基于知識(shí)的物流作業(yè)規(guī)劃方法研究

張陽(yáng)

摘 要 大型制造企業(yè)物流業(yè)務(wù)復(fù)雜、繁重，要處理客戶或自身一些特殊配送需求，還要應(yīng)對(duì)物流過(guò)程中的風(fēng)險(xiǎn)以減少損失，因此，必須要對(duì)物流作業(yè)過(guò)程進(jìn)行規(guī)劃，以保持與提高服務(wù)質(zhì)量。本文提出了一個(gè)基于知識(shí)的物流作業(yè)規(guī)劃方法，集成了層次分析法和案例推理方法，對(duì)潛在物流風(fēng)險(xiǎn)進(jìn)行歸類，并根據(jù)產(chǎn)品特性與配送需求，構(gòu)造有效的物流作業(yè)策略。在案例推理方法中，利用動(dòng)態(tài)劃分聚類算法來(lái)改善檢索性能。在企業(yè)中經(jīng)一段時(shí)間試用，結(jié)果顯示在案例檢索時(shí)間和物流作業(yè)方案有效性方面有顯著提升。

關(guān)鍵詞 物流規(guī)劃;風(fēng)險(xiǎn)管理;CBR

引言

在當(dāng)前的經(jīng)濟(jì)環(huán)境中企業(yè)面對(duì)的不確定性因素顯著增加，市場(chǎng)需求變化較快且競(jìng)爭(zhēng)激烈，小批量、多品類的訂單占比越來(lái)越大，企業(yè)也越來(lái)越重視客戶滿意度，客戶需求包含了時(shí)間窗口、響應(yīng)性、成本效益與靈活性等內(nèi)容，因此，物流決策成為物流作業(yè)中最復(fù)雜的過(guò)程之一。物流過(guò)程不會(huì)按照物流決策完全順暢地運(yùn)行，其中還存在著許多風(fēng)險(xiǎn)，會(huì)影響到過(guò)程中一些環(huán)節(jié)。為此，有必要建立一個(gè)決策支持系統(tǒng)，來(lái)支持物流作業(yè)規(guī)劃，對(duì)各項(xiàng)影響因素快速響應(yīng)，以滿足物流服務(wù)的效率與質(zhì)量需求[1]。然而，查看相關(guān)資料，在物流作業(yè)領(lǐng)域和物流決策過(guò)程中，涉及風(fēng)險(xiǎn)管控的研究比較少。

本文提出一個(gè)基于知識(shí)的物流作業(yè)規(guī)劃方法，利用了人工智能技術(shù)，包括層次分析法（Analytic Hierarchy Process，AHP）和案例推理（Case-Based Reasoning， CBR）方法等，以支持物流作業(yè)調(diào)度中的決策。由于物流作業(yè)中的風(fēng)險(xiǎn)與產(chǎn)品特性息息相關(guān)，本方法將識(shí)別這些風(fēng)險(xiǎn)，并將其作為物流作業(yè)規(guī)劃過(guò)程中的關(guān)鍵因素來(lái)考慮。由于需要檢索類似與有用的案例，引入了動(dòng)態(tài)劃分聚類算法，集成入CBR引擎，以提升案例檢索的性能。

1物流作業(yè)規(guī)劃中的人工智能技術(shù)

為保持服務(wù)品質(zhì)，讓客戶滿意，企業(yè)不僅要智能地、高效地規(guī)劃物流作業(yè)，還要考慮到各類對(duì)物流有負(fù)面影響的潛在風(fēng)險(xiǎn)。本文提出，進(jìn)行實(shí)時(shí)數(shù)據(jù)采集，評(píng)估各類風(fēng)險(xiǎn)，并將以往成功案例用于決策。這必然是一個(gè)綜合的方法，集成了RFID技術(shù)、AHP、GA和CBR等技術(shù)。

2基于知識(shí)的物流作業(yè)規(guī)劃方法

在本節(jié)中，提出了基于知識(shí)的物流作業(yè)規(guī)劃系統(tǒng)，系統(tǒng)架構(gòu)如圖1所示。該系統(tǒng)利用RFID來(lái)收集物流實(shí)時(shí)數(shù)據(jù)，然后分析這些數(shù)據(jù)，將潛在風(fēng)險(xiǎn)進(jìn)行排序，并利用AHP方法評(píng)估各類風(fēng)險(xiǎn)的可接受程度。這些信息將進(jìn)一步用于CBR進(jìn)行知識(shí)操作。CBR引擎集成了動(dòng)態(tài)劃分聚類算法，以改善案例檢索的性能。通過(guò)這一基于知識(shí)的系統(tǒng)，可充分利用所積累的經(jīng)驗(yàn)知識(shí)，處理那些潛在風(fēng)險(xiǎn)，向物流調(diào)度員提供作業(yè)規(guī)劃方案和一些操作建議。

