CN110309436A - 一种考虑车主选择行为的汽车服务网络协同选址方法与系统 - Google Patents

Abstract

本发明公开了一种考虑车主选择行为的汽车服务网络协同选址方法与系统，所述的方法包括：确定划分后的区域内车主购买力和需求量，通过分析车主的选择行为，利用引力效用函数表示车主的选择概率，预测店铺需求量；以网络总投资成本最小和被选中的加盟店总利润最大为目标，建立汽车服务网络中店铺与配送中心的协同选址模型；采用提出的改进的多目标粒子群算法对模型求解；得到协同选址方案。本发明不同于以往将店铺需求量假设为已知常数以及只对单层设施选址问题进行决策的研究，而是考虑了车主的选择行为预测店铺需求量，并同时确定网络中配送中心和店铺的选址方案。通过本发明提供的方法能够使选址结果更符合实际，同时提高企业的协同效应。

Description

一种考虑车主选择行为的汽车服务网络协同选址方法与系统

技术领域

本发明属于汽车服务网络技术领域，具体涉及一种汽车服务网络中的连锁店铺和配送中心的协同选址方法与系统。

背景技术

随着国内汽车保有量、汽车车龄的不断增加，我国迎来“汽车后”市场发展的黄金期。伴随着“互联网+”、“服务型制造”新模式等国家战略的推进，车主消费观念和模式也随之变化，汽车快修连锁的经营模式逐渐得到人们的关注。然而，当前我国汽车快修连锁企业在品牌化、规模化的过程中面临难以做大做强、缺乏知名大品牌的问题。究其原因是多方面的，而企业在规模扩张过程中的服务网络中设施的合理选址对提高企业竞争力、实现可持续快速发展至关重要。故本发明主要针对汽车服务网络的选址决策问题进行研究。

目前，国内已经存在一些汽车快修连锁企业，但缺少像国外那样知名度高的龙头企业。主要原因是国内的汽车快修连锁业在新增加盟店选址布局及汽车零配件供应等方面能力的不足，并且没有考虑网路内各层级之间的协同效应。在研究时存在随意性和盲目性，缺乏科学、定量的理论方法，造成企业投资、运营成本过高，发挥不出“连锁模式”的优势。

选址问题涉及的影响因素有很多，作为物流系统中的中长期规划问题，设施的位置一旦被确定便很难再改变。国内外对于设施选址问题的研究已经相对成熟，多数是对汽车服务网络中的配送中心或连锁店铺的选址问题单独进行决策，考虑多层级之间协同效应的选址研究成果还很少。汽车快修连锁企业在其品牌扩张的过程中，不仅涉及到店铺的选址决策，还涉及到汽车零配件的供应问题，所以就要同时考虑配送中心的选址决策。这样不仅避免了因企业规模扩大后，零配件供应不及时、管理不善、连而不锁的弊端，还能使汽车快修连锁店和配送中心的选址决策同时达到最优，提高企业的协同运作效应。此外，在选址过程中，不同于以往将店铺需求量假设为已知常数的研究，而是考虑了车主的选择行为，使选址结果更符合实际。通过以上决策可以有效地降低供应链的长期运作成本，使企业的整体运作效率得到提高，从而增加客户对本企业的黏性，为企业提供可持续发展的竞争优势。

发明内容

基于以上问题，本发明的目的旨在提供一种考虑车主选择行为的汽车服务网络协同选址方法与系统。通过分析车主的选择行为构建的汽车服务网络协同选址模型，能够为快修连锁企业提供科学、有效的选址方案。

为了实现上述目的，本发明采用的技术方案为：

一种考虑车主选择行为的汽车服务网络协同选址方法，其特征在于，所述方法包括：

步骤(1)对研究地区进行区域划分，确定区域内车主的购买力和需求量，通过分析车主的选择行为，利用引力效用函数表示车主的选择概率，预测汽车快修连锁店的需求量；

步骤(2)通过分析选址过程中涉及的各种成本和收益，以汽车服务网络中的总投资成本最小和被选中的加盟连锁店总利润最大为目标，建立汽车服务网络中的连锁店铺和配送中心的协同选址模型；

