黃 吉 聰

(廈門華天涉外職業(yè)技術(shù)學(xué)院，福建 廈門 361102)

?

基于數(shù)學(xué)建模物流網(wǎng)絡(luò)模型分析

黃 吉 聰

(廈門華天涉外職業(yè)技術(shù)學(xué)院，福建 廈門 361102)

摘要：物流管理分析是目前研究的重點(diǎn)。伴隨著計(jì)算機(jī)技術(shù)的發(fā)展，大部分物流管理系統(tǒng)通過采用一種新的探索方法——信息數(shù)學(xué)建模物流管理分析，實(shí)現(xiàn)了無人工檢索即可獲得信息的新技術(shù)。目前的文獻(xiàn)中基本都是在進(jìn)行數(shù)據(jù)倉庫方面建立模型，模型的創(chuàng)新點(diǎn)在于引入物流網(wǎng)絡(luò)模型建立模型算法以處理物流管理系統(tǒng)數(shù)據(jù)中的噪聲數(shù)據(jù)，進(jìn)行有效的基于物流管理系統(tǒng)的物流管理分析、實(shí)驗(yàn)分析，建立模型的物流管理分析算法模型在存在噪聲的物流管理系統(tǒng)數(shù)據(jù)中起到了建立模型的效果。因而，將該模型應(yīng)用于數(shù)學(xué)建模物流管理分析算法，尤其是個(gè)性化數(shù)學(xué)建模是十分合理的。

關(guān)鍵詞：模型優(yōu)化；物流管理分析；數(shù)學(xué)建模

0引言

物流系統(tǒng)數(shù)據(jù)發(fā)展快速，本文研究物流系統(tǒng)網(wǎng)絡(luò)模型。不同于物流網(wǎng)絡(luò)處理的數(shù)據(jù)為一維的向量，卷積物流網(wǎng)絡(luò)的輸入是二維的圖像，中間層也是由二維平面構(gòu)成，每個(gè)平面由物流元組成，物流元之間互相獨(dú)立，沒有連接。卷積物流網(wǎng)絡(luò)主要由卷積層、池化層、全連接層、損失層等組成。卷積層中，前一層的二維平面與一個(gè)參數(shù)可學(xué)習(xí)的核進(jìn)行卷積產(chǎn)生一個(gè)數(shù)值，并輸入到激活函數(shù)中，激活值作為卷積層的物流元值。

模型通過單隱藏物流網(wǎng)絡(luò)模型進(jìn)行基于數(shù)學(xué)建模物流管理分析。物流網(wǎng)絡(luò)模型分為單層和多層兩種。

1物流管理數(shù)學(xué)建模

物流網(wǎng)絡(luò)模型是單層網(wǎng)絡(luò)的一種，“物流優(yōu)化模型”這一術(shù)語已經(jīng)逐漸開始變得包羅萬象。物流優(yōu)化模型至少已經(jīng)成為一種針對當(dāng)前數(shù)據(jù)的便捷處理手段，科學(xué)家們用它來指代自學(xué)習(xí)和源自新數(shù)據(jù)(大部分屬于物流網(wǎng)絡(luò)數(shù)據(jù))的模式發(fā)現(xiàn)等大量前沿技術(shù)。而人們對于物流優(yōu)化模型定義的探尋似乎也延伸到了更為廣泛且界線加權(quán)的領(lǐng)域內(nèi)。

物流網(wǎng)絡(luò)數(shù)據(jù)發(fā)展快速，目前，多數(shù)企業(yè)已建成一體化企業(yè)級數(shù)據(jù)中心平臺(tái)，能夠滿足日常業(yè)務(wù)的需求，但物流網(wǎng)絡(luò)數(shù)據(jù)時(shí)代對傳統(tǒng)數(shù)據(jù)中心的數(shù)據(jù)存儲(chǔ)能力、數(shù)據(jù)處理能力、數(shù)據(jù)交換能力、數(shù)據(jù)展現(xiàn)能力以及數(shù)據(jù)挖掘能力都提出了更高的要求，物流網(wǎng)絡(luò)數(shù)據(jù)對傳統(tǒng)數(shù)據(jù)中心提出了新的挑戰(zhàn)[1]。

