0 引言

当今，很多物流企业应用物联网技术来提升整体管理水平，并使物流服务在速度和准确度上得以改善。

本文提出用服务计算的相关技术来解决物流中的问题^[1-3]。一个物流服务要经过一系列的业务中间过程，将中间每个核心业务过程抽象成一个服务组件，整个物流服务就是一个组合服务。本文重点研究如何对物流各个环节进行配置，以致能得到一个效率更高、用户满意度最好的物流服务。

1 相关研究

文献[4]通过对基于物联网技术的智能物流系统的概念定义、系统构建以及案例分析，表述了作为智能物流系统的商业特性的物流电子商务。文献[5-6]提出了为解决物流企业之间信息系统的异构问题，采用将ＳＯＡ与ＢＰＭ两种架构联合实现系统松耦合。以上研究都是集中在物流系统架构或基础设施上，很少有人提出用服务计算相关的技术来研究物流服务。文献[7]简单介绍了物联网技术环境下的智能物流应用，重点分析了其智能仓储物流系统的结构构成。文献[8-9]围绕物流发展战略规划，依据物联网理论，以物流信息化建设为研究对象，提出了物流信息平台建设的技术框架和功能框架。这些研究也是停留在平台研究上，没有将成熟的服务组合等技术运用起来。本文将物流业务流程中的活动抽象成一个个服务，一个完整的物流业务流程就是一个组合服务。

2 系统模型

2.1 物流系统结构

一个完善标准的物流业务流程主要包括以下业务活动：业务受理、货物入库、装载货物、运输、运行监控和卸载货物。这里只列出了物流核心业务活动，略去了其他细节活动。智能物流总体框图如图1所示。

2.2 QoS模型

针对物联网环境下智能物流服务的实际情况，考虑了以下QoS属性：服务价格（Service Price），即服务请求者使用服务必须支付的费用；服务时间（Service Time），即完成服务必须经过的时间；可靠性（Reliability），即服务执行的成功率；信义度（Reputation Degree），它反映服务使用者对所提供服务的认可程度；可用性（Availability），它是时间百分比，指示什么时间该服务是可操作的，即可被服务请求者所访问。

在顺序结构下，假设组合服务CS由n个组件服务构成，即CS={S₁，S₂，…，S_n}，对于每一个组件服务Si存在着多个候选服务，它们能够完成该组件所需的功能，可以表示为：S_i={S_i1，S_i2，…，S_im}(m为该组件服务包含的候选服务数)。以上五种QoS属性在顺序关系下的聚合函数如表1所示。

2.3 组合模型

物流服务组合是从每个子流程中选出一种具体的实现方式，并组合到一起。实际物流环境下，每个子业务过程的实现方式有限，如运输环节，物流公司采用的运输方式有确定数目。本研究中的6个子流程服务包括的原子服务及表示如表2所示。

2.4 效用函数（Utility Function）

假设物流服务CS由n个组件服务构成，即C_S={S₁，S₂，…，S_n}，对于每一个组件服务Si存在着多个候选服务，可以表示为：S_i={S_i1，S_i2，…，S_im}（m为该组件服务包含的候选服务数）。对每个Sij，都具有上文所描述的QoS属性。在不同的应用环境下，用户对非功能属性有不同的偏好程度，记为w（0

行表示组件服务S_i中的一个候选服务，列表示一个QoS维度，Q_ij表示一个相应的QoS属性值，其中p为QoS属性数目。

有两种类型的QoS属性：对于正极（positive）的QoS属性，其值越高，意味着服务性能或质量越好；一个负极（negative）的QoS属性，其值越低，意味着服务的性能或质量越差。上面五个QoS属性中，可靠性、信义度和可用性是正极属性，而服务价格和服务时间是负极属性。分别用式(2)和式(3)对负极和正极属性进行标准化处理。

利用矩阵X和每个QoS属性的权值w_j，可以计算出每个服务的总的质量分数，组件服务S_i中的一个候选服务S_ik的质量分数为(假设S_ik的QoS属性值标准化后为X中的第i行)：

一个物流服务由n个关键子服务组成，对每个子服务中的候选服务用式(4)进行效用值计算，物流组合服务包含每个子服务中的一个候选服务，用sum_uf表示物流组合服务的效用值，即：

3 物流服务组合算法

3.1 问题陈述

一个高评价的物流服务，肯定来自于一个较完美的业务流程，流程中的每个子流程必须很好地调控。用服务计算的理念，一个物流服务就是一个服务组合问题，每个子业务流程就是一个服务组件，每个组件有多个候选具体服务（原子服务），即具体的操作实现。如今，在物联网环境下的智能物流具有动态性，为人们提供了机遇，也带来了挑战。要力求寻找一个最优的物流服务组合来满足用户要求，可以形式化为以下描述：

3.2 最优物流服务组合算法

根据3.1节中的描述，下面介绍一个物流服务最优组合算法（LSC），通过该算法，辅助找出物流业务中的最优原子服务组合。该算法首先计算每个QoS属性维度的权重，然后将每个原子服务的所有属性值标准化，接着计算每个原子服务的效用值，最后根据效用值从每个组件服务中选出效用值最大的原子服务。