步骤(3)在多目标粒子群算法的基础上对编码设计及粒子更新过程进行改进，并用改进的多目标粒子群算法对协同选址模型进行求解。

步骤(4)从求得的Pareto最优解集中确定汽车快修连锁店和配送中心的最优选址方案。

所述的汽车服务网络包括汽车快修连锁总店、汽车快修连锁分店及配送中心。本发明主要考虑汽车服务网络中的连锁分店和配送中心的协同效用同时对两者的选址问题进行决策。

进一步的，所述的步骤(1)的具体方法为：

步骤(1.1)需求区域划分：

以一个街道作为一个需求区域w，该区域有N^w个小区。假设该地区共有W个需求区域。利用人口重心模型计算公式计算区域w的重心坐标，公式为：

其中，(X_w,Y_w)表示区域w的重心坐标，(x_n,y_n)表示小区n的位置坐标；Pop_wn为区域w内小区n的人口数量；W表示所有需求区域的集合；N^w表示区域w的小区集合。

步骤(1.2)计算需求区域内车主的购买力：

通过需求区域内车主的消费水平和车辆密度计算区域内的购买力，计算公式如下：

其中，B_w为需求区域w内车主的购买力；e_w为区域w内人均每年在汽车产品上的支出；α为车辆与人口的比例，通过调查可以得到；Pop_wn为区域w内小区n的人口数量；S_w表示区域w的面积；N^w表示区域w的小区集合。

步骤(1.3)计算需求区域的需求量：

对于服务网络中的汽车快修连锁店来说，真正的需求对象为出现故障的汽车，所以在计算区域需求量时，要将人口数量转换为汽车的数量，通过调查可以得到当地人口与车辆的比例，并根据车辆的故障率计算需求区域内对于汽车快修连锁店的需求量。公式为：

其中，q_w为区域w的需求量；α为车辆与人口的比例，通过调查可以得到；N^w表示区域w的小区集合；Pop_wn为需求区域w内小区n的人口数量；β为汽车故障率，由于汽车品牌及使用年数不同，汽车发生故障的概率也会有所不同，本发明取故障率为3％。

步骤(1.4)确定引力效用函数：

引力效用函数是与品质引力成正比与距离引力成反比的一个函数。所述的品质引力与许多因素有关，如店铺的规模、地理位置、服务态度、维修技术等等。具体表现如下：

其中U_iw表示店铺i对区域w内车主的引力效用函数；L表示影响因素的集合；θ_l表示第l个影响因素的权重，通过层次分析法确定；Ψ_il代表了店铺i的第l个影响因素的品质引力，通过专家打分的方式获得；γ、λ为已知参数，分别表示车主对店铺的品质引力和距离引力的灵敏度，根据Huff引力模型，本发明取γ＝1，λ＝2；d_iw表示店铺i到区域w的欧式距离。其中欧式距离计算公式为：

其中，(x_i,y_i)为汽车快修连锁店i的坐标，(X_w,Y_w)表示需求区域w的重心坐标。

步骤(1.5)确定需求区域内车主的选择概率：

车主的选择概率通过引力效用函数表示，其关系如下：

其中，p_iw表示区域w内车主选择惠顾汽车快修连锁店i的概率。L表示影响因素的集合；θ_l表示第l个影响因素的权重，通过层次分析法确定；Ψ_il代表了店铺i的第l个影响因素的品质引力，通过专家打分的方式获得；d_iw表示店铺i到区域w的欧式距离；I为汽车快修连锁店的集合，其中1,......,m为候选汽车快修连锁店的编号，m+1,......,I为已存在连锁店的编号；X_i表示候选汽车快修连锁店i是否被选择加盟，被选择加盟则值为1，否则为0。

步骤(1.6)确定汽车快修连锁店获得的总需求量：

汽车快修连锁店的需求量可以根据每个区域内车主选择该店的概率和该区域内的需求量计算得到，则店铺i获得的总需求量模型为：

其中，Q_i表示店铺i获得的需求量；q_w为需求区域w的需求量；p_iw表示区域w内车主选择惠顾汽车快修连锁店i的概率；W为需求区域的集合。

此外，所述的步骤(2)中建立的汽车服务网络中的店铺与配送中心的协同选址模型为：

其中

d_iw≤A

以上各式中，I为汽车快修连锁店铺的集合，其中1,......,m为候选汽车快修连锁店的编号，m+1,......,I为已存在店铺的编号；J为候选配送中心的集合；W为需求区域的集合；F_j为候选配送中心j的建设及运营成本；Ch为候选汽车快修连锁店铺加盟后，总店提供的技术支持成本；Q_i为店铺i的年需求量；E为候选配送中心到店铺的单位零配件单位距离运输成本；D_ji为候选配送中心j到店铺i的欧式距离；B_w为需求区域w内的购买力；p_iw为需求区域w内的车主选择惠顾店铺i的概率；Co为候选店铺的加盟费用；Cl_i为候选店铺i的年租金费用；Cy_i为候选店铺i的年运营成本；Cr为店铺的单位零配件订购成本；A为正整数；X_i为0-1变量，取1表示候选汽车快修连锁店铺i被选择加盟；Y_j为0-1变量，取1表示候选配送中心j被选中建立；x_ji为0-1变量，取1表示店铺i受配送中心j服务。