物流網(wǎng)絡(luò)數(shù)據(jù)的重要性越來越大，通過不同的方法得到數(shù)據(jù)進(jìn)而進(jìn)行分析已經(jīng)成為主流[1]。

物流網(wǎng)絡(luò)數(shù)據(jù)時(shí)代，對數(shù)據(jù)的處理速度和時(shí)效性提出了更高要求，而當(dāng)今社會(huì)日益加劇的商業(yè)競爭讓每個(gè)企業(yè)都希望能通過實(shí)時(shí)分析報(bào)表和結(jié)果數(shù)據(jù)來隨時(shí)掌握企業(yè)運(yùn)營狀況，并迅速做出決策和判斷。以電力電量平衡測算為例，需要實(shí)時(shí)采集電網(wǎng)數(shù)據(jù)、實(shí)時(shí)分析、實(shí)時(shí)計(jì)算，快速測算結(jié)果，并反饋至電力調(diào)度部門進(jìn)行有序用電執(zhí)行預(yù)案的實(shí)時(shí)決策，如果相關(guān)數(shù)據(jù)獲取不及時(shí)則會(huì)大大影響調(diào)度部門對有序用電的分析和決策[2]。

物流網(wǎng)絡(luò)數(shù)據(jù)的非結(jié)構(gòu)化改變了數(shù)據(jù)分析模式。傳統(tǒng)數(shù)據(jù)分析以結(jié)構(gòu)化數(shù)據(jù)分析為主，業(yè)務(wù)分析更是以被動(dòng)式信息接受為主。物流網(wǎng)絡(luò)數(shù)據(jù)時(shí)代下，隨著數(shù)據(jù)的累積和增加，可做的分析和對比也越來越多。通過對大量的非結(jié)構(gòu)化進(jìn)行分析，從而揭示非結(jié)構(gòu)化之間隱藏的關(guān)系、模式和趨勢；通過結(jié)構(gòu)化數(shù)據(jù)、半結(jié)構(gòu)化數(shù)據(jù)、物流網(wǎng)絡(luò)數(shù)據(jù)的融合關(guān)聯(lián)分析，研究文本分析、數(shù)據(jù)挖掘、圖形分析、空間分析等數(shù)據(jù)分析模式，為決策者提供不同角度不同形式的分析判斷依據(jù)。

物流網(wǎng)絡(luò)模型的特點(diǎn)是對于單隱層前饋物流網(wǎng)絡(luò)模型，在學(xué)習(xí)精度比較高的前提下比一般的算法更加快速。(x1,x2,…,xn)是輸入數(shù)據(jù),即表達(dá)數(shù)據(jù)，(w1,w2,…,wn)是權(quán)值，存在f為選取的激活函數(shù)。激活函數(shù)的作用是對輸入數(shù)據(jù)進(jìn)行預(yù)處理，目的是將不規(guī)整的數(shù)據(jù)進(jìn)行歸一化處理，激活函數(shù)為：

通過運(yùn)算求出最終值。

分類的模型為：

上式中,βi為輸出權(quán)值向量,ai為輸入權(quán)值向量,oj為與Yj相對應(yīng)的實(shí)際輸出向量,bi為偏置。

單隱層物流網(wǎng)絡(luò)模型學(xué)習(xí)的輸出誤差最小值。

最小化損失函數(shù)，根據(jù)最小二乘原理。H+為H的廣義逆矩陣。通過訓(xùn)練物流網(wǎng)絡(luò)模型建立數(shù)據(jù)模型。

物流網(wǎng)絡(luò)模型在物流網(wǎng)絡(luò)數(shù)據(jù)中的運(yùn)行速度非?？?，在同樣分類精度的條件下，相比BPNN、SVM、決策樹等有著時(shí)間復(fù)雜度的優(yōu)勢。因此，與常用的數(shù)學(xué)建模分類算法比較后，物流網(wǎng)絡(luò)模型的優(yōu)點(diǎn)明顯。

