（重慶郵電大學 經濟管理學院，重慶 400065）

0 引言

隨著“大數(shù)據(jù)（Big data）”時代的到來，各行各業(yè)的業(yè)務數(shù)據(jù)如海量洪流般的產生，數(shù)據(jù)以及數(shù)據(jù)處理對企業(yè)的發(fā)展和創(chuàng)新有著至關重要的作用。物流業(yè)作為我國的戰(zhàn)略性基礎性產業(yè)，必然也會受“大數(shù)據(jù)”時代的影響，人們對物流服務的需求更加多樣化和復雜化，物流運單信息呈現(xiàn)海量增長趨勢（尤其是在“雙11”、“購物狂歡節(jié)”等節(jié)假日時期，各大電商平臺促銷活動激烈，導致人們的消費行為高度集中），更要求物流調度對市場變化具有更高的靈敏性和適應性，而物流調度的主要難點在于如何用更少的時間對需求不同、運單量極大的物流服務進行快速合理的分配。

近年來，在云計算、物聯(lián)網和供應鏈管理的綜合模式下，產生了一種新型物流服務模式，即物流云服務（Logistics Cloud Service，LCS）。物流云服務是一種在網絡技術支持下，通過物流云服務平臺整合物流資源和客戶資源從而形成對應的物流資源云，并根據(jù)客戶需求智能管理和調配物流資源，為客戶提供便捷、優(yōu)質的個性化物流服務。與以往的物流服務模式相比，物流云服務更加注重服務的專業(yè)化和個性化，通過構建按需供應、資源高度共享的物流云服務平臺來實現(xiàn)對全社會物流資源的分配和調度?；谶@種模式，客戶可以快捷地享受到最適合的物流服務，而作為物流服務提供方也能以最少的時間對物流資源進行調度分配來滿足客戶的個性化需求。但是，由于我國物流行業(yè)起步較晚，物流云服務模式尚在發(fā)展初期，針對如何快速地實現(xiàn)物流資源與需求任務的動態(tài)組合、智能匹配和優(yōu)化調度的相關研究就尤為重要。

關于物流云服務以及物流云服務模式下的任務調度研究，國內外學者取得了一定的成果。林云等人認為物流服務具有云計算的技術特征，提出了面向供應鏈的物流云服務模式；陳典斌探討了物流云服務的設計與運行措施；徐驍勇等人以任務執(zhí)行時間與能耗作為優(yōu)化目標，建立了一個節(jié)能調度模型，并將非支配排序遺傳算法（NSGA-II）應用于云計算的節(jié)能調度問題；鄭小強等人提出了一種云遺傳算法來解決復雜維修物流任務的組織和調度；李振汕等人針對系統(tǒng)處理大規(guī)模物流調度信息能力不足的情況，提出了一種基于云計算環(huán)境下的物流資源調度優(yōu)化模型對問題進行求解；孫大為等從理論上對云資源調度模型進行了系統(tǒng)的建模分析，提出了一種基于免疫克隆的偏好多維QoS的云資源調度優(yōu)化算法；張衛(wèi)等人結合云模型和蟻群算法對制造服務調度問題制定了一種求解策略，以實現(xiàn)制造服務資源的優(yōu)化配置。

遺傳算法（Genetic Algorithms，GA）是一種模擬自然進化的仿真算法，它將問題表示成“染色體”的適者生存過程，通過“染色體”群的一代代不斷進化，經過復制、交叉和變異等操作，最終收斂到“最適應環(huán)境”的個體，從而求得問題的最優(yōu)解或者近似最優(yōu)解。因為遺傳算法直接以目標函數(shù)作為搜索信息，不需要梯度等高等價值信息，并且采用自適應隨機搜索技術，使用多個搜索點的搜索信息，因而它具有高度的靈活性、并行性和很強的通用性。本文基于物流云服務平臺強大的信息整合能力，采用遺傳算法對物流云服務平臺中的物流任務進行調度優(yōu)化，最后進行仿真實驗，證明了遺傳算法對實現(xiàn)物流云服務平臺任務調度的有效性和可行性，實現(xiàn)了兼顧最大化資源利用率、最小化調度時間以及最低運營成本三方面目標的物流云服務平臺任務調度優(yōu)化。

