本发明涉及云计算、智能物流、分布式数据库
技术领域：
。更具体地说，本发明涉及一种基于云计算环境下分布式物流库存优化方法。
背景技术：
：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。技术实现要素：本发明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。本发明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。为了实现根据本发明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。本发明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。本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明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为本发明的基于云平台的分布式层次物料库存模型；图2为本发明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发明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，本发明提供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；其中，建立和声库存的最优化方程矩阵hm具体可为：begin:step1：分布式物流库存的各种参数进行初始化，输入分布式物流库存的各种初始参数，包括仓库分控中心数m、仓库数量n，各种货物的参数等；step2：对分布式物流库存进行初始化；根据公式货物i的安全库存量qqi的代数式、订货点qi的代数式为、和声搜索算法评价函数f(u)对应的库存总成本的代数式、及对应的约束条件函数初始化库存中每一个解向量，并计算每一个分量的值；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，即得最优的库存成本。在上述技术方案中，假设分布式物流库存由1个供应商，一个仓储信息中心，m个分控中心和n个仓库组成，对现有的分布式库存模型的特点与云计算的优势进行分析，并将层次控制库存模型与云计算体系相结合，构建基于云平台的分布式层次物料库存模型(具体如图1所示)及代数模型，图1从云平台的角度展示了整个分布式物流库存管理模型的结构，根据仓储数据在云平台上的传输流向可将该分布式管理系统划分为四个模块层，其中数据接入层负责采集各个仓库的库存信息，并导入数据存储层的hdfs中，hdfs同时会接收从仓储信息中心(namenode)传来的各个分控中心(datanode)所需的任务信息与配置参数，供datanode进行读取，datanode通过心跳反馈机制与namenode进行数据通信，namenode根据datanode反馈的信息进行算法调度，并将实时的库存状态信息显示在交互层的终端设备上；更新库存具体为将新的库存解向量同原库存中最差的解向量进行比较，如果新的库存解向量对应的适应值优于最差解向量对应的适应值，则新的库存解向量取代最差的解向量，存储在库存中，否则依旧将最差的解向量保存在原库中；预定最大迭代次数为本领域的技术人员根据实际操作设定的次数，在该预定最大迭代次数结束时，输出最优解。在另一种技术方案中，步骤s1中分布式物流库存代数模型为：约束条件函数为：约束条件函数包含5个约束条件，每行代数式表示的条件分别为：(1)在整个仓储管理系统中，所有货物的总订货量与所有仓库的货物初始库存量之和小于所有仓库的容量之和；(2)货物i的初始库存总量与订货量之和大于货物的总订货点；(3)仓库k的货物调拨量(调入量大于调出量时为正，小于则为负)与仓库k的货物容量之和小于仓库的最大容量w；(4)货物i的订购量大于等于0；(5)仓库k的货物容量小于最大货物容量；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。采用这种技术方案，对云计算的分布式物流库存进行建模，采用连续盘点的补货策略，当某仓库货物i的库存量降低到平均订货点时，则立即在仓库间进行货物调拨或以订货量u实施订货，具体模型假设如下：交易费用与货物品种无关；货物i的需求是连续的，它的需求xi服从正态分布(i＝1，2，3…，n)；各仓库同种货物i均设有等量的安全库存qqi；所有仓库的货物容纳量相同；根据以上假设，分布式物流库存需要考虑的成本因素包括：(1)订货成本；(2)库存持有成本；(3)货物调拨成本；(4)缺货费；(5)其它成本；其中，订货成本的计算：订货成本主要包括订货过程中所发生的订货手续费、联络通信费、差旅费、货物检查费以及货物验收费等费用，它与订购的数量和交易费用有关，而与所订货的品种无关。