The invention discloses a multi-model adaptive system and method for collaborative logistics service composition, which includes the following steps: initializing the algorithm parameters, user preferences and external service environment contained in the multi-service composition method model; analyzing current requirements and constructing the state attributes of target demand cases according to the external environment; According to the principle of service collaboration, the candidate service sets for constructing service composition schemes are screened out; the feature attributes of target demand cases are predicted according to the operation steps of CBR; the appropriate service composition method model is selected according to the predicted demand feature attributes; and the selected service is executed. The business combination method model deals with the current requirements until the termination conditions of the method model are met; the next requirement is processed by circular execution; and the average quality of service value of the sequence of requirements is output when execution ends. The invention can meet specific market conditions and improve the efficiency of logistics operation.
【技术实现步骤摘要】
一种协同物流服务组合的多模型自适应推荐方法及系统
本专利技术涉及物流管理领域，具体涉及一种协同物流服务组合的自适应推荐方法及系统。
技术介绍
当前随着第四方物流以及O2O(OnlinetoOffline)模式的发展，物流需求大规模增加并呈现动态变化的趋势。因此，重点考察物流需求，实施系统分析，以提供与物流需求特点相匹配的策略和机制，是保障物流规划质量、满足用户群体的实现手段。随着信息技术的发展，越来越多的物流企业将其核心业务封装为服务并发布在互联网中。网络中存在大量具有相同功能和不同服务质量(QoS，QualityofService)的物流服务。为了能够满足某个特定的客户需求，往往需要多个物流服务通过协同来实现。当前有许多物流服务的组合方法模型，它们在处理需求序列时各具特点。例如，有的方法模型擅长于搜索可行解的速度，有的方法模型擅长于搜索最优解的精度，有的方法模型擅长于满足用户的多目标等。不同的需求序列具有不同的市场特征，对于服务组合方法模型的性能要求各不相同。例如,如果序列中需求到来的频率相对较低，则每个需求的处理时间相对充足，会对方法模型寻找最优解的能力给予更...
【技术保护点】
1.一种协同物流服务组合的多模型自适应方法，其特征在于，包括如下步骤：S1:初始化多种服务组合方法模型中所包含的算法参数、用户偏好以及外界服务环境；S2：从需求序列中依次取出需求；分析当前需求的强制性约束条件，根据外界环境构造目标需求事例的状态属性；S3:按照服务协同的原则，筛选出构建服务组合方案的候选服务集合；S31：搜索最短服务路径；根据用户的输入输出约束，按照Dijkstra算法流程搜索出满足输入输出条件的起始节点与终止节点间的最短路径，作为物流服务运输的执行路径方案；S32：查找最短服务路径上两个相邻节点间符合运能要求的服务集合；在两相邻业务节点间的所有服务中，搜索...
【技术特征摘要】
1.一种协同物流服务组合的多模型自适应方法，其特征在于，包括如下步骤：S1:初始化多种服务组合方法模型中所包含的算法参数、用户偏好以及外界服务环境；S2：从需求序列中依次取出需求；分析当前需求的强制性约束条件，根据外界环境构造目标需求事例的状态属性；S3:按照服务协同的原则，筛选出构建服务组合方案的候选服务集合；S31：搜索最短服务路径；根据用户的输入输出约束，按照Dijkstra算法流程搜索出满足输入输出条件的起始节点与终止节点间的最短路径，作为物流服务运输的执行路径方案；S32：查找最短服务路径上两个相邻节点间符合运能要求的服务集合；在两相邻业务节点间的所有服务中，搜索符合客户运量需求的服务，将满足要求的服务保存在第一候选服务集合中；将不符合运能要求的服务进行筛选，如果存在有两个或多个服务能通过协同合作达到客户运量要求，则把其归并为一个抽象的服务放入第二候选服务集合中，并按顺序标号；S4:按照基于案例的推理算法(CBR)的运行步骤对目标需求事例的特征属性进行预测；S5：根据所预测的目标需求事例的特征信息，采用模型自适应选择算法(AMS)来选择合适的服务组合方法模型；S6：执行所选择的服务组合方法模型，直到满足终止条件；S7：如果执行完序列中所有需求，则终止；否则，开始处理下一需求，重新执行S2-S6；S8：输出需求序列的平均服务质量值。