0 引言

    目前云物流的研究主要停留在概念及架构方面，在云物流资源封装、建模、调度、监控与管理方面成果较少^[1-3]。同时，内蒙古地区作为我国五大牧区之一，生鲜产品产量大、产能分散，传统物流已经不能适应生鲜产品的配送需求^[4-6]。针对这种现状，丰富当前云物流的内涵，并将其用于满足草原生鲜产品的配送需求，将为面向草原生鲜产品的云物流实现管理更高效、规划更合理、运费更低廉、控制更精细、调整更及时的物流目标提供实现途径^[8-9]。

1 云物流资源优化调度算法概念描述

    (1)服务请求：用户发出的运送货物请求，客户端接收后，向服务端发出空间、时间、目的地等信息的请求，服务端对相应请求作出响应。

    (2)虚拟化资源：将道路、运载工具、位置信息等用一个数据结构表示。

    (3)服务资源匹配算法：当用户发出对物流的请求时，服务端根据动态NSGA—II算法对服务器端的物流资源进行分配，使得利益、配送及时率、满意度等达到最优化。

    (4)服务及时率：利用动态NSGA—II算法，当benefit最大，time_cost、caclu_cost最小时，abs(由计算机算法得到的计算时间T+灵敏阈值Δt-实际运送时间t)/(T+Δt)。

    (5)服务满意度：当benefit最大，time_cost、caclu_cost最小时，利用动态NSGA—II算法，使得用户对于物流配送的满意度达到最优。

    (6)物流服务请求属性：物流服务请求用多个属性进行描述。如果用D表示物流的空间区间，D₁，D₂分别表示源点与目的地；T表示时间区间，T₁，T₂分别表示最早出发时间与最晚到达时间；V表示体积；G表示重量；SP表示其他特殊要求集合如单价等，则一个基本的物流服务请求可以写成SQ((D₁，D₂)，(T₁，T₂)，V，G，SP)。设服务请求具有n个属性，可以表示成X={x₁，x₂，…，x_n}，假定有m个类，分别用C₁，C₂，…，C_m表示。设两个具有n个属性的服务请求X_i，X_j，并表示成X_i={x_i1，x_i2，…，x_in}，X_j={x_j1，x_j2，…，x_jn}。

2 物流资源的封装与组织

2.1 物流资源的虚拟化与服务化封装

    利用物联网技术，实时掌握道路、运载工具的运行情况以及位置信息，利用大数据技术，对这些数据进行挖掘，用一个数据结构来表示，就能够完成物流资源的虚拟化。将虚拟化的物流资源封装成物流云服务的形式，并将基础的物流资源云服务组合成更复杂的物流资源云服务以便于在进行资源调度时加快匹配速度。由所有的物流资源云服务构成了物流资源服务云。在资源调度时只需将服务请求交给物流资源服务云，就能以最快的速度搜索到与之匹配的物流服务。

    如果物流服务用S表示，S应该具备端点D₁，D₂，通行能力TC，运载能力CC，可用时间端点T₁，T₂，特殊属性SP，资源状态State（表示占用与否，位置信息，速度信息及其它信息的集合）。物流服务S可以写成S((D₁，D₂)，(T₁，T₂)，TC，CC，SP，State)，表示在T₁到T₂时间段内，在D₁到D₂区间，可以运送CC单位的货物，同时道路通行能力为TC，状态为State。因为TC大于CC，在CC不能满足需要时，可以增加TC-CC的运力。

2.2 物流服务特殊组织

    为了提高物流服务的搜索、匹配与调度的速度，避免因为物流服务的组织形式降低物流服务的搜索、匹配与调度的效率，需要改进物流服务的组织形式。本项目通过研究，拟将物流服务组织成物流服务云的形式。假定有一个物流服务S₁，将其表示成S₁((D₁，D₂)，(T₁，T₂)，TC，CC，SP，State)，假定D₁到D₂需要经过D₃，D₄。由于D₁到D₃，D₃到D₄，D₄到D₂都需要时间，因此对时间区间(T₁，T₂)，将其改写成(T₁，T₂)=(T₁，T₃)U(T₃，T₄)U(T₄，T₂)的形式。S₁可以写成S₁((D₁，D₂)，(T₁，T₂)，TC，CC，SP，State)=S₁₁((D₁，D₃)，(T₁，T₃)，TC11，CC11，SP11，State11）US₁₁((D₃，D₄)，(T₃，T₄)，TC12，CC12，SP12，State12)US₁₃((D₄，D₂)，(T₄，T₂)，TC13，CC13，SP13，State13)。同时由于S₁₁与S₁₂，S₁₂与S₁₃中相邻的服务可以两两求并，又能生成两个新的物流服务S₁₄((D₁，D₄)，(T₁，T₄)，TC14，CC14，SP14，State14)与S₁₅((D₃，D₂)，(T₃，T₂)，TC15，CC15，SP15，State15）。图1对上述服务的组织形式进行了具体描述。

