徐小峰,?，|洪,孫燕芳

(中國石油大學(華東)經(jīng)濟管理學院,山東青島266580)

1 引 言

協(xié)同物流網(wǎng)絡(luò)是大數(shù)據(jù)商務(wù)時代供應(yīng)鏈的主要表現(xiàn)形式,通過協(xié)調(diào)網(wǎng)絡(luò)中功能節(jié)點、物流資源、流動資金和信息技術(shù),實現(xiàn)個體節(jié)點銜接平穩(wěn)與網(wǎng)絡(luò)整體運行有序[1,2].由于具有動態(tài)開放、組織復(fù)雜等特性,協(xié)同物流網(wǎng)絡(luò)遠離平衡態(tài),其資源規(guī)劃、獲取評價和共享集成等運行環(huán)節(jié)易受不確定性因素影響,從而導致網(wǎng)絡(luò)響應(yīng)效率降低和運營成本增加.因此,保證協(xié)同物流網(wǎng)絡(luò)有序運行對提升網(wǎng)絡(luò)整體服務(wù)響應(yīng)速度和質(zhì)量管理水平至關(guān)重要.可以說,協(xié)同物流網(wǎng)絡(luò)的運行過程實質(zhì)上是一個從無序到有序的自組織演化過程[3],其中如何衡量和識別網(wǎng)絡(luò)的復(fù)雜程度和混沌特征,及時采取措施加以調(diào)整控制,是協(xié)同物流網(wǎng)絡(luò)有序度研究關(guān)注的重點.

目前關(guān)于協(xié)同物流網(wǎng)絡(luò)有序度的研究尚缺乏系統(tǒng)性.在網(wǎng)絡(luò)結(jié)構(gòu)與協(xié)作效率方面,寧方華等[4]提出了協(xié)同物流網(wǎng)絡(luò)結(jié)構(gòu)有序度分析方法,該方法借助熵理論得到了網(wǎng)絡(luò)運行有序度表達式及結(jié)構(gòu)時效與質(zhì)量評測模型.Sun等[5]借助分形維數(shù)和熵之間的關(guān)系,完善了Brooks等[6]提出的信息不確定性程度的結(jié)構(gòu)熵模型,建立了分形供應(yīng)鏈系統(tǒng)有序度熵模型,并得到了該系統(tǒng)的結(jié)構(gòu)突變機制.Sander等[7]結(jié)合案例研究成果,提出了多變量協(xié)同供應(yīng)鏈合作概念模型.在此研究基礎(chǔ)上,針對方案優(yōu)選缺少定性評價問題,李電生等[8]引入結(jié)構(gòu)熵概念,構(gòu)建了異構(gòu)供應(yīng)鏈協(xié)作系統(tǒng)有序度評價模型.在運行機制和有序程度方面,Chiara等[9]提出了區(qū)域物流系統(tǒng)運輸協(xié)同網(wǎng)絡(luò)模型,對模型中表征網(wǎng)絡(luò)有序度的變量參數(shù)及性能指標進行了描述.Ramesh等[10]運用解析結(jié)構(gòu)方程模型,分析了影響物流網(wǎng)絡(luò)有序運行的組織形式及要素層次.楊云峰等[11]構(gòu)建了區(qū)域物流系統(tǒng)協(xié)同發(fā)展水平測度模型,運用有序度和熵權(quán)重考察系統(tǒng)內(nèi)部要素之間以及系統(tǒng)與外部環(huán)境之間的協(xié)同水平.此外,還有研究從產(chǎn)業(yè)聯(lián)動發(fā)展角度,提出了物流業(yè)與其他產(chǎn)業(yè)的協(xié)同度模型以及產(chǎn)業(yè)系統(tǒng)間的協(xié)同度計算公式[12]綜合上述文獻可以看出,前述研究多集中于組織結(jié)構(gòu)優(yōu)化、運行機制解析等領(lǐng)域,并借助熵理論識別動態(tài)系統(tǒng)的混沌程度,據(jù)此對協(xié)同物流網(wǎng)絡(luò)的有序度進行評測研究.但是考慮到協(xié)同物流網(wǎng)絡(luò)總處于復(fù)雜多變的非線性動態(tài)環(huán)境中,僅依靠熵理論無法準確描述系統(tǒng)的復(fù)雜程度,不足以做到全面客觀的評價網(wǎng)絡(luò)有序度.在協(xié)同物流網(wǎng)絡(luò)有序度研究中,可以引入關(guān)聯(lián)維數(shù)和Kolmogorov熵(以下簡稱K熵)組合,該組合已在設(shè)備狀態(tài)檢測和故障診斷中得到廣泛應(yīng)用[13,14],能有效刻畫非線性系統(tǒng)動態(tài)結(jié)構(gòu)的混沌特征和復(fù)雜程度.因此,本文在考慮運行時效和服務(wù)質(zhì)量前提下,提出了協(xié)同物流網(wǎng)絡(luò)有序度分析控制模型,運用關(guān)聯(lián)維數(shù)和K熵組合方法,從變量選擇、參數(shù)調(diào)整和強度變化等方面,研究網(wǎng)絡(luò)的熵變過程和結(jié)構(gòu)演化,以此判斷網(wǎng)絡(luò)的混沌狀態(tài)與復(fù)雜程度,實現(xiàn)網(wǎng)絡(luò)的無序預(yù)警和有序控制,最終達到提升協(xié)同物流網(wǎng)絡(luò)有序度和運行效率的目的.

