選址模型的演算法
❶ 開店如何選址
首先要先更熟悉你所選的目標城市的地理人文。
哪裡人氣旺盛，哪裡蕭條，哪裡是新開發區域。
記得帶筆和筆記本，隨時記錄下來。再帶數碼相機，可拍攝一些照片回去參考。
准備開店需要記錄問題:
記錄如下問題：
1、先去街道旁邊方圓1里內記錄有哪些學校/單位/公司/寫字樓/小區在旁邊？
2、該街道主要是哪些店鋪，他們銷售的商品是什麼？
3、定位是高檔？中檔？低檔？
4、經過這條街道的人是什麼年齡段的多？
5、男性還是女性多？
6、是本地人多還是外地遊客多？
7、他們的穿著是高中低的那一種？
8、他們是快步走過還是會在街道上慢慢停留？
❷ 請教選址研究問題！
物流配送中心選址方法研究綜述
內容摘要：物流配送中心的選址決策在物流運作中有著重要的地位。本文對近年來國內外有關配送中心選址方法的文獻進行梳理和研究。研究結果發現：各種選址方法有著各自的優缺點和一定的適用范圍，各種方法的組合是未來該領域研究的趨勢。
關鍵詞：物流配送中心 選址 文獻綜述
在物流系統的運作中，配送中心的選址決策發揮著重要的影響。配送中心是連接工廠與客戶的中間橋梁，其選址方式往往決定著物流的配送距離和配送模式，進而影響著物流系統的運作效率。因此，研究物流配送中心的選址具有重要的理論和現實應用意義。
本文對近年來國內外有關物流配送中心選址方法的文獻進行了梳理和研究，並對各種方法進行了比較。選址方法主要有定性和定量的兩種方法。定性方法有專家打分法、Delphi法等，定量方法有重心法、P中值法、數學規劃方法、多准則決策方法、解決NP hard問題（多項式復雜程度的非確定性問題）的各種啟發式演算法、模擬法以及這幾種方法相結合的方法等。由於定性研究方法及重心法、P中值法相對比較成熟，因此，本文將主要分析定量方法中的數學規劃、多准則決策、解決NP hard問題的各種啟發式演算法、模擬在配送中心選址中應用的研究狀況。
數學規劃方法
數學規劃演算法包括線性規劃、非線性規劃、整數規劃、混合整數規劃和動態規劃、網路規劃演算法等。在近年來的研究中，規劃論中常常引入了不確定性的概念，由此進一步產生了模糊規劃、隨機規劃、模糊隨機規劃、隨機模糊規劃等等。不確定性規劃主要是在規劃中的C(價值向量)、A(資源消耗向量)、b(資源約束向量)和決策變數中引入不確定性，從而使得不確定規劃更加貼近於實際情況，得到廣泛地實際應用。
國內外學者對於數學規劃方法應用於配送中心的選址問題進行了比較深入的研究。姜大元(2005)應用Baumol-wolf模型，對多物流節點的選址問題進行研究，並通過舉例對模型的應用進行了說明，該模型屬於整數規劃和非參數規劃結合的模型。各種規劃的方法在具體的現實使用中，常常出現NP hard問題。因此，目前的進一步研究趨勢是各種規劃方法和啟發式演算法的結合，對配送中心的選址進行一個綜合的規劃與計算。
多准則決策方法
在物流系統的研究中，人們常常會遇到大量多准則決策問題，如配送中心的選址、運輸方式及路線選擇、供應商選擇等等。這些問題的典型特徵是涉及到多個選擇方案(對象)，每個方案都有若干個不同的准則，要通過多個准則對於方案(對象)做出綜合性的選擇。對於物流配送中心的選址問題，人們常常以運輸成本及配送中心建設、運作成本的總成本最小化，滿足顧客需求，以及滿足社會、環境要求等為准則進行決策。多准則決策的方法包括多指標決策方法與多屬性決策方法兩種，比較常用的有層次分析法(AHP)、模糊綜合評判、數據包絡分析(DEA),TOPSIS、優序法等等。
多准則決策提供了一套良好的決策方法體系，對於配送中心的選址不管在實務界還是理論方面的研究均有廣泛的應用與研究。關志民等(2005)提出了基於模糊多指標評價方法的配送中心選址優化決策。從供應鏈管理的實際需要分析了影響配送中心選址的主要因素，並建立相應的評價指標體系，由此給出了一種使定性和定量的方法有機結合的模糊多指標評價方法。Chen-Tung Chen(2001)運用了基於三角模糊數的模糊多准則決策對物流配送中心的選址問題進行了研究。文章以投資成本、擴展的可能性、獲取原材料的便利性、人力資源、顧客市場的接近性為決策准則，並對各個准則採用語義模糊判定的方式進行了權重上的集結。
