周 超,陳 明,王文娟

上海海洋大學 信息學院,農(nóng)業(yè)部漁業(yè)信息重點實驗室,上海 201306

水產(chǎn)品線上交易匹配模型及算法研究

周 超,陳 明,王文娟

上海海洋大學 信息學院,農(nóng)業(yè)部漁業(yè)信息重點實驗室,上海 201306

近年來，隨著電子商務與互聯(lián)網(wǎng)的不斷發(fā)展，如何能夠將傳統(tǒng)的線下商品交易與現(xiàn)代的互聯(lián)網(wǎng)經(jīng)營模式相結合成為研究熱點。作為日常生活中的消費大戶，水產(chǎn)品由于其易腐性，其對于生產(chǎn)銷售的時效性要求更為突出，將其與電子商務線上交易相結合可以極大提高其銷售效率。本文在研究了線上交易的背景下，水產(chǎn)品交易匹配優(yōu)化的問題。首先定義了新的買賣雙方的商品交易匹配度及其計算方法，以此為基礎構建了水產(chǎn)品交易匹配模型以最大化雙方的加權匹配度。隨后通過采用鳥群覓食算法針對模型進行求解。最后通過一個實例驗證了算法的可行性，并與傳統(tǒng)遺傳算法進行對比證明了其有效性。

水產(chǎn)品;線上交易;匹配;算法

互聯(lián)網(wǎng)技術的不斷發(fā)展近年來給電子商務領域帶來了革命性的變化，其通過數(shù)字通訊方式進行商品和服務的交換抑或資金的轉賬，這為傳統(tǒng)的產(chǎn)品流通帶來了極大的便利[1-3]。水產(chǎn)品作為傳統(tǒng)的日常消費大戶，其在日常生活中的地位不可或缺，如果能夠將其納入電子商務的發(fā)展，必回帶來極大的回報[4]。

自新中國成立以來，水產(chǎn)企業(yè)一直是根據(jù)國家的“統(tǒng)收統(tǒng)支，統(tǒng)負盈虧”政策進行生產(chǎn)。1985年后取消統(tǒng)購統(tǒng)銷隨后逐步采用市場調(diào)節(jié)方式。時至今日，水產(chǎn)品領域的流通也基本是以傳統(tǒng)的貿(mào)易方式為主。其中買賣雙方隔離，難以交流溝通，不能很好的進行信息的匹配洽談；另一方面，買賣雙方市場信息掌握不完善，不能對產(chǎn)品行情很好地判斷。而水產(chǎn)品其易腐性的特點又表明其對于交易的時效性要求極高，如果不能在較短的時間內(nèi)完成買賣雙方的信息匹配，就會由于信息的滯納而造成水產(chǎn)品的腐敗，使得資源讓費造成經(jīng)濟損失[5,6]。因此建立水產(chǎn)品線上交易以方便買賣雙方的信息交流，建立合適的交易匹配模型根據(jù)買賣雙方信息以在最短時間內(nèi)達成有效交易顯得尤為重要。

為了解決線上商品交易的匹配問題，已經(jīng)進行了多方面的研究。如NASDAQ為代表的股票交易系統(tǒng)等，但是其將關注點只集中在了價格屬性方面。雖然張振華等人也研究了多個屬性商品的交易匹配問題[7,8]，但是其目標函數(shù)設定依然僅僅圍繞價格因素。這與水產(chǎn)品不單單關注價格，更加看重時效，物流，新鮮度的特點不相符合。為此，提出新的買賣雙方滿意度及其計算方法。以此為基礎為了最大化所提的雙方匹配度，構建了關注時效、價格、物流等多方面因素的水產(chǎn)品交易匹配模型，采用鳥群覓食算法進行模型尋優(yōu)求解。通過實例證實了其可行性，通過與遺傳算法的對比證明了其有效性。

1 交易匹配模型

一般在線上水產(chǎn)品的交易中，進行目標交易匹配的為買賣雙方存在的多個買家和賣家，因為水產(chǎn)品交易一般為大數(shù)量的交易因此假定一般模型中的交易對象為大數(shù)量的同類水產(chǎn)品。假設存在m個買家以及n個潛在賣家，bi，sj分別表示對應的買家和賣家，潛在交易的水產(chǎn)品數(shù)量分別為ei，hj，且該水產(chǎn)品共有時效、價格、運輸?shù)萳個不同屬性。

