基于模糊聚类的物流网络优化客户聚类方法外文翻译资料

 2021-12-16 23:02:10

英语原文共 14 页

基于模糊聚类的物流网络优化客户聚类方法

摘要：客户聚类是降低大型物流网络优化复杂度的重要步骤。通过对具有类似特征的客户进行适当分组，物流运营商能够降低运营成本、提高客户满意度。然而，由于异质性而高维度的客户特征，客户聚类问题一直没有得到广泛研究。本文提出了一种基于模糊聚类的层次分析结构的客户聚类算法，它用于解决此问题。顾客的特征用主、次标准的语言变量表示，然后，采用模糊综合方法将主、次准则映射到基于梯形模糊数的更高层次准则。一种基于模糊聚类的算法在公理化模糊集的基础上，提出了将用户分组为多个集群。聚类有效性指标用来来评价该算法的有效性，并找到最优聚类。中国安顺市的一个案例的解决方案研究结果表明，该方法优于其他三种解决客户聚类问题的常用算法。本文提出的聚类方法同时也展示了其捕捉相似性和区分客户差异的能力。安顺市五个决策者确定的试验性聚集区用于评估建议方法的有效性。验证结果表明该方法的结果与实际聚类区域吻合较好。提出的该算法在实际中可以很容易地实现，以帮助物流运营商减少运营成本、提高客户满意度。此外，所提出的算法具有应用潜力在其他研究领域。

关键词：客户群；模糊集理论；聚类算法；聚类有效性指数；公理模糊集

1.介绍

物流网络优化在当代物流规划和供应链网络设计中起着至关重要的作用。物流运营商拥有设计完善的运输物流网络，可以显著提高整个货运系统的效率，更好地及时满足客户的需求。在这种情况下，物流运营商和客户将实现双赢：物流运营商将获得更多的收入，而由于运营和运输成本的降低，客户将得到更好的低价格服务。因此，合理优化物流网络已成为物流经营者的重要目标。

典型的物流网络优化包括配送中心选址、客户聚类和车辆路径问题（VRP）。物流网络优化的目的是设计和配置一套物流设施，以更好地满足客户的需求。然而，在现实中，随着客户数量的增加，物流网络优化问题变得非常具有挑战性，因此，在进行车辆调度之前，必须进行客户聚类。客户聚类方法将具有相似特征的客户分类为同一类别。它不仅提高了物流系统的效率，而且降低了运营成本。例如，根据这些需要冷链服务的客户的类别，物流公司可以派遣几辆冷藏车在同一区域存储和交付温度敏感的货物。通过适当的客户集群策略，可以将大型物流区域分解为较小的区域，客户在这些区域具有某些共同特征（即地理空间位置、需求等）。在每个小区域内，VRP进一步简化。因此，在大规模网络中进行车辆路径优化之前，有必要了解客户特征，进行客户聚类分析。

要在物流网络中合理地聚集客户，需要考虑多种因素。这些因素包括客户的地理空间位置、旅行风险、可达性、货物兼容性、运输条件等。但某些客户属性不能直接定量测量。考虑到客户特征的高维性和模糊性，传统的聚类算法可能无法很好地发挥作用。因此，需要开发一种创新的集群方法，将客户的定量和定性属性结合起来，用于物流网络优化。

论文的主要内容如下：首先讨论了相关研究，然后基于模糊综合评价理论建立了客户聚类的层次分析结构。在聚类算法过程中记录了各种定义和符号，详细介绍了模糊集成方法、模糊聚类算法过程和聚类有效性指标。为了评价该算法的有效性，以中国安顺市的客户聚类问题为例进行了研究，并与现有方法进行了比较。此外，利用本地决策者确定的实际聚类区域进一步验证了该算法的有效性。最后，总结了本文的结论。

