0 Kata Pengantar
Saat ini, penelitian logistik cloud terutama tetap pada konsep dan arsitektur, dan ada beberapa pencapaian dalam pengemasan sumber daya logistik cloud, pemodelan, penjadwalan, pemantauan, dan manajemen. Pada saat yang sama, sebagai salah satu dari lima wilayah penggembalaan utama di Cina, Mongolia Dalam memiliki keluaran produk segar yang besar dan kapasitas produksi yang tersebar, Logistik tradisional tidak dapat lagi memenuhi permintaan untuk distribusi produk segar. Mengingat situasi ini, memperkaya konotasi logistik awan saat ini dan menggunakannya untuk memenuhi kebutuhan pengiriman produk segar padang rumput, yang akan mencapai manajemen yang lebih efisien, perencanaan yang lebih masuk akal, pengiriman yang lebih rendah dan kontrol untuk logistik awan untuk produk segar padang rumput. Tujuan logistik yang lebih halus, disesuaikan, dan tepat waktu menyediakan cara untuk mencapainya.
(1) Permintaan layanan: Setelah menerima permintaan pengiriman barang dari pengguna, klien mengirimkan permintaan untuk ruang, waktu, tujuan, dan informasi lainnya ke server, dan server menanggapi permintaan yang sesuai.
(2) Sumber daya tervirtualisasi: gunakan struktur data untuk merepresentasikan jalan, kendaraan, dan informasi lokasi.
(3) Algoritme pencocokan sumber daya layanan: Saat pengguna mengirimkan permintaan logistik, server mengalokasikan sumber daya logistik sisi server sesuai dengan algoritme NSGA-II dinamis, untuk mengoptimalkan manfaat, ketepatan waktu pengiriman, dan kepuasan.
(4) Tingkat waktu layanan: Menggunakan algoritma NSGA-II dinamis, ketika manfaat terbesar, biaya_waktu dan biaya_kecil adalah yang terkecil, abs (waktu kalkulasi T diperoleh dengan algoritma komputer + ambang batas sensitivitas t-waktu pengiriman aktual t) / (T + t).
(5) Kepuasan layanan: Ketika manfaat terbesar, biaya_waktu dan biaya_kecil adalah yang terkecil, algoritma NSGA-II dinamis digunakan untuk memaksimalkan kepuasan pengguna dengan distribusi logistik.
(6) Atribut permintaan layanan logistik: Permintaan layanan logistik dijelaskan oleh beberapa atribut. Jika D digunakan untuk menunjukkan interval spasial logistik, D1, D2 menunjukkan sumber dan tujuan masing-masing; T menunjukkan interval waktu, T1, T2 menunjukkan waktu keberangkatan paling awal dan waktu kedatangan terakhir masing-masing; V menunjukkan volume; G menunjukkan berat; SP menunjukkan yang lain Persyaratan khusus yang ditetapkan seperti harga satuan, dll., Permintaan layanan logistik dasar dapat ditulis sebagai SQ ((D1, D2), (T1, T2), V, G, SP). Misalkan permintaan layanan memiliki n atribut, yang dapat diekspresikan sebagai X = {x1, x2, ..., xn}, dengan asumsi ada m kelas, yang diwakili oleh C1, C2, ..., Cm. Misalkan dua permintaan layanan Xi, Xj dengan n atribut diekspresikan sebagai Xi = {xi1, xi2, ..., xin}, Xj = {xj1, xj2, ..., xjn}.
2 Pengemasan dan organisasi sumber daya logistik
2.1 Virtualisasi dan pengemasan sumber daya logistik berbasis layanan
Menggunakan teknologi Internet of Things untuk memahami status operasi dan informasi lokasi jalan dan kendaraan secara real time, dan menggunakan teknologi data besar untuk menambang data ini dan mengekspresikannya dengan struktur data, virtualisasi sumber daya logistik dapat diselesaikan. Merangkum sumber daya logistik virtual ke dalam bentuk layanan awan logistik, dan menggabungkan layanan awan sumber daya logistik dasar menjadi layanan awan sumber daya logistik yang lebih kompleks untuk mempercepat pencocokan selama penjadwalan sumber daya. Semua layanan cloud sumber daya logistik merupakan cloud layanan sumber daya logistik. Dalam penjadwalan sumber daya, hanya permintaan layanan yang perlu diserahkan ke cloud layanan sumber daya logistik, dan layanan logistik yang cocok dapat dicari dengan kecepatan tercepat.
