基于知识的物流作业规划方法研究

张阳

摘 要 大型制造企业物流业务复杂、繁重，要处理客户或自身一些特殊配送需求，还要应对物流过程中的风险以减少损失，因此，必须要对物流作业过程进行规划，以保持与提高服务质量。本文提出了一个基于知识的物流作业规划方法，集成了层次分析法和案例推理方法，对潜在物流风险进行归类，并根据产品特性与配送需求，构造有效的物流作业策略。在案例推理方法中，利用动态划分聚类算法来改善检索性能。在企业中经一段时间试用，结果显示在案例检索时间和物流作业方案有效性方面有显著提升。

关键词 物流规划;风险管理;CBR

引言

在当前的经济环境中企业面对的不确定性因素显著增加，市场需求变化较快且竞争激烈，小批量、多品类的订单占比越来越大，企业也越来越重视客户满意度，客户需求包含了时间窗口、响应性、成本效益与灵活性等内容，因此，物流决策成为物流作业中最复杂的过程之一。物流过程不会按照物流决策完全顺畅地运行，其中还存在着许多风险，会影响到过程中一些环节。为此，有必要建立一个决策支持系统，来支持物流作业规划，对各项影响因素快速响应，以满足物流服务的效率与质量需求[1]。然而，查看相关资料，在物流作业领域和物流决策过程中，涉及风险管控的研究比较少。

本文提出一个基于知识的物流作业规划方法，利用了人工智能技术，包括层次分析法（Analytic Hierarchy Process，AHP）和案例推理（Case-Based Reasoning， CBR）方法等，以支持物流作业调度中的决策。由于物流作业中的风险与产品特性息息相关，本方法将识别这些风险，并将其作为物流作业规划过程中的关键因素来考虑。由于需要检索类似与有用的案例，引入了动态划分聚类算法，集成入CBR引擎，以提升案例检索的性能。

1物流作业规划中的人工智能技术

为保持服务品质，让客户满意，企业不仅要智能地、高效地规划物流作业，还要考虑到各类对物流有负面影响的潜在风险。本文提出，进行实时数据采集，评估各类风险，并将以往成功案例用于决策。这必然是一个综合的方法，集成了RFID技术、AHP、GA和CBR等技术。

2基于知识的物流作业规划方法

在本节中，提出了基于知识的物流作业规划系统，系统架构如图1所示。该系统利用RFID来收集物流实时数据，然后分析这些数据，将潜在风险进行排序，并利用AHP方法评估各类风险的可接受程度。这些信息将进一步用于CBR进行知识操作。CBR引擎集成了动态划分聚类算法，以改善案例检索的性能。通过这一基于知识的系统，可充分利用所积累的经验知识，處理那些潜在风险，向物流调度员提供作业规划方案和一些操作建议。

2.1 实时数据采集

本文建议采用RFID技术来采集物流业务实时状态，将每个SKU的当前状态可以化。将RFID标签粘到每个SKU上，记录其身份信息，并与RFID读写器交换数据。为了有效监测仓库的储存条件，RFID标签中应存储静态和动态数据。静态数据记录入库操作时所需的SKU细节，如SKU号，SKU类型，SKU尺寸和数量。这种类型的数据通常通过无源RFID标签采集。动态数据记录储存条件，如温度、湿度，以及物流作业数据和可用资源等。

充分利用采集到的物流环境和资源设施的实时信息，有助于增强信息流，实时监控物流作业流程，可用以引导业务决策，加强监督，优化资源配置。

2.2 物流策略制定

本步骤是本文方法的核心，将利用CBR技术来制定物流作业过程的各项策略。在实际操作中，物流调度人员在规划物流策略和作业计划时，需要考虑客户需求、作业安排和可用资源。当多种订单类型和多种排序准则纠结在一起时，决策过程是相当复杂的。为此，将风险因素列为优先考虑的参数之一，进行案例检索。在检索时，由于要适应许多相关因素相互影响的情况，采用遗传算法来对以往案例进行划分[2]。

（1）案例表示和索引

首先将积累的物流作业问题及其解决方案以结构化的形式来表示，内容包括物流作业过程中的关键属性与参数，这些关键属性可以用一个分层的树结构来表示。案例特征可表示为，案例特征对应的参数可表示为，其中F是层次决策树中案例特征的函数，V是与案例特征对应的参数值的函数;l是决策树第l层，?l∈H;xl是分层决策树上第l层的案例特征数。

（2）基于遗传算法进行案例聚类

要基于遗传算法将案例划分为适当的案例组，首先进行染色体编码，来表示案例簇的初始中心。染色体的长度取决于分层决策树中包含的特征类型和数量。一个案例可以用多个树结构来表示。染色体的一般形式如下所示：

其中和分别是簇的案例特征域（F）和参数值域（P）的特征值，i即遗传矩阵中第i个案例簇，?i∈M，j是遗传矩阵中第j个染色体，?j∈N。

确定染色体的表示形式后，进行案例划分，算法步骤如下：

第1步，确定簇数m，其中m∈M。

第2步，为m个簇中心随机分配m组平均值。

第3步，计算案例k与簇中心i的调整后的距离误差（），，其中。距离误差即案例与各簇中心之间参数值的距离，度量方法为欧几里得距离的平方。当同时考虑多个案例特征时，引入修正因子A，用于调整与多个案例特征组合的效果。

第4步，针对案例k，比较计算出来的与所有簇中心的距离（）。

第5步，如果簇i与案例k的距离是最小的，将案例k分配给簇i。

第6步，为染色体计算适应度，将所有案例的调整后的最小距离误差求和，即。

第7步，更新所有簇中心的平均值，然后重复步骤2-6。

第8步，若达到终止条件，停止处理。

（3）案例检索和重用

通过案例聚类，就将新问题归入了某一案例簇。簇中的潜在适用案例可用最近邻方法与新问题进行比较。鉴于案例信息包含文字特征和数值特征，对于文字特征，可以通过构造相似性表来计算相似性，而对于数值特征，可以基于案例和新订单之间特征值距离来计算相似性。在簇内检索相似案例可用以下优先级函数来计算：