2.文献回顾

随着电子商务和新数据采集设备等新技术的出现，客户行为信息越来越可用。根据客户的信息，可以使用适当的数据挖掘技术提取有价值的知识。例如，客户关系管理（CRM）已被公认为公司业务战略开发中的关键组成部分。客户集群将客户分类为多个集群。在每个集群中，客户都有共同的行为。这样，公司就可以制定相应的业务策略来留住现有的客户。公司可以将有限的资源和精力分配到特定的集群中，以节省成本，而不是照顾每个客户。在过去的几十年中，我们采用了许多与业务相关的客户集群方法。吴和周（2011）建立了良好的客户关系，并改进了营销策略以满足客户期望。他们开发了一种潜在的混合类成员集群方法，根据不同类别的采购数据对在线客户进行分类。任、郑和吴（2009）提出了一种基于遗传算法（GA）的电信客户细分聚类方法。相似的，Ho等人提出了一种基于鲁棒遗传算法的K均值聚类方法，对现有客户进行分类。与传统的K均值算法不同，该算法能够检测出最优簇数。Huang、Chen和Khoo（2012）将客户的声音和意见考虑在内，并利用组合设计结构矩阵开发了一种情感设计的遗传聚类方法。Carpaneto, Chicco, Napoli, and Scutariu (2006)特别努力将电力用户的代表性负荷模式集中在频域上。

在物流运营领域，在大规模的网络中，根据客户的特点进行客户群聚并不是一件容易的事情。顾客相似性受顾客需求、当地交通状况、市场环境、时间窗要求等多种因素的影响。这些属性中的大多数很难用定量的形式来衡量。这是因为上述大部分属性是离散的，并且传统上是通过人类感知获得的。模糊集理论被认为是解决这种模糊性和模糊性的适当对策。许多研究者利用模糊集理论来处理决策过程中的模糊场景。在模糊集理论中，语言术语被用来评价不同的主观属性，例如，“非常低”、“低”、“中”、“高”、“非常高”、“非常差”、“差”、“一般”、“好”、“非常好”等。这些语言变量很适合转换成模糊数。模糊数的典型形式有梯形模糊数、三角形模糊数和区间模糊数。梯形模糊数是模糊数的一般形式，处理语言变量简单、准确。

由于模糊集理论的固有优势，许多模糊系统分析方法被广泛应用于不同研究领域的物流网络运营和客户聚类过程中。Sheu（2004）提出了一种模糊层次分析法与模糊MADM方法相结合的混合模糊方法来确定全球物流战略。Sheu（2008）提出了一种混合神经模糊方法，用于为全球供应链管理选择合适的全球物流运作模式。Qin and Ji（2010）利用模糊规划工具，根据不同的准则，设计了一个产品回收物流网络。Vahdani、Moghdam和Jolai（2013）提出了一种结合模糊概率规划和模糊多目标规划的新解决方案方法，以解决设计可靠物流网络的双目标模型。Shin和Sohn（2004）提出了一种模糊k均值聚类算法，将股票交易客户分为三层（正常、最佳和VIP），主要标准是每个客户在3个月内的总贸易额。王（2010）提出了一种基于模糊等价关系的聚类算法。首先用模糊数据序列解释语言数据序列，然后将具有相似偏好的序列分类为一个聚类，提出的聚类算法成功地应用于客户关系挖掘。陈等人（2012）最近提出了一种基于客户需求进行市场细分的新方法。本文首先利用模糊压缩技术将客户需求的高维化为二维，然后利用压缩后的数据，将具有相似特征的客户分类为同一类。

很少有相关研究来解决物流运营中的客户集群问题。如导言所述，客户群是物流配送网络优化过程中的一个中间阶段，是车辆路径规划问题的关键前提。Hu和Sheu（2003）最初利用模糊聚类将潜在的物流客户分为五大属性：安全性、运输时间、运输成本、可达性和服务质量。基于Hu和Sheu（2003）的研究， Sheu（2007）提出了一个综合的模糊优化框架，考虑到客户需求的多种属性，识别出具有相似特征的客户。然而，上述两项研究可能都存在以下问题：（1）传统的聚类算法无法处理大客户量的大型物流网络。（2）由于现代物流系统的复杂性，需要更多的属性来量化客户之间的相似性。（3）此外，不同属性的评级可能会有所不同，并影响客户群。客户属性之间的异质性也应该包含在集群过程中。

上述文献综述并没有为面向客户的现代城市物流配送网络优化找到合适的解决方案。为了填补这一研究空白，提供一种有效的解决方案，本文提出了一种具有层次分析结构的模糊聚类算法。与以往的研究相比，本文的主要贡献在于：（1）构建一个层次分析结构，每个标准的等级根据其重要性而变化；（2）设计一种基于子标准的模糊集成方法，并提出一种模糊聚类算法来综合评估客户属性；（3）利用聚类有效性指数来确定聚类数和评价算法的有效性。（4）使用真实的集群客户区域与集群结果进行比较，以进行验证。