Jika layanan logistik diwakili oleh S, S harus memiliki titik akhir D1, D2, kapasitas lalu lintas TC, kapasitas dukung CC, titik akhir waktu yang tersedia T1, T2, atribut khusus SP, Status status sumber daya (menunjukkan apakah ditempati atau tidak, informasi lokasi, informasi kecepatan, dan lainnya) Pengumpulan informasi). Layanan logistik S dapat ditulis sebagai S ((D1, D2), (T1, T2), TC, CC, SP, State), yang berarti bahwa dalam periode waktu dari T1 ke T2, dalam interval dari D1 ke D2, unit CC dapat diangkut. Pada saat yang sama, kapasitas jalan adalah TC dan negara bagian adalah Negara Bagian. Karena TC lebih besar dari CC, maka kapasitas TC-CC dapat ditingkatkan bila CC tidak dapat memenuhi kebutuhan.
2.2 Organisasi khusus layanan logistik
Untuk meningkatkan kecepatan pencarian, pencocokan, dan pengiriman layanan logistik serta menghindari pengurangan efisiensi layanan pencarian, pencocokan, dan pengiriman logistik karena penyelenggaraan layanan logistik, maka perlu dilakukan peningkatan penyelenggaraan layanan logistik. Melalui penelitian, proyek ini bermaksud untuk mengatur layanan logistik ke dalam bentuk awan layanan logistik. Misalkan ada S1 jasa logistik, yang direpresentasikan sebagai S1 ((D1, D2), (T1, T2), TC, CC, SP, State), dan diasumsikan D1 sampai D2 harus melewati D3 dan D4. Karena D1 hingga D3, D3 hingga D4, D4 hingga D2 semuanya membutuhkan waktu, untuk interval waktu (T1, T2), tulis ulang sebagai (T1, T2) = (T1, T3) U (T3, T4) U (T4 , T2) formulir. S1 dapat ditulis sebagai S1 ((D1, D2), (T1, T2), TC, CC, SP, State) = S11 ((D1, D3), (T1, T3), TC11, CC11, SP11, State11) US11 ( (D3, D4), (T3, T4), TC12, CC12, SP12, State12) US13 ((D4, D2), (T4, T2), TC13, CC13, SP13, State13). Pada saat yang sama, karena layanan yang berdekatan di S11 dan S12, S12 dan S13 dapat digabungkan secara berpasangan, dua layanan logistik baru S14 ((D1, D4), (T1, T4), TC14, CC14, SP14, State14 dapat dibuat. ) Dan S15 ((D3, D2), (T3, T2), TC15, CC15, SP15, State15). Gambar 1 menjelaskan organisasi layanan di atas secara rinci.
3 Dekomposisi dan komposisi permintaan layanan berdasarkan clustering dan klasifikasi
3.1 Klasifikasi permintaan layanan
Dengan mempertimbangkan sampel data permintaan logistik yang tidak diketahui X (yaitu, tanpa label kelas), jika metode klasifikasi Bayesian yang naif menetapkan sampel permintaan yang tidak diketahui X ke kelas Ci, itu harus:
P (Ci | X) > P (Cj | X) 1jm, j i
Oleh karena itu, dengan batasan probabilitas, metode naive Bayes dapat digunakan untuk mengklasifikasikan permintaan layanan.
3.2 Pengelompokan permintaan layanan
Kesamaan dua permintaan layanan dapat dinyatakan sebagai:
SAMA = (XiXj) / (XiXj)
Sesuai dengan kesamaan antara permintaan layanan, algoritma k-means digunakan untuk permintaan layanan cluster.
3.3 Dekomposisi dan komposisi permintaan layanan
Jika kebutuhan daya dukung dan waktu transportasi yang dibutuhkan oleh permintaan layanan tidak dapat secara langsung cocok dengan layanan logistik, maka dapat diuraikan menjadi beberapa permintaan layanan.
