·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·