2改進(jìn)數(shù)學(xué)建模方法

在存在異常值的物流網(wǎng)絡(luò)數(shù)據(jù)中，對比物流網(wǎng)絡(luò)模型，改進(jìn)物流網(wǎng)絡(luò)模型的分類性能。

要處理物流異常數(shù)據(jù)首先要對物流數(shù)據(jù)進(jìn)行篩選。對物流數(shù)據(jù)進(jìn)行字段篩選探究手段大致可以分為兩種：基于物流數(shù)據(jù)過濾的對物流數(shù)據(jù)進(jìn)行字段篩選探究手段、基于物流數(shù)據(jù)的纏繞屬性篩選方法的對物流數(shù)據(jù)進(jìn)行字段篩選探究手段。

特征的篩選尤為重要?；谖锪鲾?shù)據(jù)過濾的對物流數(shù)據(jù)進(jìn)行字段篩選探究手段是一種計(jì)算效率較高的探究手段，它采用某種特定的判別標(biāo)準(zhǔn)對數(shù)據(jù)的屬性進(jìn)行打分，并篩選分值較高的屬性。目前用的較多的判別準(zhǔn)則有概率長度探究手段都是采用屬性對樣本的預(yù)測貢獻(xiàn)大小的一個(gè)度量探究手段。物流數(shù)據(jù)過濾探究手段使用合適的準(zhǔn)則來快速評價(jià)屬性的好壞，適用于對樣本物流數(shù)據(jù)進(jìn)行初步字段篩選。物流數(shù)據(jù)過濾探究手段的優(yōu)點(diǎn)是可以很快地排除很大數(shù)量的非關(guān)鍵性的異常值屬性，縮小優(yōu)化屬性字段搜索范圍，用來作為屬性的預(yù)選器非常好，對物流數(shù)據(jù)進(jìn)行字段篩選過程非常快；并且屬性物流數(shù)據(jù)屬性篩選的過程是與具體的預(yù)測的數(shù)據(jù)挖掘方法獨(dú)立的，與預(yù)測算法無關(guān)。它的顯著缺點(diǎn)是不能保證篩選出一個(gè)規(guī)模較小的最優(yōu)屬性字段。

基于物流數(shù)據(jù)的纏繞屬性篩選方法的對物流數(shù)據(jù)進(jìn)行字段篩選探究手段是一種有監(jiān)督的對物流數(shù)據(jù)進(jìn)行字段篩選探究手段。在屬性的篩選過程中，要使用一個(gè)預(yù)測器算法對篩選的屬性進(jìn)行評價(jià)，一般情況下評價(jià)準(zhǔn)則是篩選該屬性之后的數(shù)據(jù)能否在預(yù)測器的預(yù)測中獲得較高的預(yù)測精度，即在對物流數(shù)據(jù)進(jìn)行字段篩選的過程中，使用包含被篩選屬性的數(shù)據(jù)集來訓(xùn)練預(yù)測器，根據(jù)訓(xùn)練得到的預(yù)測器在測試集上的實(shí)驗(yàn)結(jié)果來評價(jià)所選屬性的優(yōu)劣。

物流大數(shù)據(jù)的非結(jié)構(gòu)化改變了數(shù)據(jù)分析模式，傳統(tǒng)數(shù)據(jù)分析以結(jié)構(gòu)化數(shù)據(jù)分析為主，業(yè)務(wù)分析更是以被動(dòng)式信息接受為主。大數(shù)據(jù)時(shí)代下，隨著數(shù)據(jù)的累積和增加，可做的分析和對比也越來越多。通過對大量的非結(jié)構(gòu)化進(jìn)行分析，從而揭示非結(jié)構(gòu)化之間隱藏的關(guān)系、模式和趨勢。

基于物流數(shù)據(jù)的纏繞屬性篩選方法的對物流數(shù)據(jù)進(jìn)行字段篩選探究手段能夠考慮屬性之間的相關(guān)性，保證獲得規(guī)模較小的屬性字段，通過此種手段篩選的屬性能夠保證數(shù)據(jù)集的較高預(yù)測精確度；但是它的缺點(diǎn)是該探究手段的數(shù)據(jù)挖掘方法時(shí)間復(fù)雜度高，且篩選出來的屬性對預(yù)測算法有一定的依賴性。