Permintaan layanan dengan tujuan yang sama atau tujuan serupa; atau permintaan layanan dengan atribut serupa dapat digabungkan menjadi satu atau lebih permintaan layanan dari jenis yang sama atau serupa sesuai dengan algoritma pengelompokan dan klasifikasi, dan layanan logistik yang sesuai dicari untuk mencocokkan.
4 Pencarian skema logistik dan pembentukan model dinamis NSGA-II
4.1 Metode pencarian skema logistik berbasis komputasi awan
Karena cloud layanan sumber daya logistik disimpan di setiap node dari sistem komputasi cloud dengan cara yang terekam, metadata atau indeks dari setiap catatan penyimpanan node disimpan di node manajemen komputasi cloud. Pencarian terdistribusi menggunakan komputasi awan mencakup langkah-langkah berikut: fragmentasi data; pencarian data terfragmentasi; ringkasan data terfragmentasi.
4.2 Pemilihan target model dan pembentukan model NSGA-II
4.2.1 Pemilihan target model
Karena proyek ini ditujukan untuk masalah penjadwalan sumber daya logistik awan produk segar padang rumput, tujuan penjadwalan berikut ditetapkan:
(1) Pengangkutan yang ditanggung oleh pemohon logistik lebih rendah dari pada logistik tradisional;
(2) Waktu pengiriman memenuhi kebutuhan pelanggan;
(3) Waktu berjalan algoritma dan waktu penjadwalan memenuhi persyaratan efisiensi dan ketepatan waktu penjadwalan sumber daya;
(4) Pendapatan dari platform logistik tidak lebih rendah dari pendapatan perusahaan logistik tradisional;
(5) Pendapatan perusahaan logistik terkait pihak keempat dan kelima atau penyedia sumber daya tidak lebih rendah dari yang diharapkan;
(6) Pencemaran lingkungan akibat logistik lebih rendah dari peraturan pemerintah;
(7) Proporsi pengaduan lebih rendah dari ambang batas yang diterima semua pihak.
(1) Target kargo
Untuk permintaan tugas tunggal, perlu untuk menentukan rencana pengiriman terendah. Harga satuan pengangkutan rencana pengapalan ke-j subtugas ke-i dari satu permintaan adalah cij, dan volume pengapalan adalah xij, maka target pengangkutan dari permintaan tersebut ditunjukkan dalam rumus (1):
Target pengiriman harus merupakan hasil negosiasi antara pemohon logistik, penyedia layanan logistik, dan operator platform logistik.
(2) Sasaran waktu
Untuk subtugas sederhana, rute logistik yang dipilih perlu melalui satu atau beberapa tahapan logistik, dan setiap tahapan memiliki konsumsi waktu tertentu. Pada saat yang sama, dibutuhkan waktu tertentu untuk menyelesaikan model. Target waktu ditunjukkan dalam persamaan (2) dan (3), di mana cttij, cctij, xij adalah satuan waktu transportasi, waktu kalkulasi satuan, dan volume pengangkutan skema pengangkutan ke-j subtugas ke-i.
(3) Target pendapatan
Untuk kurun waktu tertentu, walaupun target keuntungan perusahaan platform logistik belum bisa maksimal, tetap harus tidak kalah dengan perusahaan logistik tradisional. Sejauh menyangkut perusahaan logistik tradisional, manfaat logistik pihak keempat dan pihak kelima sebagai platform logistik tidak boleh lebih rendah daripada logistik tradisional atau manfaat lain yang diharapkan. Target pendapatan dari platform logistik dan perusahaan logistik ditunjukkan pada rumus (4), di mana ci dan xi masing-masing mewakili harga satuan dan volume transportasi tugas logistik ke-i.
(4) Target kepuasan
Untuk pengirim, diharuskan untuk mengirimkan barang ke penerima tepat waktu dan berkualitas; dan untuk penerima, juga diharuskan untuk menerima barang tepat waktu dan berkualitas. Indeks kepuasan kedua belah pihak adalah semakin sedikit keluhan yang ditimbulkan pihak logistik maka semakin tinggi pula kepuasannya. Oleh karena itu, perlu ditetapkan rumusan fungsi tujuan pengaduan (5) sesuai dengan faktor-faktor penyebab pengaduan dan meminimalkannya.
