基于云计算环境下分布式物流库存优化方法技术

本发明专利技术公开了一种基于云计算环境下分布式物流库存优化方法，包括以下步骤：S1、构建评价函数f(U)的代数模型及其约束条件函数；S2、计算每一个分量的值，建立和声库存的最优化方程矩阵HM；S3、以概率P(Xi)替换和声搜索的记忆概率HMCR，按照和声搜索算法，产生新的解向量；S4、按评价函数f(U)计算新的解向量的目标函数值f(Ub)，与原本解向量的目标函数值f(Ub)比较并更新库存；S5、重复步骤S2‑S4，至预定最大迭代次数时停止，输出最优解。本发明专利技术解决云计算环境下分布式物流库存的预警与成本优化问题，实现分布式智能物流库存的动态管理，具有响应与寻优速度快，多目标优化计算效率高的有益效果。

Distributed logistics inventory optimization method based on cloud computing environment

This invention discloses a distributed logistics inventory optimization method based on the cloud computing environment, including the following steps: S1, the construction of the algebraic model of the evaluation function f (U) and its constraint condition function; S2, the calculation of the value of each component, the establishment of the optimal equation matrix HM of the harmonic inventory; S3, the replacement of the probability P (Xi) and the sound search. Recall probability HMCR, generate new solution vectors according to the harmonic search algorithm; S4, calculate the target function value f (Ub) of the new solution vector according to the evaluation function f (U), compare and update the inventory with the target function value f (Ub) of the original solution vector; S5, repeat step S2 S4, stop and output the optimal solution to the maximum number of iterations. The invention solves the problem of early warning and cost optimization of distributed logistics inventory in cloud computing environment, and realizes the dynamic management of distributed intelligent logistics inventory, which has the beneficial effect of quick response and optimization, and high efficiency of multi-objective optimization calculation.