針對買家而言，bi其對于水產(chǎn)品的屬性k(Kb={k｜k=1,2,…,lb})存在的某些要求稱之為約束條件。如果該約束為相等約束就為硬約束，而凡是非等號的約束統(tǒng)稱為軟約束。這當中軟約束可以進一步分為三種類型：1.買方要求該屬性越大越好，例如水產(chǎn)品鮮活度，稱之為效益型屬性約束；2.買方要求該屬性的值越小越好，例如水產(chǎn)品價格，稱之為成本型屬性約束；3.買方對該屬性要求不高，只需要處于某一區(qū)間即可，稱之為區(qū)間型屬性約束[9-12]。假定bi買家對水產(chǎn)品的效益型抑或成本型約束的臨界值為而對水產(chǎn)品的區(qū)間約束條件為賣家sj所持有的水產(chǎn)品的某一屬性k以

表示，并且買方對于各種不同屬性的側重通過不同的加權系數(shù)決定，買家對于不同屬性k的加權系數(shù)為wik，所有的加權系數(shù)之和為1，即：

相同的，對于賣家而言，一個賣家sj對某一屬性k的要求同樣可以分為硬約束與軟約束，而其中軟約束也同樣的可以分為不同的三種類型。假定賣家sj對于水產(chǎn)品的效益型抑或成本型屬性約束的要求臨界值為而其對于區(qū)間型屬性的約束則為同樣的，買家對于水產(chǎn)品屬性k的值用表示，并且賣方對水產(chǎn)品的某一特定屬性的側重也是通過加權系數(shù)決定，用wjk表示，其滿足相同的條件，即：在進行交易時，買賣雙方都在線上提出自己的各類要求，包括時效、價格、約束條件等等，這些要求被交易平臺接收，隨后由交易中介根據(jù)他們不同的條件進行匹配，匹配的最大原則是實現(xiàn)買賣雙方匹配度的最大化。為了能夠進一步簡便的建立起水產(chǎn)品交易匹配的數(shù)學模型，下面進一步給出匹配度的概念定義及其計算方法。

根據(jù)以上對于水產(chǎn)品線上交易匹配問題的描述以及給出的匹配度定義以及不同約束條件下的計算方法[13-16]，水產(chǎn)品線上交易匹配模型建立如下：

表達式1為模型的目標函數(shù)，目標是能夠最大化該函數(shù)的值即買賣雙方的匹配度。表達式2和3是買賣雙方各自對于水產(chǎn)品數(shù)量的限制。表達式4是所建立模型的決策變量約束，表示買賣雙方有無水產(chǎn)品交易發(fā)生。

2 模型匹配算法

建立的水產(chǎn)品線上交易模型的目標函數(shù)是非線性函數(shù)，傳統(tǒng)的線性求解算法對其不具備很好的適用性，而轉而采用精確算法進行求解的話則不能同時滿足求解所要求的高效性和精確性。為了能夠更好的解決模型的求解問題，采用鳥群覓食算法進行求解。

2.1 鳥群覓食算法

鳥群覓食算法的也稱為粒子群算法，來源于對鳥群捕食行為的研究，算法的具體原理如下：每個尋優(yōu)問題的解被認為是一個“鳥”，在一個N維的空間內(nèi)進行捕食搜索；所有的“鳥”距離食物的距離即距離最優(yōu)解的接近成都由一個適應度函數(shù)確定，并以此判定當前“鳥”所在位置的優(yōu)劣；每一只鳥都可以記住自己找到的最佳捕食位置；每一只“鳥”還要有一個決定其飛行距離和方向的速度，該速度根據(jù)其自身與整個鳥群的經(jīng)驗進行動態(tài)的調(diào)整以適應問題需要。具體的算法流程如下圖所示。

圖1 算法流程框圖Fig.1Algorithm process

流程圖中，pbest表示某一個體“鳥”經(jīng)歷過的最優(yōu)位置，而gbest則表示整個鳥群所經(jīng)歷過的最優(yōu)位置。鳥群覓食算法的基本思想就是通過整個群體中的每一個體之間進行信息共享以及共同協(xié)作來尋找問題的最優(yōu)解。多個鳥同時進行最優(yōu)化搜尋，同時進行信息共享以加快整個鳥群向最優(yōu)解逼近的速度，大大提高整個問題尋優(yōu)的速度與精確性。鳥群覓食算法思想簡單、高效，易于實現(xiàn)同時沒有過多需要調(diào)整的參數(shù)，目前在函數(shù)優(yōu)化，神經(jīng)網(wǎng)絡訓練以及模糊系統(tǒng)控制等領域運用廣泛。