上述模型中，

目标函数(1)表示汽车服务网络的总投资成本最小。其中，第一项为候选配送中心建设成本及运营成本，第二项为候选配送中心到候选汽车快修连锁店的运输费用，第三项为候选配送中心到已存在的汽车快修连锁店的运输费用；

目标函数(2)表示被选中的候选汽车快修连锁店的总利润最大。其中，第一项为候选店铺的收益，第二项为提交的加盟费、年租金、年运营成本及订货成本。

接下来，通过步骤(3)中改进的多目标粒子群算法对上述模型进行求解，所述的步骤(3)具体方法为：

Step1：种群初始化：原始数据输入，算法参数设置，粒子位置及速度初始化；

Step2：适应度计算：根据目标函数(1)和(2)计算适应度值；

Step3：粒子最优更新：根据支配关系更新个体最优粒子和群体最优粒子；

Step4：非劣解集更新：新支配解与当前非劣解集进行支配关系比较，更新非劣解集；

Step5：粒子速度更新：根据粒子速度更新公式更新粒子速度：

V(k+1)＝ωV(k)+c₁r₁(P_id(k)-X(k))+c₂r₂(P_gd(k)-X(k))

其中，参数ω为惯性权重；k为当前迭代次数；r₁和r₂为随机数，在区间[0,1]内生成；c₁和c₂为学习因子，也称为加速常数，c₁为自我认知加速常数，c₂为社会认知加速常数；P_id和P_gd分别为个体最优粒子位置和全局最优粒子位置，其中，P_id是通过计算适应度值得到的个体最优粒子，P_gd是从种群的非劣解集中随机选取的粒子；V为粒子速度；

本发明采用惯性权重动态调整的策略，计算公式为：

其中，参数ω为惯性权重；ω_min为初始惯性权重；ω_max为最大惯性权重；k为当前迭代次数；MaxIt为最大迭代次数。

Step6：粒子位置更新：分段初始化非正数和非整数，并通过粒子位置更新公式更新粒子位置：

X(k+1)＝X(k)+V(k+1)

其中，k为当前迭代次数；V为粒子速度；X为粒子位置。

Step7：判断是否满足终止条件，是转Step8，否则转Step2开始下一次迭代；

Step8：得到支配解集并输出。

一种考虑车主选择行为的汽车服务网络协同选址系统，其特征在于，所述系统包括：

数据存储系统：用于收集存储各种基础信息，包括需求区域内各小区的位置信息、人口数量，影响车主选择行为的因素，候选配送中心、候选汽车快修连锁店、已存在的汽车快修连锁店的位置信息，以及各项成本信息；

信息获取模块：获取每个模块所需的信息，如影响车主选择行为的因素、区域信息、各类成本等等；

车主选择概率模型构建模块：用于确定车主选择汽车快修连锁店的概率；

店铺需求量模型构建模块：用于确定汽车快修连锁店获得的总需求量；

区域车主购买力计算模块：用于确定每个需求区域内车主的购买力；

协同选址模型构建模块：用于建立以汽车快修连锁企业总投资成本最小和被选中的加盟连锁店总利润最大为目标的汽车服务网络协同选址模型；

多目标粒子群求解模块：用于采用提出的一种改进的多目标粒子群算法求解所述的协同选址模型，并输出汽车服务网络中的店铺和配送中心的选址结果。

本发明的有益效果：不同于以往将店铺需求量假设为已知常数的研究，本发明通过分析车主的选择行为，利用引力效用函数表示车主的选择概率，预测店铺的需求量，使结果更符合实际；考虑到现实中汽车服务网络中连锁店铺和配送中心的协同效用，同时对两者的选址问题进行决策，构建了以企业投资总成本最小和被选中的加盟店铺总利润最大为目标的协同选址规划模型；并提出了改进的多目标粒子群算法对模型进行求解，最终得到汽车快修连锁店和配送中心的选址方案。使用本发明提出的方法和系统可使选址结果更接近实际，提高汽车快修连锁店和配送中心的协同效应，使企业的整体运作效率得到提高，从而为企业提供可持续发展的竞争优势。

