工程科学学报，第40卷，第7期：882-891,2018年7月 Chinese Journal of Engineering,Vol.40,No.7:882-891,July 2018 DOI:10.13374/j.issn2095-9389.2018.07.015;http://journals.ustb.edu.cn 领域QS与资源感知的物流服务动态优化组合方法 徐园园⑧，刘志中，贾宗璞 河南理工大学计算机科学与技术学院，焦作454000 ☒通信作者，E-mail:XUXUXu106@163.com 摘要为了提高物流服务优化组合的动态性、可靠性与用户满意度，本文提出了一种基于全局服务质量(quality of service, Q$)约束分解的能够感知领域质量与资源需求的物流服务优化组合方法.该研究工作首先把学习机制引入人工蜂群算法 (artificial bee colony algorithm,ABC),形成了具有自主学习能力的改进型人工蜂群算法(LABC):之后，应用学习人工蜂群算 法(LABC)将全局QS约束分解成每个物流子任务需要满足的局部QS约束，从而将QoS感知的物流服务优化组合这一全局 优化问题转化成以领域质量为依据的局部最优服务选择问题：其次，在物流服务流程执行的过程中，在感知物流任务节点对 资源需求的前提下，为每一个物流任务节点选择一个具有最优领域Q$的物流服务：与已有的研究工作相比，该方法能够实 现物流服务动态可靠的优化组合.最后，通过模拟实验验证了本文所提出的方法是可行有效的 关键词领域QoS;资源感知；物流服务组合；QS约束分解：人工蜂群算法 分类号TP393.09 Domain QoS and resource-aware logistics web service dynamic optimal composition XU Yuan-yuan,LIU Zhi-zhong,JIA Zong-pu College of Computer Science and Technology,Henan Polytechnic University,Jiaozuo 454000.China Corresponding author,E-mail:xuxuxul06@163.com ABSTRACT With the rapid development of service computing,cloud computing,internet of things,e-commerce,and modern logis- tics industry,cross-domain logistics services cooperation has become the main development trend of the modern logistics industry.The dynamic optimal composition of web services in logistics has become the key technology to create large and powerful logistics services based on the available logistics services of different companies that achieve seamless convergence of logistics services,satisfy user com- plex requirements,and realize the value addition.Recently,owing to the technologies of web services,cloud computing,and service sciences,an increasing number of logistics companies have registered themselves as logistics web service providers.The logistics serv- ices composition should satisfy the user's global QoS constraints and provide the best quality of service (QoS.)Currently,with the rapid development of cloud computing,e-commerce,service computing,and modern logistics industry,many logistics services are available on the network providing similar functions and different levels of QoS.These factors make the problem of determining the opti- mal composition of a logistics service a typical Np-hard problem.This study proposes a method to achieve the dynamic optimal composi- tion of domain QoS and resource-aware logistics services and to realize logistics services that are dynamic,offer quality of domain serv- ices,and are aware of resource requirements.First,the learning artificial bee colony algorithm (LABC)is proposed;LABC is applied to decompose the global QoS constraints into local QoS constraints that logistics task nodes must satisfy and to transform the global opti- mization problem of logistics service composition into a local optimal service selection problem.Second,during the process of logistics service process execution,for each task node,the logistics service with best domain QoS evaluation,which can satisfy the local QoS constraints and resource requirements,is chosen to achieve a high-quality dynamic logistics service and optimal composition of service. The results of simulation experiments show that the proposed method is feasible and effective. KEY WORDS domain QoS;resource-aware;logistics web services composition;QoS constraint decomposition;artificial bee colony 收稿日期：2017-10-09
工程科学学报,第 40 卷,第 7 期:882鄄鄄891,2018 年 7 月 Chinese Journal of Engineering, Vol. 40, No. 7: 882鄄鄄891, July 2018 DOI: 10. 13374 / j. issn2095鄄鄄9389. 2018. 07. 015; http: / / journals. ustb. edu. cn 领域 QoS 与资源感知的物流服务动态优化组合方法 徐园园苣 , 刘志中, 贾宗璞 河南理工大学计算机科学与技术学院, 焦作 454000 苣通信作者, E鄄mail:xuxuxu106@ 163. com 摘 要 为了提高物流服务优化组合的动态性、可靠性与用户满意度,本文提出了一种基于全局服务质量( quality of service, QoS)约束分解的能够感知领域质量与资源需求的物流服务优化组合方法. 该研究工作首先把学习机制引入人工蜂群算法 (artificial bee colony algorithm, ABC),形成了具有自主学习能力的改进型人工蜂群算法(LABC);之后,应用学习人工蜂群算 法(LABC)将全局 QoS 约束分解成每个物流子任务需要满足的局部 QoS 约束,从而将 QoS 感知的物流服务优化组合这一全局 优化问题转化成以领域质量为依据的局部最优服务选择问题;其次,在物流服务流程执行的过程中,在感知物流任务节点对 资源需求的前提下,为每一个物流任务节点选择一个具有最优领域 QoS 的物流服务;与已有的研究工作相比,该方法能够实 现物流服务动态可靠的优化组合. 最后,通过模拟实验验证了本文所提出的方法是可行有效的. 关键词 领域 QoS; 资源感知; 物流服务组合; QoS 约束分解; 人工蜂群算法 分类号 TP393郾 09 收稿日期: 2017鄄鄄10鄄鄄09 Domain QoS and resource鄄aware logistics web service dynamic optimal composition XU Yuan鄄yuan 苣 , LIU Zhi鄄zhong, JIA Zong鄄pu College of Computer Science and Technology, Henan Polytechnic University, Jiaozuo 454000, China 苣Corresponding author, E鄄mail:xuxuxu106@ 163. com ABSTRACT With the rapid development of service computing, cloud computing, internet of things, e鄄commerce, and modern logis鄄 tics industry, cross鄄domain logistics services cooperation has become the main development trend of the modern logistics industry. The dynamic optimal composition of web services in logistics has become the key technology to create large and powerful logistics services based on the available logistics services of different companies that achieve seamless convergence of logistics services, satisfy user com鄄 plex requirements, and realize the value addition. Recently, owing to the technologies of web services, cloud computing, and service sciences, an increasing number of logistics