【技术实现步骤摘要】
基于云计算环境下分布式物流库存优化方法
本专利技术涉及云计算、智能物流、分布式数据库
更具体地说，本专利技术涉及一种基于云计算环境下分布式物流库存优化方法。
技术介绍
在高昂的库存成本严重制约着物流企业的效益与发展，库存管理与优化是物流企业所面临的一个关键而又必须解决的问题。随着互联网、云计算、物联网、GPS/北斗导航等高新技术的广泛应用，电商物流迅猛扩张，尤其是跨境电子商务、农村电子商务快速发展，电商物流企业的仓储布点越来越多，对库存管理的要求越来越高，优化分布式物流库存管理以降低物流成本成为人们研究的热点问题。目前，库存管理已由传统的定量订货与定期订货发展为具有现代特色的多种现代物流管理模型，如MRP(物料资源计划)、MRP2(物料资源计划)、VMI(供应商管理库存)、CMI(客户管理库存)、JMI(联合库存管理)等。近年来，国内外学者对其进行了广泛的研究，提出了许多分布式库存管理模型。Rao与Krisman最先用报童模型来处理调拨与订货量，之后Zhang对报童模型进行改进，在需求可协调的情况下研究库存共享问题。Rudi和Robinson提出了两库存模型的解析策略，并且Robinson还将其扩展为多库存模型的解析方法，在分散控制下使用大型线性规划来求得近似最优解。Cohen和Tagaras在对分布式库存建模时最早考虑到了补货提前期，采用部分共享策略来应对调拨提前期内的需求不确定性，Tagaras还在此基础上对模型进行了扩展，研究了多个具有相同成本结构的零售商组成的分布式库存系统，实现了零售商之间库存的完全共享。张钊等人通过对BP神经网络与遗传算法的研究，在传统的VMI模型基础上提出了一种GA-BP分布式库存模型，利用BP神经网络对于解决非线性问题具有较少的拟合迭代步数与稳定的拟合效果的优点，加入遗传算法对BP神经网络进行改进，克服了传统BP神经网络的收敛速度慢的问题。邹冉等人对集中控制的分布式库存管理模型进行研究，引入了遗传模拟退火算法，避免了遗传算法在局部搜索上的问题，也弥补了模拟退火算法全局搜索能力不强的弱点，能够较好的求解集中控制下的分布式库存订货与调拨模型。分布式库存管理的模型求解实质上是一种非线性规划的多目标优化问题，这类问题的解决方法有切平面法、分支界限法、动态规划法等精确式算法，但由于问题的目标数量大，约束条件复杂，精确算法求解速度慢、效果不理想。随着云计算、物联网、电子商务的发展，物流仓库的设计与部署越来越分散化和小型化。而上述分布式库存管理模型和优化方法，响应与寻优速度慢，多目标优化计算效率低。
技术实现思路
本专利技术的一个目的是解决至少上述问题，并提供至少后面将说明的优点。本专利技术还有一个目的是提供一种基于云计算环境下分布式物流库存优化方法，多目标优化计算精确度和效率高，寻优速度快，易于求得全局最优解，可以实现物流库存的快速预警。为了实现根据本专利技术的这些目的和其它优点，提供了一种基于云计算环境下分布式物流库存优化方法，包括以下步骤：S1、根据分布式物流库存代数模型构建评价函数f(U)的代数模型及其约束条件函数；S2、根据货物的安全库存量及订货点的代数式、评价函数f(U)的代数模型及其约束条件函数计算每一个分量的值，建立和声库存的最优化方程矩阵HM；S3、以货物i在周期T内需求量的概率P(Xi)替换和声搜索的记忆概率HMCR，按照和声搜索算法，产生新的解向量；S4、按评价函数f(U)计算新的解向量的目标函数值f(Ub)，与原本解向量的目标函数值f(Ub)比较并更新库存；S5、重复步骤S2-S4，至预定最大迭代次数时停止，输出最优解。优选的，步骤S1中分布式物流库存代数模型为基于云平台的分布式层次物流库存代数模型，其为：约束条件函数为：步骤S2中货物i的安全库存量QQi的代数式为：货物i的订货点Qi的代数式为：其中，目标函数Y*为库存总成本，Y2i表示时间T内货物i的库存持有费，Y3i表示单件货物i的缺货费，Y5i表示时间T内货物i的交易费，Y6i表示单件货物i的购买费，Y7i表示货物i的单位距离运输费，Y8i表示货物i的入库费，Y9i表示货物i的出库费，Xi表示时间T内货物i的需求量，xk表示供应商到仓库k的距离，xj_k表示仓库j与仓库k之间的距离，Hi表示货物i的提前订货时间，U1_i表示货物i的初始库存，U2_i表示时间T内货物i的订货量，Uj_i_k表示时间T内仓库j与仓库k之间货物i的调拨量，Uk表示仓库k的初始库存总量，W表示仓库的最大货物容量，N表示仓库数量，θ(U)表示货物量判断函数，αi表示货物i的安全系数，μi为货物i的需求期望，σi为货物i的需求标准差。优选的，步骤S1中和声搜索算法评价函数f(U)为：其中，P(Xi)＝Xi/(U1_i+U2_i)。优选的，步骤S2中建立和声库存的最优化方程矩阵HM的方法具体为：a1、定义和声库存的大小为HMS，则其中，n代表决策变量的个数；为第b个解向量的第i个分量，i＝1,2,…n，b＝1,2,…HMS；f(Ub)为第b个解向量的函数值；a2、将评价函数f(U)的代数模型分解包括成订货成本库存持有成本缺货费调拨成本其他成本五个公式，并对应5个Map函数，同时将货物i安全库存量的代数式及货物i订货点的代数式作为2个Map函数，7个Map函数交由7个不同的CPU计算，得每个分量的值，并得到目标函数值f(Ub)；其中，优选的，步骤S3中进行和声搜索算法，产生新的解向量具体为：a1、记忆和声：货物i在周期T内需求量的概率P(Xi)等于HMCR，则求得原始解向量的一个新的分量的分布式库存记忆和声参数条件为：Ifrandom(0,1)≤P(Xi)；a2、音调微调：对于经过记忆和声过程保留的新的分量按照音调微调概率PAR对其进行音调微调，得微调后新解，组合构成新的解向量，具体为：PAR＝PARmax·exp(1-α-1)；其中，α是动态权衡因子，α＝iter/Imax，iter为当前迭代次数，Imax为预定最大迭代次数，PARmax是最大扰动概率；bw为货物的带宽值，其中，货物i的宽带值bw(i)由下列公式计算：上式中，max(Ui)和min(Ui)分别是货物i需求的最大值和最小值，upper(Ui)和lower(Ui)是货物i的全局最大解。优选的，步骤S4中更新库存具体为：计算新的解向量对应的目标函数值f(Ub)，如果新的解向量对应的目标函数值f(Ub)比HM中的最差解对应的目标函数值f(Ub)小，则用新的解向量替换HM中的最差解，得到新的HM。本专利技术至少包括以下有益效果：解决云计算环境下分布式物流库存的预警与成本优化问题，实现分布式智能物流库存的动态管理，具有多目标优化计算精确度和效率高，寻优速度快，易于求得全局最优解，可以实现物流库存的快速预警的有益效果。本专利技术的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本专利技术的研究和实践而为本领域的技术人员所理解。附图说明图1为本专利技术的基于云平台的分布式层次物料库存模型；图2为本专利技术的的基于云计算环境下分布式物流库存优化方法的流程示意图。具体实施方式下面结合附图对本专利技术做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。如图1-2所示，本专利技术提供一种基于云本文档来自技高网...