2 協(xié)同物流網(wǎng)絡(luò)有序度控制模型

2.1 問題描述

假設(shè)協(xié)同物流網(wǎng)絡(luò) N 由節(jié)點集合和節(jié)點間鏈路集合R構(gòu)成,其中S,G,L和D分別為供應(yīng)商、制造商、物流服務(wù)商和銷售商的節(jié)點集合,S={sa|a=1,2,...,A},G={gb|b=1,2,...,B},L={lk|k=1,2,...,K},D={dj|j=1,2,...,J}.節(jié)點所具有的物流功能用集合E表示,E={w,x,y,z},其中w,x,y和z分別表示搬運,倉儲,包裝和運輸功能.fij表示銷售商dj發(fā)出的第i項物流任務(wù),j=1,2,...,J,i=1,2,...,n.該項任務(wù)需由供應(yīng)商sa,制造商gb和物流服務(wù)商lk等節(jié)點共同協(xié)作完成,a=1,2,...,A;b=1,2,...,B;k=1,2,...,K.

設(shè)在完成fij的過程中,節(jié)點o上的流量為pij(o,e)個流量單位,處理物料流量pij(o,e)的額定時間為實際完成時間為Tij(o,e),服務(wù)質(zhì)量要求qij(o,e),qij(o,e)∈實際服務(wù)質(zhì)量為Qij(o,e),o∈O,e∈E.

為給客戶提供高效、優(yōu)質(zhì)的服務(wù)體驗,協(xié)同物流網(wǎng)絡(luò)在實踐運作過程中,尤為注重運行時效和服務(wù)質(zhì)量.這也是眾多學者在協(xié)同物流網(wǎng)絡(luò)運作管理研究中所關(guān)注的焦點.在協(xié)同物流網(wǎng)絡(luò)生命周期中,如何在限定時間區(qū)間內(nèi)有效銜接物流節(jié)點與匹配服務(wù)資源,并高效完成各項物流任務(wù)是衡量網(wǎng)絡(luò)運行是否有序的關(guān)鍵.運行時效和服務(wù)質(zhì)量是評價協(xié)同物流網(wǎng)絡(luò)有序度的重要指標.用u表示N的運行有序度,ut和uq分別表示N中物流任務(wù)運行時效與服務(wù)質(zhì)量的有序度.fij項物流任務(wù)的綜合有序度為u(fij),其表現(xiàn)水平受物流節(jié)點有序度uo(fij)的影響,uo(fij)又由節(jié)點具體物流功能有序度uo,e(fij)耦合構(gòu)成,o∈O,e∈E,而uo(fij)則與該節(jié)點物流功能的時效有序度和質(zhì)量有序度緊密相關(guān).因此,有效刻畫和衡量是協(xié)同物流網(wǎng)絡(luò)有序度分析與控制的核心問題.