加權(quán)物流網(wǎng)絡(luò)模型經(jīng)過在誤差和進(jìn)行加權(quán)。加權(quán)物流網(wǎng)絡(luò)模型二次規(guī)劃的方法是將隸屬度加權(quán)到經(jīng)驗(yàn)物流管理上，單加權(quán)物流網(wǎng)絡(luò)模型的方法同樣也是將權(quán)值加權(quán)到最小二乘的位置，每一行的輸入值xj都在誤差ej,m上乘以wj,m(m=1,2,…,M)。

本文提出雙加權(quán)物流網(wǎng)絡(luò)模型二次規(guī)劃，將樣本物流網(wǎng)絡(luò)數(shù)據(jù)復(fù)制兩份，即數(shù)據(jù)量由N變成2*N，分別以不同的概率屬于不同的類別。

最小化：L的前面是模型復(fù)雜度，后面是加權(quán)后的經(jīng)驗(yàn)物流管理，u為權(quán)值。e為誤差。換成拉格朗日乘子。得出拉格朗日乘子。(w,b,e,η,αj,rj)表示拉格朗日系數(shù)和誤差值。通過求(w,b,e,η,αj,rj)偏微分，進(jìn)而可以得出最終的結(jié)果。

預(yù)測問題在科研領(lǐng)域已經(jīng)廣泛應(yīng)用，數(shù)據(jù)挖掘與機(jī)器學(xué)習(xí)廣泛應(yīng)用于數(shù)據(jù)中。本文優(yōu)化建模算法策略來對非結(jié)構(gòu)化的物流數(shù)據(jù)進(jìn)行運(yùn)輸預(yù)測。當(dāng)非結(jié)構(gòu)化的物流數(shù)據(jù)存在異常值的情況下，提出了加權(quán)建模和雙加權(quán)建模算法處理異常值。傳統(tǒng)預(yù)測算法在領(lǐng)域上(非結(jié)構(gòu)化的物流數(shù)據(jù)運(yùn)輸預(yù)測)存在可優(yōu)化部分。數(shù)據(jù)分析存在異常值的非結(jié)構(gòu)化的物流數(shù)據(jù)進(jìn)行仿真數(shù)據(jù)分析。

利用數(shù)學(xué)建模對非結(jié)構(gòu)化的物流數(shù)據(jù)進(jìn)行運(yùn)輸預(yù)測，綜述了相關(guān)理論，首先介紹微陣列數(shù)據(jù)，進(jìn)而非結(jié)構(gòu)化的物流數(shù)據(jù)中對重要屬性進(jìn)行字段篩選的規(guī)則，說明了對重要屬性進(jìn)行字段篩選的重要性，以及傳統(tǒng)分類器。并簡介了建模的算法，論述了建模的歷史、建模的算法流程、建模的算法優(yōu)勢等。對建模進(jìn)行了綜述，進(jìn)而提出加權(quán)的建模算法，與雙加權(quán)建模算法。加權(quán)算法與雙加權(quán)算法為別人提出，本文的創(chuàng)新點(diǎn)在于將加權(quán)算法與雙加權(quán)算法嵌入到數(shù)學(xué)建模中，進(jìn)而將此算法應(yīng)用在非結(jié)構(gòu)化基因數(shù)據(jù)中。通過實(shí)驗(yàn)分析，對非結(jié)構(gòu)化的物流數(shù)據(jù)集的預(yù)測仿真，與傳統(tǒng)的建模預(yù)測比較，本文數(shù)據(jù)分析的算法在非結(jié)構(gòu)化的物流數(shù)據(jù)存在異常值時(shí)，分組精度要高于建模預(yù)測算法。證明優(yōu)化的算法成功應(yīng)用于非結(jié)構(gòu)化的物流數(shù)據(jù)存在異常值。

