1Wm+1,S， m=M-1,2,1（3） 使用近似的最速下降法更新权值和偏置值。mWmk+1 =Wmk -asTm-1a2 逆向物流中心选址决策指标mmb k+1 =b mk -as根据逆向物流的特征并借鉴物流中心选址的评价体系4-5， 我们构建逆向物流中心选址决策指标体系， 见图 1。 它由物流环 境、 生产能力和经济效益三个部分、 九个指标构成。2.1 物流环境指标许可 日 吞吐 量 （X1）：

10、 根 据逆 向 物 流 中 心 可 能 选 址处的交通、 道路、 路口允许通过的最低车流量减去 其他单位分配到的通过量， 为定量指标；许可占地面积 （X2）： 定量指标； 道路 通 达情 况 （X3）： 主 要考 虑 逆 向 物 流 中 心 道 路许可通过车辆的最大吨位和环境许可噪音等级 ， 为 定性指标。2.2 生产能力指标 拆 卸 处 理 能 力 1 （X4）： 代 表 拆 卸 废 旧 设 备 的 能力， 以万台/年为单位， 定量指标；拆卸处理能力 2 （X5）： 代表处理零散部件、 元器件的能力， 以万吨/年为单位， 为定量指标；柔性化水平 （X6）： 逆向物流中心对市场变化 （用户数量

11、与需求的变化、 交通条件的变化、 物流成本和价格的变化等） 造成流通量波动的容纳能力， 为定性指标。2.3 经济效益指标投资总额 （X7）： 包括前期投资 （征地、 拆迁、 市政、 交通建设等费用）、 直接投资 （建筑物建设、 有关设备和信息处理系统的购置与安装、 自有车辆的购置等费用） 和相关投资 （水、 气、 电、 环境保护等工程建设费用）， 为定量指标；运营费用 （X8）： 包括运费， 工作人员工资， 水、 气、 电费和设备折旧费等维持逆向物流中心正常运转的费用， 为定量指标；投资回收期 （X9）： 逆向物流中心投资方收回成本的期限， 为定量指标。表 1 逆向物流中心选址因素评价标准我

12、们 把 逆 向 物 流 中 心 选 址 方 案 分 为 很好、 好、 较好、 一般、 较差、 差、 很差七个 等级。 我们邀请物流专家结合实际情况， 针 对 七 个 等 级 ， 给 出 各 单 因 素 的 等 级 评 价 标 准， 如表 1 所示。3 BP 神经网络模型设计及实例分析 3.1 样本的生成为便于神经网络技术建模, 我们把逆向物 流 中 心 选 址 方 案 等 级 转 化 为 用 数 字 区 间 表示。 从很好到很差七个等级则分别与 7， 、 6， 7 、 5， 6 、 4， 5 、 3， 4 、 2， 3 和 1， 2 对应。 对 于 不同 等 级 ， 各项 单 项 指 标 的

13、取 值 由 各 单 决 策 评 价 指 标 值 的上 （下） 限值所确定的。 比如选址方案为 “好” 的各评价指标值如下：X1 108， 122 、 X2 97， 112 、 X3 6， 7 、 X4251， 300 、 X58.37， 10 、神经网络训练的样本， 各项指标可在以上区间范围取值， 获得方案等级为 “好” 的样本。 同样方式可生成选址方案为很好、 较好、 一般、 较差、 差和很差的样本。 根据上述48Logistics Sci-Tech 2009.2 Logistics Sci-Tech 2009.249原理, 本文共生成了 700 个样本, 不同方案等级的各生成了 100 个