2.1 實(shí)時(shí)數(shù)據(jù)采集

本文建議采用RFID技術(shù)來(lái)采集物流業(yè)務(wù)實(shí)時(shí)狀態(tài)，將每個(gè)SKU的當(dāng)前狀態(tài)可以化。將RFID標(biāo)簽粘到每個(gè)SKU上，記錄其身份信息，并與RFID讀寫器交換數(shù)據(jù)。為了有效監(jiān)測(cè)倉(cāng)庫(kù)的儲(chǔ)存條件，RFID標(biāo)簽中應(yīng)存儲(chǔ)靜態(tài)和動(dòng)態(tài)數(shù)據(jù)。靜態(tài)數(shù)據(jù)記錄入庫(kù)操作時(shí)所需的SKU細(xì)節(jié)，如SKU號(hào)，SKU類型，SKU尺寸和數(shù)量。這種類型的數(shù)據(jù)通常通過(guò)無(wú)源RFID標(biāo)簽采集。動(dòng)態(tài)數(shù)據(jù)記錄儲(chǔ)存條件，如溫度、濕度，以及物流作業(yè)數(shù)據(jù)和可用資源等。

充分利用采集到的物流環(huán)境和資源設(shè)施的實(shí)時(shí)信息，有助于增強(qiáng)信息流，實(shí)時(shí)監(jiān)控物流作業(yè)流程，可用以引導(dǎo)業(yè)務(wù)決策，加強(qiáng)監(jiān)督，優(yōu)化資源配置。

2.2 物流策略制定

本步驟是本文方法的核心，將利用CBR技術(shù)來(lái)制定物流作業(yè)過(guò)程的各項(xiàng)策略。在實(shí)際操作中，物流調(diào)度人員在規(guī)劃物流策略和作業(yè)計(jì)劃時(shí)，需要考慮客戶需求、作業(yè)安排和可用資源。當(dāng)多種訂單類型和多種排序準(zhǔn)則糾結(jié)在一起時(shí)，決策過(guò)程是相當(dāng)復(fù)雜的。為此，將風(fēng)險(xiǎn)因素列為優(yōu)先考慮的參數(shù)之一，進(jìn)行案例檢索。在檢索時(shí)，由于要適應(yīng)許多相關(guān)因素相互影響的情況，采用遺傳算法來(lái)對(duì)以往案例進(jìn)行劃分[2]。

（1）案例表示和索引

首先將積累的物流作業(yè)問(wèn)題及其解決方案以結(jié)構(gòu)化的形式來(lái)表示，內(nèi)容包括物流作業(yè)過(guò)程中的關(guān)鍵屬性與參數(shù)，這些關(guān)鍵屬性可以用一個(gè)分層的樹(shù)結(jié)構(gòu)來(lái)表示。案例特征可表示為，案例特征對(duì)應(yīng)的參數(shù)可表示為，其中F是層次決策樹(shù)中案例特征的函數(shù)，V是與案例特征對(duì)應(yīng)的參數(shù)值的函數(shù);l是決策樹(shù)第l層，?l∈H;xl是分層決策樹(shù)上第l層的案例特征數(shù)。

（2）基于遺傳算法進(jìn)行案例聚類

要基于遺傳算法將案例劃分為適當(dāng)?shù)陌咐M，首先進(jìn)行染色體編碼，來(lái)表示案例簇的初始中心。染色體的長(zhǎng)度取決于分層決策樹(shù)中包含的特征類型和數(shù)量。一個(gè)案例可以用多個(gè)樹(shù)結(jié)構(gòu)來(lái)表示。染色體的一般形式如下所示：

其中和分別是簇的案例特征域（F）和參數(shù)值域（P）的特征值，i即遺傳矩陣中第i個(gè)案例簇，?i∈M，j是遺傳矩陣中第j個(gè)染色體，?j∈N。

確定染色體的表示形式后，進(jìn)行案例劃分，算法步驟如下：

第1步，確定簇?cái)?shù)m，其中m∈M。

第2步，為m個(gè)簇中心隨機(jī)分配m組平均值。

第3步，計(jì)算案例k與簇中心i的調(diào)整后的距離誤差（），，其中。距離誤差即案例與各簇中心之間參數(shù)值的距離，度量方法為歐幾里得距離的平方。當(dāng)同時(shí)考慮多個(gè)案例特征時(shí)，引入修正因子A，用于調(diào)整與多個(gè)案例特征組合的效果。

第4步，針對(duì)案例k，比較計(jì)算出來(lái)的與所有簇中心的距離（）。

第5步，如果簇i與案例k的距離是最小的，將案例k分配給簇i。

第6步，為染色體計(jì)算適應(yīng)度，將所有案例的調(diào)整后的最小距離誤差求和，即。

第7步，更新所有簇中心的平均值，然后重復(fù)步驟2-6。

第8步，若達(dá)到終止條件，停止處理。

（3）案例檢索和重用

通過(guò)案例聚類，就將新問(wèn)題歸入了某一案例簇。簇中的潛在適用案例可用最近鄰方法與新問(wèn)題進(jìn)行比較。鑒于案例信息包含文字特征和數(shù)值特征，對(duì)于文字特征，可以通過(guò)構(gòu)造相似性表來(lái)計(jì)算相似性，而對(duì)于數(shù)值特征，可以基于案例和新訂單之間特征值距離來(lái)計(jì)算相似性。在簇內(nèi)檢索相似案例可用以下優(yōu)先級(jí)函數(shù)來(lái)計(jì)算：