2.2 有序度設(shè)計

對于fij項物流任務(wù),假設(shè)在運行過程中需要由供應(yīng)商sa使用其搬運功能w處理p單位的物料,則該節(jié)點物流功能時效有序度為[11]

其中當時,=0,表示物流節(jié)點sa在w功能上處于獨立臨界,無協(xié)同作用產(chǎn)生.當時,表示物流節(jié)點sa在w功能上達到最佳狀態(tài),時效有序度最高.

該節(jié)點sa物流功能質(zhì)量有序度為

其中表示物流節(jié)點sa的w功能服務(wù)質(zhì)量低下,系統(tǒng)運行混亂.當表示物流節(jié)點sa的w功能服務(wù)效果最佳,質(zhì)量有序度最高.

由節(jié)點物流功能的時效和質(zhì)量有序度,可以得出fij中供應(yīng)商sa使用其搬運功能w時的有序度

其中α1,α2∈[0,1]表示N 中節(jié)點物流功能的時效和質(zhì)量有序度分別所占權(quán)重,α1+α2=1.

用同樣的方法也可以得到供應(yīng)商sa使用功能x,y,z時的有序度,因此在任務(wù)fij中供應(yīng)商sa的有序度

其中β1,β2,β3,β4∈[0,1],分別表示節(jié)點的物流功能有序度w,x,y,z所占的權(quán)重,且β1+β2+β3+β4=1.

用同樣的方法也可以得到在任務(wù)fij中制造商gb和物流供應(yīng)商lk的有序度.最終,可以得出供應(yīng)商sa,制造商gb與物流服務(wù)商lk共同協(xié)作完成物流任務(wù)fij的綜合有序度

其中θ1,θ2,θ3∈[0,1]表示N 中不同類型節(jié)點有序度分別所占權(quán)重,且θ1+θ2+θ3=1.

2.3 有序度分析

在協(xié)同物流網(wǎng)絡(luò)N中銷售商Dj發(fā)出n個物流任務(wù)fj,fj=(f1j,f2j,...,fnj),其執(zhí)行狀況u(fj)可由時間序列{u(f1j),u(f2j),...,u(fnj)}表示,而整個網(wǎng)絡(luò)的運行狀態(tài)實質(zhì)上是諸多物流任務(wù)執(zhí)行所產(chǎn)生時間序列的綜合表現(xiàn).考慮到不確定性因素的影響,N的運行會表現(xiàn)出有序或無序等不同狀態(tài).因此,首先需要對N的運行特征進行提取分析以判斷是否有序,然后采取諸如減少網(wǎng)絡(luò)協(xié)同任務(wù)容量、提高物流節(jié)點專業(yè)程度等措施,對無序狀態(tài)加以調(diào)整控制.為此,采用關(guān)聯(lián)維數(shù)和K熵相結(jié)合的組合方法,對協(xié)同物流網(wǎng)絡(luò)的有序度進行評價.原因在于關(guān)聯(lián)維數(shù)作為分形維數(shù)的一種,能夠定量描述系統(tǒng)結(jié)構(gòu)的復(fù)雜程度,而K熵作為刻畫非線性動態(tài)系統(tǒng)的重要特征量,能有效度量系統(tǒng)的混沌程度[15].在隨機運動系統(tǒng)中,K熵無界,而在規(guī)則運動系統(tǒng)中,K熵為零.在混沌系統(tǒng)中,K熵大于零,且其取值越大則表明系統(tǒng)混沌程度越大,系統(tǒng)越復(fù)雜.

1)關(guān)聯(lián)維數(shù)的確定

對于協(xié)同物流網(wǎng)絡(luò)關(guān)聯(lián)維數(shù)的求解采用關(guān)聯(lián)積分C(m,r)與歐氏距離r的估計關(guān)聯(lián)維方法(G-P算法)[16].通過對不同運行狀態(tài)下N中物流任務(wù)運行所產(chǎn)生的時間序列采用Takens[17]提出的相空間重構(gòu)技術(shù),使原序列依次連續(xù)漂移構(gòu)成一個新的m維空間點

其中M=n?(m?1)τ為包含m個維度數(shù)值的空間點,n為原序列長度,m為嵌入維數(shù),τ為延遲時間.