附图说明

图1是本发明的考虑车主选择行为的汽车服务网络协同选址方法的流程图。

图2是本发明的考虑车主选择行为的汽车服务网络协同选址方法与系统的汽车服务网络结构运作图。

图3是本发明的考虑车主选择行为的汽车服务网络协同选址方法中确定需求区域购买力和汽车快修连锁店获得的需求量的流程图。

图4是本发明的考虑车主选择行为的汽车服务网络协同选址方法中协同选址模型建立流程图。

图5是本发明的考虑车主选择行为的汽车服务网络协同选址方法中改进的多目标粒子群算法求解流程图。

图6是提出的改进的多目标粒子群算法中编码和解码示意图。

图7是本发明的考虑车主选择行为的汽车服务网络协同选址系统的原理框图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清晰、明确。下面将结合附图对本发明的具体实施方式进行详细的阐述。下面描述的具体实施例是示例性的，仅限于解释本发明，而不能解释为本发明的限制。

本实施例提供一种考虑车主选择行为的汽车服务网络协同选址方法，如图1所示，所述方法包括：

步骤S1，对区域进行划分，确定区域内车主的购买力和需求量，通过分析车主的选择偏好，利用引力效用函数表示车主的选择概率，预测汽车快修连锁店的需求量；

步骤S2，通过分析选址过程中涉及的各种成本和收益，以汽车快修连锁企业总投资成本最小和被选中的加盟连锁店总利润最大为目标，建立汽车快修连锁店和配送中心的协同选址模型；

步骤S3，在多目标粒子群算法的基础上对编码设计及粒子更新过程进行改进，并用改进的多目标粒子群算法对协同选址模型进行求解；

步骤S4，从求得的Pareto最优解集中确定汽车快修连锁店和配送中心的最优选址方案。

参照图2，本发明所述的汽车服务网络包括汽车快修连锁总店、汽车快修连锁分店及配送中心。所述的汽车快修连锁总店对配送中心和汽车快修连锁分店进行统一的管理，并与零配件供应商达成合作关系。连锁分店负责服务车主并将零配件需求信息反馈给配送中心，配送中心得到信息后根据各连锁分店的需求，统一向分店配送零配件。当配送中心库存不足时，向供应商统一采购。本发明主要考虑汽车服务网络中的连锁分店和配送中心的协同效用同时对两者的选址问题进行决策。

参照图3，步骤S1所述的对区域进行划分，确定区域内车主的购买力和需求量，通过分析车主的选择行为，利用引力效用函数表示车主的选择概率，预测汽车快修连锁店的需求量的具体步骤为：

步骤S101，需求区域划分：

以一个街道作为一个需求区域w，该区域有N^w个小区。假设该地区共有W个需求区域。利用人口重心模型计算公式计算区域w的重心坐标，公式为：

其中，(X_w,Y_w)表示区域w的重心坐标，(x_n,y_n)表示小区n的位置坐标；Pop_wn为区域w内小区n的人口数量；W表示所有需求区域的集合；N^w表示区域w的小区集合。

步骤S102，计算需求区域内车主的购买力：

通过需求区域内车主的消费水平和车辆密度计算区域内的购买力，计算公式如下：

其中，B_w为需求区域w内车主的购买力；e_w为区域w内人均每年在汽车产品上的支出；α为车辆与人口的比例，通过调查可以得到；Pop_wn为区域w内小区n的人口数量；S_w表示区域w的面积；N^w表示区域w的小区集合。

步骤S103，计算需求区域的需求量：

对于服务网络中的汽车快修连锁店来说，真正的需求对象为出现故障的汽车，所以在计算区域需求量时，要将人口数量转换为汽车的数量，通过调查可以得到当地人口与车辆的比例，并根据车辆的故障率计算需求区域内对于汽车快修连锁店的需求量。公式为：

其中，q_w为需求区域w的需求量；α为车辆与人口的比例，通过调查可以得到；N^w表示区域w的小区集合；Pop_wn为需求区域w内小区n的人口数量；β为汽车故障率，由于汽车品牌及使用年数不同，汽车发生故障的概率也会有所不同，本发明取故障率为3％。

步骤S104，确定引力效用函数：

引力效用函数是与品质引力成正比与距离引力成反比的一个函数。本实施例考虑影响车主选择行为的影响因素为店铺的规模Ψ_i1、维修技术Ψ_i2及服务态度Ψ_i3，由专家打分得到；权重则根据层次分析法确定；得到的店铺i的引力效用函数为：