2.2 算法設計

最優(yōu)化問題的求解需要對每一個解進行編碼，最常用的編碼方式就是矩陣編碼，但是矩陣編碼占用空間大耗費了太多的存儲空間，所以這里采用簡潔高效的Prǜfer數(shù)編碼，即對弈一個擁有x個買家和y個賣家的水產(chǎn)品交易之間存在的各項匹配關系，用x+y-2個1到x+y之間的數(shù)進行表示。舉例加入有3個買家以及4個賣家，那么Prǜfer數(shù)編碼可以編碼為：4-2-2-7-3，并以此為基礎得到雙方間的匹配量。如果產(chǎn)生了非法的編碼，就采用編碼修復策略進行編碼修復，進而產(chǎn)生初始鳥群。產(chǎn)生的每一個個體，即每一只“鳥”的位置都是一個隨機產(chǎn)生的解，將這些解帶入到目標函數(shù)計算得出適應度并以此為依據(jù)進行后續(xù)處理。

本文采用設定迭代次數(shù)（N）的方式，采用鳥群覓食算法進行的交易匹配步驟如下：

（1）初始化鳥群，包括每一只“鳥”的隨機初始位置和速度，個體位置x_i=(x_i1,x_i2,…x_iD)，個體速度v_i=(v_i1,v_i2,…v_iD)并計算適應度；

（2）針對每一個個體，將其當前計算得出的適應度值與其歷史最佳適應度值pbest_i=(p_i1,p_i2,…p_iD)進行比較，如果當前適應度更高，則將當前位置記錄為歷史最優(yōu)位置，否則保留歷史最優(yōu)位置；

（3）針對所有個體，將其當前適應度值與全局最優(yōu)位置gbest=(g1,g2,…gD)進行比較，如果當前適應度更高，則將當前位置記錄為全局最優(yōu)位置，否則保留全局最優(yōu)位置；

（4）重復迭代N次得出最后的最優(yōu)解。

3 應用實例與分析

假設存在10個買家和10個賣家進行南美白對蝦的線上交易，對蝦的交易涉及到的屬性共有價格、數(shù)量、鮮活度、運輸時效以及支付方式這五個方面，其具體信息如下面兩張表所示。買方的支付方式為硬約束條件（支付方式共有兩種信用卡與現(xiàn)金，分別用a和b表示），運輸時效為區(qū)間型約束，數(shù)量為效益型約束，鮮活度（值越小對應鮮活度越高）和價格則為成本型約束，其加權值為0.2；而在賣方看來，其只關注于價格以及數(shù)量這兩個輸贏，相應的加權值為0.5。假設買賣雙方預計交易的對蝦數(shù)量時相等的。

表1 買賣雙方對蝦交易信息Table 1 Trading information of shrimp between buyers and sellers

算法使用C語言在Windows 7平臺主機（主頻2.27 GHz，內(nèi)存4 G）實現(xiàn)，設定迭代次數(shù)N=200,初始鳥群為10，最終求得的最優(yōu)匹配度值為F(x)_max=17.734，其對應的最優(yōu)解如表所示由此可以看出采用所提方案可以計算出模型的近似最優(yōu)解，這表明該方案是可行的。

表2 最優(yōu)解對應變量值Table 2 The variable values corresponding to optimal solutions

隨后為了驗證所提方案的有效性，將其同傳統(tǒng)的遺傳算法進行對比，遺傳算法參數(shù)設置為：變異率0.4，交叉率0.2，種群10，迭代次數(shù)200。對上述算例進行10次計算，記錄下兩種算法在迭代（20,40,60,100,120,140,160,180,200）次時的最優(yōu)值，并進行對比分析，結果如下圖所示。

圖2 鳥群算法與遺傳算法迭代曲線Fig.2 The iterative curves of bird swarm algorithm and genetic algorithm

從圖中可以發(fā)現(xiàn)，遺傳算法與鳥群覓食算法的最終計算值相差不大，具有類似的精確度。另一方面可以看出在尋優(yōu)過程中，迭代相同次數(shù)的情況下，鳥群算法的尋優(yōu)值要更快的接近于最優(yōu)值，即其收斂速度要優(yōu)于遺傳算法。這證實了所提方案不但可以最終尋找出模型的最優(yōu)解，同時其收斂速度也優(yōu)于傳統(tǒng)的遺傳算法，其高效性可以大大提高系統(tǒng)的性能。