companies have registered themselves as logistics web service providers. The logistics serv鄄 ices composition should satisfy the user爷s global QoS constraints and provide the best quality of service (QoS. ) Currently, with the rapid development of cloud computing, e鄄commerce, service computing, and modern logistics industry, many logistics services are available on the network providing similar functions and different levels of QoS. These factors make the problem of determining the opti鄄 mal composition of a logistics service a typical Np鄄hard problem. This study proposes a method to achieve the dynamic optimal composi鄄 tion of domain QoS and resource鄄aware logistics services and to realize logistics services that are dynamic, offer quality of domain serv鄄 ices, and are aware of resource requirements. First, the learning artificial bee colony algorithm (LABC) is proposed; LABC is applied to decompose the global QoS constraints into local QoS constraints that logistics task nodes must satisfy and to transform the global opti鄄 mization problem of logistics service composition into a local optimal service selection problem. Second, during the process of logistics service process execution, for each task node, the logistics service with best domain QoS evaluation, which can satisfy the local QoS constraints and resource requirements, is chosen to achieve a high鄄quality dynamic logistics service and optimal composition of service. The results of simulation experiments show that the proposed method is feasible and effective. KEY WORDS domain QoS; resource鄄aware; logistics web services composition; QoS constraint decomposition; artificial bee colony
徐园园等：领域Q$与资源感知的物流服务动态优化组合方法 ·883· algorithm 随着服务计算、云计算、物联网、电子商务等高 对模型进行求解.文献[7]为解决第三方物流服务 新技术的迅速发展，智慧物流服务行业也得到快速 平台中服务的优化组合问题，开展了基于智能体的 地发展.目前，通过智能计算技术整合拥有不同业 服务优化组合研究，提出基于agent的Web服务组 务功能的物流服务，从而满足用户的复杂物流服务 合模型，设计服务组合的流程，分析了基于agent的 需求，成为智慧物流服务行业发展的主要方向.而 物流Wb服务组合关键问题.文献[8]为了满足对 如何基于大规模多领域的可用物流服务，聚合成功 云服务组合的个性化需求，对一类含有物流服务的 能强大的可以满足用户复杂业务需要的大粒度物流 服务组合QS评价方法进行研究，建立了有物流服 服务，进而促进物流服务商之间的协作，加速物流服 务的云服务描述模型，在此基础上计算云服务的相 务业的发展与增值，是现代物流服务业发展的主流 关指标，为对指标值进行科学的综合评价，提出了一 方向小.目前，大多数物流公司依据Wb服务、云 种基于历史数据的主客观结合指标权值设定方法. 计算、服务科学等技术，将其拥有的物流业务封装成 文献[9]提出了一种能够感知实时情景信息的物流 物流Web服务，并将这些物流Web服务发布到物 服务动态组合方法，该研究工作通过改进的遗传算 流服务平台上，供物流服务系统调用.物流服务系 法对全局Q$约束进行了分解，得到了物流服务流 统在接收到用户的物流业务需求后，通过组合可用 程每个任务节点需要满足的局部QS约束，以此将 的物流服务形成最优的物流服务组合方案，从而为 属于全局优化问题物流服务组合转变成了局部最优 用户提供一站式的便捷的综合物流服务[].因此， 服务选择问题，在物流服务组合时，选择满足实时情 物流服务优化组合是实现不同物流服务商之间的智 景需求的最优物流服务.但该研究工作采用遗传算 能协作、促进物流行业的快速发展以及提高用户满 法对全局QS约束进行优化分解，效率较低，寻优 意度的关键技术 结果不太理想，并且在进行物流服务组合时，没有考 物流服务优化组合过程可以描述为：物流服务 虑物流服务的领域QS属性以及物流服务执行时 系统在接收到用户的物流业务需求后，对用户的业 所需要的资源状况，本文的研究工作是在该研究工 务需求进行分解，提取出关键的物流子任务，并设计 作基础上开展的深化研究.文献[10]针对基于QS 出由这些关键物流任务节点组成并且能够满足用户 的物流Wb服务组合优化问题，提出了两阶段多目 总业务需求的物流服务流程：之后，针对物流服务流 标蚁群优化法.首先，针对原始数据集中存在被支 程的每个物流子任务，从其候选物流服务集中选取 配候选服务而增加算法求解时间的问题，提出了基 一个具体的物流服务来执行该物流任务，由这些所 于支配的预优化策略：其次，针对属性权重难以确定 选择的物流服务构成的整个物流服务方案即为一个 的问题，提出了不依赖权重的信息素更新策略和启 物流服务组合[).随着云计算、电子商务、服务计算 发信息策略：最后，针对基础蚁群算法容易陷入局部 以及物流行业的快速发展，网络上出现了大规模功 最优的问题，提出了懒蚂蚁策略 能相同或相似而服务质量(quality of service,QoS)有 国外方面，文献[11]基于社会学家提出的在商 很大差别并且具有很强动态性的物流服务，这些因 业圈内，企业更加倾向于与熟悉的伙伴进行合作这 素使得物流服务优化组合问题成为一个典型的Np- 一理念，定义了伙伴圈，减小候选物流服务的规模， hard问题[4-] 结合服务组合的路径规划，提出了基于社交网络的 合作者优先的物流服务组合方法.文献[12]提出了 1研究现状与思考 一种用于解决在物联网环境下物流服务组合的中间 近年来，国内外学者针对物流服务优化组合问 件，该中间件采用分散式协调机制，利用很少的资源 题展开了研究并取得了一定的研究成果.国内方 高效地监测组件服务，并通过实验验证了该方法的 面，文献[6]通过对云物流环境下服务组合问题特 有效性与健壮性 点的分析，构建了多路径云物流服务组合过程模型， 上述QoS感知的物流服务组合方法虽然取得 结合云物流服务组合路径多样性、结构复杂性、资源 了一定的研究成果，但还存在以下不足： 按时刻表触发等特点，采用多属性效用函数理论，建 (1)已有的研究工作通常通过全局优化方法获 立了基于最大效用度的带触发时刻表的多路径服务 取一个近似最优的物流服务组合方案，然而，由于物 组合数学模型，提出融合串行调度的混合遗传算法 流服务具有很强的动态性，往往导致在设计阶段所
徐园园等: 领域 QoS 与资源感知的物流服务动态优化组合方法 algorithm 随着服务计算、云计算、物联网、电子商务等高 新技术的迅速发展,智慧物流服务行业也得到快速 地发展. 目前,通过智能计算技术整合拥有不同业 务功能的物流服务,从而满足用户的复杂物流服务 需求,成为智慧物流服务行业发展的主要方向. 而 如何基于大规模多领域的可用物流服务,聚合成功 能强大的可以满足用户复杂业务需要的大粒度物流 服务,进而促进物流服务商之间的协作,加速物流服 务业的发展与增值,是现代物流服务业发展的主流 方向[1] . 目前,大多数物流公司依据 Web 服务、云 计算、服务科学等技术,将其拥有的物流业务封装成 物流 Web 服务,并将这些物流 Web 服务发布到物 流服务平台上,供物流服务系统调用. 物流服务系 统在接收到用户的物流业务需求后,通过组合可用 的物流服务形成最优的物流服务组合方案,从而为 用户提供一站式的便捷的综合物流服务[2] . 因此, 物流服务优化组合是实现不同物流服务商之间的智 能协作、促进物流行业的快速发展以及提高用户满 意度的关键技术. 物流服务优化组合过程可以描述为:物流服务 系统在接收到用户的物流业务需求后,对用户的业 务需求进行分解,提取出关键的物流子任务,并设计 出由这些关键物流任务节点组成并且能够满足用户 总业务需求的物流服务流程;之后,针对物流服务流 程的每个物流子任务,从其候选物流服务集中选取 一个具体的物流服务来执行该物流任务,由这些所 选择的物流服务构成的整个物流服务方案即为一个 物流服务组合[3] . 随着云计算、电子商务、服务计算 以及物流行业的快速发展,网络上出现了大规模功 能相同或相似而服务质量(quality of service,QoS)有 很大差别并且具有很强动态性的物流服务,这些因 素使得物流服务优化组合问题成为一个典型的 Np鄄 hard 问题[4鄄鄄5] . 1 研究现状与思考 近年来,国内外学者针对物流服务优化组合问 题展开了研究并取得了一定的研究成果. 国内方 面,文献[6]通过对云物流环境下服务组合问题特 点的分析,构建了多路径云物流服务组合过程模型, 结合云物流服务组合路径多样性、结构复杂性、资源 按时刻表触发等特点,采用多属性效用函数理论,建 立了基于最大效用度的带触发时刻表的多路径服务 组合数学模型,提出融合串行调度的混合遗传算法 对模型进行求解. 文献[7]为解决第三方物流服务 平台中服务的优化组合问题,开展了基于智能体的 服务优化组合研究,提出基于 agent 的 Web 服务组 合模型,设计服务组合的流程,分析了基于 agent 的 物流 Web 服务组合关键问题. 文献[8]为了满足对 云服务组合的个性化需求,对一类含有物流服务的 服务组合 QoS 评价方法进行研究,建立了有物流服 务的云服务描述模型,在此基础上计算云服务的相 关指标,为对指标值进行科学的综合评价,提出了一 种基于历史数据的主客观结合指标权值设定方法. 文献[9]提出了一种能够感知实时情景信息的物流 服务动态组合方法,该研究工作通过改进的遗传算 法对全局 QoS 约束进行了分解,得到了物流服务流 程每个任务节点需要满足的局部 QoS 约束,以此将 属于全局优化问题物流服务组合转变成了局部最优 服务选择问题,在物流服务组合时,选择满足实时情 景需求的最优物流服务. 但该研究工作采用遗传算 法对全局 QoS 约束进行优化分解,效率较低,寻优 结果不太理想,并且在进行物流服务组合时,没有考 虑物流服务的领域 QoS 属性以及物流服务执行时 所需要的资源状况,本文的研究工作是在该研究工 作基础上开展的深化研究. 文献[10]针对基于 QoS 的物流 Web 服务组合优化问题,提出了两阶段多目 标蚁群优化法. 首先,针对原始数据集中存在被支 配候选服务而增加算法求解时间的问题,提出了基 于支配的预优化策略;其次,针对属性权重难以确定 的问题,提出了不依赖权重的信息素更新策略和启 发信息策略;最后,针对基础蚁群算法容易陷入局部 最优的问题,提出了懒蚂蚁策略. 国外方面,文献[11]基于社会学家提出的在商 业圈内,企业更加倾向于与熟悉的伙伴进行合作这 一理念,定义了伙伴圈,减小候选物流服务的规模, 结合服务组合的路径规划,提出了基于社交网络的 合作者优先的物流服务组合方法. 文献[12]提出了 一种用于解决在物联网环境下物流服务组合的中间 件,该中间件采用分散式协调机制,利用很少的资源 高效地监测组件服务,并通过实验验证了该方法的 有效性与健壮性. 上述 QoS 感知的物流服务组合方法虽然取得 了一定的研究成果,但还存在以下不足: (1)已有的研究工作通常通过全局优化方法获 取一个近似最优的物流服务组合方案,然而,由于物 流服务具有很强的动态性,往往导致在设计阶段所 ·883·
