Optimizing spatial clustering for supply chain networks

doi:10.1016/j.compchemeng.2025.109251

2025-06-19

Roberto Cifuentes García

Guillermo Galán

Mariano Martı́n *

DOI：10.1016/j.compchemeng.2025.109251

原文链接

原文求助

摘要

En 中文

尽管聚类在供应链问题中的应用日益增多，但其重构地域划分和提升性能的潜力仍需进一步探索。本研究通过应用具有不同数学基础的AgglomerativeClustering和K-Means算法，分析其对解质量的影响。为确定最优聚类数量，采用了基于各空间单元潜在生物基能源的Silhouette Analysis。两种方法均在西班牙半岛的343个农业区进行测试，以构建一个用于放置生产颗粒或电力设施的供应链，以满足替代所有天然气锅炉所产生的需求。结果显示，AgglomerativeClustering得到135个聚类，K-Means得到125个聚类，优化结果表明K-Means比其他方法快一小时（快20%）找到最佳解。该方法还以西班牙半岛的47个省进行了测试，并使用两种方法均创建了47个聚类。相比之下，对于组合数较少的情况，AgglomerativeClustering是最佳方法。此外，进行了敏感性分析以检查最优聚类数量与最佳目标函数是否匹配，且仅AgglomerativeClustering满足该条件。最后，在不使用聚类的情况下求解供应链模型，并将结果与聚类情况比较发现，使用聚类方法能够在更少的方程和变量下获得非常相似的设施位置。总体而言，研究结果表明，聚类算法的选择和求解器实现会影响大规模空间能源网络的性能。

Keyword:

Clustering

Machine learning

Biomass

Supply chain

Techno-economic analysis

Waste management