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·