Matlab神經(jīng)網(wǎng)絡(luò)工具箱NNTool在配送中心選址中的應(yīng)用

摘 要：該文主要介紹了Matlab軟件中Neural Network工具箱的NNTool的功能，并詳細(xì)的介紹了如何利用NNTool工具箱實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)、仿真和性能分析。在此基礎(chǔ)上以配送中心選址為例，進(jìn)行了仿真研究，進(jìn)而得到最佳的選址方案，結(jié)果表明利用NNTool工具箱進(jìn)行仿真快速簡(jiǎn)單精確，便于修改。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；NNTool；配送中心選址

中文分類號(hào)：TP391.9

人工神經(jīng)網(wǎng)絡(luò)，是近幾年來國(guó)內(nèi)外一個(gè)前沿研究領(lǐng)域，有很強(qiáng)的自主學(xué)習(xí)能力以及由此而來的泛化能力，傳統(tǒng)的依靠技術(shù)人員編寫程序仿真再到分析結(jié)果需要很長(zhǎng)的時(shí)間不斷探索，并且需要改變網(wǎng)絡(luò)結(jié)構(gòu)、訓(xùn)練算法和訓(xùn)練參數(shù)來優(yōu)化網(wǎng)絡(luò)，為工作人員帶來了諸多不便，因此需要找到一種更為簡(jiǎn)單的建模工具。

MatlabR2013a神經(jīng)網(wǎng)絡(luò)工具箱為使用者提供了多種多樣的神經(jīng)網(wǎng)絡(luò)和函數(shù)，我們使用時(shí)就可以通過這些函數(shù)來訓(xùn)練網(wǎng)絡(luò)、修改網(wǎng)絡(luò)，用網(wǎng)絡(luò)進(jìn)行仿真。使用神經(jīng)網(wǎng)絡(luò)工具箱中的NNTool對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行設(shè)計(jì)、訓(xùn)練和仿真比編程更加便捷直觀，并且仿真結(jié)果證明完全能夠滿足一般工程設(shè)計(jì)人員的需要[1]。

1 NNTool的基本功能及應(yīng)用介紹

進(jìn)入Matlab命令窗口以后，在窗口輸入nntool，即彈出神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)主界面（如圖1）。

1.1 樣本數(shù)據(jù)的導(dǎo)入

在NNTool中有兩種途徑可生成樣本數(shù)據(jù)：

（1）點(diǎn)擊主界面的Import按鈕，彈出子窗口，從工作空間或.mat文件中導(dǎo)入相應(yīng)數(shù)據(jù)；

（2）點(diǎn)擊New，之后選擇Data按鈕，在彈出窗口中直接輸入。

圖1 NNTool設(shè)計(jì)主界面

1.2 網(wǎng)絡(luò)的創(chuàng)建

待數(shù)據(jù)讀取以后，返回主界面，點(diǎn)擊主界面中的New按鈕，在彈出的對(duì)話框中可以對(duì)網(wǎng)絡(luò)的名稱、類型、結(jié)構(gòu)和訓(xùn)練函數(shù)等進(jìn)行設(shè)置，系統(tǒng)默認(rèn)的Network Type為BP網(wǎng)絡(luò)，其中Training function為訓(xùn)練函數(shù)，Performance function為性能函數(shù)，Number of layers指隱含層的數(shù)目，設(shè)置完畢后點(diǎn)擊Creat即可，網(wǎng)絡(luò)創(chuàng)建如圖2所示。

圖2 網(wǎng)絡(luò)創(chuàng)建

1.3 網(wǎng)絡(luò)的初始化

神經(jīng)網(wǎng)絡(luò)創(chuàng)建完之后，網(wǎng)絡(luò)的權(quán)值和閾值已經(jīng)進(jìn)行了初始化，若要對(duì)權(quán)值和閾值重新編輯，則點(diǎn)擊圖3中的Weights選項(xiàng)即可。

