一、引言 物流中心的选址是一个相当复杂的问题，往往要通过联合使用几种方法才能达到预期的目的。每一种方法都有其侧重点，在考虑经济因素时，由于物流费用是由运输方式与运输距离决定的，其定量性较强。物流配送系统优化中一个重要的问题是关于对物流配送中心选址的研究，选址是否合理直接关系到企业各项经营成本及其获利程度。 在物流系统的运作中，配送中心的选址决策发挥着重要的影响。配送中心是连接工厂与客户的中间桥梁，其选址方式往往决定着物流的配送距离和配送模式，进而影响着物流系统的运作效率。因此，研究物流配送中心的选址具有重要的理论意义和现实应用意义。 顺应当前研究趋势，本文在文献的基础上提出采用非线性规划算法和Hopfield人工神经网络算法对物流配送中心优化选址，使物流配送的综合运输成本最省。 二、物流配送中心选址与优化 物流配送中心的选址是一个相当复杂的问题，往往要通过联合使用几种方法才能达到预期目的。每一种方法都有其侧重点，在考虑经济因素时，由于物流费用是由运输方式与运输距离决定的，其定量性较强。物流配送系统优化中一个重要的问题是关于对物流配送中心选址的研究，选址是否合理直接关系到企业各项经营成本及其获利程度。运输方式包括陆路运输、水路运输、空中运输，其中陆路运输包括公路和铁路两种方式，以及混合运输。货物运输可分为整车运输、零担运输等，对专一产品的运输，运燃油料及其它液态、粉状货物、冷冻、冷藏货物、废物垃圾等等，配置大型专用车辆进行运输。我们在做研究时，对各种运输方式根据当地的实际情况，赋予不同的单位运输成本。如：水路运输的单位运输成本为0.1，陆路运输的单位运输成本为0.18，空中运输的单位运输成本为0.9，水路运输和陆路运输的单位运输成本根据各自在运输路线中占的比例折算出来。同理，其他运输方式的组合的单位运输成本一样能够折算出来。 在建设配送中心之前，公司（用户）一般有一些生产工厂（用户）已经在生产和销售，故生产工厂都是已知的。进行配送中心选址决策时，考虑的主要因素是运输成本，而运输成本的大小以运输距离和单位运输成本的乘积。而运输距离根据各自在电子地图上位置计算出来。以从配送中心至各个生产厂的运输成本最小为最佳。由于运输过程中货物存在大件和小件。大件货物运输采用整车运输，直接从配送中心到一个生产厂。小件货物运输采用零担运输，即在配送中心装车，然后遍历所有生产工厂，最后到达配送中心。大件货物运输的物流配送中心选址采用非线性规划，小件货物运输则采用Hopfield神经网络。 下面以每公司在某省开展配送业务为例来加以说明。对于大件物品运输，是从配送中心直接送货到生产工厂。生产厂和新增的配送中心的位置可用二维平面上的坐标来表示。运输费用是运输距离与单位运输成本乘积。对于大件物品，从配送中心至所有生产工厂的运输费用之和就是企业的大件物品的总成本。对于小件物品，从配送中心至所有生产工厂的运输费用之和就是企业的小件物品的总成本。大件物品运输成本与小件物品运输成本之和就是企业的总运输成本。
在实际应用中，根据企业的财政预算，新增的配送中心个数基本上是确定的，且每个配送中心分配的生产工厂数目相差不大，有此约束条件，实际考虑的组合情况大大减少。且每种方案均可通过非线性规划和Hopfield求解，所以可采用计算机编程实现是可行的。 1.利用非线性规划求解新增配送中心的位置。已知各生产工厂的坐标为(xi，yi),i=1，…，n；从各个生产厂至新增配送中心的单位运输为ci，i=1，…，n；新增一个配送中心使该配送中心至各个生产厂的运输成本之和最小，求新增配送中心的坐标(x，y)以及运输成本。采用非线性规划求解。 设各个生产工厂与新增配送中心的距离为Di
(1)将问题映射到一个神经网络。TSP的解是n个点的有序排列。为了用神经网络求解这个问题，必须有一个表示问题的方法，使神经元的输出状态可以编码为n个点的有序序列，即n个点在排列中的各自位置由n个神经元的输出状态确定。实际上可以用换位矩阵PM(Permutation Matric)来表示一条访问路径。矩阵中的每一行惟一地确定一个点的位置。例如上述5个点A，B，C，D，E，其排列的矩阵可表示为：
(2)将问题的目标转化为能量函数，并将问题的变量对应于网络状态。对于n个点需用
个神经元构成的nxn阶PM来表示旅游路线。在该换位矩阵中，每一列只有一个元素为1，其余为0，列的大小表示对某城市访问的次序。同样每一行也只有一个元素为1，其余为0。通过这样的PM，可唯一地确定一条旅行路线。