4 結論

該文研究了水產(chǎn)品線上交易的匹配問題，首先分析了水產(chǎn)品易腐性的特點，指出其交易對于鮮活度與運輸時效的要求。隨后給出買賣雙方對水產(chǎn)品交易的匹配度定義及計算方法，考慮了雙方對于不同屬性的不同要求，更加符合實際情況。進一步在此基礎上抽象并建立出了買賣雙方進行水產(chǎn)品線上交易的匹配模型，緊接著為了最大化雙方交易的匹配度，設計了采用鳥群覓食算法的求解算法對模型進行求解，通過一個實例計算對所提方案進行了分析。結果表明，該文所提的模型以及對應算法是可行的并且很高效，從而可以為水產(chǎn)品的線上交易提供一種快速的匹配算法，加速買賣雙方的匹配，促進水產(chǎn)品線上交易的發(fā)展。

[1]徐滬萍,丁煒颋.水產(chǎn)品網(wǎng)上交易模式及其運作流程[J].中國水運:理論版,2006,4(4):108-109

[2]盧心宇.水產(chǎn)品批發(fā)市場電子交易系統(tǒng)的設計與實現(xiàn)[J].工程技術:文摘版,2015(12):200

[3]曹繼龍,楊寧生.大連市水產(chǎn)品電子商務發(fā)展的問題及其對策[J].湖南農(nóng)業(yè)科學,2011(2):34-36

[4]王靜萍,夏 燾.我國水產(chǎn)品市場電子商務應用現(xiàn)狀分析[J].現(xiàn)代經(jīng)濟信息,2016(23):328

[5]盧衛(wèi)平,吳維寧.再論水產(chǎn)電子商務與網(wǎng)上漁市[J].上海海洋大學學報,2004,13(3):244-249

[6]楊卓凡.網(wǎng)絡經(jīng)濟時代中國水產(chǎn)品電子商務研究[D].杭州:浙江海洋學院,2012

[7]張振華,汪定偉.電子中介中的交易匹配研究[J].控制與決策,2005,20(8):917-920

[8]張振華.電子中介中的交易匹配方法及其應用研究[D].沈陽:東北大學,2005

[9]汪定偉.電子中介的多目標交易匹配問題及其優(yōu)化方法[J].信息系統(tǒng)學報,2007(1):102-109

[10]蔣忠中,樊治平,汪定偉,等.具模糊信息的多數(shù)量多屬性電子交易匹配問題[J].管理科學學報,2014,17(5):52-65

[11]樊治平,陳 希.電子中介中基于公理設計的多屬性交易匹配研究[J].管理科學,2009,22(3):83-88

[12]蔣忠中,袁 媛,樊治平.電子中介中具有數(shù)量折扣的多屬性商品交易匹配問題研究[J].中國管理科學,2010,18(6):122-130

[13]苑廣強.交易匹配算法在電子商務平臺中的研究與應用[D].長春:長春工業(yè)大學,2011

[14]王中興,黃 帥.一種電子商務中買賣雙方交易匹配的決策方法[J].大眾科技,2014(5):18-22

[15]盛 瑩,蔣忠中,樊治平.電子中介中具有模糊信息的多屬性商品交易匹配方法研究[J].運籌與管理,2011(6):73-81

[16]陳 希,樊治平.電子采購中具有語言評價信息的交易匹配問題研究[J].運籌與管理,2009,18(3):132-137

Study on Online Trading Matching Model and Algorithm for Aquatic Products

ZHOU Chao,CHEN Ming,WANG Wen-juan
Key Laboratory of Fisheries Information Ministry of Agriculture,College of Information Technology/Shanghai Ocean University,Shanghai 201306,China

In recent years,with the continuous development of e-commerce and the internet,how to combine the traditional offline commodity trading with the modern internet business model becomes a focus.Aquatic products have so large sale volume and perishability that the timeliness of the production and sales become more prominent and the combination with e-commerce online transaction can greatly improve the efficiency of sales.This paper studied the problem of matching optimization of aquatic product trading in the context of online trade.First of all,a new trading matching degree and its calculation method were defined so as to construct the aquatic product transaction matching model to maximize the weighted matching between the two sides.Then the bird foraging algorithm was used to solve the model.Finally,an example was given to verify the feasibility of the proposed algorithm,and the effectiveness of the proposed algorithm was verified by comparison with the traditional genetic algorithm.

Aquatic product;online trade;matching;algorithm

F762.6;F713.36

:A

:1000-2324(2017)03-0459-05

2017-01-20

:2017-02-22

國家科技支撐計劃資助項目:鮮活水產(chǎn)品物流過程品質維持與質量安全控制技術集成應用與示范(2013BAD19B06)

周 超(1991-),男,碩士研究生,主要研究方向為電子商務、智能匹配優(yōu)化研究.E-mail:m140551657@st.shou.edu.cn