2.如权利要求1所述的一种协同物流服务组合的多模型自适应方法，其特征在于，所述步骤S3中通过以下步骤完成最短路径的搜索：(1)节点集合S、T初始化，其中，S为已求出最短路径的节点集合，T为不属于最短路径的节点集合；V为路径节点的总集合，且V-S＝T；初始时令S＝{V0}，T＝{其余顶点}，Vi表示T中的任意节点；若V0与Vi之间存在连接弧{V0,Vi}，则它们之间的距离d{V0,Vi}用{V0,Vi}弧上的权值表示；若V0与Vi之间不存在连接弧{V0,Vi}，则它们之间的距离d{V0,Vi}为∞；(2)利用贪心策略不断对节点集合S进行扩展；所有节点都有对应的距离值；集合S中节点距离值为从V0到此节点的最短路径长度；集合T中节点距离值为从V0到此节点的最短路径长度；依据最短路径不断增大的规律，依次把集合T中的服务节点放到集合S中，并确保：V0和集合T中每个节点的最短路径长度都应该大于V0和集合S中每个节点的最短路径长度；(3)修改集合T中其余节点的距离值；加入W作为中间节点，如果d{V0,W}与d{W,Vi}的和相比较d{V0,Vi}更短，更新d{V0,Vi}的值；重复执行上述步骤(2)以及(3)，当且仅当集合S里包括了所有节点，即S等于T的初始值时结束。3.如权利要求1所述的一种协同物流服务组合的多模型自适应推荐方法，其特征在于，所述步骤S3通过以下步骤查找最短服务路径上两个相邻节点间符合运能要求的候选服务集合：在两相邻业务节点间的所有服务中，搜索符合客户运量需求的服务，将满足要求的服务保存在第一候选服务集合中；将不符合运能要求的服务进行筛选，如果存在有两个或多个服务能通过协同合作达到客户运量要求，则把其归并为一个抽象的服务放入对应的第二候选服务集合中，并按顺序标号。4.如权利要求1所述的一种协同物流服务组合的多模型自适应方法，其特征在于，所述步骤S4具体包括如下步骤：输入：目标需求事例的已知状态信息输出：目标需求事例的关键特征信息S41：定义目标需求事例的状态信息与特征信息一个目标需求事例可具体定义为如下结构的对象：Case＝<ST,DT,HT,TT|NoR>,其中分隔符前面表示目标需求事例已知的状态信息，ST表示季节类型，DT表示日期类型，HT表示节假日类型，TT表示时间类型；分隔符后面NoR表示目标需求事例在此状态条件下未知的特征信息，需要进行预测判断的；S42：通过计算相似度，从历史需求事例库中检索出与目标需求事例相似的事例；具体步骤按如下：步骤421.根据曼哈顿距离计算目标需求事例与历史需求事例的局部相似度，即单个状态属性之间的相似度；由于各个状态属性的物理意义不完全相同，度量单位及取值范围也不一定相同，相似度计算需要对状态属性值进行标准化，将状态属性值映射到一个0到1之间的实数值；目标需求事例与历史需求事例在某个状态属性上的相似度计算公式如下：其中，STAi-max表示该类型事例第i个状态属性的最大值；target_SAi表示目标需求事例的第i个状态属性值；instance(j)_SAi则表示第j个历史需求事例的第i个状态属性值；|target_SAi-instance(j)_SAi|表示目标需求事例与第j个历史需求事例之间在第i个状态属性值上的距离；步骤422.计算目标需求事例与历史需求事例的整体相似度目标需求事例包括4个状态属性；这里目标需求事例与第j个历史需求事例之间相似度的计算，是通过对4个状态属性的相似值加权求和而获得；具体计算公式如下：其中，SIM(target,instance(j))表示目标需求事例与第j个历史需求事例的整体相似度，sim(target_SAi,instance(j)_SAi)表示目标需求事例与第j个历史需求事例在第i个状态属性上的相似度，wi表示第i个状态属性在整体相似度计算中所占的权重(1≤i≤4)；步骤423.检索出与目标需求事例最为相似的若干个历史需求事例，构成相似事例库；首先，根据整体相似度值从大到小排列，选取出相似度值最大的前k个事例；然后，删除掉相似度值低于预先设定阈值SIM0的历史需求事例；剩下的k'个历史需求事例构建成了历史需求事例库；步骤424：根据相似事例的特征，预测目标需求事例的特征值目标需求事例的特征值是由k'个相似事例特征值的加权平均值，计算公式为其中，TS表示待预测的目标需求事例的特征值，SC表示目标需求事例；SCi表示第i个历史需求事例；TSi表示SCi中的特征值；k'表示相似事例库中所有事例的数目；SIM((SC,SCi)表示目标需求事例SC与历史需求事例SCi的整体相似度；表示历史需求事例SCi在所有k'个相似事例中的权重。5.如权利要求1所述的一种协同物流服务组合的多模型自适应方法，其特征在于，所述步骤S5采用AMS算法来适时地选择合适的服务组合方法模型，具体包括如下步骤：S5.1：构建方法模型库，如果有现成可用的方法模型库，可以直接跳到步骤S5.2来执行；通过统计不同方法处理需求序列的平均服务质量(AvQoS)值，从而衡量不同方法之间的差异性；每个需求处理结果的QoS值可通过公式(4)计算得到，其中r表示需要计算QoS值的需求的序号，M表示QoS属性的个数，qi表示第i个QoS属性的值，wi表示第i个QoS属性的权重；若序列中某个需求没有得到处理，则其QoS为0；公式(5)表示方法模型j处理具有第i类特征的场景(Ωi)的平均QoS值，N表示该需求序列中所有需求的个数；方法库可以根据需要，对模型库不断地更新，扩展和调整；S5.2：以方法模型库为基础，根据所确定的目标需求事例特征，构建出相应的方法模型调用规则；如公式(6)所示S5.3根据预测来判定目标需求事例的特征信息是否改变；若保持原有的特征信息,则保持原来的服务组合方法模型不变；如...
【专利技术属性】
技术研发人员：薛霄，王淑芳，王俊峰，孟世琦，
申请(专利权)人：河南理工大学，
类型：发明
国别省市：河南,41
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。