在重構(gòu)后的協(xié)同物流網(wǎng)絡(luò)m維相空間中,任選一對物流任務(wù)相點兩個相點之間的歐氏距離為

則N中重構(gòu)后時間序列相點間的關(guān)聯(lián)積分為

其中C(m,r)表示協(xié)同物流網(wǎng)絡(luò)m維相空間中相點距離小于r的累計直方圖,

該區(qū)間實際代表了N中混沌吸引子自相似結(jié)構(gòu)的無標度區(qū),該區(qū)域的選取對N運行狀態(tài)的無序預(yù)警可信度具有關(guān)鍵影響,H(r?rij)為Heasivide階躍函數(shù).當C(m,r)在r無標度區(qū)間中滿足C(m,r)=rξ時,其中ξ為關(guān)聯(lián)維數(shù),能有效描述自相似結(jié)構(gòu)混沌吸引子的復(fù)雜程度.

因此,協(xié)同物流網(wǎng)絡(luò)N在不同運行狀態(tài)下關(guān)聯(lián)維數(shù)ξ可由 lnC(m,r)與lnr的關(guān)系曲線求得,即

2)K熵的確定

采用關(guān)聯(lián)積分法求解不同運行狀態(tài)下協(xié)同物流網(wǎng)絡(luò)N的K熵.依據(jù)相空間重構(gòu)技術(shù),可求得N中物流任務(wù)時間序列產(chǎn)生的m維相點間的rij(m),隨著rij(m)取值的變化,C(m,r)最終趨于穩(wěn)定.在此基礎(chǔ)上改變相空間維數(shù)m的大小,計算相應(yīng)的C(mε,r),ε∈[0,1],并由此推算Kε取值(如式(10)所示),當Kε的值不再隨mε的增大而變化時,即求得N運行狀態(tài)的K熵值

2.4 模型參數(shù)選取

由式(9)和式(10)可以看出,無論是關(guān)聯(lián)維數(shù)ξ還是K熵的求解關(guān)鍵都在于標度r的合理選取,而r的選取又受到嵌入維數(shù)m和延遲時間τ的影響.因此,在構(gòu)建協(xié)同物流網(wǎng)絡(luò)有序度控制模型時,需首先確定上述提及的參數(shù)m,τ和ξ.

1)嵌入維數(shù)m的確定

嵌入維數(shù)m取值不當將會影響系統(tǒng)運行狀態(tài)的可預(yù)測性.常用的m確定方法有假臨近法(false nearest neighbor,FNN)[18]和Cao法[19],但FNN法存在無法有效識別系統(tǒng)混沌信號與噪音的問題,而Cao法則更多依賴決策者的主觀經(jīng)驗.為此,Takens提出了m確定的新思路,通過定理證明得出當m≥2d+1時,能較好預(yù)測系統(tǒng)的運行狀態(tài),其中d為原空間混沌吸引子所處的空間維數(shù)[17].結(jié)合Takens定理,目前常用的研究方法多采用枚舉法,即將m值從3開始逐次增加,當關(guān)聯(lián)維數(shù)趨近于飽和時,此時的嵌入維數(shù)m即為合理值.

2)延遲時間τ的選取

延遲時間τ選取不適將無法有效反映系統(tǒng)運行特征.常用的τ選取方法有自相關(guān)函數(shù)法、互信息法和平均位移法等方法[20,21],其中自相關(guān)函數(shù)法適用于數(shù)據(jù)序列的線性相關(guān)性分析,互信息法更適用于非線性系統(tǒng)分析,平均位移法則主要靠決策者經(jīng)驗.在對協(xié)同物流網(wǎng)絡(luò)有序度分析過程中,選取互信息法用以求解τ.

將u(fj)作為原始時間序列{u(f1j),u(f2j),...,u(fnj)},u(fτj)作為重構(gòu)延遲τ的時間序列{u(f(1+τ)j),u(f(2+τ)j),...,u(f(n+τ)j)},則由此產(chǎn)生的二維重構(gòu)空間中,兩個時間序列的互信息計算公式為

其中 Pij[u(fi),u(fj+τ)]為原始序列 u(fi)和延遲序列 u(fj+τ)的聯(lián)合分布概率,Pi[u(fi)]與Pj[u(fj+τ)]為邊緣分布概率.

選取I(u(fi),u(fj+τ))計算過程中出現(xiàn)的第一個最小點處的τ作為相空間重構(gòu)延遲時間.