·884· 工程科学学报，第40卷，第7期 构建的最优物流服务组合方案在运行时失效：此外， 性、灵活性与可靠性，有助于提高物流服务组合的综 这些解决方法不能在物流服务流程执行中进行最优 合服务质量，从而提高用户的满意度.本文工作的 物流服务选择，其动态性与灵活性有待提高 创新点包括： (2)已有的物流服务优化组合方法仅依据物流 (1)提出了一种学习人工蜂群算法，利用该算 服务的一般QS属性进行物流服务优化组合，没有 法将全局QoS约束分解成局部QS约束，从而提高 考虑物流服务的领域服务质量，事实上，物流服务的 了全局QoS约束分解的效率. 领域服务质量更能体现物流服务的质量，更能提高 (2)提出了领域QoS度量模型，该模型可以度 用户的满意度.因此，在进行物流服务优化组合时， 量多种数据类型的领域QS指标.本文提出了一种 需要考虑物流服务的领域QoS. 以一般QoS属性为约束，以领域QoS评价值为依据 (3)已有的研究工作缺乏对物流服务运行时对 的物流服务选择方法，该选择方法可以提高物流服 资源需求的考虑.事实上，每一个物流服务的成功 务组合的领域服务质量 运行都必须获得一定类型与数量资源的支持.因 (3)提出了一种资源满足性检测方法并将其纳 此，在进行物流服务优化组合时，需要考虑物流服务 入物流服务动态优化组合的过程中.该工作能够保 是否具备足够的资源来保证其成功执行，从而提高 证所选择的物流服务具备的资源，从而能够满足完 物流服务组合的成功率. 成该物流任务对资源的需求，降低物流服务优化组 为了弥补现有研究方法中存在的不足，该研究 合的失败率 工作给出了一种能够感知物流服务的领域服务质量 2物流服务优化组合问题 以及资源需求的物流服务动态优化组合方法.本文 首先对人工蜂群算法(artificial bee colony algorithm, 首先以一个包括陆运服务、仓储服务、报关服 ABC)进行了改进，将学习机制引入人工蜂群算法， 务、海运服务以及空运服务的物流服务过程(CLS) 形成了学习人工蜂群算法(LABC):接着，基于学习 为例（如图1所示[]），来介绍物流服务优化组合问 人工蜂群算法(LABC)将全局QoS约束分解成局部 题.其中，CLS:(1≤i≤6)表示候选物流服务集合. QoS约束.通过全局QS约束分解，可以将属于全 基于该流程的物流服务动态优化组合问题，即是从 局优化问题的QS感知的物流服务优化组合问题， 每个物流任务节点对应的候选物流服务集中，依据 转变成一个属于局部优化的最优服务选择问题，这 一定的评价指标选定一个物流服务，使得由这些被 种问题转变在很大程度上降低问题求解的复杂度， 选择的物流服务所构成的物流服务组合，既能满足 提高物流服务优化组合的动态性与灵活性：最后，在 用户提出的QoS约束又具有最优的物流服务质量 物流服务运行过程中，从大量的候选物流服务中，为 随着物联网、云计算、移动终端以及物流行业的 当前的物流任务节点，选择一个能够满足资源需求 快速发展，网络上出现了大量可用的物流服务，使得 与局部Q$约束，又具有最优领域质量评价值的物 物流服务流程中的每个任务节点，具有大规模能够 流服务.该方法能够提高物流服务优化组合的动态 完成相同的物流任务而服务质量确相差很大的物流 存储服务1 陆运服务 存储服务2 报关服务 海运服务 空运服务 CL CLS CLS 图1：物流服务组合示意图 Fig.I Flowchart of the method of optimization of the composition of a logistics service
工程科学学报,第 40 卷,第 7 期 构建的最优物流服务组合方案在运行时失效;此外, 这些解决方法不能在物流服务流程执行中进行最优 物流服务选择,其动态性与灵活性有待提高. (2)已有的物流服务优化组合方法仅依据物流 服务的一般 QoS 属性进行物流服务优化组合,没有 考虑物流服务的领域服务质量,事实上,物流服务的 领域服务质量更能体现物流服务的质量,更能提高 用户的满意度. 因此,在进行物流服务优化组合时, 需要考虑物流服务的领域 QoS. (3)已有的研究工作缺乏对物流服务运行时对 资源需求的考虑. 事实上,每一个物流服务的成功 运行都必须获得一定类型与数量资源的支持. 因 此,在进行物流服务优化组合时,需要考虑物流服务 是否具备足够的资源来保证其成功执行,从而提高 物流服务组合的成功率. 图 1 物流服务组合示意图 Fig. 1 Flowchart of the method of optimization of the composition of a logistics service 为了弥补现有研究方法中存在的不足,该研究 工作给出了一种能够感知物流服务的领域服务质量 以及资源需求的物流服务动态优化组合方法. 本文 首先对人工蜂群算法(artificial bee colony algorithm, ABC)进行了改进,将学习机制引入人工蜂群算法, 形成了学习人工蜂群算法(LABC);接着,基于学习 人工蜂群算法(LABC)将全局 QoS 约束分解成局部 QoS 约束. 通过全局 QoS 约束分解,可以将属于全 局优化问题的 QoS 感知的物流服务优化组合问题, 转变成一个属于局部优化的最优服务选择问题,这 种问题转变在很大程度上降低问题求解的复杂度, 提高物流服务优化组合的动态性与灵活性;最后,在 物流服务运行过程中,从大量的候选物流服务中,为 当前的物流任务节点,选择一个能够满足资源需求 与局部 QoS 约束,又具有最优领域质量评价值的物 流服务. 该方法能够提高物流服务优化组合的动态 性、灵活性与可靠性,有助于提高物流服务组合的综 合服务质量,从而提高用户的满意度. 本文工作的 创新点包括: (1)提出了一种学习人工蜂群算法,利用该算 法将全局 QoS 约束分解成局部 QoS 约束,从而提高 了全局 QoS 约束分解的效率. (2)提出了领域 QoS 度量模型,该模型可以度 量多种数据类型的领域 QoS 指标. 本文提出了一种 以一般 QoS 属性为约束,以领域 QoS 评价值为依据 的物流服务选择方法,该选择方法可以提高物流服 务组合的领域服务质量. (3)提出了一种资源满足性检测方法并将其纳 入物流服务动态优化组合的过程中. 该工作能够保 证所选择的物流服务具备的资源,从而能够满足完 成该物流任务对资源的需求,降低物流服务优化组 合的失败率. 2 物流服务优化组合问题 首先以一个包括陆运服务、仓储服务、报关服 务、海运服务以及空运服务的物流服务过程(CLS) 为例(如图 1 所示[9] ),来介绍物流服务优化组合问 题. 其中,CLSi (1臆i臆6)表示候选物流服务集合. 基于该流程的物流服务动态优化组合问题,即是从 每个物流任务节点对应的候选物流服务集中,依据 一定的评价指标选定一个物流服务,使得由这些被 选择的物流服务所构成的物流服务组合,既能满足 用户提出的 QoS 约束又具有最优的物流服务质量. 随着物联网、云计算、移动终端以及物流行业的 快速发展,网络上出现了大量可用的物流服务,使得 物流服务流程中的每个任务节点,具有大规模能够 完成相同的物流任务而服务质量确相差很大的物流 ·884·
徐园园等：领域Q$与资源感知的物流服务动态优化组合方法 ·885· 服务.事实上，物流服务具有很强的动态性，并且物 服务类S的服务质量 服务类S的质量标尺 流服务资源对物流服务的成功执行具有较大的影 响，如何动态地构建出高质量可用的物流服务组合， 是一个亟需解决的难题 分解 为了解决这一难题，本文提出了一种领域QoS 与资源感知的物流服务动态优化组合方法，其主要 解决过程为：在物流服务流程执行之前，基于学习人 工蜂群算法将用户提出的全局QS约束分解成物 图2QS质量标尺的生成方法 流服务组合流程中每个任务节点需要满足的局部 Fig.2 Generation of the QoS quality scale QS约束：之后，在物流服务组合流程执行的过程 全局Q$约束优化分解的目标是为每个物流 中，从每个任务节点的候选服务集中，为每个任务节 服务类找出一组质量标尺组合（即局部QS约束）. 点选出既能满足局部QoS约束，具备满足应用需要 所求解出的质量标尺组合需要满足：(1)以质量标 的资源数量，同时又具有最优的领域QoS评价值的 尺组合为依据筛选出物流服务聚合成的物流服务组 物流服务.下面，介绍基于学习人工蜂群算法的全 合，也能满足全局QS约束：(2)依据质量标尺组合 局QS约束优化分解. 所筛选出来的候选物流服务的总数越大越好；所以， 3基于学习人工蜂群算法的全局Q0oS约束 用来评价质量标尺组合优劣的指标主要有两个，第 优化分解 一个指标是满足所有质量标尺组合的物流服务总数 本节首先详细介绍全局QoS约束优化分解模 目，其取值越大越好：第二个指标是所筛选出的候选 型：之后，给出学习人工蜂群算法(LABC)的主要优 物流服务的QoS评价值，这个指标的取值越大越 化操作设计，并详细给出了基于学习人工蜂群算法 好.基于上述分析，质量标尺组合的评价公式的定 的全局QoS约束优化分解过程. 义如下式所示： 3.1全局QoS约束优化分解模型 (QLC)(S) (2) 为了完成物流服务运行中的动态优化组合，最 m 重要的一点是确定每个物流任务需要满足的Qo$ 其中，n(QLC:)表示满足第j个物流服务类第i个质 需求：然而，在实际应用中，用户往往只对整个物流 量标尺组合的候选物流服务数量，m表示第j个物 服务提出全局性的QoS约束，因此，只有通过全局 流服务类中包含的候选物流服务的总数；U(S) QoS约束分解才能获取每个任务需要满足的局部 表示在序号为j的服务集中，以序号为i的质量标尺 QoS约束.在对全局QoS约束进行分解时，首先统 组合为依据，筛选到的所有物流服务QoS评价值的 计每个物流任务节点历史候选物流服务Qo$指标 最大值. 的取值情况，利用统计的方法计算出物流服务流程 在对候选物流服务的QoS属性进行评价时，首 中各个任务节点，对应的物流服务类所有QS属性 先对每个QoS指标的取值进行标准化.QoS属性标 的取值区间，基于评分的方法将所确定的每个QoS 准化公式为公式(3)或公式(4).其中，k表示物流 属性的取值区间分成d份，每一份称为一个质量标 服务QoS属性的个数，Q(U,k)表示序号为j的物 尺.一个物流服务类的QS质量标尺的生成过程如 流服务类的第k个QoS指标的最大取值，Qm(j,k) 图2所示[】. 表示序号为j的物流服务类的第k个QS属性的最 图2中，S为物流服务流程中第广个任务节点 小取值.在对候选物流服务进行评价之前，需要对 的物流服务类：k是全局QoS约束中涉及的QoS指 其所有的QS属性值进行标准化，对于效益型的 标的数目：m为第j个任务节点的所具有的候选物 QS指标，依据公式(3)进行标准化：对于成本型的 流服务的数目，每个任务节点对应一个物流服务类； QoS属性依据公式(4)进行标准化. d为质量标尺的数量；9：为第j个物流服务类的第 f(qk)= m个候选物流服务的第k个QoS属性的取值；L为 Qmxj,k)-qk(s） 第j个物流服务类中第k个QoS属性的第d个质量 0G,)-QG,h’if0G,k)≠Q0,k): 标尺，质量标尺符合以下公式条件： 1, if (j,k)=Qi(j,k). Q(j,k)≤L4≤L层≤…≤L≤Qm（j,k)(1) (3)