其中U_iw表示店铺i对区域w内车主的引力效用函数；d_iw表示店铺i到区域w的欧式距离。其中欧式距离计算公式为：

其中，(x_i,y_i)为汽车快修连锁店i的纵坐标，(X_w,Y_w)表示需求区域w的重心坐标。

步骤S105，确定需求区域内车主的选择概率：

车主的选择概率通过引力效用函数表示，得到的区域w内的车主选择店铺i的概率公式为：

其中，p_iw表示区域内w车主选择惠顾店铺i的概率；Ψ_i1、Ψ_i2、Ψ_i3分别为店铺的规模、维修技术及服务态度，由专家打分得到；d_iw表示店铺i到区域w的欧式距离；I为汽车快修连锁店的集合，其中1,......,m为候选汽车快修连锁店的编号，m+1,......,I为已存在连锁店的编号；X_i表示候选汽车快修连锁店i是否被选择加盟，被选择加盟则值为1，否则为0。

步骤S106，确定汽车快修连锁店获得的总需求量：

汽车快修连锁店的需求量可以根据每个区域内车主选择该店的概率和该区域内的需求量计算得到，则店铺i获得的总需求量模型为：

其中，Q_i表示店铺i获得的需求量；q_w为需求区域w的需求量；p_iw表示区域w内车主选择惠顾汽车快修连锁店i的概率；W为需求区域的集合。

参照图4，步骤S2所述的以总投资成本最小和被选中的加盟店铺总利润最大为目标，建立汽车服务网络中的店铺与配送中心的协同选址模型的具体步骤为：

步骤S201，假设条件：

(1)候选配送中心和候选汽车快修连锁店的位置和数量已知，且规模相同；

(2)所有汽车快修连锁店的服务水平相同，其他因素不考虑，顾客只根据与连锁店之间的距离来选择连锁店，顾客不会选择与他们的距离超过4km的汽车快修连锁店；

(3)所有汽车快修连锁店的需求只由一个配送中心满足，所有需求区域的需求量可以由多个汽车快修连锁店满足。

步骤S202，参数和变量定义：

I为汽车快修连锁店的集合，其中1,......,m为候选汽车快修连锁店的编号，m+1,......,I为已存在连锁店的编号；J为候选配送中心的集合；W为需求区域的集合；F_j为候选配送中心j的建设及运营成本；Ch为候选汽车快修连锁店加盟后，总店提供的技术支持成本；Q_i为汽车快修连锁店i的年需求量；E为候选配送中心到店铺的单位零配件单位距离运输成本；D_ji为候选配送中心j到店铺i的欧式距离；B_w为需求区域w内的购买力；p_iw为需求区域w内的车主选择惠顾店铺i的概率；Co为候选店铺的加盟费用；Cl_i为候选店铺i的年租金费用；Cy_i为候选店铺i的年运营成本；Cr为店铺的单位零配件订购成本；A为正整数；X_i为0-1变量，取1表示候选汽车快修连锁店铺i被选择加盟；Y_j为0-1变量，取1表示候选配送中心j被选中建立；x_ji为0-1变量，取1表示店铺i受配送中心j服务。

步骤S203，确定各项成本和收益：

为了方便计算，本发明步骤S203所述的成本包括配送中心的建设成本、当候选汽车快修连锁店被选中加盟时总店给予的技术支持成本、从配送中心运往各汽车快修连锁店的汽车零配件运输成本、候选汽车快修连锁店向总店提交的加盟费、年租金成本、汽车零配件订购成本，的选址决策时，只考虑收益、提交的加盟费、年租金成本以及汽车零配件订购成本；本发明步骤S203所述的收益包括候选汽车快修连锁店从各个需求区域获得的总收益。

步骤S204，汽车服务网络协同选址模型建立：

步骤S205，约束条件：

d_iw≤A (5)

上述模型和约束条件中，

目标函数(1)表示汽车快修连锁企业的总投资成本最小。其中，第一项为候选配送中心建设成本及运营成本，第二项为候选配送中心到候选汽车快修连锁店的运输费用，第三项为候选配送中心到已存在的汽车快修连锁店的运输费用；

目标函数(2)表示被选中的候选汽车快修连锁店的总利润最大。其中，第一项为候选汽车快修连锁店的收益，第二项为提交的加盟费、年租金、年运营成本及订货成本。

公式(3)保证了至少从候选汽车快修连锁店中选择一个加盟；

公式(4)保证了至少从候选配送中心中选择一个建立；

公式(5)限制了需求区域内的顾客不会选择距离他们太远的汽车快修连锁店进行消费；

公式(6)表示每个连锁店只由一个配送中心服务；

公式(7)、(8)、(9)为决策变量。

参照图5，步骤S3所述的提出一种改进的多目标粒子群算法对模型进行求解，确定汽车快修连锁店和配送中心的选址方案的具体步骤为：

步骤S301，种群初始化：原始数据输入，算法参数设置，粒子位置及速度初始化；

步骤S302，适应度计算：根据目标函数(1)和(2)计算适应度值；

步骤S303，粒子最优更新：根据支配关系更新个体最优粒子和群体最优粒子；

步骤S304，非劣解集更新：新支配解与当前非劣解集进行支配关系比较，更新非劣解集；

步骤S305，粒子速度更新：根据粒子速度更新公式更新粒子速度：

V(k+1)＝ωV(k)+c₁r₁(P_id(k)-X(k))+c₂r₂(P_gd(k)-X(k))