1 物流云服務平臺概述

1.1 內涵作用

物流云服務平臺（Cloud Service Platform,CSP）是面向各類物流企業(yè)、物流樞紐中心及各類綜合型企業(yè)的物流部門等的完整解決方案，依靠大規(guī)模的云計算處理能力、標準的作業(yè)流程、靈活的業(yè)務覆蓋、精確的環(huán)節(jié)控制、智能的決策支持及深入的信息共享來完成物流行業(yè)各個環(huán)節(jié)所需要的信息化要求。它是傳統(tǒng)物流信息服務平臺的完善與升級，為解決當前物流資源共享困難、資源利用率不高、信息不對稱等問題提供了新的解決思路。

1.2 體系架構

物流云服務模式主要由三個部分構成，即：物流服務需求方（Logistics Cloud Service Demander,LCSD）即用戶層、物流服務提供方（Logistics Cloud Service Provider,LCSP）即資源層、云服務平臺（CSP）即云端服務層。CSP主要由個性化物流服務推薦中心、物流云調度中心和服務質量監(jiān)控管理中心三個部分構成，它是連接LCSD和CSP的橋梁和樞紐，負責建立完整的供需服務鏈。LCSD通過CSP發(fā)布自己的個性化物流需求，LCSP通過CSP發(fā)布自己已有的物流資源和服務，CSP通過對LCSD的物流需求進行分析，然后對LCSP所提供的物流資源和服務進行整合、檢索和匹配，建立起滿足LCSD個性化需求的物流服務解決方案并進行相應的資源調度。物流云服務平臺體系架構如圖1所示。

圖1 物流云服務平臺體系架構

1.3 任務調度

物流云服務平臺下的任務調度主要包括以下兩個方面：

（1）物流硬件資源調度。主要是為了解決當企業(yè)拿到一批物流任務之后，應當如何調度現(xiàn)有的車輛、人工資源以及車輛的路徑優(yōu)化等問題；這個方面是傳統(tǒng)物流企業(yè)最為關心的問題，隨著物流行業(yè)的發(fā)展，此類問題的解決方案已經較為成熟，故本文不再具體討論此類資源調度問題。

（2）物流管理服務資源調度。主要是解決當物流云平臺面臨多批次的任務申請時，應當如何合理地分配云端的服務器、存儲資源以及任務實施者，以達到高效的平臺運行效率和較低的運營成本。這也是當下物流云服務平臺最為關心的問題，也是本文的研究重點。

2 物流云服務平臺下的任務調度模型

2.1 問題描述

本文要解決的問題是同一類物流服務需求方（LCSD）向云服務平臺（CSP）提出物流需求，CSP對提交上來的物流任務進行批處理，然后整合物流云服務提供方（LCSP）已有的物流資源和服務，將物流任務和物流資源和服務進行檢索匹配，并進行相應的物流云調度。為了提高云平臺的服務質量，本文建立了一個兼顧資源利用率、調度時間與運營成本的多目標優(yōu)化模型，來指導物流云服務平臺下的物流任務調度分配。

2.2 假設條件

由于物流云服務環(huán)境下的任務調度非常復雜，包含了各種不確定因素，因此，為使物流云服務平臺下的任務調度模型化，需假設以下前提條件：

（1）LCSD的性質相同或相近，需要接受服務的時間差別較?。?/p>

（2）各個LCSD都是互相獨立的，且互不干擾；

（3）LCSD的數(shù)量遠遠大于LCSP的數(shù)量；

（4）CSP對批量物流任務的處理具有順序性，本批任務完成以后才可以進行下一批物流任務的分配和調度；

（5）每個LCSP工作能力相同，即對于同一個物流任務的完成時間相同；

（6）不考慮LCSP具體如何處理任務，當一個任務分配給某個LCSP，本模型只關心其完成該任務的時長，不考慮LCSP如何調配人員和車輛等具體問題；

（7）物流云服務任務調度成本僅考慮物流云服務平臺的運營成本。

2.3 模型建立

基于以上前提，可以對物流云服務平臺下的任務調度做出如下描述：用Q表示LCSD的數(shù)量，P表示LCSP的數(shù)量，調度工作是將Q個需求通過CSP分配給P個LCSP完成。設第i個LCSP分配到Ki個任務，Ci為每次使用云平臺的開銷（包括帶寬、存儲容量等費用），Bi為每個LCSP單位時間內最大任務承載量，Ki/Bi則為每個LCSP的使用率，本文將其定義為該LCSP的資源利用率，這樣，物流云服務平臺下的任務調度的多目標優(yōu)化模型表示如下：