徐园园等: 领域 QoS 与资源感知的物流服务动态优化组合方法 服务. 事实上,物流服务具有很强的动态性,并且物 流服务资源对物流服务的成功执行具有较大的影 响,如何动态地构建出高质量可用的物流服务组合, 是一个亟需解决的难题. 为了解决这一难题,本文提出了一种领域 QoS 与资源感知的物流服务动态优化组合方法,其主要 解决过程为:在物流服务流程执行之前,基于学习人 工蜂群算法将用户提出的全局 QoS 约束分解成物 流服务组合流程中每个任务节点需要满足的局部 QoS 约束;之后,在物流服务组合流程执行的过程 中,从每个任务节点的候选服务集中,为每个任务节 点选出既能满足局部 QoS 约束,具备满足应用需要 的资源数量,同时又具有最优的领域 QoS 评价值的 物流服务. 下面,介绍基于学习人工蜂群算法的全 局 QoS 约束优化分解. 3 基于学习人工蜂群算法的全局 QoS 约束 优化分解 本节首先详细介绍全局 QoS 约束优化分解模 型;之后,给出学习人工蜂群算法(LABC)的主要优 化操作设计,并详细给出了基于学习人工蜂群算法 的全局 QoS 约束优化分解过程. 3郾 1 全局 QoS 约束优化分解模型 为了完成物流服务运行中的动态优化组合,最 重要的一点是确定每个物流任务需要满足的 QoS 需求;然而,在实际应用中,用户往往只对整个物流 服务提出全局性的 QoS 约束,因此,只有通过全局 QoS 约束分解才能获取每个任务需要满足的局部 QoS 约束. 在对全局 QoS 约束进行分解时,首先统 计每个物流任务节点历史候选物流服务 QoS 指标 的取值情况,利用统计的方法计算出物流服务流程 中各个任务节点,对应的物流服务类所有 QoS 属性 的取值区间,基于评分的方法将所确定的每个 QoS 属性的取值区间分成 d 份,每一份称为一个质量标 尺. 一个物流服务类的 QoS 质量标尺的生成过程如 图 2 所示[13] . 图 2 中,Sj 为物流服务流程中第 j 个任务节点 的物流服务类;k 是全局 QoS 约束中涉及的 QoS 指 标的数目;m 为第 j 个任务节点的所具有的候选物 流服务的数目,每个任务节点对应一个物流服务类; d 为质量标尺的数量;qjkm为第 j 个物流服务类的第 m 个候选物流服务的第 k 个 QoS 属性的取值;L d jk为 第 j 个物流服务类中第 k 个 QoS 属性的第 d 个质量 标尺,质量标尺符合以下公式条件: Qmin (j,k)臆L 1 jk臆L 2 jk臆…臆L d jk臆Qmax(j,k) (1) 图 2 QoS 质量标尺的生成方法 Fig. 2 Generation of the QoS quality scale 全局 QoS 约束优化分解的目标是为每个物流 服务类找出一组质量标尺组合(即局部 QoS 约束). 所求解出的质量标尺组合需要满足:(1) 以质量标 尺组合为依据筛选出物流服务聚合成的物流服务组 合,也能满足全局 QoS 约束;(2)依据质量标尺组合 所筛选出来的候选物流服务的总数越大越好;所以, 用来评价质量标尺组合优劣的指标主要有两个,第 一个指标是满足所有质量标尺组合的物流服务总数 目,其取值越大越好;第二个指标是所筛选出的候选 物流服务的 QoS 评价值,这个指标的取值越大越 好. 基于上述分析,质量标尺组合的评价公式的定 义如下式所示[13] : F(QLCji) = n(QLCi) m ·U max QLCi (Sj) (2) 其中,n(QLCi)表示满足第 j 个物流服务类第 i 个质 量标尺组合的候选物流服务数量,m 表示第 j 个物 流服务类中包含的候选物流服务的总数;U max QLCi ( Sj) 表示在序号为 j 的服务集中,以序号为 i 的质量标尺 组合为依据,筛选到的所有物流服务 QoS 评价值的 最大值. 在对候选物流服务的 QoS 属性进行评价时,首 先对每个 QoS 指标的取值进行标准化. QoS 属性标 准化公式为公式(3)或公式(4). 其中,k 表示物流 服务 QoS 属性的个数,Qmax (j,k)表示序号为 j 的物 流服务类的第 k 个 QoS 指标的最大取值,Qmin ( j,k) 表示序号为 j 的物流服务类的第 k 个 QoS 属性的最 小取值. 在对候选物流服务进行评价之前,需要对 其所有的 QoS 属性值进行标准化,对于效益型的 QoS 指标,依据公式(3)进行标准化;对于成本型的 QoS 属性依据公式(4)进行标准化. f(qk) = Qmax(j,k) - qk(s) Qmax(j,k) - Qmin (j,k) , if Qmax(j,k)屹Qmin (j,k); 1, if Qmax(j,k) = Qmin (j,k) ì î í ïï ïï . (3) ·885·
·886· 工程科学学报，第40卷，第7期 f八q)= 示所有物流服务类共有的第k个QoS指标，QL.为 Q(j,k)-q:(s) 序号为n的物流服务类中，序号为k的QoS属性的 (jk)-Q(jk) if (j,k)≠Qin(j,k); 第e个质量标尺，图3中的一行表示对应物流服务 1 if ,k)=Q(,k) 类的一个质量标尺组合 (4) (2)食物源评价函数. 在把每一个候选物流服务的QS属性值进行 由于食物源是由所有物流服务类的质量标尺组 标准化后，可以根据下式来获得每个候选物流服务 合构成的所以，食物源的评价值应为食物源中每个 的QoS评价值 质量标尺组合评价值的和，根据这种情况，本文给出 了食物源评价函数，如下式所示： U(S)= ∑fg)4 (5) k= F(x)=∑F(QLC) (6) 在公式(5)中，0：表示物流服务的第k个QoS 属性的权重. 其中，为食物源中质量标尺组合的序号（也是物流 全局QS约束优化分解问题亦为最优质量标 服务类的序号)，n为食物源中所有质量标尺组合的 尺组合选择问题，为了实现该问题的高效求解，本文 总数，i为序号为j的物流服务类的一个质量标尺组 对当前性能较好的新型群体智能算法（人工蜂群算 合，F(QLC)表示食物源中第j行的评价值. 法)进行了改进，引入了学习机制，形成了学习人 (3)初始食物源的生成策略 工蜂群算法LABC,之后采用该算法求解最优质量 这里基于随机方法生成规模为SN的初始食物 标尺组合选择问题， 源.操作方法为：对于每一个物流服务类，依次从其 3.2学习人工蜂群算法 质量标尺集合中随机地抽取一个质量标尺，将所抽 为了能够提高人工蜂群算法的全局寻优能力与 取的质量标尺放在一起构成一个质量标尺组合：所 收敛速度，本文将协作学习机制引入人工蜂群算法， 有物流服务类的质量标尺组合形成的一个二维矩阵 使雇佣蜂与观察蜂采用学习操作完成邻域的搜索， 即为一个初始食物源.如此操作，直至生成SN个食 进而生成新的食物源.下面给出用于求解全局QS 物源 约束分解问题的学习人工蜂群算法的设计 (4)改进的雇佣蜂与观察蜂的新食物源生成 (1)食物源模型. 方法. 全局QS约束优化分解的目标是获取每个物 在基本的人工蜂群算法中，雇佣蜂与观察蜂通 过对某一维变量的计算生成新的食物源，而这种处 流任务节点需要满足的QoS约束，由于物流服务组 理方式不能直接用于求解全局Q$约束优化分解 合流程由多个任务节点构成（每个任务节点对应一 个物流服务类)，所以，全局QS约束优化分解问题 问题，为了使人工蜂群算法能够用于求解全局QoS 约束分解问题，本文针对雇佣蜂与观察蜂的邻域搜 的解是由所有物流服务类的质量标尺组合构成，该 索操作进行了改进，对食物源实施基于协作学习的 解不能用一维的食物源编程方式来表示，为了这解 学习操作，协作学习[]是一种根据学习者的特征进 决这一问题，这里构建了一种二维的食物源模型，如 行有效性分组并通过分组形式进行学习的一种策 图3所示 略，具有很好的寻优指导思想，本文引入协作学习机 图3中，LS。表示序号为n的物流服务类，Q表 制可以有效地提高算法的性能 Q 0 Q Q LS QL Q凸 具体操作为：针对当前雇佣蜂所拥有的食物源， Q山 QL. 再随机地从食物源中抽取一定数量的食物源组成一 QL QL QL 个个体组，然后将个体组内的每个解分成若干个子 IS, 部分，这些个体相同的子部分通过相互学习，推选出 QL QL QL 具有最优评价值的子部分，最后由那些具有最优评 价值的子部分构成一个新个体.适用于求解全局 Q.L Q.L Q.人 Q QS约束分解问题的学习操作，如图4所示，其中， 1,2,…,14表示通过随机选取的方式确定的个体， 图3食物源模型 这里把个体中的行当作是个体的组成部分，不同的 Fig.3 Coding method of the food source 行表示个体不同的组成部分，图4中带有颜色部分
工程科学学报,第 40 卷,第 7 期 f(qk) = Qmax(j,k) - qk(s) Qmax(j,k) - Qmin (j,k) , if Qmax(j,k)屹Qmin (j,k); 1, if Qmax(j,k) = Qmin (j,k) ì î í ïï ïï . (4) 在把每一个候选物流服务的 QoS 属性值进行 标准化后,可以根据下式来获得每个候选物流服务 的 QoS 评价值. U(Sj) = 移 k k = 1 f(qk)wk (5) 在公式(5)中,wk 表示物流服务的第 k 个 QoS 属性的权重. 全局 QoS 约束优化分解问题亦为最优质量标 尺组合选择问题,为了实现该问题的高效求解,本文 对当前性能较好的新型群体智能算法(人工蜂群算 法[14] )进行了改进,引入了学习机制,形成了学习人 工蜂群算法 LABC,之后采用该算法求解最优质量 标尺组合选择问题. 3郾 2 学习人工蜂群算法 为了能够提高人工蜂群算法的全局寻优能力与 收敛速度,本文将协作学习机制引入人工蜂群算法, 使雇佣蜂与观察蜂采用学习操作完成邻域的搜索, 进而生成新的食物源. 下面给出用于求解全局 QoS 约束分解问题的学习人工蜂群算法的设计. (1)食物源模型. 全局 QoS 约束优化分解的目标是获取每个物 流任务节点需要满足的 QoS 约束,由于物流服务组 合流程由多个任务节点构成(每个任务节点对应一 个物流服务类),所以,全局 QoS 约束优化分解问题 的解是由所有物流服务类的质量标尺组合构成,该 解不能用一维的食物源编程方式来表示,为了这解 决这一问题,这里构建了一种二维的食物源模型,如 图 3 所示. 图 3 食物源模型 Fig. 3 Coding method of the food source 图 3 中,LSn 表示序号为 n 的物流服务类,Qk 表 示所有物流服务类共有的第 k 个 QoS 指标,QnkLe 为 序号为 n 的物流服务类中,序号为 k 的 QoS 属性的 第 e 个质量标尺,图 3 中的一行表示对应物流服务 类的一个质量标尺组合. (2)食物源评价函数. 由于食物源是由所有物流服务类的质量标尺组 合构成的,所以,食物源的评价值应为食物源中每个 质量标尺组合评价值的和,根据这种情况,本文给出 了食物源评价函数,如下式所示: F(x) = 移 n j = 1 F(QLCji) (6) 其中,j 为食物源中质量标尺组合的序号(也是物流 服务类的序号),n 为食物源中所有质量标尺组合的 总数,i 为序号为 j 的物流服务类的一个质量标尺组 合,F(QLCji)表示食物源中第 j 行的评价值. (3)初始食物源的生成策略. 这里基于随机方法生成规模为 SN 的初始食物 源. 操作方法为:对于每一个物流服务类,依次从其 质量标尺集合中随机地抽取一个质量标尺,将所抽 取的质量标尺放在一起构成一个质量标尺组合;所 有物流服务类的质量标尺组合形成的一个二维矩阵 即为一个初始食物源. 如此操作,直至生成 SN 个食 物源. (4)改进的雇佣蜂与观察蜂的新食物源生成 方法. 在基本的人工蜂群算法中,雇佣蜂与观察蜂通 过对某一维变量的计算生成新的食物源,而这种处 理方式不能直接用于求解全局 QoS 约束优化分解 问题,为了使人工蜂群算法能够用于求解全局 QoS 约束分解问题,本文针对雇佣蜂与观察蜂的邻域搜 索操作进行了改进,对食物源实施基于协作学习的 学习操作,协作学习[15]是一种根据学习者的特征进 行有效性分组并通过分组形式进行学习的一种策 略,具有很好的寻优指导思想,本文引入协作学习机 制可以有效地提高算法的性能. 具体操作为:针对当前雇佣蜂所拥有的食物源, 再随机地从食物源中抽取一定数量的食物源组成一 个个体组,然后将个体组内的每个解分成若干个子 部分,这些个体相同的子部分通过相互学习,推选出 具有最优评价值的子部分,最后由那些具有最优评 价值的子部分构成一个新个体. 适用于求解全局 QoS 约束分解问题的学习操作,如图 4 所示,其中, I1 ,I2 ,…,Ik 表示通过随机选取的方式确定的个体, 这里把个体中的行当作是个体的组成部分,不同的 行表示个体不同的组成部分,图 4 中带有颜色部分 ·886·
