鲁玲岚， 秦江涛

(上海理工大学 管理学院，上海 200093)

区域配送中心配送规模较大，用户较多，是物流中重要节点. 其合理的物流规划不仅关系到是否能达到资源利用的效益最大化，满足客户的物流需求，保证物流时效性，也决定着投入物流成本的高低. 多区域物流配送中心选址需确定配送中心最佳数目、位置及覆盖范围. 聚类算法将一整个区域划分，以此来确定配送中心数目以及其覆盖范围，非常适用于多配送中心的选址问题. 诸如K-means的聚类算法通常用于多区域配送中心的选址，但它们的初始聚类中心是随机的，易陷入局部极小解，且K值不同导致聚类效果各异[1]，并且有些城市地处偏僻，常被作为噪音数据排除，最主要的是由于山川、河流的阻碍，两地之间的欧式距离并不能用来衡量实际的运输距离.

1 目前主要K-means聚类划分方法综述

K-means聚类算法技术较为成熟，操作便捷，经常被用于选址中对区域的划分上. 考虑到该聚类方法对区域划分时存在的劣势，许多学者对该聚类方法进行了改进. 朱培芬结合密度的思想，在可选范围中优先考虑边缘点，具有良好的全局收敛性[2]，但并未科学衡量距离因子，也未曾考虑物流需求等重要影响因子. 谷炜提出两阶段K-means聚类算法，在传统K-means聚类后，通过不断迭代来检验是否满足配送时间最少的收敛条件，最终确定聚类结果[3]，避免了算法陷入局部最优，但不断的迭代大大增加了算法的运算时间. 于晓……