ＬｏｇｉｓｔｉｃｓＳｃｉ－ＴｅｃｈＮｏ．６，２００７物流科技２００７年第６期・现代物流・基于人工神经网络的物流中心选址决策模型研究ＤｅｃｉｓｉｏｎＭｏｄｅｌｏｎＳｉｔｅＳｅｌｅｃｔｉｏｎｏｆＬｏｇｉｓｔｉｃｓＣｅｎｔｅｒＡｐｐｌｙｉｎｇＡｒｔｉｆｉｃｉａｌＮｅｕｒａｌＮｅｔｗｏｒｋｓ楼文高，宋红艳（上海理工大学，上海２０００９３）ＬＯＵＷｅｎ－ｇａｏ，ＳＯＮＧＨｏｎｇ－ｙａｎ（ＵｎｉｖｅｒｓｉｔｙｏｆＳｈａｎｇｈａｉｆｏｒＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｓｈａｎｇｈａｉ２０００９３，Ｃｈｉｎａ）摘要：物流中心选址在整个物流系统规划中占有十分重要的位置，需要决策者综合考虑多个因素。
本文根据物流环境、生产能力和经济效益三方面组成的１０个评价指标和单因素评价标准，应用ＢＰ神经网络方法对某市物流中心选址进行决策研究。
根据单因素评价标准生成足够多用于神经网络建模用的训练样本、检验样本和测试样本，用检验样本实时监控训练过程以避免出现“过训练”现象，建立可靠的ＢＰ模型。
示例计算结果表明：与多级模糊综合评价方法相比，本文建立的ＢＰ神经网络决策模型具有定量分析和比较精细、客观的特点，在物流中心选址决策研究中具有较好的应用价值。
关键词：人工神经网络；物流中心；选址；决策中图分类号：Ｆ２２４：Ｆ７１９文献标识码：Ａ文章编号：１００２－３１００（２００７）０６－００４５－０４Ａｂｓｔｒａｃｔ：Ｄｉｓｔｒｉｂｕｔｉｏｎｃｅｎｔｅｒ＇ｓｓｉｔｅｓｅｌｅｃｔｉｏｎ，ｉｎｆｌｕｅｎｃｅｄｂｙｖａｒｉｏｕｓｉｎｄｉｃｔｏｒｓ，ｉｓｃｒｕｃｉａｌｔｏｌｏｇｉｓｔｉｃｓｐｌａｎｎｉｎｇ．Ａｃｃｏｒｄｉｎｇｔｏｔｈｅｅ－ｖａｌｕａｔｉｏｎｓｔａｎｄａｒｄｏｆｌｏｇｉｓｔｉｃｓｅｎｖｉｒｏｎｍｅｎｔ，ｐｒｏｄｕｃｔｉｏｎｃａｐａｃｉｔｙａｎｄｅｃｏｎｏｍｉｃｅｆｆｉｃｉｅｎｃｙ，ａｄｅｃｉｓｉｏｎｍｏｄｅｌｏｎｓｉｔｅｓｅｌｅｃｔｉｏｎｏｆｌｏ－ｇｉｓｔｉｃｃｅｎｔｅｒｉｓｅｓｔａｂｌｉｓｈｅｄａｐｐｌｙｉｎｇａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓ．Ａｃｃｏｒｄｉｎｇｔｏｔｈｅｃｒｉｔｉｃａｌｓｔａｎｄａｒｄｏｆｅｖｅｒｙｉｎｄｉｃａｔｏｒｆｏｒｖａｒｉｏｕｓｄｅ－ｇｒｅｅｓ，ｅｆｆｉｃｉｅｎｔｔｒａｉｎｉｎｇｓｅｔｄａｔａ，ｖｅｒｉｆｉｃａｔｉｏｎｓｅｔｄａｔａａｎｄｔｅｓｔｉｎｇｓｅｔｄａｔａｆｏｒｅｓｔａｂｌｉｓｈｉｎｇｒｏｂｕｓｔＮＮ－ｂａｓｅｄｍｏｄｅｌｆｏｒｓｉｔｅｓｅｌｅｃｔｉｏｎｏｆｌｏｇｉｓｔｉｃｓｃｅｎｔｅｒ．Ａｓａｃａｓｅｓｔｕｄｙ，ｔｈｅｄｅｃｉｓｉｏｎｒｅｓｕｌｔｓｓｈｏｗｔｈａｔ，ｃｏｍｐａｒｅｄｗｉｔｈｍｕｌｔｉ－ｃｌａｓｓｆｕｚｚｙｃｏｍｐｒｅｈｅｎｓｉｖｅｅｖａｌｕａｔｉｏｎ，ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ－ｂａｓｅｄｍｏｄｅｌｐｏｓｓｅｓｓｅｓｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｓｕｃｈａｓｑｕａｎｔｉｔｙａｎａｌｙｓｉｓａｎｄａｃｃｕｒａｃｙｅｔｃ．，ａｎｄｂｅｓｕｉｔａｂｌｅｆｏｒｄｅｃｉｓｉｏｎｓｉｔｅｓｅｌｅｃｔｉｏｎｏｆｌｏｇｉｓｔｉｃｓｃｅｎｔｅｒ．Ｋｅｙｗｏｒｄｓ：ａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓ；ｌｏｇｉｓｔｉｃｓｃｅｎｔｅｒ；ｓｉｔｅｓｅｌｅｃｔｉｏｎ；ｄｅｃｉｓｉｏｎｍｏｄｅｌ随着我国经济的持续发展，现代物流已成为国民经济支柱产业和工业化进程中最为经济合理的综合服务模式，是专家学者、企业家和政府的共识［１］。