徐园园等：领域Q$与资源感知的物流服务动态优化组合方法 .887. 表示参与学习的所有个体中相同部分中最好者，一 (4)改进的观察蜂阶段. 组个体通过相互学习，找出相同部分的最优者，并根 观察蜂基于轮盘赌的方式选择所要跟随的雇佣 据获取的最优者构成一个新的个体I: 蜂，之后，执行基于学习的邻域搜索操作，生成新的 学习操作 学习操作 食物源，基于贪婪规则保留较好的食物源； 0000-0-0…0-00000 (5)侦查蜂操作. 0-000-0-0…00-0:000 检查每个食物源的Limit值，将大于Limit阈值 的食物源抛弃，并基于随机的方法重新生成一个新 0-0-0000…0-0-0000 的食物源： (6)最优解保留. 图4学习操作 比较当前最优解与全局最优解，保留较好者作 Fig.4 Collaborative learning sample diagram 为全局最优解： 改进人工蜂群算法(ABC)性能优势分析：基本 (7)算法终止判断. 的人工蜂群算法在观察蜂阶段与雇佣蜂阶段，基于 若满足算法终止条件，则输出全局最优解：否则 邻域搜索公式来生成新的食物源，这种操作方式首 转到Step3 先不适用于全局QS约束分解问题的求解.其次， 4 物流服务领域Q0S评价模型与资源满足 该操作过于细化，不能很好地体现较好食物源对问 题求解的引导作用.针对上述问题，本文引入协作 性检测算子设计 学习机制，通过向较好的食物源学习，可以快速地引 4.1 物流服务领域QoS评价模型 导食物源向较好的方向演化.这一工作既能使人工 物流过程通常涉及到多个种类的物流服务，比 蜂群算法适用于求解全局QS约束分解问题，又可 如：一个物流过程可能要用到包装服务、仓储服务、 以提高人工蜂群算法的求解性能 运输服务等，所涉及的物流服务不但具有一般QoS 3.3基于学习人工蜂群算法的全局Q0S约束优化 属性（比如：费用、响应时间、可靠性、可用性等），同 分解 时也具有其所属领域的领域质量属性，比如：包装服 在对人工蜂群算法进行改进之后，根据前面所 务的耐磨性、美观性、环保性等，仓储服务的防潮性、 给出的食物源生成策略、食物源评价函数以及学习 防火性、快捷性等：运输服务的安全性、防潮性、防水 人工蜂群算法，对全局QS约束优化分解问题进行 性、准时性和保鲜性：在物流服务过程中，用于更加 求解，具体的求解过程描述如下 关注物流服务的领域服务质量：事实上，只要物流服 输入：物流服务组合包含的任务节点数量m:物 务的一般QoS能够满足用户的需求，物流服务的领 流服务的QoS属性值；质量标尺数d;全局QoS约 域服务质量越高，用户就会越满意.因此，本文所设 束；初始种群数量SN;食物源抛弃阈值Limit:学习 计的物流服务动态优化组合方法，首先筛选出能够 小组中个体的数量k;算法运行的最大次数Nx;输 满足一般Qo$约束的物流服务，之后从所筛选的物 出：每一个物流服务类的质量标尺组合（即：每一个 流服务中选出领域QoS最优的物流服务，从而提高 物流服务类需要满足的局部QS约束).具体步骤 用户的满意度. 如下： 由于物流服务组合流程中涉及到多种类型的物 (1)生成初始食物源 流服务，每一种物流服务所具备的领域QS属性不 依据食物源生成策略生成SN个食物源：并依 同，不同类型的领域QoS属性的取值类型也不同， 据食物源评价函数计算每个食物源的评价值； 为了能够对物流服务的领域QS属性进行统一的 (2)食物源分配. 评价，本文首先将物流服务领域Q$属性的类型进 采用随机的方法，随机地为蜂群分配一个食物 行了归类.各类物流服务的领域质量属性的度量形 源，获得食物源的蜜蜂成为雇佣蜂： 式可以归结为四种数据类型：数字型、区间型、语言 (3)改进的雇佣蜂阶段. 型与等级型.为了能够对物流服务组合的领域服务 根据所设计的协作学习方法，随机地从食物源 质量进行评价，首先需要将每一个物流服务的领域 中抽取出k个食物源，与当前雇佣蜂所拥有的食物 质量指标的值进行归一化，转换到[0,1]区间内：然 源组成一个学习小组，基于学习操作生成一个新的 后，计算出单个物流服务的领域质量评价值：最后， 食物源，基于贪婪规则保留较优的食物源； 依据质量属性的聚合公式，计算物流服务组合的领
徐园园等: 领域 QoS 与资源感知的物流服务动态优化组合方法 表示参与学习的所有个体中相同部分中最好者,一 组个体通过相互学习,找出相同部分的最优者,并根 据获取的最优者构成一个新的个体 Inew . 图 4 学习操作 Fig. 4 Collaborative learning sample diagram 改进人工蜂群算法(ABC)性能优势分析:基本 的人工蜂群算法在观察蜂阶段与雇佣蜂阶段,基于 邻域搜索公式来生成新的食物源,这种操作方式首 先不适用于全局 QoS 约束分解问题的求解. 其次, 该操作过于细化,不能很好地体现较好食物源对问 题求解的引导作用. 针对上述问题,本文引入协作 学习机制,通过向较好的食物源学习,可以快速地引 导食物源向较好的方向演化. 这一工作既能使人工 蜂群算法适用于求解全局 QoS 约束分解问题,又可 以提高人工蜂群算法的求解性能. 3郾 3 基于学习人工蜂群算法的全局 QoS 约束优化 分解 在对人工蜂群算法进行改进之后,根据前面所 给出的食物源生成策略、食物源评价函数以及学习 人工蜂群算法,对全局 QoS 约束优化分解问题进行 求解,具体的求解过程描述如下. 输入:物流服务组合包含的任务节点数量 m;物 流服务的 QoS 属性值;质量标尺数 d;全局 QoS 约 束;初始种群数量 SN;食物源抛弃阈值 Limit;学习 小组中个体的数量 k;算法运行的最大次数 Nmax;输 出:每一个物流服务类的质量标尺组合(即:每一个 物流服务类需要满足的局部 QoS 约束). 具体步骤 如下: (1)生成初始食物源. 依据食物源生成策略生成 SN 个食物源;并依 据食物源评价函数计算每个食物源的评价值; (2)食物源分配. 采用随机的方法,随机地为蜂群分配一个食物 源,获得食物源的蜜蜂成为雇佣蜂; (3)改进的雇佣蜂阶段. 根据所设计的协作学习方法,随机地从食物源 中抽取出 k 个食物源,与当前雇佣蜂所拥有的食物 源组成一个学习小组,基于学习操作生成一个新的 食物源,基于贪婪规则保留较优的食物源; (4)改进的观察蜂阶段. 观察蜂基于轮盘赌的方式选择所要跟随的雇佣 蜂,之后,执行基于学习的邻域搜索操作,生成新的 食物源,基于贪婪规则保留较好的食物源; (5)侦查蜂操作. 检查每个食物源的 Limit 值,将大于 Limit 阈值 的食物源抛弃,并基于随机的方法重新生成一个新 的食物源; (6)最优解保留. 比较当前最优解与全局最优解,保留较好者作 为全局最优解; (7)算法终止判断. 若满足算法终止条件,则输出全局最优解;否则 转到 Step3. 4 物流服务领域 QoS 评价模型与资源满足 性检测算子设计 4郾 1 物流服务领域 QoS 评价模型 物流过程通常涉及到多个种类的物流服务,比 如:一个物流过程可能要用到包装服务、仓储服务、 运输服务等,所涉及的物流服务不但具有一般 QoS 属性(比如:费用、响应时间、可靠性、可用性等),同 时也具有其所属领域的领域质量属性,比如:包装服 务的耐磨性、美观性、环保性等,仓储服务的防潮性、 防火性、快捷性等;运输服务的安全性、防潮性、防水 性、准时性和保鲜性;在物流服务过程中,用于更加 关注物流服务的领域服务质量;事实上,只要物流服 务的一般 QoS 能够满足用户的需求,物流服务的领 域服务质量越高,用户就会越满意. 因此,本文所设 计的物流服务动态优化组合方法,首先筛选出能够 满足一般 QoS 约束的物流服务,之后从所筛选的物 流服务中选出领域 QoS 最优的物流服务,从而提高 用户的满意度. 由于物流服务组合流程中涉及到多种类型的物 流服务,每一种物流服务所具备的领域 QoS 属性不 同,不同类型的领域 QoS 属性的取值类型也不同, 为了能够对物流服务的领域 QoS 属性进行统一的 评价,本文首先将物流服务领域 QoS 属性的类型进 行了归类. 各类物流服务的领域质量属性的度量形 式可以归结为四种数据类型:数字型、区间型、语言 型与等级型. 为了能够对物流服务组合的领域服务 质量进行评价,首先需要将每一个物流服务的领域 质量指标的值进行归一化,转换到[0,1]区间内;然 后,计算出单个物流服务的领域质量评价值;最后, 依据质量属性的聚合公式,计算物流服务组合的领 ·887·
·888· 工程科学学报，第40卷，第7期 域质量评价值. (5)EndIf; 4.2资源满足性检测方法设计 (6)If (RRA >ARA) 物流服务的成功运行需要一定数量的资源来支 (7)当前候选物流服务可用性为0； 撑，这里首先定义物流资源模型，之后给出任务模 (8)EndIf. 型，在进行物流服务组合时，首先根据用户需求，计 5 领域QoS最优的物流服务选择 算出物流需求对每一类物流服务所需要的资源数 量：并根据物流服务供应商提供的信息，确定每一个 在物流流程执行的过程中，对于当前的物流任 物流服务所具备的可用资源的数量.资源模型的定 务节点，根据一般QoS信息、领域QoS信息以及资 义如下式所示. 源信息，为物流服务流程中的当前任务节点选择一 RM=〈ID,ARQ,PoU〉 (7) 个领域QS最优的物流服务，主要过程包括： 其中，D(resource identifier)表示资源的编号；ARQ Stepl.选出一般QoS属性能够满足局部QoS约 (available resource quantity)表示可用资源的数量； 束的物流服务. PoU(processing ability of unit resource)表示单位资 获取当前物流任务节点候选服务流服务的一般 源的处理能力 QoS值：获取通过全局QoS约束分解得到的当前物 任务模型的定义如下式所示. 流任务节点需要满足的局部QoS约束：筛选出满足 TM=〈TT,TA,PT〉 (8) 局部QoS约束的物流服务， 其中，TT(task type)表示任务的类型；TA(task Step2.选出满足资源需求的物流服务 amount)表示当前有多少单位的物流任务需要处理； 从Stepl筛选出的物流服务中，依据4.2节中 PT(processing time)表示任务需要处理的时间. 