14、样本。 在 9 个评价指标中, X7、 X8 和 X9 为逆指标, 其余为 正指标。 对于逆指标， 通过取负值方法而 “正化”。3.2 BP 神经网络模型的预处理和设计为了定量、 准确地研究物流中心选址方案的优劣, 对 BP 网络模型采用连续函数输出。 因此， 对应于方案很好、 好、 较好、 一般、 较差、 差和很差的理论输出值分别取为 7、 6、 5、 4、 3、 2 和 1。由于物流中心选址所涉及的既有定性的指标又有定量的指标， 为了使各指标在整个系统中具有可比性， 须将定性指标做定 量化处理。 将所有指标归为两种： 正向指标和逆向指标 ， 正向指标越大越好 ， 逆向指标越小越好 。 最后

15、将他们量化为 0， 1 上的无量纲的指标属性值， 利用效应系数对其进行规范化和同趋势化处理。本试验选用的是 Weka 数据挖掘软件。 利用 Weka 中的 MultilayerPerceptron 来建立多层后向传播的神经网络6。 首先对训练 样本进行预处理， 对训练样本中的逆向指标属性进行取负值正化的处置。 实验中采用了动量 BP 学习算法来加快收敛速度， 减 少学习时间。 学习率设为 0.3， 动量因子设为 0.2。 在 BP 神经网络训练次数的设定上， 对模型在经过 500 次、 1 000 次和 2 000 次训练后进行性能比较， 发现当训练次数达到 2 000 次时， 具有最好地训练

16、效果 。 本试验中采用了常用的 10 折交叉验证来检 验训练好的 BP 神经网络。 在神经网络结构的设计中， 隐层和输出层均采用 Sigmoid 转换函数， 采用了 1 层隐性神经元的结构。 在隐性神经元的数量设置中， 根据前人经验和实际的比较， 隐性层节点数从 1 依次设置到 9 进行比较， 当隐性层的节点数为 6 时具有最小的误差率， 其均方根误差为 0.0065， 相对平方根误差为 0.3245%， 相对系数为 1。 说明此时 BP 神经网络结构对训练 样本与对检验样本和测试样本具有相同的拟合能力， 表现出该网络模型具有强的泛化能力， 能较好地预测未知样本。 因此, 综 合考虑模型的误差

17、大小与结构复杂程度, 合理 BP 神经网络结构设计为 9-6-1， 于是逆向物流中心选址的 BP 神经网络模型建立 好了。3.3 实例分析为了检验建立的基于 BP 的逆向物流中心选址模型是否能有效的决策， 我们虚拟了五种逆向物流中心备选选址方案。 如果 靠人工方式来评判方案的优劣， 是很难从这大量数据中直接得出结果。 现利用建立逆向物流中心选址 BP 神经网络模型对五种 方案进行评比打分， 见表 2， 输入五种方案的各个指标值， 决策模型分别计算出了五种方案的得分。 三种方案得分处于 4 分与 5 分之间， 等级为 “较好”， 其中方案 1 得分最高， 为 4.351； 两种方案得分处于 3

18、分与 4 分之间， 等级为 “一般”， 其中方案 5 等分最低， 为 3.855。 虽然方案 1 的各项单项正向指标和逆向指标都是最小的， 但是从单位投资和运营费用的处理能力和效果 来看， 方案 1 的投入产出比是最高的， 因此就不难看出方案 1 得分最高。表 2 五个逆向物流中心选址方案及评价 4 结束语我们在逆向物流中心选址研究中， 综合考虑多方面因素， 建立物流环境、 生产能力和经济效益三个方面 9 个指标的评价体 系。基于 BP 的逆向物流中心选址模型能够有效综合、 有效、 整体考虑影响逆向物流中心选址的 9 个指标， 对训练样本具有很强的学习能力。 该模型的泛化能力强， 能对备选方案做出快速、 客观、 准确的评测， 减少人为因素的影响， 提高逆向物流中心 选址决策的科学性和效率。参考文献： 1 Fleischmann M, Krikke H R, Dekker R, et al. A char -acterisation of logistics networks for product recover y J. Omega,2000,28:653-666.2 冷杰， 熊寿刚. 再制造逆向物流网络选址模型研究J. 物流技术， 2005(5:36-38.3 M.