4.3 Pembaruan dinamis dari status sumber daya logistik
Untuk mencapai tujuan pengendalian status logistik seakurat mungkin, perlu untuk memantau operasi transportasi dan kendaraan saat ini dan sumber daya logistik lainnya secara kuasi-real time melalui teknologi Internet of Things, dan sesuai dengan karakteristik statistik kondisi lalu lintas, cuaca dan faktor eksternal lainnya mungkin Dampak kondisi lalu lintas, dll., Digunakan untuk menambang dan memperbarui statistik ini melalui data besar. Mengganti data yang diperbarui ke dalam model perencanaan NSGA-II statis memudahkan untuk memperbarui parameter model setelah waktu T + t, dengan demikian mengubah model perencanaan NSGA-II statis menjadi model perencanaan NSGA-II yang dinamis.
5 Deskripsi algoritma penjadwalan pengoptimalan sumber daya logistik cloud untuk produk segar
Algoritme penjadwalan optimal sumber daya logistik cloud produk baru adalah sebagai berikut:
Utama
{
Input (sumber daya logistik D1, D2, D3, D4 ... Di)
Letakkan sumber daya logistik di cloud layanan sumber daya di urutan lanjutan ke dasar, dan tangani tingkat lanjut dengan percikan;
Buat blok blok berdasarkan level;
Minta layanan tekan P (Ci | X) > P (Cj | X) 1jm, j i untuk klasifikasi;
Jika permintaan 2 && requesti dan requestj tidak serupa, maka uraikan permintaan tersebut;
Jika requesti dan requestj serupa, gabungkan permintaan
Kesamaan: SAMA = (XiXj) / (XiXj)
Menerima permintaan sesuai dengan model NSGA-II dinamis dan nilai minimum dari cost, time_cost, dan fungsi caclu_cost, dan s (x) mendekati 5 untuk pencocokan eksekusi. Selama eksekusi, manfaat dijamin menjadi yang terbesar dan sensitivitas dikontrol dalam ambang t;
Output (cost, time_cost, caclu_cost, s (x), benefit);
Akhir
}
6 Tes simulasi
6.1 Uji analisis data
Hasil simulasi target angkutan barang ditunjukkan pada Tabel 1 dan Gambar 2.
Pada Gambar 2, harga satuan angkutan sumbu z adalah cij, volume angkutan sumbu y adalah xij, dan sumbu z adalah target angkutan barang.
Hasil pengujian simulasi target waktu ditunjukkan pada Tabel 2 dan Gambar 3 dan Gambar 4.
6.2 Data perbandingan eksperimental
Metode solusi model perencanaan NSGA tradisional memiliki efisiensi komputasi yang rendah dan kompleksitas komputasi yang tinggi, dan parameter berbagi perlu ditentukan sebelumnya. Untuk meningkatkan tingkat komputasi paralel untuk penyelesaian model dan secara efektif mengurangi waktu untuk penyelesaian model, proyek ini berencana untuk menguraikan layanan cloud logistik lanjutan sesuai dengan layanan cloud logistik dasar berdasarkan komposisi cloud layanan logistik, dan pada saat yang sama menggabungkan model NSGA-II dengan Batasan dan tujuan yang terkait dengan layanan cloud logistik canggih ini diuraikan menjadi layanan cloud dasar.
Semua model perencanaan individu dibentuk ke dalam kumpulan tugas, dan setiap node komputasi awan mengekstrak tugas yang perlu dihitung dari kumpulan tugas dengan kecepatan komputasi sendiri, dan menyelesaikan model perencanaan tunggal. Secara keseluruhan, beberapa model perencanaan tunggal dihitung secara paralel pada beberapa node komputasi awan secara bersamaan, dan tingkat paralelisme keseluruhan jauh lebih tinggi daripada menyelesaikan model NSGA tradisional.
Sedangkan untuk kompleksitas ruang belum dapat diperkirakan secara akurat karena keterbatasan data uji, sehingga perlu perbaikan dan pengamatan lebih lanjut.