因此，订货成本的代数式为：库存持有成本的计算：库存的持有量为初始库存与订货量之和减去货物的需求量。在时间t内，货物i的需求量xi服从正态分布。因此，分布式库存持有成本的代数式为：缺货费：当货物i的初始库存u1_i与订货量u2_i之和小于货物i的需求量xi时，则产生缺货。缺货费的代数式为：调拨成本：调拨成本包括供应商发送货物到各仓库的运输费、各仓库之间的货物运输费以及调拨过程中产生的交易费用。其代数式为：其它成本:其它成本主要包括货物出库入库的人工成本、仓库间调拨的次数、交易费、人工装运费、平台运营费、仓库的电费等。其它成本的代数式为：把上述式(1)-(5)求和得到周期t内分布式物流库存代数模型的目标函数库存总成本y*；货物i是否需要向供应商订货，需要根据安全库存与订货点来判断。在另一种技术方案中，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)。采用这种技术方案，分布式库存的代数模型与和声搜索算法都是属于有约束最优化的数学问题，分布式库存代数模型的目标函数相当于和声搜索算法的评价函数f(x)。在另一种技术方案中，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，采用这种技术方案，和声搜索算法中将解向量构造成和声记忆库，引入记忆库取值概率(harmonymemoryconsideringrate,hmcr)和音调微调概率(pitchadjustingrate,par)来对和声库中的和声进行保留和变换，不断更新和声库直到达到最大迭代次数。算法流程如下：c1：定义问题和参数，根据问题设定评价函数f(x)，初始化算法中的hmcr、par、bw参数；c2：初始化和声记忆库，大小为hms其中，n代表决策变量的个数，hms是和声记忆库的大小，即可保存的和声个数，xj为第j个解向量，为第j个解向量的第i个分量，f(xj)为第j个解向量的函数值，注意：上述中的x、i、j符号与本发明中权利要求书中对应的x、i、j符号表示的意义不同，其只适用于上述xj、xj；c3：产生新解算法产生新解的过程遵循两种机理：记忆和声、音调微调。1)记忆和声定义记忆概率hmcr∈(0,1)，一个新解新解的第一个决策变量有hmcr的概率选自记忆库中即ifrandom(0,1)≤hmcr；由于每一个新解的产生都依赖于hmcr，为了控制和声搜索算法的全局寻优，故hmcr应取较大的值，以保证较大的概率在记忆库中搜索，通常取0.85或者0.9等值。2)音调微调对于经过记忆和声过程保留下来的新解按照概率par对其进行音调微调，par＝parmax·exp(1-α-1)，α＝iter/imax，其中α是动态权衡因子，parmax为最大扰动概率，iter为当前迭代次数，imax为最大迭代次数。具体操作如下：其中p是[0,1]范围内的随机数，par为[0,1]范围内的一个较小数，通常取0.1或0.2等。bw是任意带宽值，由下列公式计算：其中,max(xk)和min(xk)是子库中第k维和声分量的最大值和最小值，即当分量差值越大，说明解的分布越分散，因此相应的微调幅度也会越大。但是，在算法运行后期，子库和声分量的最大值和最小值可能会出现相同的情况，此时差值等于0，微调将会失去意义。为此，当max(xk)-min(xk)＝0时，将第k维和声全局最大分量upper(xk)与最小分量lower(xk)分别替代max(xk)和min(xk)，和声微调带宽bw(k)＝upper(xk)-lower(xk)；依据和声搜索算法原理，库存的货物持有费，货物的缺货费，缺货总成本，调拨总成本，交易费，购买费，距离运输费，入库费，出库费，需求量，供应商到仓库的距离，仓库与仓库之间的距离，货物订货点，货物安全库存量为具体已知值，输入相关值，初始化将云平台分布式物流库存的各种参数，以uj_i_k(时间t内仓库j与仓库k之间货物i的调拨量)、及u2_i(时间t内货物i的订货量)作为决策变量，并计算每个分量的值，构建建立和声库存的最优化方程矩阵hm。在另一种技术方案中，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：和声搜索的概率为hmcr，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，即当差值越大，说明解的分布越分散，因此相应的微调幅度也会越大，但是，当最大值和最小值可能会出现相同时微调将会失去意义，即当max(ui)-min(ui)＝0时，将第i种货物的全局最大解upper(ui)与最小解lower(ui)分别替代max(ui)和min(ui)，和声微调带宽bw(i)＝upper(ui)-lower(ui)，upper(ui)和lower(ui)是货物i的全局最大解。