3 基于聚类与分类的服务请求的分解与合成

3.1 服务请求的分类

    给定一个未知的物流请求数据样本X(即没有类标号)，若朴素贝叶斯分类法将未知的请求样本X分配给类C_i，则一定是：

    P(C_i|X)>P(C_j|X)  1≤j≤m，j≠i

    因此，给定概率阈值，可以用朴素贝叶斯方法对服务请求进行分类。

3.2 服务请求的聚类

    两个服务请求的相似度可以表示成：

    SAME=(X_i∩X_j)/(X_i∪X_j)

    根据服务请求之间的相似度，采用k-means 算法对服务请求进行聚类。

3.3 服务请求的分解与合成

    服务请求所需的运载能力、运输时间要求等如果不能直接跟物流服务相匹配，都可以将其分解成多个服务请求。

    具有相同目的、或者相近目的；或者是具有是类似属性的服务请求，可以按照聚类与分类算法将其合并成一个或多个相同或相近类型的服务请求，并搜索相应的物流服务与其匹配。

4 物流方案的搜索与NSGA-II动态模型的建立

4.1 基于云计算的物流方案搜索方法

    由于物流资源服务云是按照记录的方式分散存放在云计算系统的各个节点上，在云计算的管理节点上存储了各节点存储记录的元数据或者索引。利用云计算方式进行分布式搜索包括如下步骤：数据分片；分片数据搜索；分片数据汇总。

4.2 模型目标选择与NSGA-II模型的建立

4.2.1 模型目标选择

    由于本项目针对的是草原生鲜产品的云物流资源调度问题，设定如下调度目标：

    (1)物流请求者承担的运费低于传统物流；

    (2)运送时间满足客户需求；

    (3)算法运行时间与调度时间满足资源调度效率与及时性要求；

    (4)物流平台收益不低于传统物流企业；

    (5)第四、五方关联物流企业或资源提供方收益不低于预期；

    (6)物流造成的环境污染低于政府部门规定；

    (7)投诉的比例低于各方接受的阈值。

4.2.2 NSGA-II规划模型的建立

    (1)运费目标

    针对单个任务请求，需要确定运费最低的方案。单个请求的第i个子任务的第j个运送方案的运费单价为c_ij，运量为x_ij，则该请求的运费目标如式(1)所示：

    运费目标应该是物流请求方、物流服务提供方、物流平台运营方等多个方面协商的结果。

    (2)时间目标

    针对一个单纯的子任务而言，对于选定的物流路线，需要经过一个或多个物流阶段，每个阶段都有一定的时间消耗。同时，在求解模型的过程中也需要一定的时间消耗。时间目标如式(2)、式(3)所示，其中ctt_ij，cct_ij，xij，分别为第i个子任务的第j个运送方案的单位运输时间、单位计算时间与运量。

    (3)收益目标

    针对一段时间而言，物流平台企业的收益目标即使不能最大化，但也需要不低于传统物流企业。而传统物流企业而言，作为物流平台的第四方、第五方物流的收益不应该低于以前做传统物流的收益或者其他期望收益。物流平台与物流企业的收益目标如式(4)所示，其中c_i、x_i分别表示第i个物流任务的单价以及运量。

    (4)满意度目标

    对发货方，要求将货品按时、按质送到收货方；而对收货方，也要求按时按质收到货品。双方的满意度指标是物流方产生投诉因素越少，满意度越高。因此，需要根据投诉的产生因素建立投诉目标函数式(5)，且最小化。

4.3 物流资源状态的动态更新

    为了达到对物流状态尽量精确掌控的目的，就必须一方面通过物联网技术对当前交通与运载工具等物流资源运行情况进行准实时监控，并根据交通状况的统计特性、天气等外在因素可能对交通状况造成的影响等等，通过大数据手段对这些统计量进行挖掘与更新。将更新后的数据代入静态NSGA-II规划模型，方便在T+Δt时间后更新模型参数，从而将静态NSGA-II规划模型变成动态NSGA-II规划模型。