3)無標度區(qū)r的選擇

無標度區(qū)間r的選擇對關(guān)聯(lián)維數(shù)計算能否準確具有重要影響.常用的求r方法有全局遍歷法、2-means法和曲線擬合等方法[22,23],其中全局遍歷法收斂速度較慢,而2-means法則容易陷入局部最優(yōu)的困境,曲線擬合采用最小二乘法做線性回歸,并據(jù)此求得關(guān)聯(lián)維數(shù)ξ和K熵的估計值,方法操作簡便直觀.

3 算例設(shè)計及仿真分析

協(xié)同物流網(wǎng)絡(luò)有序度控制模型來源于實踐物流問題的數(shù)學抽象模型,是判斷物流網(wǎng)絡(luò)運行狀況是否有序的重要參考基礎(chǔ).考慮到現(xiàn)實問題的復(fù)雜性和數(shù)學抽象模型的簡潔性,協(xié)同物流網(wǎng)絡(luò)有序度算例設(shè)計并未包括所有的運行細節(jié),僅涉及對網(wǎng)絡(luò)運行中關(guān)鍵里程碑節(jié)點的分析.

3.1 算例設(shè)計說明

以某運動鞋品牌生產(chǎn)―銷售之間形成的協(xié)同物流網(wǎng)絡(luò)為例,產(chǎn)品銷售商依據(jù)擬定的銷售計劃和各類產(chǎn)品訂單數(shù)量,向生產(chǎn)制造商提出了不同款式及鞋碼的運動鞋供貨物流任務(wù)共計300項,每項任務(wù)都有10 000件產(chǎn)品的物料需要處理.假設(shè)物流任務(wù)由4個供應(yīng)商提供生產(chǎn)原料,經(jīng)4個物流服務(wù)商轉(zhuǎn)運給3個制造商進行生產(chǎn)制造,具體安排如圖1所示.

圖1 某運動鞋品牌協(xié)同物流網(wǎng)絡(luò)示意圖Fig.1 Collaborative logistics network sketch map of a sport shoes brand

結(jié)合對目標案例實際情況調(diào)查與分析,可確定出協(xié)同物流網(wǎng)絡(luò)N中各節(jié)點物流功能的正常作業(yè)時間和質(zhì)量要求,并以此得出N中節(jié)點物流功能的合理運行區(qū)間,具體運行時效和服務(wù)質(zhì)量標準要求如表1所示.

考慮到協(xié)同物流網(wǎng)絡(luò)有序度控制模型中變量參數(shù)的不確定性,需先將不確定性問題轉(zhuǎn)化為確定型問題,采取的方法是依據(jù)各節(jié)點物流功能變量參數(shù)的概率密度函數(shù)(probability density function,PDF),產(chǎn)生符合分布要求的獨立隨機數(shù),將隨機模擬數(shù)據(jù)代入模型中求得物流功能、網(wǎng)絡(luò)節(jié)點以及物流任務(wù)的有序度(如表2所示).當協(xié)同物流網(wǎng)絡(luò)N中每項物流任務(wù)的有序節(jié)點功能(即在額定時間內(nèi)達到額定服務(wù)質(zhì)量)占比超過閥值比例(80%)要求,則視為該網(wǎng)絡(luò)運行有序,低于閥值比例要求則視為無序.在此基礎(chǔ)上,對N在有序和無序運行狀態(tài)下的有序度進行模擬仿真,以提取網(wǎng)絡(luò)的復(fù)雜程度和混沌特征,并對無序狀態(tài)下擬采取的控制措施(減少網(wǎng)絡(luò)物流任務(wù)、提高節(jié)點專業(yè)水平)進行有效性檢驗.