LSC算法流程如下：

输入：物流服务业务过程 CS={S₁，S₂，…，S_n}，每个子过程中的候选原子服务

输出：每个子过程中效用值最大的服务组成的集合

BEGIN

arrange the five QoS attributes with the user’s preference；

FOR each QoS attribute DO

calculate wj by the formula (1)；

END

FOR each atomic service Sij in Si (i=1,2,…,n) DO

FOR each QoS attribute value qijk of Sij DO

normalize qijk by formula (2) or (3);

END

END

FOR each atomic service Sij in Si (i=1,2,…,n) DO

calculate the utility value by formula (4), i.e., UF;

END

FOR each component service Si in CS DO

select atomic service from Si which with the largest value of UF;

END

END

4 实验分析

以图1和表2为原型，以QWS Dataset(2.0)为数据源，通过两组实验来验证本文模型和算法，将LSC与另外两种算法比较，即固定路径组合FSC（选取cs1={ba1，sg1，lg1，tp1，om1，uc1}作为固定路径）和随机路径组合RSC（即每个子业务流程随机选取一个候选操作）。第一组实验将sum_uf固定为4.3，并比较三种算法得到的用户满意率；第二组实验当sum_uf均匀变化时，衡量三种算法的性能。用户满意率定义为满足用户sum_uf期望值的次数与总调用次数的比值。

4.1 实验设置

本研究以处理器Intel Core^TMi5 CPU(2.80 GHz)、4 GB内存、64位win7操作系统为实验环境。所有实验在MyEclipse 中进行。QoS维度服务价格、服务时间、可靠性、信义度和可用性，假设分别对应QWS Dataset中的第8、1、5、4和2属性字段。在表2中，总共有18个原子服务，分别依次平均分得QWS Dataset中的记录。

4.2 实验结果分析

图2为第一组实验的结果图，横轴为物流服务的调用次数，从5～35，每次间隔5，纵轴为用户满意率。从图中可以看出，LSC算法得到的用户满意率最高，几乎都在85%左右，这是因为在物流服务的每个子业务流程中，都是经过精心选择，因此最后组合的整个组合服务性能也最好。次优的是RSC算法，每个子流程都随机从几种方案中选择一种，因此组合方案也有可能达到比较理想的性能，它的用户满意率，能够达到60%以上。三种算法中性能最差的是FSC，实验中选取上面列出的cs1路径作为固定路径，它的用户满意率在40%以下。通过实验比较，分析得出：现在智能物流服务，处于一个动态的服务环境下，在每一个业务流程环节，都必须动态进行配置选择，用户才能够获得一个较满意的服务。

图3为第二组实验结果图。横轴sum_uf从2变化到5.5，依次间隔0.5，纵轴为用户满意率。当sum_uf值在2～3.5范围时，LSC、RSC和FSC三种算法性能都很好，用户满意率都几乎接近于100%。但随着sum_uf增大，即用户的期望越来越高，三种算法的性能开始下降。三种算法按性能从高到低排列顺序依次为：LSC、RSC、FSC。实验结果更进一步地验证了LSC算法的最优性，也说明了物流服务的每个关键环节进行配置选择的必要性。

5 结束语

通过两组实验，验证了基于LSC算法的最优物流服务选择方案的可行性与高效性，也说明了在动态智能物流服务中，由于环境等因素，有必要在各个流程环节中进行动态最优配置选择。今后，将把该物流服务选择方案进一步完善，考虑更多的细节属性，并把它用到具体的物流服务系统中。

参考文献

[1] ISHIKAWA F，KATAFUCHI S，WAGNER F，et al.Bridging the gap between semantic Web service composition and common implementation architectures[C].2011 IEEE International Conference on Services Computing，2011:152-159.

[2] MA H，BASTANI F，YEN I L，et al.QoS-driven service composition with reconfigurable services[J].IEEE Transactions on Services Computing，2013，6(1)：20-34.

[3] GUINARD D，TRIFA V，KARNOUSKOS S，et al.Integracting with the SOA-based internet of things：discovery，query，selection，and on-demand provisioning of web services[J].IEEE Transactions on Services Computing，2010，3(3)：223-235.

[4] 张全升，龚六堂.基于物联网技术的智能物流的发展模式研究[J].公路交通科技(应用技术版)，2011(3)：13-15.

[5] 张彤.基于ＳＯＡ－ＢＰＭ组合架构的第三方物流信息系统研究[J].物流技术，2012，31(12)：419-422.

[6] 邓子云，杨晓峰，陈玉林，等.基于SOA-BPM组合架构的第三方物流企业系统集成平台[J].计算机系统应用，2010，19(3)：1-6.

[7] 汪乐霞.基于IOT技术的智能仓储物流系统开发研究[J].物流工程与管理，2012，34(5)：55-56.

[8] 郭晓魁，魏超飞．基于增长极理论的怀来区域物流信息平台研究[J].河北工业大学学报，2010，39(1)：108-111.

[9] 段征宇，孙伟，陈川.区域中心城市物流信息平台规划研究[J].物流科技，2009，32(2)：50-53.