有關多准則決策方法，特別是層次分析法和模糊綜合評判的方法，在配送中心的選址研究中有著廣泛的應用。但是，這兩種方法都是基於線性的決策思想，在當今復雜多變的環境下，線性的決策思想逐漸地暴露出其固有的局限性，非線性的決策方法是今後進一步的研究的重點和趨勢。
啟發式演算法
啟發式演算法是尋求解決問題的一種方法和策略，是建立在經驗和判斷的基礎上，體現人的主觀能動作用和創造力。啟發式演算法常常能夠比較有效地處理NP hard問題，因此，啟發式演算法經常與其它優化演算法結合在一起使用，使兩者的優點進一步得到發揮。目前，比較常用的啟發式演算法包括：遺傳演算法；神經網路演算法；模擬退火演算法。
（一）遺傳演算法
遺傳演算法（genetic algorithm, GA）是在 20 世紀 60 年代提出來的，是受遺傳學中自然選擇和遺傳機制啟發而發展起來的一種搜索演算法。它的基本思想是使用模擬生物和人類進化的方法求解復雜的優化問題，因而也稱為模擬進化優化演算法。遺傳演算法主要有三個運算元：選擇；交叉；變異。通過這三個運算元，問題得到了逐步的優化，最終達到滿意的優化解。
對於物流配送中心的選址研究，國內外有不少學者將遺傳演算法同一般的規劃方法結合起來對其進行了研究。蔣忠中等（2005）在考慮各種成本(包括運輸成本等)的基礎上，結合具體的應用背景，建立的數學規劃模型(混合整數規劃或是一般的線性規劃)。由於該模型是一個組合優化問題，具有NP hard問題，因此，結合了遺傳演算法對模型進行求解。通過選擇恰當的編碼方法和遺傳運算元，求得了模型的最優解。
遺傳演算法作為一種隨機搜索的、啟發式的演算法，具有較強的全局搜索能力，但是，往往比較容易陷入局部最優情況。因此，在研究和應用中，為避免這一缺點，遺傳演算法常常和其它演算法結合應用，使得這一演算法更具有應用價值。
（二）人工神經網路
人工神經網路(artificial neural- network, ANN)是由大量處理單元(神經元)廣泛互連而成的網路，是對人腦的抽象、簡化和模擬，反應人腦的基本特徵。可以通過對樣本訓練數據的學習，形成一定的網路參數結構，從而可以對復雜的系統進行有效的模型識別。經過大量樣本學習和訓練的神經網路在分類和評價中，往往要比一般的分類評價方法有效。
對於神經網路如何應用於物流配送中心的選址，國內外不少學者進行了各種有益的嘗試。韓慶蘭等（2004）用BP網路對物流配送中心的選址問題進行了嘗試性地研究，顯示出神經網路對於解決配送中心選址問題具有一定的可行性和可操作性。
這一研究的不足是神經網路的訓練需要大量的數據，在對數據的獲取有一定的困難的情況下，用神經網路來研究是不恰當的。在應用ANN時，我們應當注意網路的學習速度、是否陷入局部最優解、數據的前期准備、網路的結構解釋等問題，這樣才能有效及可靠地應用ANN解決實際存在的問題。
（三）模擬退火演算法
模擬退火演算法(Simulated Annealing, SA)又稱模擬冷卻法、概率爬山法等，於1982年由Kirpatrick提出的另一種啟發式的、隨機優化演算法。模擬退火演算法的基本思想由一個初始的解出發，不斷重復產生迭代解，逐步判定、舍棄，最終取得滿意解的過程。模擬退火演算法不但可以往好的方向發展,也可以往差的方向發展,從而使演算法跳出局部最優解,達到全局最優解。
對於模擬退火演算法應用於物流配送中心選址的研究，大量的文獻結合其它方法（如多准則決策、數學規劃等）進行了研究。任春玉(2006)提出了定量化的模擬退火遺傳演算法與層次分析法相結合來確定配送中心地址的方法。該方法確保總體中個體多樣性以及防止遺傳演算法的提前收斂，運用層次分析法確定 物流配送中心選址評價指標權重，並與專家評分相結合進行了綜合評價。該演算法對於解決物流配送中心的選址具有較好的有效性和可靠性。
除以上三種比較常用的方法之外，啟發式演算法還包括蟻群演算法、禁忌搜索演算法、進化演算法等。各種演算法在全局搜索能力、優缺點、參數、解情況存在著一定的差異。各種啟發式演算法基本上帶有隨機搜索的特點，已廣泛地應用於解決NP hard問題，同時也為物流配送中心選址的智能化處理提供了可能。用解析的方法(包括線性規劃等)建立數學模型，然後運用啟發式演算法進行求解是目前以及未來研究物流配送中心選址的一種較為可行和可操作的研究方法。