的资源满足性检测方法筛选出能够满足当前物流子 假设当前物流任务节点对应的物流服务类S: 任务成功执行对资源需求的物流服务 需要处理的单位任务量为M,那么，所需要的单位 Step3.最优物流服务选择 资源数可以通过下式计算出来. 依据物流服务组合的领域质量评价模型公式 M: RRA(S,)=PoU (10)计算由Step2筛选出的物流服务的领域QoS (9) 值，并选出领域QoS评价值最优的物流服务来执行 其中，RRA表示物流服务类S:需要具备的资源 当前物流子任务 数量. 通过比较物流服务类中候选物流服务S,所拥 D01scS,)=名-0(S) (10) 有的可用资源数量ARQ与其需要具备的资源数量 在公式(10)中，LSCS表示第k个物流服务组合方 RRA,便可以确定物流服务S是否可以参与本次的 案，DQ(LSCS:)表示第k个物流服务组合方案的领 物流服务组合.在物流服务的组合过程中，需要检 域质量评价值，S(1≤i≤m)为物流服务组合方案 测候选的物流服务是否具备足够的资源来支撑物流 LSCS中的第i个组件服务，DQ(S,)表示组件服务 服务完成当前的物流任务，如果该物流服务所具有 S,的领域质量评价值，w;表示组件服务S:的领域质 的可用资源不能满足当前物流任务对资源的需求， 量评价值的权重. 则该物流服务不能参加本次的物流服务组合.资源 6模拟实验 满足性检测方法如下： 输入为所要处理的单位任务数量M:候选物流 6.1实验设计 服务所具备的可用资源数量以及单位资源处理任务 为了验证本文所提出方法的有效性，本文根据 的能力：输出：候选物流服务的可用性：具体步骤 物流服务实际运行的特征，设计了一个由8个物流 如下： 子任务构成的物流服务组合流程为实验对象，设每 (1)根据公式(9)计算所需要的单位资源数量 个物流子任务拥有m个候选物流服务：设用户提出 RRA: 的全局QoS约束分别为：(1)总费用0.40： 资源的数量ARA; (4)总的可用性>0.40：设每个QoS属性的质量标 (3)f(RRA≤ARA); 尺数为d,设用户对四个QoS属性的偏好权重分别 (4)当前候选物流服务可用性为1： 为：0.38,0.32、0.22和0.18.该实验在一定的取值
工程科学学报,第 40 卷,第 7 期 域质量评价值. 4郾 2 资源满足性检测方法设计 物流服务的成功运行需要一定数量的资源来支 撑,这里首先定义物流资源模型,之后给出任务模 型,在进行物流服务组合时,首先根据用户需求,计 算出物流需求对每一类物流服务所需要的资源数 量;并根据物流服务供应商提供的信息,确定每一个 物流服务所具备的可用资源的数量. 资源模型的定 义如下式所示. RM = 掖ID,ARQ,PoU业 (7) 其中,ID( resource identifier) 表示资源的编号;ARQ (available resource quantity) 表示可用资源的数量; PoU(processing ability of unit resource) 表示单位资 源的处理能力. 任务模型的定义如下式所示. TM = 掖TT,TA,PT业 (8) 其中, TT ( task type ) 表 示 任 务 的 类 型; TA ( task amount)表示当前有多少单位的物流任务需要处理; PT(processing time) 表示任务需要处理的时间. 假设当前物流任务节点对应的物流服务类 Si 需要处理的单位任务量为 Mi,那么,所需要的单位 资源数可以通过下式计算出来. RRA(Si) = Mi PoU (9) 其中,RRA 表示物流服务类 Si 需要具备的资源 数量. 通过比较物流服务类中候选物流服务 Sij所拥 有的可用资源数量 ARQ 与其需要具备的资源数量 RRA,便可以确定物流服务 Sij是否可以参与本次的 物流服务组合. 在物流服务的组合过程中,需要检 测候选的物流服务是否具备足够的资源来支撑物流 服务完成当前的物流任务,如果该物流服务所具有 的可用资源不能满足当前物流任务对资源的需求, 则该物流服务不能参加本次的物流服务组合. 资源 满足性检测方法如下: 输入为所要处理的单位任务数量 Mi;候选物流 服务所具备的可用资源数量以及单位资源处理任务 的能力;输出:候选物流服务的可用性;具体步骤 如下: (1)根据公式(9)计算所需要的单位资源数量 RRA; (2)获取当前候选物流服务所具备的可用单位 资源的数量 ARA; (3)If (RRA臆ARA); (4)当前候选物流服务可用性为 1; (5)EndIf; (6)If (RRA > ARA) (7)当前候选物流服务可用性为 0; (8)EndIf. 5 领域 QoS 最优的物流服务选择 在物流流程执行的过程中,对于当前的物流任 务节点,根据一般 QoS 信息、领域 QoS 信息以及资 源信息,为物流服务流程中的当前任务节点选择一 个领域 QoS 最优的物流服务,主要过程包括: Step1. 选出一般 QoS 属性能够满足局部 QoS 约 束的物流服务. 获取当前物流任务节点候选服务流服务的一般 QoS 值;获取通过全局 QoS 约束分解得到的当前物 流任务节点需要满足的局部 QoS 约束;筛选出满足 局部 QoS 约束的物流服务. Step2. 选出满足资源需求的物流服务. 从 Step1 筛选出的物流服务中,依据 4郾 2 节中 的资源满足性检测方法筛选出能够满足当前物流子 任务成功执行对资源需求的物流服务. Step3. 最优物流服务选择. 依据物流服务组合的领域质量评价模型公式 (10)计算由 Step2 筛选出的物流服务的领域 QoS 值,并选出领域 QoS 评价值最优的物流服务来执行 当前物流子任务. DQ(LSCSk) = 移 m i = 1 w忆i·DQ(Si) (10) 在公式(10)中,LSCSk 表示第 k 个物流服务组合方 案,DQ(LSCSk)表示第 k 个物流服务组合方案的领 域质量评价值,Si (1臆i臆m) 为物流服务组合方案 LSCSk 中的第 i 个组件服务,DQ( Si )表示组件服务 Si 的领域质量评价值,w忆i 表示组件服务 Si 的领域质 量评价值的权重. 6 模拟实验 6郾 1 实验设计 为了验证本文所提出方法的有效性,本文根据 物流服务实际运行的特征,设计了一个由 8 个物流 子任务构成的物流服务组合流程为实验对象,设每 个物流子任务拥有 m 个候选物流服务;设用户提出 的全局 QoS 约束分别为:(1) 总费用 0郾 40; (4)总的可用性 > 0郾 40;设每个 QoS 属性的质量标 尺数为 d,设用户对四个 QoS 属性的偏好权重分别 为:0郾 38、0郾 32、0郾 22 和 0郾 18. 该实验在一定的取值 ·888·
徐园园等：领域Q$与资源感知的物流服务动态优化组合方法 ·889· 区间内随机地生成候选物流服务的四个一般QS 250 属性的取值，该实验中8类物流服务的一般QS取 ◆-m=50 ■m=100 值范围如表1所示. 20 ▲-m=200 表18类物流服务的一般QS属性取值范围 ●—m=300 Table 1 General QoS value range of eight types of logisties services ◆一m=400 物流 四类QS属性及取值 服务类费用/美元执行时间/h可靠性/% 可用性/% 第一类 [10,35] [5,21] [0.85,1][0.85,1] 第二类[10,35] [5,21] [0.85,1][0.85,1] 第三类[10.35] [5.21] [0.85,1][0.85,1] 第四类[10.35] [5,21] [0.85,1][0.85,1] 100200300400500600700800 选代次数 第五类[10,35][5,21][0.85,1][0.85,1] 第六类[10,35][5,21][0.85,1][0.85,1] 图5学习人工蜂群算法运行时间与候选服务规模的关系 Fig.5 Relation between the running time of learning-based ABC and 第七类[10,35][5,21][0.85,1][0.85,1] the size of the service candidates 第八类[10,35][5,21][0.85,1][0.85,1] 响，因此，为了确定合适的质量标尺数，该实验首先 设每一类物流服务的领域QS属性值已经采 设置每个物流服务类的候选数量为100，分别设置 用第4.1节给出的度量方法进行了度量，设每一类 质量标尺数d的取值为10、20、30和40，算法的迭 物流服务具有四个领域QS指标，每个指标都依据 代次数为800.然后分别进行实验，分别记录d取不 标准化公式转化到了[0,1]区间内，每个领域QoS 同值时算法搜索的最优解的情况.实验结果如图6 指标的取值采用随机的方法生成，设用户对四个领 所示.其中，纵坐标表示算法搜索到的解的评价值 域QS指标的偏好相同：组成学习小组的个体个数 (SV),横坐标表示质量标尺d的取值.从图6所示 设为6.本文采用Java编程语言实现，算法的运行 的实验结果可以看出，在质量标尺数取d=10时，算 环境为台式计算机，具体配置如下：CPU:ntel(R) 法搜索到的解最优，因此，在进行全局QS约束分 Core(TM)Duo,3.20 GHz,3.20 GHz;Memory:4.00 解时，设置d=10 GB;OS:Windows7.该实验中的时间单位为秒 0.65r (s). 6.2实验比较分析 0.60 6.2.1学习人工蜂群算法可行性验证 六0.55 该实验的目标是验证学习人工蜂群算法在求解 全局Q$约束优化分解问题的可行性.在该实验 0.50f 中，设置质量标尺数d=25,分别设置每一类物流服 040 20 30 40 务的候选服务数量为50、100、200、300和400，针对 d 不同的候选服务规模分别进行实验，运行基于学习 图6质量标尺取不同值时搜索到的解 人工蜂群算法的全局QS约束优化分解算法，统计 Fig.6 Search solutions for the different values of the quality scale 算法在迭代不同次数时的执行时间.实验结果如图 6.2.3资源感知的有效性验证 5所示，其中，横坐标表示算法的迭代次数，纵坐标 为了验证物流服务组合过程中对资源感知的有 表示算法的运行时间.通过实验结果可以看出，学 效性，该实验进行了10组实验，这10组实验在不同 习人工蜂群算法求解全局QS约束分解问题的运 的范围内随机生成每个候选物流服务可用资源的数 行时间与物流服务类中候选服务的规模成线性关 量与完成任务需要资源的数量：之后，分别采用不考 系，即随着候选服务数量的增加，算法的运行时间并 虑资源数量的物流服务组合方法（记为LSC)以及 没有成指数型增加，由此可以得出应用学习人工蜂 本文提出的带有资源满足性检测的物流服务组合方 群算法求解全局Q$约束优化分解是可行的. 法（记为R-LSC),在每一组实验上进行100次物流 6.2.2最佳质量标尺数确定 服务组合，分别统计两种方法所得到的物流服务组 由于不同的质量标尺数对算法具有一定的影 合满足物流任务执行所需要的资源数量的概率，实