其中，参数ω为惯性权重；k为当前迭代次数；r₁和r₂为随机数，在区间[0,1]内生成；c₁和c₂为学习因子，也称为加速常数，c₁为自我认知加速常数，c₂为社会认知加速常数；P_id和P_gd分别为个体最优粒子位置和全局最优粒子位置，其中，P_id是通过计算适应度值得到的个体最优粒子，P_gd是从种群的非劣解集中随机选取的粒子；V为粒子速度；

本发明采用惯性权重动态调整的策略，计算公式为：

其中，参数ω为惯性权重；ω_min为初始惯性权重；ω_max为最大惯性权重；k为当前迭代次数；MaxIt为最大迭代次数。

步骤S306，粒子位置更新：分段初始化非正数和非整数，并通过粒子位置更新公式更新粒子位置：

X(k+1)＝X(k)+V(k+1)

其中，k为当前迭代次数；V为粒子速度；X为粒子位置。

步骤S307，判断是否满足终止条件，是转Step8，否则转Step2开始下一次迭代；

步骤S308，得到支配解集并输出。

其中，所述的步骤S301中粒子位置及速度初始化具体操作为：

本发明所求解的协同选址模型，要同时对配送中心和汽车快修连锁加盟店进行选址，所以编码方式要符合问题的求解过程，故本发明设计了特定的编码方式。假设候选配送中心有J个，候选汽车快修连锁店有m个，已存在的汽车快修连锁店有I-m个，该协同选址规划的模型中共有两种粒子，位置粒子和速度粒子，每种粒子分别由两个部分组成，粒子的速度采用(0,1)之间的随机数表示，维数为候选汽车快修选连锁店和已存在的汽车快修连锁店之和，即I维；粒子的位置采用整数编码表示，分为两部分，第一部分表示候选汽车快修连锁店的选址和分配情况，维数为候选汽车快修连锁店的数量，即m维，将J个候选配送中心按照0～J随机编号，当某一粒子演化到某一代时，某一位置的数值为j，则表示候选配送中心j被选中并且所对应的位置的候选汽车快修连锁店i也被选中，且该连锁店由配送中心j提供服务，若该位置的值为0，则表示该位置的候选汽车快修连锁店未被选中；粒子的第二部分表示已存在的汽车快修连锁店的分配情况，维数为已存在的连锁店的数量，即I-m维，将J个候选配送中心按照1～J随机编号，当某一粒子演化到某一代时，某一位置的数值为j，则表示候选配送中心j被选中并且所对应的位置的连锁店i由配送中心j提供服务。

假设J＝2、m＝5、I-m＝6，某一代的粒子位置编码方式如图6所示，该粒子表示配送中心1、2均被选中，候选汽车快修连锁店2未被选中，分配关系为：配送中心1的服务对象为被选中的候选汽车快修连锁店1、3和已存在的连锁店6、9、10；配送中心2的服务对象为被选中的候选连锁店4、5和已存在的连锁店7、8、11。

进一步的，基于以上实施例，本发明还提供一种考虑车主选择行为的汽车服务网络协同选址系统，如图7所示，所述系统包括：

数据存储系统：用于收集存储各种基础信息，包括需求区域内各小区的位置信息、人口数量，影响车主选择行为的因素，候选配送中心、候选汽车快修连锁店、已存在的汽车快修连锁店的位置信息，以及各项成本信息；

信息获取模块：获取每个模块所需的信息，如影响车主选择行为的因素、区域信息、各类成本等等；

车主选择概率模型构建模块：用于确定车主选择汽车快修连锁店的概率；

店铺需求量模型构建模块：用于确定汽车快修连锁店获得的总需求量；

区域车主购买力计算模块：用于确定每个需求区域内车主的购买力；

协同选址模型构建模块：用于建立以汽车快修连锁企业总投资成本最小和候选连锁店总利润最大为目标的汽车服务网络协同选址模型；

多目标粒子群求解模块：用于采用提出的一种改进的多目标粒子群算法求解所述的协同选址模型，并输出汽车服务网络中的店铺和配送中心的选址结果。

Claims (3)