其需要滿足以下約束條件：

其中：tij為第j個任務使用第i個資源的時間；Ti為第i個LCSP完成所分配到的任務所需要的時間；）表示完成該批任務所需要的時間；表示完成該批任務LCSP的平均資源使用率；表示完成該批任務的成本。本模型是一個多目標的優(yōu)化問題，其優(yōu)化目標綜合考慮了調度時間，資源利用率以及調度成本，即使得完成任務的所用的時間最少，資源利用率最高，同時相應的調度運營成本最低。

2.4 模型分析

本模型是一個多目標整數(shù)規(guī)劃問題，為了簡化求解，引入偏好向量λ=（x,y,）z將問題轉化成單目標整數(shù)規(guī)劃問題：

這樣，只要定義好偏好向量λ=（x,y,）z，問題便可以通過遺傳算法等啟發(fā)式算法進行求解了。

3 物流云服務平臺下的任務調度遺傳算法設計

3.1 編碼與種群初始化

編碼機制是遺傳算法的必要步驟，對于應用于不同問題的編碼，目前還沒有統(tǒng)一的方法。DeJong提出了兩條操作性強的實用編碼原則：（1）有意義的積木塊編碼原則：應使用能夠易于產生與所求問題相關的且具有低階、短定義長度模式的編碼方案；（2）最小字符串編碼原則：應使用能使問題得到自然表示或者描述的具有最小編碼字符集的編碼方案。

常用的編碼方案有二進制編碼、Gray編碼等。從本質上看Gray編碼是二進制編碼的一種轉換，本文采取Gray編碼的方式來對上文中提出模型中的自變量進行編碼。Gray碼是依靠二進制碼進行轉換的，轉換規(guī)則如下：

（1）對n位二進制的碼字，從右到左，以0到n-1編號；

（2）如果二進制碼字的第i位和i+1位相同，則對應的格雷碼的第i位為0，否則為1（當i+1=n時，二進制碼字的第n位被認為是0，即第n-1位不變）。

3.2 適應度函數(shù)與選擇

在遺傳算法中，適應度函數(shù)即為本文的目標函數(shù)，且具有非負性，任何情況下都大于等于0，其值越大越好。

物流云服務平臺面向不同的企業(yè)和用戶，不同的物流服務需求者對于目標函數(shù)的追求也存在較大差異，比如：快消或季節(jié)性產品（例如時裝），物流速度也就是物流任務的完成時間是其核心指標，則相對的偏好向量λ=（x,y,）z中的y值就會大一些。企業(yè)用戶可以根據(jù)自身的物流需求定位以及訂單的特性，參考物流云服務平臺的相關調度參數(shù)的歷史數(shù)據(jù)，進行偏好向量的設置。

問題模型所涉及的目標函數(shù)包含三個部分：資源利用率、調度時間以及運營成本?？紤]到本文給定的物流云服務模式下資源服務的分布性，在建模過程中考慮了物流云的相關信息。通過對服務選擇鏈進行解碼，就可以得到服務質量參數(shù)和服務的執(zhí)行成本。而物流成本和交貨期，需要結合兩條鏈進行解碼。本文選用主動調度的解碼方式來實現(xiàn)編碼串到參數(shù)的映射，根據(jù)子任務順序鏈中各子任務的排列順序，結合服務選擇鏈，確定每個子任務所選服務的執(zhí)行開始和結束時間，通過該子任務所選的服務，所屬企業(yè)以及子任務的所屬企業(yè)等相關信息，確定物流時間和物流成本。

4 實驗仿真及結果分析

4.1 實驗仿真

為了驗證本文提出的基于遺傳算法的物流云任務調度模型的合理性和算法的有效性，進行了仿真實驗。其中為了仿真的可實施性，本文對模型進行了簡化，將復雜的多目標優(yōu)化問題通過偏好向量轉化成單一目標的優(yōu)化問題。遺傳算法的適應度函數(shù)值（Fitness）即為上一章所闡述的目標函數(shù)。利用MATLAB上謝菲爾德大學開發(fā)的遺傳算法工具箱以及Python上的遺傳算法開源算法對本文提出的模型進行仿真。

