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·