1.一种考虑车主选择行为的汽车服务网络协同选址方法，其特征在于，包括如下步骤：

步骤(1)对研究地区进行区域划分，确定区域内车主的购买力和需求量，通过分析车主的选择行为，利用引力效用函数表示车主的选择概率，预测汽车快修连锁店的需求量；

步骤(1.1)需求区域划分：

以一个街道作为一个需求区域w，该区域有N^w个小区；假设该地区共有W个需求区域；利用人口重心模型计算公式计算区域w的重心坐标，公式为：

其中，(X_w,Y_w)表示区域w的重心坐标，(x_n,y_n)表示小区n的位置坐标，Pop_wn为区域w内小区n的人口数量，W表示所有需求区域的集合；N^w表示区域w的小区集合；

步骤(1.2)计算需求区域内车主的购买力：

通过需求区域内车主的消费水平和车辆密度计算区域内的购买力，计算公式如下：

其中，B_w为区域w内车主的购买力；e_w为区域w内人均每年在汽车产品上的支出；α为车辆与人口的比例；Pop_wn为区域w内小区n的人口数量；S_w表示区域w的面积；N^w表示区域w的小区集合；

步骤(1.3)计算需求区域的需求量：

对于服务网络中的汽车快修连锁店来说，真正的需求对象为出现故障的汽车，所以在计算区域需求量时，将人口数量转换为汽车的数量，通过调查得到当地人口与车辆的比例，并根据车辆的故障率计算需求区域内对于汽车快修连锁店的需求量；公式为：

其中，q_w为区域w的需求量；α为车辆与人口的比例，通过调查得到；N^w表示区域w的小区集合；Pop_wn为需求区域w内小区n的人口数量；β为汽车故障率，由于汽车品牌及使用年数不同，汽车发生故障的概率也会有所不同，取故障率为3％；

步骤(1.4)确定引力效用函数：

引力效用函数是与品质引力成正比与距离引力成反比的一个函数；所述的品质引力与许多因素有关，具体表现如下：

其中，U_iw表示店铺i对区域w内车主的引力效用函数；L表示影响因素的集合；θ_l表示第l个影响因素的权重，通过层次分析法确定；Ψ_il代表店铺i的第l个影响因素的品质引力，通过专家打分的方式获得；γ、λ为已知参数，分别表示车主对店铺的品质引力和距离引力的灵敏度，根据Huff引力模型，取γ＝1，λ＝2；d_iw表示店铺i到区域w的欧式距离；其中欧式距离计算公式为：

其中，(x_i,y_i)为汽车快修连锁店i的纵坐标，(X_w,Y_w)表示需求区域w的重心坐标；

步骤(1.5)确定需求区域内车主的选择概率：

车主的选择概率通过引力效用函数表示，其关系如下：

其中，p_iw表示区域w内的车主选择惠顾汽车快修连锁店i的概率；L表示影响因素的集合；θ_l表示第l个影响因素的权重，通过层次分析法确定；Ψ_il代表店铺i的第l个影响因素的品质引力，通过专家打分的方式获得；d_iw表示店铺i到区域w的欧式距离；I为汽车快修连锁店的集合，其中1,......,m为候选汽车快修连锁店的编号，m+1,......,I为已存在连锁店的编号；X_i表示候选汽车快修连锁店i是否被选择加盟，被选择加盟则值为1，否则为0；

步骤(1.6)确定汽车快修连锁店获得的总需求量：

汽车快修连锁店的需求量根据每个区域内车主选择该店的概率和该区域内的需求量计算得到，则店铺i获得的总需求量模型为：

其中，Q_i表示店铺i获得的需求量；q_w为需求区域w的需求量；p_iw表示区域w内的车主选择惠顾汽车快修连锁店i的概率；W为需求区域的集合；

步骤(2)通过分析选址过程中涉及的各种成本和收益，以汽车服务网络中的总投资成本最小和被选中的加盟连锁店总利润最大为目标，建立汽车服务网络中的连锁店铺和配送中心的协同选址模型；