表1 各節(jié)點物流功能運行時效與服務(wù)質(zhì)量有序標準Table 1 Ordered standard of running time and service quality of each functional logistics node

表2 不確定性節(jié)點物流功能PDF函數(shù)的選擇情況Table 2 Logistics function PDF function selection of uncertain node

3.2 仿真結(jié)果分析

結(jié)合算例設(shè)計說明和變量參數(shù)的PDF函數(shù),運用MATLAB軟件求解協(xié)同物流網(wǎng)絡(luò)N物流任務(wù)的有序度,并借助互信息法求解不同運行狀態(tài)下協(xié)同物流網(wǎng)絡(luò)的延遲時間τ.N的運行狀態(tài)首先選取了有序和無序兩種整體宏觀態(tài),當網(wǎng)絡(luò)處于無序運行狀態(tài)時,又分別選取了減少50項物流任務(wù)和減少節(jié)點物流功能(將所有節(jié)點的運輸功能交給物流服務(wù)商承擔)等調(diào)整控制措施,以此觀察干預(yù)影響下N的運行狀態(tài),總結(jié)分析不同運行狀態(tài)下,N有序度的復(fù)雜程度與混沌特征,并對控制措施的有效情況進行評估.

圖2(a)～圖2(d)分別表示N 在有序運行、無序運行、減少物流任務(wù)和減少節(jié)點功能等4種不同狀態(tài)下有序度時間序列所產(chǎn)生的互信息作用曲線,通過觀察曲線中第一個最小點的出現(xiàn)位置,可得出這4種狀態(tài)下延遲時間τ的取值分別為5,4,4,2.

依托求得的延遲時間τ,設(shè)置步長為1,將嵌入維數(shù)m從3開始依次增加到30,可求得上述提及的4種不同運行狀態(tài)下節(jié)點運輸功能的lnC(m,r)與lnr關(guān)系曲線(雙對數(shù)曲線)(見圖3).在此基礎(chǔ)上,找出雙對數(shù)曲線中線性明顯的部分,采用最小二乘法進行線性擬合,求得不同運行狀態(tài)下協(xié)同物流網(wǎng)絡(luò)的關(guān)聯(lián)維數(shù)和K熵.協(xié)同物流網(wǎng)絡(luò)有序控制模型的變量參數(shù)選擇和計算結(jié)果如表3所示.

圖2 不同運行狀態(tài)下延遲時間選擇Fig.2 Delay time choose under different operation conditions

依據(jù)協(xié)同物流網(wǎng)絡(luò)有序度控制模型的計算結(jié)果,由圖3和表3可以看出,有序運行狀態(tài)在嵌入維數(shù)增加到24時達到穩(wěn)定,關(guān)聯(lián)維數(shù)取值在8～9區(qū)間內(nèi),無序運行狀態(tài)在嵌入維數(shù)增加到26時達到穩(wěn)定,關(guān)聯(lián)維數(shù)取值在9～10區(qū)間內(nèi).對于無序狀態(tài),分別采取了減少物流任務(wù)和減少節(jié)點功能兩種控制調(diào)節(jié)措施,關(guān)聯(lián)維數(shù)出現(xiàn)明顯下降,在7～8區(qū)間內(nèi)達到穩(wěn)定,這說明兩種措施對N有序運行起到了積極的調(diào)整作用,能夠有效降低N的復(fù)雜程度,也進一步驗證了關(guān)聯(lián)維數(shù)能有效反應(yīng)系統(tǒng)的復(fù)雜程度.對于同一協(xié)同物流網(wǎng)絡(luò),有序運行狀態(tài)時K熵僅為0.008 7,而處于無序運行狀態(tài)時K熵則增加為0.041 3,變化顯著.針對無序狀態(tài)采取控制調(diào)整措施后,N 的K熵出現(xiàn)了明顯的降低,說明采取的控制調(diào)整措施能有效提升N的的有序度,減少網(wǎng)絡(luò)的混沌程度.通過對不同運行狀態(tài)下關(guān)聯(lián)維數(shù)和K熵的對比分析,可以發(fā)現(xiàn)有序和無序情況中,關(guān)聯(lián)維數(shù)的差別并不顯著,但K熵的結(jié)果卻出現(xiàn)顯著變化,這說明二者分析系統(tǒng)的有序程度并不是完全同質(zhì)的,因而具有一定的對比印證和互相參考特點.