【技术保护点】
1.一种基于云计算环境下分布式物流库存优化方法，其特征在于，包括以下步骤：S1、根据分布式物流库存代数模型构建评价函数f(U)的代数模型及其约束条件函数；S2、根据货物的安全库存量及订货点的代数式、评价函数f(U)的代数模型及其约束条件函数计算每一个分量的值，建立和声库存的最优化方程矩阵HM；S3、以货物i在周期T内需求量的概率P(Xi)替换和声搜索的记忆概率HMCR，按照和声搜索算法，产生新的解向量；S4、按评价函数f(U)计算新的解向量的目标函数值f(Ub)，与和声库存中最差目标函数值f(Ub)比较并更新库存；S5、重复步骤S2‑S4，至预定最大迭代次数时停止，输出最优解。

【技术特征摘要】
1.一种基于云计算环境下分布式物流库存优化方法，其特征在于，包括以下步骤：S1、根据分布式物流库存代数模型构建评价函数f(U)的代数模型及其约束条件函数；S2、根据货物的安全库存量及订货点的代数式、评价函数f(U)的代数模型及其约束条件函数计算每一个分量的值，建立和声库存的最优化方程矩阵HM；S3、以货物i在周期T内需求量的概率P(Xi)替换和声搜索的记忆概率HMCR，按照和声搜索算法，产生新的解向量；S4、按评价函数f(U)计算新的解向量的目标函数值f(Ub)，与和声库存中最差目标函数值f(Ub)比较并更新库存；S5、重复步骤S2-S4，至预定最大迭代次数时停止，输出最优解。2.如权利要求1所述的基于云计算环境下分布式物流库存优化方法，其特征在于，步骤S1中分布式物流库存代数模型为基于云平台的分布式层次物流库存代数模型，其为：约束条件函数为：步骤S2中货物i的安全库存量QQi的代数式为：货物i的订货点Qi的代数式为：其中，目标函数Y*为库存总成本，Y2i表示时间T内货物i的库存持有费，Y3i表示单件货物i的缺货费，Y5i表示时间T内货物i的交易费，Y6i表示单件货物i的购买费，Y7i表示货物i的单位距离运输费，Y8i表示货物i的入库费，Y9i表示货物i的出库费，Xi表示时间T内货物i的需求量，xk表示供应商到仓库k的距离，xj_k表示仓库j与仓库k之间的距离，Hi表示货物i的提前订货时间，U1_i表示货物i的初始库存，U2_i表示时间T内货物i的订货量，Uj_i_k表示时间T内仓库j与仓库k之间货物i的调拨量，Uk表示仓库k的初始库存总量，W表示仓库的最大货物容量，N表示仓库数量，θ(U)表示货物量判断函数，αi表示货物i的安全系数，μi为货物i的需求期望，σi为货物i的需求标准差。3.如权利要求2所述的基于云计算环境下分布式物流库存优化方法，其特征在于，步骤S1中和声搜索算法评价函数f(U)为：其中，P(Xi)＝Xi/(U1_i+...

【专利技术属性】
技术研发人员：李文敬，唐玮峰，
申请(专利权)人：广西师范学院，
类型：发明
国别省市：广西,45