本发明涉及到应用聚类算法来对物流网点的选取进行分析，进一步解释为，通过使用聚类算法来确定某一区域的物流网点的选取范围，降低物流网点选取的随机性与主观性，为客户提供更便利的务。属于计算机科学技术领域。
背景技术：
物流业不仅是中国经济的重要组成部分，也是国际经济的重要组成部分，同样推动着全球的经济发展。中国的物流业起步相对较晚，但是随着近些年国民经济结构的调整，国民经济也在快速发展，物流业也随之迅速发展起来。近几年，随着“互联网+”、电商等新兴产业的出现，也带动了物流产业的不断发展壮大。
表1明确列出了2012-2015年的物流产业增长状况。物流总额是逐年的增加，2012-2014年增幅较大，2014-2015年增幅明显降低，但是物流总额仍有增长。对于季度同比增长，2012-2015年的季度同比增长都是逐季度回落，但是全年总体的增幅呈现较快的增长。表1充分阐述了物流产业的增长趋势以及其发展态势。
表12012-2015年物流产业增长状况表
随着物流产业的发展，物流网点的数量也随之增加，但是现有的许多物流网点的选取与布局，只要子公司承包某片区域，随机选取一个物流网点，不够客观与合理，存在较多的随机性与主观性。因此合理地选取物流网点是物流产业发展的重中之重，合适的物流网点不仅给客户带来了诸多的便利，例如减少了取件途中所耗费的时间，客户可以体验更方便快捷的服务。也大大降低了快递员送快递的时间、物流公司的成本，提高了送快递的效率，为客户提供更好的服务体验。
中国专利申请cn201510115352.6公开了一种生鲜农产品冷链物流系统网点布局优化方法，虽然此物流系统网点布局优化方法是针对生鲜农产品的运输，但是对于原生的物流网点的布局仍有相似之处。无论是针对生鲜农产品的物流网点布局还是原生物流网点的选取，都是通过对物流网点的布局与选取进行合理化地安排，其共同点都是为了实现运输成本的降低与为客户提供更加优质的服务。
本发明采用了一种基于聚类算法的物流网点选取方法，涉及的范围更广，适用于各个行业的物流产业。采用了聚类算法先对某一区域进行聚类分析，此算法通过使用欧式距离对某一区域内的各个节点到聚类中心的距离进行计算，求得最小值，最终找到适当的物流网点选取范围，此聚类算法可以多重迭代，直到找到最佳的物流网点。
技术实现要素：
本发明的目的是通过应用聚类算法根据计算欧式距离来出某个区域的聚类中心，然后由此聚类中心范围内选取物流点，现有的物流网点布局方法，是以一个圆代表某个区域内的，需要考虑运输条件等因素，然后求出相应网点的坐标值，然后求出相应的网点位置。此网点布局方法，假设条件不够严谨，根绝坐标值对物流网点的选取不够精确。本发明所提出的方法不同于现有的网点布局方法，通过计算欧式距离，使用聚类算法多次迭代，多次确认，最终选取合理的物流网点，更具准确性和客观性。
本发明的提出所要解决的任务有：
(1)提供一种聚类算法选取物流网点中心；
(2)提供一种基于欧式距离的计算方式；
(3)提供一种更加合理的方式来选取物流网点；
(4)提供了更加优质的服务，降低了成本，减少了时间；
本发明的技术方案如下：
本发明的技术方案设计到设计聚类算法，由于区域的选取密度不同，通过计算欧式距离，对计算得出的距离值进行比较来选取物流网点。通过这一系列的操作实现合理的物流网点的选取。具体实施步骤如下：
步骤一：确定待选区域。在选定物流网点之前，应先确定待选区域，估算所需服务客户数量。
步骤二：设计聚类算法。先随机选取k个点作为质心(t1，t2，…，tk)，即为聚类的个数，最佳物流网点的候选网点；xi＝(x1，x2，…，xn)，i＝1，2…，n为此区域内的不同的点，即为物流网点所要服务的客户。di，k表示欧式距离。
步骤三：计算欧式距离。此算法通过求解和对比区域内各个点到质心的距离来把区域内的各个点进行聚类，把区域内的点通过质心来实现初步聚类。通过计算各个点到质心的欧式距离来实现聚类，欧式距离的计算公式为：
步骤四：迭代求解最优点。步骤二确定了质心，步骤三中计算欧式距离对各个点进行聚类，通过迭代对所有质心再次计算欧式距离实现聚类，求解最佳质心，即最佳物流网点。
有益效果
本发明可以通过聚类算法，基于欧式距离，多次迭代求解最优点，选取最佳物流网点，从而提供更优质的服务，缩短服务时间，提供服务质量，降低运输成本。
(1)使用聚类算法，首先确定区域内的各个不同的质心，根据质心实现聚类，将大量的数据点进行聚类分析，降低复杂度。
(2)基于欧式距离，通过计算对比欧式距离值，将数据点分布到不同的聚类，进一步确定聚类中心。
(3)对所获得的聚类中心基于欧式距离进行多次迭代分析，实现更加精确的聚类。
(4)判断所选取的点是否为最佳物流网点，如果不是则继续进行迭代直到得到最佳物流网点。
附图及简单说明
图1为本发明“一种基于聚类算法的物流网点的选取方法”的整体算法设计与实现流程图。此流程图主要分为四个步骤：第一，确定待选区域；第二，设计聚类算法；第三，计算分析欧式距离；第四，对所得的初步聚类进行迭代验证。
图2为本发明“一种基于聚类算法的物流网点的选取方法”的待选区域模型图。实心远点代表质心，实心三角代表区域内的所有数据点。
图3为本发明“一种基于聚类算法的物流网点的选取方法”的对原区域聚类后模型图。实心远点代表质心，实心三角代表区域内的所有数据点，虚线椭圆代表根据聚类算法和基于欧式距离所得到的聚类。
具体实施方式
本发明所提出的一种基于聚类算法的物流网点的选取方法，主要分为四个步骤对此方法进行阐述如图1所示：
第一步，先确定待选区域，如图1中所示的模型区域，区域内共有8个预先选定的质心和72个预先设定的数据点。其中数据点事随机分布。
第二步，设计聚类算法，此步骤定义了相关变量，根据质心实现初步聚类。其中有k(图1模型中k＝8)个点作为质心(t1，t2，…，t8)，也就是物流网点的候选网点；xn＝(x1，x2，…，xn)，i＝1，2…，n(图1模型中n＝72)为待选区域的数据点，即为物流网点所要服务的客户。di，k表示欧式距离。
第三步，基于欧式距离实现进一步聚类操作，通过计算每一个数据点与每一个质心之间的距离，如图2的模型中虚线椭圆是通过比较欧式距离实现然后进行比较分析实现聚类。
第四步，如图1的判断条件所示，判断质心是否为最佳物流网点，若不是则继续迭代计算欧式距离，进一步分析聚类，直到获得最佳值。