5 生鲜产品云物流资源优化调度算法描述

    生鲜产品云物流资源优化调度算法如下：

    Main（）

    {

    Input(物流资源D₁、D₂、D₃、D₄…D_i)

    将物流资源按高级到基础的顺序放到资源服务云，高级用spark处理；

    按级别创建block块；

Request服务按P(C_i|X)>P(C_j|X) 1≤j≤m，j≠i进行分类；

If request〉2＆＆requesti与requestj不相似则分解request；

If requesti、requestj相似则进行合并request

    相似度：SAME=(X_i∩X_j)/(X_i∪X_j)

    Receive request 按照动态NSGA—II模型和cost、time_cost、caclu_cost函数值最小，s(x)接近于5进行执行匹配，在执行中benefit保证最大且灵敏度控制在Δt阈值中；

    Output(cost、time_cost、caclu_cost、s(x)、benefit)；

    End

    }

6 仿真试验

6.1 试验数据分析

    运费目标仿真结果如表1和图2所示。

    图2中，z轴运费单价为c_ij，y轴运量为x_ij，z轴为运费目标。

    时间目标仿真试验结果如表2和图3、图4所示。

6.2 实验对比数据

    传统的NSGA规划模型的求解方法计算效率低，计算复杂度高，共享参数需要预先确定。为了提高模型求解的并行计算程度，从而有效地减少模型求解时间，本项目拟根据物流服务云的构成，将高级的物流云服务按照基础的物流云服务进行分解，同时将NSGA-II模型中与该高级物流云服务关联的约束与目标分解到基础的云服务上。

    将所有单个规划模型组成任务池，每个云计算节点按照自己的运算速度在任务池中摘取需要计算的任务，并对单个规划模型进行求解。在整体上来说，多个单个规划模型同时在多个云计算节点上并行计算，其总的并行程度比求解传统NSGA模型要高得多。

    至于空间复杂度，由于测试数据有限所以未能准确估计，有待进一步改善观察。

7 结论

    根据实验结果数据依据可得，该算法充分利用了第四方、第五方闲置资源，使得物流资源的规划更合理；利用基于云计算的服务请求的分解与合成使得管理更高效；利用基于云计算大数据的动态NSGA—II调度算法，加快了物流资源调度模型的求解速度，使得模型的求解时间不再对物流资源的调度速度、精度以及对物流资源的控制效率造成明显影响最终达到运费更低廉，控制更精细、调整更及时的目标。该算法使得配送及时率达到89.60%，满意度在3.75-4.7之间，相比传统物流而言及时率提高了近12%，满意度提高了近0.62。

    其中在现实环境下拥有各种影响下及时率的提高充分体现了物流资源调度的高效性、稳定性，满意度的提高充分体现了算法的适用性。而这些提高将在某种程度上改变生鲜产品云物流的水平，促进物流企业的转型升级。

    所有实验结果均是依赖于部分内蒙古草原生鲜数据资料，也就是说此结果和结论均具有局限性，所以后期的实践与应用将需要部分改善，已完成市场需求。

参考文献

[1] DIXIT V S，CHHABRA S.Logistics business under the cloud computing framework[C].Computational Science and Its Applications(ICCSA)，2015 15th International Conference on Year.2015：96-99.

[2] 王琦峰，吕红波，江瑜.云物流体系结构与应用模式研究[J].电信科学，2012(3)：126-132.

[3] 张水旺，胡小建.云物流概念模型及其运作机理研究[J].科技管理研究，2015(19)：186-190.

[4] 张向阳，袁泽沛.网购时代我国“智慧云物流”平台体系与协同运营模式研究[J].中国科技论坛，2013(7)：99-104.

[5] 孙振兴.农产品的云物流平台构建研究综述[J].生产力研究，2015(4)：157-160.

[6] 丁丽芳.云物流环境下的农物商一体化农产品物流模式[J].中国流通经济，2014(6)：41-45.

[7] 孟魁.我国农产品云物流模式的整合路径研究[J].湖北农业科学，2015，54(4)：1010-1013.

[8] Kyung-Hyun Choi，Dong-Soo Kim，Yang-Hoi Doh.Multi-agent-based task assignment system for virtual enterprises[J].Management Science，2012(7)：1634-1646.

[9] Normanr Lofts.Multiple allocation of resources in a Network-an optimal scheduling algorithm[J].Future Generation Computer Systems，2010，14(6)：213-218.

作者信息:

史宝珠，李美安，左玉晖

（内蒙古农业大学 计算机与信息工程学院，内蒙古 呼和浩特010018）