3.方法论

该方法由三个步骤组成：（1）建立包含主要标准和次标准的层次分析结构；（2）定义顾客聚类评价的语言学变量，并将其转化为梯形模糊数，以供进一步评价；（3）城市顾客聚类框架。基于模糊评价准则，最后开发了物流配送网络。

3.1.客户聚类的层次分析结构

本节旨在建立城市物流配送网络中客户聚类的层次分析结构。如图1所示，最终确定6个主要标准（Ui）和13个子标准（Uij），以确定捕获客户的特征。这些标准是根据之前的研究（Huamp;Sheu，2003；Li等人，2011a；Sheu，2007）选择的，通过与当地交通和商务部门的几位交通专家和业务经理讨论，这些标准被认为是重要的。值得注意的是，这些标准的选择是合理的，因为这些标准中的大多数能够准确反映物流运营商和政府当局的要求。此外，还可以扩展这种层次分析结构，以适应其他方面的更多标准。

基于上述层次分析结构，决策者可以使用语言术语对每个客户进行评估。通过汇总子标准评估，可以计算出主要标准的得分。

上述子标准结构可进一步解释如下：

U11：客户的需求在一定的时间内可能会有很大的波动，或者客户可能会要求大量的货物。相应的交付策略应该是个性化的，以满足这些客户的需求。

U12：为了安全起见，客户可能会要求单独交付贵重物品。因此，应采取具体的安全措施。

U13：具有类似生命周期的产品可以一起交付。

U21：此属性用于测量给定客户群订购货物的相似性，例如，海鲜和电子设备不应同时在同一辆车上交付。外部兼容性越高，采用批量交付服务的可能性就越大。

U22：内部兼容性是衡量特定客户订购的货物之间的相似性，例如，由于这两个项目的异质性，葡萄酒和家具不太可能同时交付给客户。实际上，U21和U22结合在一起进行分析，以确定给定客户是否需要多次交付。

U31：某些客户可能会要求特定的交付服务，例如车辆类型要求，或对货物进行特殊处理等。典型的例子是冷链交付，其中通常涉及温度控制以保持药物的活性。

U41：如果客户在空间上彼此相邻，那么这些客户可以在物流配送操作中一起服务。

U42：如果配送中心离客户很近，并且这些客户可以被认为是一起交付的。

U51：交货截止日期很近的客户往往会为了方便而一起服务。

U52：具有相似时间窗口的客户倾向于为方便而一起提供服务。

U61：如果客户周围的道路设施条件相同，他们更有可能被分组交付。

U62：具有类似可达性条件的客户更有可能一起服务。

U63：危险品（如鞭炮、液化气等）往往作为一批货物单独处理。

图1 客户聚类的层次分析结构

3.2.语言变量模糊化及其定义

3.2.1.语言变量模糊化

自然语言用于评估客户的上述特征。本研究利用模糊集理论将自然语言转换成数值输入，并采用梯形模糊数进行研究。梯形模糊数表示为=（a，b，c，d）（Banamp;Coroianu，2011；Liuamp;Jin，2012；Xu，Shang，Qian，amp;Shu，2011），然后使用梯形模糊数计算成员函数。

(1)

其中a、b、c、d是实数，在b和c之间的x的是最大值，小于a或大于d的是最小值。

在物流配送环境下，由于顾客聚类问题的不确定性，采用标准评分和顾客特征评分作为语言变量。如表1所示，与其他子标准相比，采用AL-AH量表对每个子标准的重要性等级进行评级，并采用AP-AG对每个客户的每个子标准进行评级。表1给出了每个标准的语言变量和梯形模糊数。

表1 语言术语与梯形模糊数的关系

语言学术语

缩写

模糊数

绝对低（绝对差）

AL(AP)

(0.30,0.33,0.37,0.39)

非常低（非常差）

VL(VP)

(0.34,0.37,0.41,0.44)

在极低和极低之间（极差和极差之间）

B.VLamp;L(B.VPamp;P)

(0.39,0.42,0.45,0.48)

低（穷）

L(P)

(0.42,0.45,0.49,0.52)

相当低（相当差）

FL(FP)

(0.49,0.52,0.55,0.58)

中等

M(F)

(0.52,0.56,0.60,0.63)

比较高（比较好）

FH(FG)

(0.60,0.63,0.66,0.70)

高（

资料编号：[4834]

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章