物流配送中心的选址在整个供应链的运输方面都是十分关键的决策问题,如何科学地运用统计学及其他学科理论来解决物流配送中心选址就成为亟待解决的重要课题。而重心法因其计算简单高效并可连续选点,成为解决单个物流中心选址应用最广泛的模型。与启发式算法相比,有计算时间空间开销小,可避免维数灾难,避免陷入局部最优等优势。本文基于数据挖掘领域的最大最小距离聚类算法、K-means算法、基于密度的孤立点筛查算法等结合改进的重心法,提出了一种基于最大最小距离聚类的多重心选址方法,为多配送中心选址问题提供了一种新的思路和有效的选址方法。本文主要研究工作如下:首先,本文结合了数据挖掘中的聚类算法,提出了基于最大最小距离法的多重心法选址方法,该方法可以将重心法应用于多设施选址问题的研究,它的优势还在于能智能地确定聚类中心个数、提高聚类效率,降低总成本。此方法包括三个阶段:分区聚类阶段、改进的重心法选址阶段及总费用计算调整阶段。其次,由于传统重心法仅考虑运输成本的局限性。本文有针对性的对其进行改进。加入了地价作为权重,在初始计算备选点时即考虑地价因素,使得总费用较优。然后在计算总费用的模型中加入固定费用、地价及用地规模、运营费用等实际因素进行改进,这样可以避免出现聚类中心越多,总费用越低这种不符合实际的现象。再次,本文在分析了经典的K-means聚类算法、层次聚类算法和DBSCAN算法的主要优缺点的基础上,提出了三段式聚类算法。首先用最大最小距离算法确定初始的聚类中心,然后利用K-Means算法进行分类,最后为了避免孤立点对实际聚类效果的影响,在第三部分加入了孤立点筛查机制,来提高聚类效率,增强算法的鲁棒性,还能避免因为个别孤立点的存在,使得聚类中心偏移总成本增加的情况。最后为了检验在划分区域时使用最大最小距离三段式算法的可行性和有效性,本文对三段式算法和层次聚类法、K-means算法、DBSCAN算法进行了仿真对比实验。从实验结果看,应用最大最小距离聚类算法确定初始聚类中心数量和位置的三段式聚类算法,在选址结果上明显优于层次聚类算法和DBSCAN算法,虽然与单一K-means算法差距不大,但在效率和稳定性上均高与单一使用K-means聚类算法。可见,基于最大最小距离聚类的多重心选址方法考虑了诸多影响因素,可以智能高效的划分聚类区域、降低总成本,在多配送中心选址应用方面具有优越性。