3數(shù)據(jù)分析

數(shù)學(xué)建模分析，總運(yùn)費(fèi)很有可能不一樣。設(shè)xij，i=1，2；j=1，2，3，4，表示從倉庫Ai運(yùn)往零售點(diǎn)Bj的產(chǎn)品數(shù)量，從A1,A2兩倉庫運(yùn)往四地的產(chǎn)品數(shù)量總和應(yīng)該分別是a1單位和a2單位，所以xij應(yīng)滿足

x11+x12+x13+x14=a1

x21+x22+x23+x24=a2

本文通過網(wǎng)絡(luò)模型進(jìn)行優(yōu)化分析。應(yīng)用模糊方法進(jìn)行優(yōu)化。求解方式通過網(wǎng)絡(luò)方法得出結(jié)論。

均值池化層中損失函數(shù)對輸入的梯度為當(dāng)前層的梯度除以池化單位區(qū)域的面積，表示如下：

卷積物流網(wǎng)絡(luò)中的激活函數(shù)有多種形式：

物流到B1,B2,B3,B4四地的產(chǎn)品數(shù)量應(yīng)該分別滿足他們的需求量，即xij還應(yīng)滿足以下條件：

x11+x21=b1

x12+x22=b2

x13+x23=b3

x14+x24=b4

最后xij表示運(yùn)量，不能取負(fù)值，即xij∈0(i=1，2；j=1，2，3，4)，我們希望在滿足供需要求的條件下，求xij，i=1，2；j=1，2，3，4，使總運(yùn)量最省?？偟奈锪髻M(fèi)用為

minz=c11x11+c12x12+c13x13+c14x14+c21x21+c22x22

+c23x23+c24x24

通過物流網(wǎng)絡(luò)模型的方法能夠取得最優(yōu)的方法以建立費(fèi)用模型。

模型對總的物流費(fèi)用進(jìn)行了物流網(wǎng)絡(luò)模型的分析，得出最優(yōu)線路是第二第三的組合。

參考文獻(xiàn)：

[1]陳希.關(guān)于開設(shè)“數(shù)學(xué)建模初步”課程的思考[J].福建商業(yè)高等?？茖W(xué)校學(xué)報(bào)，2014，(1).

[2]劉德海,夏少剛.“數(shù)學(xué)建?！狈治龇椒ǖ木窒扌约皩虒W(xué)方法的啟示[J].高等理科教育，2014，(3).

[3]左元斌.管理類專業(yè)數(shù)學(xué)建模課程教學(xué)改革探討[J].鹽城工學(xué)院學(xué)報(bào)：社會(huì)科學(xué)版，2014，(4).

[4]石巋然.管理類數(shù)學(xué)建模精品課程教學(xué)方法之探討[J].管理觀察，2014，(18).

[5]張智廣.淺談數(shù)學(xué)建模課程的教學(xué)[J].職業(yè)時(shí)空，2014，(2).

[6]杜玉琴.數(shù)學(xué)建模在經(jīng)濟(jì)管理中的應(yīng)用[J].現(xiàn)代商業(yè)，2013，(18).

[7]馮期.淺談數(shù)學(xué)建模在物流領(lǐng)域中的應(yīng)用論文[J].中國校外教育，2014，(4).

[8]吳育華,何雁群.數(shù)學(xué)建模在工業(yè)工程中的應(yīng)用[J].工業(yè)工程，2014，(4).

[9]李妍峰,陳濘,楊琴.工業(yè)工程專業(yè)《數(shù)學(xué)建?！氛n程教學(xué)改革思路[J].管理科學(xué)文摘，2014，(4).

[10]劉永新.物流數(shù)學(xué)建模教學(xué)改革與實(shí)踐[J].天津職業(yè)院校聯(lián)合學(xué)報(bào)，2014，(2).

責(zé)任編輯：柴造坡

doi:10.3969/j.issn.1674-6341.2016.03.015

收稿日期：2016-01-15

作者簡介：黃吉聰(1979—)，男，福建漳浦人，在讀物流工程碩士，講師，統(tǒng)計(jì)師，經(jīng)濟(jì)師。研究方向：數(shù)學(xué)建模、物流工程、模糊數(shù)學(xué)、統(tǒng)計(jì)分析。

中圖分類號：O29

文獻(xiàn)標(biāo)志碼：A

文章編號：1674-6341(2016)03-0033-03