7 Kesimpulan
Menurut hasil eksperimental, algoritme tersebut memanfaatkan sepenuhnya sumber daya yang menganggur dari pihak keempat dan kelima, membuat perencanaan sumber daya logistik lebih masuk akal; menggunakan dekomposisi dan sintesis permintaan layanan berdasarkan komputasi awan untuk membuat pengelolaan lebih efisien; menggunakan berbasis awan Algoritma penjadwalan NSGA-II dinamis yang menghitung big data mempercepat kecepatan solusi model penjadwalan sumber daya logistik, sehingga waktu solusi model tidak lagi berdampak signifikan terhadap kecepatan penjadwalan dan keakuratan sumber daya logistik serta efisiensi pengendalian sumber daya logistik. Pengendalian yang lebih murah, lebih baik, dan penyesuaian tujuan yang lebih tepat waktu. Algoritme ini memungkinkan tingkat ketepatan waktu pengiriman mencapai 89,60%, dan tingkat kepuasan antara 3,75 dan 4,7. Dibandingkan dengan logistik tradisional, tingkat ketepatan waktu meningkat hampir 12%, dan tingkat kepuasan meningkat hampir 0,62.
Diantaranya, peningkatan ketepatan waktu di bawah berbagai pengaruh di lingkungan nyata sepenuhnya mencerminkan efisiensi dan stabilitas penjadwalan sumber daya logistik, dan peningkatan kepuasan sepenuhnya mencerminkan penerapan algoritme. Peningkatan ini akan mengubah tingkat logistik cloud untuk produk baru sampai batas tertentu dan mendorong transformasi dan peningkatan perusahaan logistik.
Semua hasil eksperimen bergantung pada beberapa data segar padang rumput Mongolia Dalam, yang berarti hasil dan kesimpulan memiliki keterbatasan, sehingga praktik dan penerapan selanjutnya perlu ditingkatkan sebagian, dan permintaan pasar telah terpenuhi.
referensi
DIXIT V S, CHHABRA S. Bisnis logistik di bawah kerangka komputasi cloud. Ilmu Komputasi dan Aplikasinya (ICCSA), Konferensi Internasional ke-152015 Tahun 2015: 96-99.
Wang Qifeng, Lv Hongbo, Jiang Yu. Penelitian Arsitektur Logistik Cloud dan Mode Aplikasi. Ilmu Telekomunikasi, 2012 (3): 126-132.
Zhang Shuiwang, Hu Xiaojian. Penelitian tentang model konseptual logistik cloud dan mekanisme operasinya. Research on Science and Technology Management, 2015 (19): 186-190.
Zhang Xiangyang, Yuan Zepei. Penelitian tentang Sistem Platform dan Model Operasi Kolaboratif "Logistik Cloud Cerdas" China di Era Belanja Online. Forum Sains dan Teknologi China, 2013 (7): 99-104.
Sun Zhenxing. Tinjauan penelitian tentang pembangunan platform logistik awan untuk produk pertanian. Penelitian Produktivitas, 2015 (4): 157-160.
Ding Lifang. Model logistik produk pertanian terintegrasi di bawah lingkungan logistik awan. China Circulation Economy, 2014 (6): 41-45.
Meng Kui. Penelitian tentang jalur integrasi model logistik awan produk pertanian China. Ilmu Pertanian Hubei, 2015, 54 (4): 1010-1013.
Kyung-Hyun Choi, Dong-Soo Kim, Yang-Hoi Doh Sistem penugasan tugas berbasis multi-agen untuk perusahaan virtual. Ilmu Manajemen, 2012 (7): 1634-1646.
Normanr Lofts Alokasi berganda sumber daya dalam Algoritma penjadwalan jaringan yang optimal Sistem Komputer Generasi Masa Depan, 2010, 14 (6): 213-218.
informasi penulis:
Shi Baozhu, Li Mei'an, Zuo Yuhui
(Sekolah Teknik Komputer dan Informasi, Universitas Pertanian Mongolia Dalam, Hohhot 010018, Mongolia Dalam)
- Kabupaten Shuangfeng mengadakan festival pariwisata budaya dan ekologi pedesaan pertama di Gunung Tongliang pada tahun 2019
- Pahlawan DC berkumpul, "Detektif" Duan Yihong mengejar si pembunuh-film baru apa yang layak ditonton minggu ini?
- [Chain De De Exclusive] Panduan Perlindungan Hak Lintas Batas untuk Investor ICO China: SEC mencapai 326 juta dolar AS untuk pelaporan
- "Hot spot di industri" luar biasa! Negara saya! Superkomputer generasi baru Tianhe akan meningkatkan daya komputasi hingga 200 kali lipat