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·