1.一种基于N阶近邻分析聚类的配送中心选址方法，其特征在于：所述方法包括以下步骤：

1)根据候选点的地理位置信息，初始化为二维地理坐标特征的样本点数据集D＝{x1,x2,...,xM}，M为候选点的数量，初始化聚类数目K＝1；

2)定义 为样本点xi的一阶近邻距离，即xi与数据集中其他样本点之间的最近距离，为样本点xi的二阶近邻距离，即xi与数据集中其他样本点之间的第二近距离；依次类推，为xi的n阶近邻距离；

3)计算样本点的n阶近邻距离，过程如下：

3.1)从数据集D中取出一个目标样本点xi，i∈{1,2,...,M}；

3.2)再从数据集D中取出不同于xi的一个样本点xj，j∈{1,2,...,M}；

3.3)计算两个样本点xi和xj之间的欧式距离dij，其中dij＝||xi‑xj||2；

3.4)迭代步骤3.2)和步骤3.3)直到xj取完数据集中除xi之外的所有点，再将所求的距离按照从小到大排序，即得到样本点xi的n阶近邻距离，其中n∈{1,2,..,M‑1}；

3.5)更新目标样本点xi，即从数据集中随机取出新的目标样本点xi′，令xi＝xi′，迭代步骤3.2)、3.3)和步骤3.4)，直到xi取完数据集中的所有样本点为止；

4)计算样本点的n阶近邻距离的平均值 和平方均值 其中

5)分析数据集中样本点之间的离散程度，确定合适的聚类数目K值，过程如下：

5.1)计算数据集中样本点的N阶近邻方差 其中n∈{1,2,...,M‑

1}；

5.2)根据次序统计的相关原理，当满足 时， 和n+1满足线性关系，其中ε是趋近于0的数；

5 .3)根据5 .1)计算得到的各个样本点之间簇间方差的结果，代入中，当满足该式的不等关系时，更新K＝K+1；

6)从数据集D中随机选取K个数据点作为聚类的初始均值向量T＝{t1,t2,L,tK}；

7)计算样本点xi到各均值向量tk的距离：dist(xi,tk)＝||xi‑tk||2，根据距离最近的均值向量确定xi的簇标记：λi＝arg mink∈{1,2,L,K}dist(xi,tk)，将样本点xi划入相应的簇；

8)更新均值向量tk：计算当前簇中每一个样本点到其他样本点的距离之和，并将距离之和最小的样本点记为新的均值向量t′k，若tk′≠tk，则令tk＝tk′，迭代步骤7)，否则，进行步骤9)；

9)当前均值向量tk均不再发生变化，将聚类后的簇划分出来，此时最终的均值向量集合T中的K个均值向量所对应的候选点即为配送中心的最佳选址位置。