圖3 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

1.4 網(wǎng)絡(luò)的訓(xùn)練

網(wǎng)絡(luò)創(chuàng)建完成后。回到主界面，雙擊Networks中已經(jīng)建好的網(wǎng)絡(luò)，彈出子窗口即圖3，我們可以看到輸入層有7個(gè)節(jié)點(diǎn)，隱層有17個(gè)節(jié)點(diǎn)，輸出層有1個(gè)節(jié)點(diǎn)。點(diǎn)擊圖3中的Train選項(xiàng)到訓(xùn)練頁(yè)面如圖4、5所示，可以通過Training Info中的Inputs和Targets選擇要訓(xùn)練的樣本，在Training Parameters中填入相應(yīng)的訓(xùn)練參數(shù)，有結(jié)果頻率顯示（show）、訓(xùn)練的最大循環(huán)次數(shù)（epochs）、性能目標(biāo)（goal）最大驗(yàn)證數(shù)據(jù)失敗的次數(shù)（max_fail）等。設(shè)置好以后點(diǎn)擊右下方的Train Network即可對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

圖4 網(wǎng)絡(luò)的訓(xùn)練頁(yè)面

圖5 訓(xùn)練參數(shù)設(shè)置頁(yè)面

1.5 網(wǎng)絡(luò)的仿真

網(wǎng)路訓(xùn)練好后，返回到圖5的界面，點(diǎn)擊界面中的Simulate選項(xiàng)，之后在Inputs選項(xiàng)中選擇要仿真的輸入數(shù)據(jù)，再點(diǎn)擊Simulate network就完成了仿真，主界面的Outputs框中出現(xiàn)仿真結(jié)果變量。

1.6 結(jié)果和數(shù)據(jù)的導(dǎo)出

仿真結(jié)束后，此時(shí)可以雙擊主界面中的network_outputs來查看仿真輸出，在主界面點(diǎn)擊Export按鈕，彈出如圖6的數(shù)據(jù)窗口，此時(shí)就可以選擇你要保存的項(xiàng)，此時(shí)選中你要導(dǎo)出的變量點(diǎn)Export即可把所選變量導(dǎo)出至工作空間，如若點(diǎn)擊Save則彈出文件對(duì)話框，則可將所選變量保存至相應(yīng)文件中。

圖6 數(shù)據(jù)導(dǎo)出窗口

2 NNTool在配送中心選址中的仿真應(yīng)用

合理的物流配送中心選址能節(jié)省費(fèi)用，加快貨物的流通，增加物流企業(yè)的收益，因此，物流配送中心的選址決策對(duì)于整個(gè)物流系統(tǒng)的優(yōu)化是個(gè)十分重要的問題。利用NNTool中的BP算法則可以較客觀地評(píng)價(jià)不同的方案，可以通過不斷的網(wǎng)絡(luò)學(xué)習(xí)得到最優(yōu)選址網(wǎng)絡(luò)模型，進(jìn)而可以預(yù)測(cè)未知樣本的最優(yōu)選址方案。

2.1 樣本的預(yù)處理

綜合物流配送中心的選址的原則確定以地址條件、客戶分布、候選地地價(jià)、供應(yīng)商分布、運(yùn)輸距離、通信條件和候選地面積為7個(gè)輸入，專家評(píng)價(jià)結(jié)果作為網(wǎng)絡(luò)的期望輸出[3]，輸入輸出各10組數(shù)據(jù)，再選5組樣本進(jìn)行測(cè)試，在訓(xùn)練之前需要對(duì)樣本進(jìn)行預(yù)處理即把樣本數(shù)據(jù)進(jìn)行歸一化，把樣本歸一到[0，1]之間。歸一化后的輸入樣本和測(cè)試樣本如表1、表2所示。