各地兴起了建设物流中心的热潮。
要使物流中心发挥预期作用，取得良好的经济效益和社会效益，关键的一环，就是要合理地确定物流中心的位置。
影响确定物流中心位置的因素既有微观的，又有宏观的；既有定量的，又有定性的，主要有市场环境、交通条件、用户规模、生产能力、经济效益和社会效益等。
因此，要确定一个合理的物流中心设计方案，必须对各种因素统筹兼顾，全面安排，才可能获得预期的效果。
虽然现有许多数学方法的因素较多（层次分析法、模糊综合评价方法［２］、灰色局势分析法等）用来确定物流中心地址，但普遍存在需人工确定较多的因素，缺乏客观性。
目前也有学者应用神经网络技术进行这方面的研究，但多数学者采用了太大的神经网络结构和太少的训练样本，又没有采用检验样本实时监控训练过程［３］，很可能发生“过训练”现象，建立的模型没有实用价值。
在遵循建模基本原则和步骤的基础上，根据文献［２］的评价指标和评价标准，生成很多符合评价标准的可用于训练神经网络模型的训练样本、检验样本和测试样本，避免出现“过训练”现象，建立可靠、有效的基于ＢＰ神经网络的物流中心选址决策模型，定量分析研究不同物流中心的优劣，克服了人为确定隶属函数及其权重和半定性的缺陷，决策结果更客观、合理，可为物流中心选址研究和有效提高决策水平提供理论依据和实践指导。
ｌ物流中心选址决策指标及其评价标准１．１决策评价指标收稿日期：２００６－１１－１０基金项目：上海市重点学科资助项目（０１Ｈ０３）作者简介：楼文高（１９６４－），男，浙江杭州人，上海理工大学出版印刷学院，管理学院，教授，博士，硕士研究生导师，１９９９￣２０００年在加拿大哥伦比亚大学进修。
主要从事人工神经网络理论研究及其应用、管理工程与科学、物流分析等多目标综合评价的研究与教学工作。
文献［２］认为物流中心选址由物流环境、生产能力和经济效益三方面来确定，其中物流环境指标包括许可日吞吐量Ｘ１!"、道路通过能力Ｘ２!"、许可占地面积Ｘ３!"；生产能力指标包括服务能力Ｘ４!"、日最大进、出货流量Ｘ５!"、最大存储量Ｘ６!"、柔性化水平Ｘ７!"；经济效益指标包括投资总额Ｘ８!"、运营费用Ｘ９!"、投资收益率Ｘ１０!"。
每个指标的涵义详见文献［２］，其中Ｘ２、Ｘ４和Ｘ７为定性指标，其余指标为定量指标。
各指标的单位如表１所示。
１．２评价标准文献［２］将物流中心选址的优劣划分为很好、好、较好、一般、较差、差、很差七个等级，单因素的各级标准如表１所示。
表１物流中心选址决策指标体系及其评价标准评价指标单评价指标标准值很好好较好一般较差差很差许可日吞吐量／车次，Ｘ１≥１５０１３０１１０９０７０５０＜５０道路通过能力，Ｘ２很好好较好一般较差差很差许可占地面积／ｈｍ２，Ｘ３≥９．３３７．６７６．００４．６７３．６７２．６７＜２．６７服务能力，Ｘ４很好好较好一般较差差很差日最大进、出货流量／千箱，Ｘ５≥７５５５３５２５１５５＜５最大存储量／万箱，Ｘ６≥６０４５３５２５１５５＜５柔性化水平，Ｘ７很好好较好一般较差差很差投资总额／百万元，Ｘ８＜１００１３０１５０１７０１９０２１０≥２１０运营费用／万元，Ｘ９＜２５４０５５７０９０１１０≥１１０投资收益率／％，Ｘ１０≥５０４０３０２０１２６＜６２人工神经网络方法２．１人工神经网络模型人工神经网络是２０世纪８０年代后迅速发展和获得广泛应用于众多学科的非线性模拟技术［４－６］，有几十种之多。