圖3 不同運行狀況下的雙對數(shù)曲線圖Fig.3 Double logarithm curve under different operation conditions

表3 不同運行狀態(tài)下協(xié)同物流網(wǎng)絡(luò)有序度控制模型變量參數(shù)選擇及計算結(jié)果Table 3 Parameter selection and result calculation of order degree control model under different operation conditions

4 結(jié)束語

協(xié)同物流網(wǎng)絡(luò)是由銷售商、供應(yīng)商、制造商和物流服務(wù)商等網(wǎng)絡(luò)節(jié)點構(gòu)成的供應(yīng)鏈組織模式和運行體系,網(wǎng)絡(luò)存在的整體動態(tài)開放特性和節(jié)點個體不確定性因素都會對有序運行產(chǎn)生影響.為此,本文以保障物流任務(wù)合理的運行時效和服務(wù)質(zhì)量為衡量目標,提出了協(xié)同物流網(wǎng)絡(luò)有序度控制模型.該模型從協(xié)同物流網(wǎng)絡(luò)中物流功能、構(gòu)成節(jié)點和需求任務(wù)梯次角度,依次設(shè)計了相應(yīng)的有序度表達式,并對模型中涉及的嵌入維數(shù)、延遲時間和無標度區(qū)間等變量參數(shù)進行了選取確定,在此基礎(chǔ)上,運用關(guān)聯(lián)維數(shù)和K熵相結(jié)合的方法,對網(wǎng)絡(luò)的復(fù)雜程度和混沌特征進行提取分析.通過設(shè)計算例和仿真計算,可求得有序運行、無序運行、減少網(wǎng)絡(luò)物流任務(wù)和提高節(jié)點專業(yè)水平等不同運行狀態(tài)下協(xié)同物流網(wǎng)絡(luò)的關(guān)聯(lián)維數(shù)和K熵取值,由此可做出下述結(jié)論:1)不同運行狀態(tài)下取值的特征差異能為協(xié)同物流網(wǎng)絡(luò)運行狀態(tài)判斷提供有力支持,能夠?qū)崿F(xiàn)網(wǎng)絡(luò)運行無序時的預(yù)警;2)當協(xié)同物流網(wǎng)絡(luò)運行無序時,可通過減少物流節(jié)點中轉(zhuǎn)、減少物流任務(wù)等方式,降低物流網(wǎng)絡(luò)的混沌程度和復(fù)雜程度,采取的控制調(diào)整措施能提升網(wǎng)絡(luò)的有序性.因此,分析結(jié)果驗證了模型的可行性和有效性,能夠?qū)崿F(xiàn)對協(xié)同物流網(wǎng)絡(luò)在運行過程中的有序分析和無序預(yù)警、糾偏.

[1]Gaonkar R,Viswanadham N.Collaboration and information sharing in global contract manufacturing networks.IEEE/ASME Transactions on Mechatronics,2001,6(4):366–376.

[2]徐小峰,趙金樓,宋杰鯤.復(fù)雜制造協(xié)同物流網(wǎng)絡(luò)資源規(guī)劃的不確定性控制優(yōu)化.系統(tǒng)工程理論與實踐,2012,32(4):799–806.Xu X F,Zhao J L,Song J K.Uncertain control optimization of resource planning for collaborative logistics network about complex manufacturing.Systems Engineering:Theory&Practice,2012,32(4):799–806.(in Chinese)

[3]Xu X F,Zhang W,Li N,et al.A bi-level programming model of resource matching for collaborative logistics network in supply uncertainty environment.Journal of the Franklin Institute,2015,352(9):3873–3884.

[4]寧方華,陳子辰,熊 勵.熵理論在物流協(xié)同中的應(yīng)用研究.浙江大學學報(工學版),2006,40(10):1705–1708.Ning F H,Chen Z C,Xiong L.Research on application of entropy theory in logistics collaboration.Journal of Zhejiang University(Engineering Science Edition),2006,40(10):1705–1708.(in Chinese)

[5]Sun W F，Ye H Z.Research on entropy model of order degree of fractal supply chain network.Proceedings of the International Symposium on Electronic Commerce and Security.New York:IEEE Press,2008:1006–1009.

[6]Brooks D R,Wiley E D.Evolution as Entropy.Chicago:University of Chicago Press,1988.

[7]Sander D L,Jan F.Drivers of close supply chain collaboration:One size fits all.International Journal of Operations&Production Management,2009,29(7):720–739.