表1 輸入樣本

方案序號(hào)地址條件客戶分布候選地地價(jià)供應(yīng)商分布運(yùn)輸距離通信條件候選地面積專家評(píng)價(jià)結(jié)果

11.001.001.001.001.001.001.001.00

20.810.870.890.820.780.750.330.79

30.670.930.220.751.000.490.660.74

40.920.800.890.920.891.001.000.81

50.870.921.001.001.001.001.000.96

60.800.720.890.820.890.751.000.83

70.670.720.670.660.670.490.660.69

80.720.800.780.750.770.750.660.75

90.600.600.560.580.560.490.660.58

100.470.470.440.410.440.490.350.51

表2 測(cè)試樣本

方案序號(hào)地址條件客戶分布候選地地價(jià)供應(yīng)商分布運(yùn)輸距離通信條件候選地面積專家評(píng)價(jià)結(jié)果

110.400.400.330.330.330.400.490.48

120.080.930.560.920.890.600.240.81

130.670.600.890.821.000.800.750.97

140.320.400.680.330.330.800.750.54

150.870.720.890.930.890.400.490.47

2.2 網(wǎng)絡(luò)設(shè)計(jì)

本文采用常見的三層BP網(wǎng)絡(luò)，將輸入樣本數(shù)據(jù)和測(cè)試數(shù)據(jù)導(dǎo)入工作空間，訓(xùn)練輸入為p、訓(xùn)練目標(biāo)為t，測(cè)試輸入為p_test。建立兩層神經(jīng)網(wǎng)絡(luò)，根據(jù)Kolmogorov定理，由于輸入層有7個(gè)節(jié)點(diǎn)，所以隱層有17個(gè)節(jié)點(diǎn)，因曾的傳遞函數(shù)為TANSIG，輸出層有一個(gè)節(jié)點(diǎn)，其神經(jīng)元傳遞函數(shù)為PURELIN，訓(xùn)練函數(shù)采用TRAINLM，訓(xùn)練部署為1000次，訓(xùn)練目標(biāo)誤差為0.0001。

訓(xùn)練完成后，我們可以查看如圖7所示誤差曲線，精度達(dá)到了我們預(yù)設(shè)的誤差。

圖7 MSE誤差曲線

2.3 預(yù)測(cè)結(jié)果

將歸一化后的測(cè)試樣本p_test進(jìn)行仿真，輸出結(jié)果如圖8所示。

圖8 輸出結(jié)果

以上計(jì)算結(jié)果可以看出，方案13專家評(píng)價(jià)結(jié)果為0.97，網(wǎng)絡(luò)預(yù)測(cè)輸出為0.71，方案12專家評(píng)價(jià)結(jié)果為0.81，網(wǎng)絡(luò)預(yù)測(cè)輸出為0.51，因此，第13個(gè)方案效果比較好，第15個(gè)方案相對(duì)差一些，我們可以根據(jù)仿真結(jié)果來決策最佳選址中心。

3 結(jié)束語(yǔ)

根據(jù)以上的仿真實(shí)例可以看出，利用NNTool來建立神經(jīng)網(wǎng)絡(luò)模型進(jìn)行仿真，仿真結(jié)果基本和實(shí)際值接近，并且從網(wǎng)絡(luò)的設(shè)計(jì)、訓(xùn)練到仿真都不需要任何代碼便能完成參數(shù)的修改，顯示出了Matlab這款工程軟件的強(qiáng)大。神經(jīng)網(wǎng)絡(luò)的種類不單只有本文用到的BP網(wǎng)絡(luò)，還有Hopfield網(wǎng)絡(luò)、感知器網(wǎng)絡(luò)、徑向基函數(shù)網(wǎng)絡(luò)等，這些網(wǎng)絡(luò)均能實(shí)現(xiàn)上述的功能。

參考文獻(xiàn)：

[1]周品.MATLAB神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)與應(yīng)用[M].北京：清華大學(xué)出版社，2013.

[2]王南蘭.Matlab/NNTool在神經(jīng)網(wǎng)絡(luò)系統(tǒng)仿真中的應(yīng)用[J].計(jì)算機(jī)仿真，2004（04）：125-128.

[3]左元斌.物流配送中心選址問題的理論、方法與實(shí)踐[M].北京：中國(guó)鐵道出版社，2007.

作者簡(jiǎn)介：孔令文（1989.09-），男，黑龍江齊齊哈爾人，在讀碩士，研究方向：計(jì)算機(jī)仿真。

作者單位：西南林業(yè)大學(xué) 機(jī)械與交通學(xué)院，昆明 650224