采用这种技术方案，分布式物流库存约束条件函数相当于和声搜索算法中公式(6)、(7)、(8)对分量进行约束，我们将分布式物流库存代数模型目标函数及约束条件中的相关参数与(6)、(7)、(8)中的函数进行融合，提出分布式物流库存和声搜索参数动态设置公式。在另一种技术方案中，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，否则依旧将最差的解向量保存在原库中。采用这种技术方案，获取最优解。实施例1：某物流公司在某地区有n＝9个配件仓库，选取了四种不同价格的配件作为研究对象，各仓库的最大容量w设为300件，各配件的相关费用如表1所示：表1：配件各项费用各仓库的配件初始库存量如表2所示：表2各仓库初始配件库存量在一个订货周期t(t＝10天)内，各仓库对配件的需求量，以及各配件的需求参数如表3所示。表3配件需求量相关参数需求量(单位:件)配件1配件2配件3配件4仓库1861915仓库21821913仓库31171316仓库49172217仓库513101112仓库61781918仓库7791314仓库81212819仓库91510149总需求110100128133安全系数αi1.291.650.530.84总需求期望13181142123总需求标准差σi18.814.511.910.1提前订货期hi24(2.4t)20(2.0t)35(3.5t)26(2.6t)运用货物i的安全库存量qqi的代数式、及货物i的订货点qi的代数式，计算出四种配件的安全库存量qqi与总订货点qi，具体如表4所示。表4配件的安全库存量qqi与总订货点qi库存量(单位:件)配件1配件2配件3配件4安全库存量38341214订货点352196509334各仓库间的距离以及与供应商之间的距离如表5所示。表5各仓库间的距离以及与供应商之间的距离对仓库1-3的四件货物进行和声搜索，采用实数矩阵编码，建立和声子库hm如下所示：，如和声子库所示，模型的一组解即为各个仓库间的配件货物的调拨量以及整个库存管理系统向供应上订购的配件数量。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，精确算法求解效果不理想。而遗传算法、神经网络、和声搜索算法、模拟退火算法等启发式算法便成为人们解决此类问题的有效方法。由于和声搜索算法对复杂多目标优化问题的计算要求较低，具有结构简单、参数较少、鲁棒性好等优势，我们将其基本原理与思路应用于分布式物流库存的优化之中；令parmax＝0.9，imax为1000次，分别通过本发明的分布式物流库存和声搜索优化算法(dli-hs)、常用的遗传算法(ga)、模拟退火算法(sa)、基本和声搜索算法(hs)、以及mr-dhs算法进行仿真实验求解比较，其中，mr-dhs算法为本课题组研究的一种基于mapredece的动态参数并行和声搜索算法，具体可见学位论文：基于云计算的分布式库存调拨模型构建与算法研究第3章；迭代结果显示，dli-hs算法取得了最好的最优解，与传统的物流管理从个体仓库的货物需求角度来考虑调度策略不同，本发明考虑的是整个物流仓储系统的总体需求。在该策略中，配件1的整体库存无法满足总需求量，因此向供应商集中订货，再根据各个仓库的库存量分配相应的货物，减少了分开订货产生的多次订货费用；而配件2的整体库存量能够满足需求量。因此，采用仓库间调拨的策略，从库存量高的仓库调拨货物到库存量低的仓库，这样既减少了订货成本，又降低了持有库存；配件3与配件4的整体库存量均不能满足总需求量，但持有仓库中存在库存量较高的仓库。因此采用订购与调拨相结合的策略，减少订购费用同时也降低了库存量较高仓库的货物持有费，且相对于mr-dhs算法更为效果更为优越。在算法寻优的表现方面，传统的和声搜索算法在收敛速度上要明显快于遗传算法和模拟退火算法，但却依然较早的陷入了局部最优，在寻优的最终结果上与遗传算法相当。而dli-hs算法则弥补了这一不足，多矩阵的并行寻优使得算法跳出了局部最优，在迭代后期取得了更好的最优解。综合以上，在云计算环境下对层次控制下的分布式库存模型进行改进，提出了基于云计算的分布式物流库存模型，运用和声搜索算法结构简单、参数较少、寻优速度快的优点，将其应用于多目标问题的分布式物流库存的优化，取得较为理想的效果。这里说明的设备数量和处理规模是用来简化本发明的说明的。对本发明再生单色墨盒的应用、修改和变化对本领域的技术人员来说是显而易见的。尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。当前第1页12