[8]李電生,夏國建.基于結(jié)構(gòu)熵理論的供應(yīng)鏈系統(tǒng)有序度評價研究.北京交通大學學報(社會科學版),2008,7(4):40–43.Li D S,Xia G J.Analyses about the order degree of supply chain system based on the structural entropy theory.Journal of Beijing Jiaotong University(Social Sciences Edition),2008,7(4):40–43.(in Chinese)

[9]Chiara B,Davide G,Riccardo M,et al.A model of an interregional logistic system for the statement and solution of decision problems at the operational level//Intelligent Vehicle Controls and Intelligent Transportations Systems.Portugal:INSTICC Press,2009:76–85.

[10]Ramesh A,Banwet D K,Shankar R.Modeling the barriers of supply chain collaboration.Journal of Modeling in Management,2010,5(2):176–193.

[11]楊云峰,芮曉麗,袁長偉.區(qū)域物流系統(tǒng)協(xié)同水平測度模型.長安大學學報(自然科學版),2015,35(4):125–131.Yang Y F,Rui X L,Yuan C W.Coordinate measurement model of regional logistics system.Journal of Chang’an University(Natural Science Edition),2015,35(4):125–131.(in Chinese)

[12]Li Y,Hao R Q.Coordination degree model of manufacturing and logistics industry linkage development system.Applied Mechanics and Materials,2013,271(1):390–393.

[13]Loan D,Mathew J.Using correlation dimension for vibration fault diagnosis of rolling element bearing:Basic concept.Mechanical Systems and Signal Processing,1996,10(3):241–250.

[14]毛向東,袁惠群,孫華剛.關(guān)聯(lián)維數(shù)和Kolmogorov熵在變速箱狀態(tài)判別中的關(guān)聯(lián)性.機床與液壓,2015,43(13):189–192.Mao X D,Yuan H Q,Sun H G.Relevancy of correlation dimension and Kolmogorov entropy in state of gearbox discrimination.Machine Tool&Hydraulics,2015,43(13):189–192.(in Chinese)

[15]Grassberger P,Procaccia I.Characterization of strange attractors.Physical Review Letters,1983,50(5):346–349.

[16]趙吉文,孔凡讓,謝 峰,等.機械動態(tài)系統(tǒng)混沌狀態(tài)特征與判據(jù)應(yīng)用研究.運籌與管理,2003,12(4):76–80.Zhao J W,Kong F R,Xie F,et al.Research for application of chaos dynamics characteristic&criterion of mechanical kenetics systems.Operations Research and Management Science,2003,12(4):76–80.(in Chinese)

[17]Takens F.Detecting strange attractors in turbulence//Dynamical Systems and Turbulence.Berlin:Springer-Verlag,1981.

[18]Carrión I M,Antúnez E A.A distributed memory architecture implementation of the false nearest neighbors method based on distribution of dimensions.Journal of Supercomputing,2012,59(3):1596–1618.

[19]岳 順,李小奇,翟長治.基于改進Cao算法確定奇異譜嵌入維數(shù)及應(yīng)用.測繪工程,2015(3):64–68.Yue S,Li X Q,Zhai C Z.Determing the singular spectrum embedding dimension based on an improved Cao algorithm.Engineering of Surveying and Mapping,2015(3):64–68.(in Chinese)

[20]呂小青,曹 彪,曾 敏,等.確定延遲時間互信息法的一種算法.計算物理,2006,23(2):184–188.Lü X Q,Cao B,Zeng M,et al.An algorithm of selecting delay time in the mutual information method.Chinese Journal of Computational Physics,2006,23(2):184–188.(in Chinese)

[21]Ji C C,Zhu H,Jiang W.A novel method to identify the scaling region for chaotic time series correlation dimension calculation.Chinese Science Bulletin,2011,56(9):925–932.

[22]馬軍海,盛昭瀚,陳春旺.經(jīng)濟時序動力系統(tǒng)的分形及混沌特性研究.系統(tǒng)工程學報,2000,15(1):13–18.Ma J H,Sheng Z H,Chen C W.Study on the fractral and chaotic of the economic time series.Journal of Systems Engineering,2000,15(1):13–18.(in Chinese)

[23]周 雙,馮 勇,吳文淵.一種識別關(guān)聯(lián)維數(shù)無標度區(qū)間的新方法.物理學報,2015,64(13):1–6.Zhou S,Feng Y,Wu W Y.A novel method to identify the scaling region of correlation dimension.Acta Physica Sinica,2015,64(13):1–6.(in Chinese)