汽车服务网络中的店铺与配送中心的协同选址模型为：

其中

d_iw≤A

以上各式中，I为汽车快修连锁店铺的集合，其中1,......,m为候选汽车快修连锁店铺的编号，m+1,......,I为已存在店铺的编号；J为候选配送中心的集合；W为需求区域的集合；F_j为候选配送中心j的建设及运营成本；Ch为候选汽车快修连锁店铺加盟后，总店提供的技术支持成本；Q_i为店铺i的年需求量；E为候选配送中心到店铺的单位零配件单位距离运输成本；D_ji为候选配送中心j到店铺i的欧式距离；B_w为需求区域w内的购买力；p_iw为需求区域w内的车主选择惠顾店铺i的概率；Co为候选店铺的加盟费用；Cl_i为候选店铺i的年租金费用；Cy_i为候选店铺i的年运营成本；Cr为店铺的单位零配件订购成本；A为正整数；X_i为0-1变量，取1表示候选汽车快修连锁店铺i被选择加盟；Y_j为0-1变量，取1表示候选配送中心j被选中建立；x_ji为0-1变量，取1表示店铺i受配送中心j服务；

上述模型中，

目标函数(1)表示汽车服务网络的总投资成本最小；其中，第一项为候选配送中心建设成本及运营成本，第二项为候选配送中心到候选汽车快修连锁店的运输费用，第三项为候选配送中心到已存在的汽车快修连锁店的运输费用；

目标函数(2)表示被选中的候选汽车快修连锁店的总利润最大；其中，第一项为候选店铺的收益，第二项为提交的加盟费、年租金、年运营成本及订货成本；

步骤(3)在多目标粒子群算法的基础上对编码设计及粒子更新过程进行改进，并用改进的多目标粒子群算法对协同选址模型进行求解；

改进的多目标粒子群算法优化步骤为：

Step1：种群初始化：原始数据输入，算法参数设置，粒子位置及速度初始化；

Step2：适应度计算：根据目标函数(1)和目标函数(2)计算适应度值；

Step3：粒子最优更新：根据支配关系更新个体最优粒子和群体最优粒子；

Step4：非劣解集更新：新支配解与当前非劣解集进行支配关系比较，更新非劣解集；

Step5：粒子速度更新：根据粒子速度更新公式更新粒子速度：

V(k+1)＝ωV(k)+c₁r₁(P_id(k)-X(k))+c₂r₂(P_gd(k)-X(k))

其中，参数ω为惯性权重；k为当前迭代次数；r₁和r₂为随机数，在区间[0,1]内生成；c₁和c₂为学习因子，也称为加速常数，c₁为自我认知加速常数，c₂为社会认知加速常数；P_id和P_gd分别为个体最优粒子位置和全局最优粒子位置，其中，P_id是通过计算适应度值得到的个体最优粒子，P_gd是从种群的非劣解集中随机选取的粒子；V为粒子速度；

本文采用惯性权重动态调整的策略，计算公式为：

其中，ω_min为初始惯性权重；ω_max为最大惯性权重；k为当前迭代次数；MaxIt为最大迭代次数；

Step6：粒子位置更新：分段初始化非正数和非整数，并通过粒子位置更新公式更新粒子位置：

X(k+1)＝X(k)+V(k+1)

其中，k为当前迭代次数；V为粒子速度；X为粒子位置；

Step7：判断是否满足终止条件，是转Step8，否则转Step2开始下一次迭代；

Step8：得到支配解集并输出；

步骤(4)从求得的Pareto最优解集中确定汽车快修连锁店和配送中心的最优选址方案。

2.根据权利要求1所述的一种考虑车主选择行为的汽车服务网络协同选址方法，其特征在于，所述的汽车服务网络包括汽车快修连锁总店、汽车快修连锁分店及配送中心，主要考虑汽车服务网络中的连锁分店和配送中心的协同效用同时对两者的选址问题进行决策。

3.一种考虑车主选择行为的汽车服务网络协同选址系统，其特征在于，所述系统包括：

数据存储系统：用于收集存储各种基础信息，包括需求区域内各小区的位置信息、人口数量、影响车主选择行为的因素、候选配送中心、候选汽车快修连锁店、已存在的汽车快修连锁店的位置信息，以及各项成本信息；

信息获取模块：获取每个模块所需的信息；

车主选择概率模型构建模块：用于确定车主选择汽车快修连锁店的概率；

店铺需求量模型构建模块：用于确定汽车快修连锁店获得的总需求量；

区域车主购买力计算模块：用于确定每个需求区域内车主的购买力；

协同选址模型构建模块：用于建立以汽车快修连锁企业总投资成本最小和被选中的加盟连锁店总利润最大为目标的汽车服务网络协同选址模型；

多目标粒子群求解模块：用于采用提出的一种改进的多目标粒子群算法求解所述的协同选址模型，并输出汽车服务网络中的店铺和配送中心的选址结果。