本研究应用最常用的ＢＰ网络，其基本运行机制是：由信息正向传播和误差反向传播两个过程组成，工作原理详见文献［４］、［５］、［６］。
２．２ＢＰ网络模型存在的不足及其建模条件ＢＰ网络模型有自学习、自适应性好等优点，但也存在以下几点不足［４－６］：（１）训练过程易进入局部极小点；（２）网络结构太大是训练时出现“过训练”现象的直接原因；（３）网络的泛化能力不仅取决于网络结构大小，还与训练样本的特性和多少等因素；（４）只要隐层节点数足够多，网络的输出总可以以任意精度逼近期望值，但可能没有泛化能力；（５）迄今为止，还没有理论计算公式能确定合理隐层及其节点数。
为了克服上述不足，确保建立的ＢＰ神经网络模型具有较好的泛化能力，文献［６］总结了如下几项建模条件：①对于三层网络，输入层和隐层节点数必须少于Ｎ－１（Ｎ为训练样本数）；②在满足精度的前提下，取尽可能少的隐层及其节点数；③用从总样本中随机抽取的检验样本来监控训练过程使其在出现“过训练”现象前结束或取出现“过训练”现象前的网络连接权值；④一般情况下，要求训练样本数至少要多于网络连接权值数，通常为２倍以上；⑤对于给定的网络结构，应通过多次改变网络连接权值的初始值以比较系统误差值的大小而求得全局最小值。
２．３建立ＢＰ网络模型的基本原则和步骤为确保建立的ＢＰ网络模型的泛化能力，建模过程必须遵循如下基本原则和步骤。
（１）将收集到的足够多的数据随机分成训练样本和各１０％以上的检验样本和测试样本。
（２）一般取一个隐层，取尽可能少的隐层节点数。
对不太复杂的问题用扩张法，否则用节点删除法确定隐层节点数［４－５］。
合理隐层节点数应综合考虑网络结构复杂程度和误差的大小。
（３）训练ＢＰ网络模型的目的是为了通过不断调整网络权值使网络模型输出值与已知的训练样本输出值之间的误差平方和达到最小或小于某一期望值而建立蕴含训练样本规律的网络模型。
判断通过训练建立的模型是否已有效逼近训练样本所蕴含的规律，也必须用随机抽取的检验样本和测试样本（非训练样本）误差的大小来表示和评价。
如果非训练样本的误差和训练样本的误差一样小或稍大，说明建立的模型已有效逼近样本所蕴含的规律，否则，即使训练样本的误差很小，建立的模型仍可能只是在这些训练样本点上逼近而已。
（４）对于同一网络结构，通过几十或上百次随机改变网络初始连接权值对网络进行训练，选取没有发生“过训练”时的误差较小的网络连接权值（全局极小点）［４－５］。
（５）随着网络结构的增大，模型的误差一般都变小。
通常，在增加隐层节点数的过程中，训练样本的误差会出现迅速减小然后趋于稳定的一个阶段，合理隐层节点数应取误差迅速减小后基本稳定时的隐层节点数。
总言之，合理网络模型是具有合理隐层及其节点数、训练时没有发生“过训练”现象、求得全局极小点和同时考虑网络结构复杂程度和误差大小的综合结果。
３应用实例研究分析３．１生成足够多的样本由表１可知，物流中心选址指标中有３个指标为定量指标，为便于神经网络技术建模，不妨参照文献［２］的方法按３选址方案的优劣将指标值设定为≥７、６￣７、５￣６、４￣５、３￣４、２￣３和１￣２。
而且，对于其他决策指标，各物流中心选址方案是由各单决策评价指标值的上（下）限值所确定的。
因此，选址方案为好时的各评价指标值如下：Ｘｌ≥１３０￣１５０、Ｘ２≥６￣７、Ｘ３≥７．６７￣９．３３、Ｘ４≥６￣７、Ｘ５≥５５￣７５、Ｘ６≥４５￣６０、Ｘ７≥６￣７、Ｘ８≤１３０￣１００、Ｘ９≤４０￣２５和Ｘ１０≥４０￣５０，在上述各个指标规定的数字范围内，可以生成足够多选址方案为好的样本。
同理可生成选址方案为很好、较好、一般、较差、差和很差的足够多的样本。