徐园园等: 领域 QoS 与资源感知的物流服务动态优化组合方法 区间内随机地生成候选物流服务的四个一般 QoS 属性的取值,该实验中 8 类物流服务的一般 QoS 取 值范围如表 1 所示. 表 1 8 类物流服务的一般 QoS 属性取值范围 Table 1 General QoS value range of eight types of logistics services 物流 服务类 四类 QoS 属性及取值 费用/ 美元 执行时间/ h 可靠性/ % 可用性/ % 第一类 [10, 35] [5, 21] [0郾 85, 1] [0郾 85, 1] 第二类 [10, 35] [5, 21] [0郾 85, 1] [0郾 85, 1] 第三类 [10, 35] [5, 21] [0郾 85, 1] [0郾 85, 1] 第四类 [10, 35] [5, 21] [0郾 85, 1] [0郾 85, 1] 第五类 [10, 35] [5, 21] [0郾 85, 1] [0郾 85, 1] 第六类 [10, 35] [5, 21] [0郾 85, 1] [0郾 85, 1] 第七类 [10, 35] [5, 21] [0郾 85, 1] [0郾 85, 1] 第八类 [10, 35] [5, 21] [0郾 85, 1] [0郾 85, 1] 设每一类物流服务的领域 QoS 属性值已经采 用第 4郾 1 节给出的度量方法进行了度量,设每一类 物流服务具有四个领域 QoS 指标,每个指标都依据 标准化公式转化到了[0,1] 区间内,每个领域 QoS 指标的取值采用随机的方法生成,设用户对四个领 域 QoS 指标的偏好相同;组成学习小组的个体个数 设为 6. 本文采用 Java 编程语言实现,算法的运行 环境为台式计算机,具体配置如下:CPU: Intel(R) Core( TM) Duo,3郾 20 GHz,3郾 20 GHz;Memory: 4郾 00 GB; OS: Windows 7. 该实验中的时间单位为秒 (s). 6郾 2 实验比较分析 6郾 2郾 1 学习人工蜂群算法可行性验证 该实验的目标是验证学习人工蜂群算法在求解 全局 QoS 约束优化分解问题的可行性. 在该实验 中,设置质量标尺数 d = 25,分别设置每一类物流服 务的候选服务数量为 50、100、200、300 和 400,针对 不同的候选服务规模分别进行实验,运行基于学习 人工蜂群算法的全局 QoS 约束优化分解算法,统计 算法在迭代不同次数时的执行时间. 实验结果如图 5 所示,其中,横坐标表示算法的迭代次数,纵坐标 表示算法的运行时间. 通过实验结果可以看出,学 习人工蜂群算法求解全局 QoS 约束分解问题的运 行时间与物流服务类中候选服务的规模成线性关 系,即随着候选服务数量的增加,算法的运行时间并 没有成指数型增加,由此可以得出应用学习人工蜂 群算法求解全局 QoS 约束优化分解是可行的. 6郾 2郾 2 最佳质量标尺数确定 由于不同的质量标尺数对算法具有一定的影 图 5 学习人工蜂群算法运行时间与候选服务规模的关系 Fig. 5 Relation between the running time of learning鄄based ABC and the size of the service candidates 响,因此,为了确定合适的质量标尺数,该实验首先 设置每个物流服务类的候选数量为 100,分别设置 质量标尺数 d 的取值为 10、20、30 和 40,算法的迭 代次数为 800. 然后分别进行实验,分别记录 d 取不 同值时算法搜索的最优解的情况. 实验结果如图 6 所示. 其中,纵坐标表示算法搜索到的解的评价值 (SV),横坐标表示质量标尺 d 的取值. 从图 6 所示 的实验结果可以看出,在质量标尺数取 d = 10 时,算 法搜索到的解最优,因此,在进行全局 QoS 约束分 解时,设置 d = 10. 图 6 质量标尺取不同值时搜索到的解 Fig. 6 Search solutions for the different values of the quality scale 6郾 2郾 3 资源感知的有效性验证 为了验证物流服务组合过程中对资源感知的有 效性,该实验进行了 10 组实验,这 10 组实验在不同 的范围内随机生成每个候选物流服务可用资源的数 量与完成任务需要资源的数量;之后,分别采用不考 虑资源数量的物流服务组合方法(记为 LSC) 以及 本文提出的带有资源满足性检测的物流服务组合方 法(记为 R鄄鄄LSC),在每一组实验上进行 100 次物流 服务组合,分别统计两种方法所得到的物流服务组 合满足物流任务执行所需要的资源数量的概率,实 ·889·
·890· 工程科学学报，第40卷，第7期 验结果如图7所示，其中，纵坐标表示两种物流服务 速度 组合方法的成功率(SR),横坐标表示10组实验的 7结论 序号. 120r 本文针对物流服务优化组合中存在的缺乏灵活 ·考虑资源约束一◆不考虑资源约束 性以及没有考虑领域质量、资源供给等问题，提出了 100* 一种领域QS与资源感知的物流服务动态优化组 合方法.该方法首先提出了一种具有自主学习能力 80 的改进型人工蜂群算法，并采用学习人工蜂群算法 60 将全局QoS约束分解成局部QoS约束；之后，在物 1 23 45678910 实验序号 流服务流程执行过程中，首先选出满足局部QS约 图7资源感知有效性验证 束与资源约束的物流服务，再依据候选物流服务的 Fig.7 Verification of effectiveness of resource-aware 领域Q$评价值，选出最优的物流服务来执行当前 物流任务.本文的研究工作，通过全局Q$约束分 从图7可以看出，在不考虑服务资源约束的情 解，提高了物流服务组合的动态性与灵活性：通过引 况下所构建的组合服务，在实际运行时，不具备合适 入领域QoS,提高物流服务组合的综合服务质量：通 服务资源的概率比较大，即服务组合失败的概率比 过引入资源感知算子，提高了物流服务组合的成功 较大：而引入资源检测算子的方法所构建的组合服 率.最后，通过模拟实验验证了本文所提出方法的 务，在运行时都具备一定资源支持，服务组合成功率 可行性和有效性 比较高 6.2.4与其他服务组合算法性能比较 为了验证本文提出的领域QoS与资源感知的 参考文献 物流服务组合方法（记为DQR-LSC)的性能，该实 [1]Huang Z G,Xu J X,Yu Y.Three-stage algorithm for dynamic 验常用的遗传算法(GA)、粒子群算法(PSO)以及本 service composition.Comput Integr Manuf Syst,2012,18(8): 文所提出的方法对6.1节中设计的物流服务组合问 1711 题进行了求解，设置每个物流服务类具有100个物 (黄振光，徐家兴，余阳.三段式动态服务组合优化算法.计 算机集成制造系统.2012,18(8)：1711) 流服务，即m=100:设置质量标尺数d=10:同样采 [2]Li D M,Zhong P S,Liu M,et al.Networked logistic service com- 用Java编程语言来实现遗传算法与粒子群算法，三 position matching based on business process.Qingdao Agric Univ 种算法的运行环境相同：遗传算法中交叉概率与变 Nat Sci,2009,26(1):56 异概率分别设为0.85与0.0516]：粒子群算法的两 (李东民，钟佩思，刘梅，等.基于业务流程的物流Wb服务 个学习因子设置为2：两种算法的初始群体规模设 组合匹配研究.青岛农业大学学报（自然科学版），2009,26 (1):56) 置为100：实验结果如图8所示 [3]Zhu W P,Liu W.Gao Z J.Study on quality coordination of logis- 0.9 ◆本文算法·一粒子群算法·一遗传算法 tics service supply chain.Appl Res Comput,2012,29(11):4101 0.8 (朱卫平，刘伟，高志军.物流服务供应链的质量协调研究 计算机应用研究，2012,29(11)：4101) 0.7 [4]Zeng L Z,Benatallah B,Ngu A HH,et al.QoS-aware middle- 0.6 ware for web services composition.IEEE Trans Sofcare Eng, 0.5 2004,30(5):311 0.4 [5]Wang X Y.An Optimization Model of Web Logistie Serrice Composi- 050100150200250300350400450 送代次数 tion Based on QoS Dissertation].Guangzhou:Sun Yat-Sen Uni- versity,2010 图8算法的性能比较 (王肖燕.基于QS的W山物流服务组合的优化模型[学位论 Fig.8 Performance comparison with other algorithms 文].广州：中山大学，2010) 其中，纵坐标表示算法搜索到的物流服务组合 [6]Zhou L,Wang X,Deng L,et al.Multi-path logistics cloud serv- 的领域QoS评价值(SV),横坐标表示算法的迭代次 ice composition design with trigger timetable.Comput Integr Manuf 数.从图8所展示的实验结果可以看出，本文所提 Sx,2015,21(6):1617 (周林，王旭，邓蕾，等.带触发时刻表的多路径物流云服务 出的领域Qs与资源感知的物流服务组合方法 组合设计.计算机集成制造系统，2015,21(6)：1617) (DQR-LSC)具有较强的搜索能力和较快的收敛 [7]Zhang L,Jiang D L,Li D,et al.Study on the agent-based web
工程科学学报,第 40 卷,第 7 期 验结果如图 7 所示,其中,纵坐标表示两种物流服务 组合方法的成功率( SR),横坐标表示 10 组实验的 序号. 图 7 资源感知有效性验证 Fig. 7 Verification of effectiveness of resource鄄aware 从图 7 可以看出,在不考虑服务资源约束的情 况下所构建的组合服务,在实际运行时,不具备合适 服务资源的概率比较大,即服务组合失败的概率比 较大;而引入资源检测算子的方法所构建的组合服 务,在运行时都具备一定资源支持,服务组合成功率 比较高. 6郾 2郾 4 与其他服务组合算法性能比较 为了验证本文提出的领域 QoS 与资源感知的 物流服务组合方法(记为 DQR鄄鄄 LSC) 的性能,该实 验常用的遗传算法(GA)、粒子群算法(PSO)以及本 文所提出的方法对 6郾 1 节中设计的物流服务组合问 题进行了求解,设置每个物流服务类具有 100 个物 流服务,即 m = 100;设置质量标尺数 d = 10;同样采 用 Java 编程语言来实现遗传算法与粒子群算法,三 种算法的运行环境相同;遗传算法中交叉概率与变 异概率分别设为 0郾 85 与 0郾 05 [16] ;粒子群算法的两 个学习因子设置为 2;两种算法的初始群体规模设 置为 100;实验结果如图 8 所示. 图 8 算法的性能比较 Fig. 8 Performance comparison with other algorithms 其中,纵坐标表示算法搜索到的物流服务组合 的领域 QoS 评价值(SV),横坐标表示算法的迭代次 数. 从图 8 所展示的实验结果可以看出,本文所提 出的领域 Qos 与资源感知的物流服务组合方法 (DQR鄄鄄 LSC) 具有较强的搜索能力和较快的收敛 速度. 7 结论 本文针对物流服务优化组合中存在的缺乏灵活 性以及没有考虑领域质量、资源供给等问题,提出了 一种领域 QoS 与资源感知的物流服务动态优化组 合方法. 该方法首先提出了一种具有自主学习能力 的改进型人工蜂群算法,并采用学习人工蜂群算法 将全局 QoS 约束分解成局部 QoS 约束;之后,在物 流服务流程执行过程中,首先选出满足局部 QoS 约 束与资源约束的物流服务,再依据候选物流服务的 领域 QoS 评价值,选出最优的物流服务来执行当前 物流任务. 本文的研究工作,通过全局 QoS 约束分 解,提高了物流服务组合的动态性与灵活性;通过引 入领域 QoS,提高物流服务组合的综合服务质量;通 过引入资源感知算子,提高了物流服务组合的成功 率. 