本文算例是根據(jù)參考文獻[11]給出的問題修改而得。假設現(xiàn)有10個LCSP，其服務申請的響應時間如表1所示。

表1 LCSP服務申請響應時間 單位：m

與此同時，有100個LCSD，其業(yè)務完成時間如表2所示。

表2 LCSD業(yè)務完成時間 單位：m

每個服務器的使用成本如表3所示：

4.2 仿真結果

表3 每臺服務器的使用成本 單位：元

設置每個LSCP每天最大提供服務時間為12小時。通過MATLAB仿真得到最優(yōu)調度方案如表4、圖2至圖4所示：

表4

圖2 目標函數(shù)值變化曲線

圖3 調度成本變化曲線

圖4 適應度函數(shù)變化趨勢圖

4.3 結果分析

從上一節(jié)中可以看出，利用文中所闡述的遺傳算法，經過100代迭代計算，適應度函數(shù)可以收斂。算法完成了將100個LCSD任務分配給10個LCSP的任務，并且當偏好向量λ=（0.4,0.4,0.2）的情況下，其中的一個最優(yōu)解為176.3，在此情況下服務成本為80.0元，服務所需時間為507.3分鐘。

5 結束語

本文綜合考慮資源利用率、任務調度時間以及調度運營成本三方面指標，與以往研究相比考慮更加全面，建立的物流云服務平臺下的任務調度模型通過遺傳算法求解并通過仿真驗證，仿真結果顯示，目標函數(shù)值隨著迭代次數(shù)的增多逐漸呈現(xiàn)上升趨勢，適應度函數(shù)逐漸減小，調度成本也逐漸減小，證明了本研究的實際有效性，為物流云服務模式下的任務調度問題提供了新的解決思路。

但本文的研究還有需要改進的地方，比如本文考慮的物流云服務平臺的調度運營成本，并未考慮物流云服務提供商的服務成本以及物流云服務需求者的消費成本，這一點對于提高綜合服務質量缺乏一定的說服力，需要在以后的研究中得到解決，從而為物流云服務模式的發(fā)展和推廣提供更有效的解決方案和理論技術支持。

參考文獻：

[1]陳典斌.物流云服務——供應鏈下的物流服務新模式探析[J].農村經濟與科技，2017,28(14):65-66.

[2]占天異，丁一，姚錦元,等.物流云服務下動態(tài)設施選址問題研究[J].河北工業(yè)科技，2014(3):193-198.

[3]許波，趙超，祝衍軍,等.云計算中虛擬機資源調度多目標優(yōu)化[J].系統(tǒng)仿真學報，2014(3):592-595,620.

[4]邰英英.物流云服務的物流服務新模式[J].科技經濟市場，2016(11):176-177.

[5]梁紅波.云物流和大數(shù)據(jù)對物流模式的變革[J].中國流通經濟，2014(5):41-45.

[6]姜妍旭.基于雙邊資源整合的云物流服務平臺研究與開發(fā)[D].哈爾濱：哈爾濱工業(yè)大學（碩士學位論文），2015.

[7]林云，田帥輝.物流云服務——面向供應鏈的物流服務新模式[J].計算機應用研究，2012(1):224-228.

[8]崔濤.基于云服務優(yōu)選的最節(jié)能物流運輸調度系統(tǒng)的設計[J].現(xiàn)代電子技術，2016,39(20):138-141,145.

[9]張曉磊，馬從安，申晨.物流云服務下基于改進蝙蝠算法的任務調度[J].計算機應用研究，2015(6):1676-1679,1697.

[10]李振汕.云計算環(huán)境下的物流資源調度算法研究[J].物流技術，2013(9):339-341,386.

[11]梁慶中.混合云平臺上多目標任務調度算法研究[D].北京：中國地質大學（博士學位論文），2015.

[12]熊永華，王靜，吳敏,等.面向多目標優(yōu)化的云制造虛擬資源調度方法[J].計算機集成制造系統(tǒng)，2015(11):3079-3087.

[13]Mengke Yang,Movahedipour Mahmood,Xiaoguang Zhou,et al.Design and Implementation of Cloud Platform for Intelligent Logistics in the Trend of Intellectualization[J].中國通信，2017,14(10):180-191.