模擬方法
模擬是利用計算機來運行模擬模型，模擬時間系統的運行狀態及其隨時間變化的過程，並通過對模擬運行過程的觀察和統計，得到被模擬系統的模擬輸出參數和基本特徵，以此來估計和推斷實際系統的真實參數和真實性能。國內外已經不少文獻將模擬的方法運用於物流配送中心選址或是一般的設施選址的研究，研究結果相對解析方法更接近於實際的情況。
張雲鳳等(2005)對汽車集團企業的配送中心選址運用了模擬的方法進行了研究。先確定了配送中心選址的幾種方案，應用了Flexim軟體對各方案建立了模擬模型，根據模擬結果進行了分析和方案的選擇。該方法為集團企業配送中心選址問題提供了一種較為理想的解決方法。薛永吉等(2005)通過建立數學模型對物流中心的最優站台數問題進行研究，在一定假設和一系列限制條件下，求解最優站台數量，並針對數學模型的復雜性和求解的種種不足，以ARENA模擬軟體為平台，建立模擬模型確定了最優化方案。Kazuyoshi Hidaka等(97)運用模擬對大規模的倉庫選址進行了研究。該研究對倉庫的固定成本、運輸成本，和同時滿足6800名顧客進行了模擬，以求得臨近的最優解(near-optimal solution)。在求解的過程中，結合了貪婪－互換啟發式演算法(Greedy-Interchange heuristics)和氣球搜索演算法(Balloon Search)兩種啟發式演算法進行求解。該演算法能比較有效地避免陷入局部最優解和得到比較滿意的選址方案。但是，研究的結果容易受到運輸車輛的平均速度變化的影響。
模擬方法相對解析的方法在實際應用中具有一定的優點，但是，也存在一定的局限性。如模擬需要進行相對比較嚴格的模型的可信性和有效性的檢驗。有些模擬系統對初始偏差比較敏感，往往使得模擬結果與實際結果有較大的偏差。同時，模擬對人和機器要求往往比較高，要求設計人員必須具備豐富的經驗和較高的分析能力，而相對復雜的模擬系統，對計算機硬體的相應要求是比較高的。關於未來的研究，各種解析方法、啟發式演算法、多准則決策方法與模擬方法的結合，是一種必然的趨勢。各種方法的結合可以彌補各自的不足，而充分發揮各自的優點，從而提高選址的准確性和可靠性。
物流配送中心的選址決策對於整個物流系統運作和客戶滿意情況有著重要的影響。本文在對國內外有關物流配送中心選址方法文獻研究的基礎上，對比分析了數學規劃方法、多准則決策、啟發式演算法、模擬方法在配送中心選址中的應用。研究發現數學規劃方法、多屬性決策方法、啟發式演算法、模擬方法各自有自己的優缺點和一定的適用范圍，各種方法的組合研究是未來研究的一種趨勢。同時，由於選址問題本身具有的動態性、復雜性、不確定性等特性，因此，開發和研究新的模型與方法也是進一步解決配送中心選址問題的必需途徑。
參考文獻：
1.蔣忠中，汪定偉.B2C電子商務中配送中心選址優化的模型與演算法(J).控制與決策，2005
2.韓慶蘭，梅運先.基於BP人工神經網路的物流配送中心選址決策(J).中國軟科學，2004
❸ 一般服務業企業選址都有什麼講究比方說醫院、零售店或是批發中心。
服務業選址：
服務業選址的重點是如何將服務更有效地提供給客戶,也就是如何更快更及時地提供.所以選址的原則要以此為方向,比如:要離目標客戶近,在目標客戶集中的區域,客戶容易找到的地方等.當然因服務內容及成本以及運作模式不同導向也會發生變化,比如:利用網路的服務就是個特例。
服務業的選址比廠房和倉庫的選址要普遍得多，部分是由於服務機構費用較低。由於服務業具有多個分店來與顧客保持密切聯系的特點，所以店址的選擇與目標市場的確定緊密相關；同時，市場的需求也會影響機構的數量、規模和特徵。服務業的選址追求的是利潤最大化。一般採用兩種方法：回歸模型；啟發式演算法。
對於一個服務部門而言，特定的選址是影響收入的一個重要因素。所以服務業選址決策的重點在於確定銷售量和收入的多少。決定服務性行業的銷售量和收入的影響因素主要有8個：
▲所選地區的消費者購買力；
▲所選地區人口情況；
▲地區競爭情況；
▲競爭水平；
▲企業的獨特性及競爭對手的選址；