最后,通过模拟实验验证了本文所提出方法的 可行性和有效性. 参 考 文 献 [1] Huang Z G, Xu J X, Yu Y. Three鄄stage algorithm for dynamic service composition. Comput Integr Manuf Syst, 2012, 18 ( 8 ): 1711 (黄振光, 徐家兴, 余阳. 三段式动态服务组合优化算法. 计 算机集成制造系统, 2012, 18(8): 1711) [2] Li D M, Zhong P S, Liu M, et al. Networked logistic service com鄄 position matching based on business process. J Qingdao Agric Univ Nat Sci, 2009, 26(1): 56 (李东民, 钟佩思, 刘梅, 等. 基于业务流程的物流 Web 服务 组合匹配研究. 青岛农业大学学报(自然科学版), 2009, 26 (1): 56) [3] Zhu W P, Liu W, Gao Z J. Study on quality coordination of logis鄄 tics service supply chain. Appl Res Comput, 2012, 29(11): 4101 (朱卫平, 刘伟, 高志军. 物流服务供应链的质量协调研究. 计算机应用研究, 2012, 29(11): 4101) [4] Zeng L Z, Benatallah B, Ngu A H H, et al. QoS鄄aware middle鄄 ware for web services composition. IEEE Trans Software Eng, 2004, 30(5): 311 [5] Wang X Y. An Optimization Model of Web Logistic Service Composi鄄 tion Based on QoS [Dissertation]. Guangzhou: Sun Yat鄄Sen Uni鄄 versity, 2010 (王肖燕. 基于 QoS 的 Web 物流服务组合的优化模型[学位论 文]. 广州: 中山大学, 2010) [6] Zhou L, Wang X, Deng L, et al. Multi鄄path logistics cloud serv鄄 ice composition design with trigger timetable. Comput Integr Manuf Syst, 2015, 21(6): 1617 (周林, 王旭, 邓蕾, 等. 带触发时刻表的多路径物流云服务 组合设计. 计算机集成制造系统, 2015, 21(6): 1617) [7] Zhang L, Jiang D L, Li D, et al. Study on the agent鄄based web ·890·
徐园园等：领域Q$与资源感知的物流服务动态优化组合方法 ·891· service portfolio in the third-party logistics information system.Lo- [11]Yu Y,Chen J,Lin S Q,et al.A dynamic QoS-aware logistics gist Technol,2011,30(2):123 service composition algorithm based on social network.IEEE (张磊，姜大立，李德，等.第三方物流信息系统中基于gemt Trans Emerg Topics Comput,2014,2(4):399 的wcb服务组合研究.物流技术，2011,30(2)：123) [12]Yang R,Li B,Cheng C.Adaptable service composition for intel- [8]Li H F.Song C G Dong X,et al.QoS-based optimal selection ap- ligent logistics:a middleware approach//2014 International Con- proach for cloud service composition in manufacturing.Trans Bei- ference on Cloud Computing and Big Data CCBD).Wuhan. jing Inst Technol,2014,34(2):171 2014:75 (李慧芳，宋长刚，董训，等.考虑物流服务的云服务组合 [13]Liu ZZ,Xue X,Shen JQ,et al.Web service dynamic composi- QS评价方法研究.北京理工大学学报，2014,34(2)：171) tion based on decomposition of global QoS constraints.Int J Adv [9]Liu ZZ,Song C,Xue X.et al.Research on dynamie optimal Manuf Technol,2013,69(9-12):2247 composition of context-aware logisties Web service.Comput Eng [14]Karaboga D,Gorkemli B,Ozturk C,et al.A comprehensive sur- Sci,2013,35(9):51 vey:artificial bee colony (ABC)algorithm and applications.Artif (刘志中，宋成，薛霄，等.情景感知的物流Wb服务动态优 Intell Rev,2014,42(1):21 化组合研究.计算机工程与科学，2013,35(9)：51) [15]Graf S,Bekele R.Forming heterogeneous groups for intelligent [10]Fang Q H,Ni L P.Li Y M.Two stage multi objective ant colony collaborative learning systems with ant colony optimization//In- optimization for solving logistics web service composition.China ternational Conference on Intelligent Tutoring Systems.Springer- Mech Eng,2016,27(10):1327 Verlag,2006:217 (方清华，倪丽萍，李一鸣.求解物流W山服务组合问题的 [16]Liu Z Z,Jia Z P,Xue X,et al.Reliable Web service composi- 两阶段多目标蚁群算法.中国机械工程，2016,27(10)： tion based on QoS dynamic prediction.Sof Comput.2015,19 1327) (5):1409
徐园园等: 领域 QoS 与资源感知的物流服务动态优化组合方法 service portfolio in the third鄄party logistics information system. Lo鄄 gist Technol, 2011, 30(2): 123 (张磊, 姜大立, 李德, 等. 第三方物流信息系统中基于 agent 的 web 服务组合研究. 物流技术, 2011, 30(2): 123) [8] Li H F, Song C G Dong X, et al. QoS鄄based optimal selection ap鄄 proach for cloud service composition in manufacturing. Trans Bei鄄 jing Inst Technol, 2014, 34(2): 171 (李慧芳, 宋长刚, 董训, 等. 考虑物流服务的云服务组合 QoS 评价方法研究. 北京理工大学学报, 2014, 34(2): 171) [9] Liu Z Z, Song C, Xue X, et al. Research on dynamic optimal composition of context鄄aware logistics Web service. Comput Eng Sci, 2013, 35(9): 51 (刘志中, 宋成, 薛霄, 等. 情景感知的物流 Web 服务动态优 化组合研究. 计算机工程与科学, 2013, 35(9): 51) [10] Fang Q H, Ni L P, Li Y M. Two stage multi objective ant colony optimization for solving logistics web service composition. China Mech Eng, 2016, 27(10): 1327 (方清华, 倪丽萍, 李一鸣. 求解物流 Web 服务组合问题的 两阶段多目标蚁群算法. 中国机械工程, 2016, 27 (10 ): 1327) [11] Yu Y, Chen J, Lin S Q, et al. A dynamic QoS鄄aware logistics service composition algorithm based on social network. IEEE Trans Emerg Topics Comput, 2014, 2(4): 399 [12] Yang R, Li B, Cheng C. Adaptable service composition for intel鄄 ligent logistics: a middleware approach / / 2014 International Con鄄 ference on Cloud Computing and Big Data ( CCBD). Wuhan, 2014: 75 [13] Liu Z Z, Xue X, Shen J Q, et al. Web service dynamic composi鄄 tion based on decomposition of global QoS constraints. Int J Adv Manuf Technol, 2013, 69(9鄄12): 2247 [14] Karaboga D, Gorkemli B, Ozturk C, et al. A comprehensive sur鄄 vey: artificial bee colony (ABC) algorithm and applications. Artif Intell Rev, 2014, 42(1): 21 [15] Graf S, Bekele R. Forming heterogeneous groups for intelligent collaborative learning systems with ant colony optimization / / In鄄 ternational Conference on Intelligent Tutoring Systems. Springer鄄 Verlag, 2006: 217 [16] Liu Z Z, Jia Z P, Xue X, et al. Reliable Web service composi鄄 tion based on QoS dynamic prediction. Soft Comput, 2015, 19 (5): 1409 ·891·
