工业生产物流供应链大数据资源融合技术

刘鑫

摘要：提出一种基于相似度特征匹配和自适应资源调度的工业生产物流供应链大数据资源融合技术。首先构建了工业生产物流供应链大数据资源调度数据处理平台，进行物流供应链的大数据特征采样，对采样的数据流进行相似度特征匹配。采用自适应资源调度方法进行数据滤波和特征融合，以此为基础进行物流供应链的优化调度，以提高大数据的并行处理效率。仿真结果表明，利用该算法进行大数据资源融合效率较高，配准性能较好，执行时间短，性能优于传统算法。

关键词关键词：工业生产；物流供应链；大数据；资源融合

DOIDOI：10.11907/rjdk.161420

中图分类号：TP312文献标识码：A文章编号文章编号：16727800（2016）007005702

0引言

随着工业现代化技术的发展，工业生产的信息化程度不断提高。工业生产过程中，大量产品和材料信息通过物流供应链网络进行调度和管理。对工业生产物流供应链大数据资源进行优化融合处理，可提高物流供应链网络的信息调度和管理能力。通过对生产物流供应链大数据的优化调度和融合，构建生产物流供应链大数据云存储和云计算模型。采用并行网格技术处理等方法，进行生产物流供应链大数据的信息加工和数据分析，在提高工业生产物流供应链的运行效率等方面具有重要意义。

传统方法中，对生产物流供应链大数据的资源信息融合算法主要有基于小波分析的生产物流供应链大数据融合方法、基于自相关滤波匹配的生产物流供应链大数据融合方法、基于时频分析的生产物流供应链大数据融合方法等。上述方法通过对生产物流供应链大数据进行数据信息流的特征提取，并采用冗余数据滤波方法进行数据加权模糊处理，以实现数据资源整合的分区调度，提高数据融合能力，但是上述方法在数据资源融合过程中，收敛性不好，容易陷入局部最优解＼[13＼]。对此，相关文献进行了算法改进设计。其中，文献提出一种基于转发信息表FIB的工业生产物流供应链大数据资源融合算法，可以并行执行内容存储CS通道中的大数据，并采用级联滤波方法进行重复数据删除，提高数据融合性能，但是该算法存在计算开销过大、渐进收敛性不好等问题；文献提出一种基于自适应匹配滤波和非线性特征提取的工业生产物流供应链大数据资源调度数据融合算法，根据优先级策略进行数据堆栈循环控制，提高大数据管理和融合能力，但是该方法在受到较大强度的残差数据干扰下，数据融合性能不好。针对上述问题，本文提出一种基于相似度特征匹配和自适应资源调度的工业生产物流供应链大数据资源融合技术。首先构建了工业生产物流供应链大数据资源调度数据处理平台，进行物流供应链的大数据特征采样，对采样的数据流进行相似度特征匹配，并采用自适应资源调度方法进行数据滤波和特征融合，以此为基础进行物流供应链的优化调度，以提高大数据的并行处理效率。最后通过仿真实验进行了性能测试，展示了本文算法的优越性能。1工业生产物流供应链大数据资源调度数据处理平台为实现工业生产物流供应链大数据资源的有效准确融合，构建数据融合算法。首先构建基于工业生产物流供应链大数据资源融合的云计算处理平台，在云计算处理平台中进行信息特征提取和数据信息流的分析。工业生产物流供应链模型主要有3个组件：转发性的模糊C均值聚类处理平台、供应链的数据资源处理平台和PIT表。当执行络簇内节点的大规模工业生产物流供应链资源云存储和计算任务时，管理节点将每一个数据融合任务和管理信息列表通过资源分区存储和调度处理方法分成一个数据块，工业生产物流供应链大数据资源调度数据处理的结构模型如图1所示。

根据多个工作流进行模糊C均值聚类，采用资源调度规则一次次地更新聚类的中心初始值。在云计算平台构建中，按照差分进化计算数据采样区间内的聚集交叉项，并根据上述信息增益特征提取结果，结合粒子群算法P1和P2两个入口的供应链资源数据进行大数据聚类改进，为数据分类识别奠定基础。

2物流供应链大数据特征采样与信息融合算法改进实现2.1物流供应链大数据特征采样

在上述构建的工业生产物流供应链大数据资源调度数据处理平台基础上，进行数据融合的特征采样和资源信息流模型构建，得到采样信息流数学模型为：

对工业生产中的资源消耗进行分布式运算，在工业生产物流供应链中进行自适应特征匹配，得到资源统计表提供资源的目标等待时间满足：

得到多业务工业生产物流供应链大数据资源特征采样与关联主特征挖掘数学模型，即文本特征选择问题可描述为：

maxSG（S）（6）

构建工业生产物流供应链大数据资源融合的线性算子：L（q1，q2，...，qn）=∑ni=1wiqi，得到资源融合中事件等待列表的约束条件为：

根据上述分析可知，工业生产物流供应链大数据资源特征选择是一个典型的多参数目标优化问题，构建工业生产物流供应链大数据资源特征抽取数据模型可归结为建立一个n维数的原始特征中优化特征子集问题。其中共有2n种子集，需要采用k-means聚类优化算法，在k-means算法中需要计算两个工业生产物流供应链大数据资源特征之间的距离。

2.2大数据资源融合算法实现

在上述进行工业生产物流供应链大数据资源特征采样的基础上，进行信息融合处理。传统方法对参与调度的工业生产物流供应链资源大数据进行自相关匹配融合，融合的计算开销较大，自适应收敛性能不好。为了克服传统方法的弊端，本文提出一种基于相似度特征匹配和自适应资源调度的工业生产物流供应链大数据资源融合技术。需要构造一种能将工业生产物流供应链大数据相似度转化成文本距离的变换方法，得到特征项的权重用TFIDF（Term Frequencyinverse Document Frequency）的方法来计算：

它们之间的工业生产物流供应链大数据资源融合距离采用如下公式进行计算：

通过上述处理，可提高工业生产物流供应链大数据向量特征挖掘的准确性。进一步把工业生产物流供应链大数据资源信息流向量模型描述为：

式中，si为一个资源信息请求信号，从N个数据对象中随机选择k个对象作为初始簇中心，对于剩下的其它对象，则根据它们与这些簇中心的相似度（距离），工业生产物流供应链大数据资源融合均衡的总标准值SCMh分别表示为：

然后对采样的数据流进行相似度特征匹配，采用自适应资源调度方法进行数据滤波和特征融合，工业生产物流供应链大数据资源融合的系统函数为：

通过上述算法改进设计，实现了资源融合和优化调度。

3仿真实验与结果分析