基于知識的物流作業規劃方法研究

張陽

摘 要 大型制造企業物流業務復雜、繁重，要處理客戶或自身一些特殊配送需求，還要應對物流過程中的風險以減少損失，因此，必須要對物流作業過程進行規劃，以保持與提高服務質量。本文提出了一個基于知識的物流作業規劃方法，集成了層次分析法和案例推理方法，對潛在物流風險進行歸類，并根據產品特性與配送需求，構造有效的物流作業策略。在案例推理方法中，利用動態劃分聚類算法來改善檢索性能。在企業中經一段時間試用，結果顯示在案例檢索時間和物流作業方案有效性方面有顯著提升。

關鍵詞 物流規劃;風險管理;CBR

引言

在當前的經濟環境中企業面對的不確定性因素顯著增加，市場需求變化較快且競爭激烈，小批量、多品類的訂單占比越來越大，企業也越來越重視客戶滿意度，客戶需求包含了時間窗口、響應性、成本效益與靈活性等內容，因此，物流決策成為物流作業中最復雜的過程之一。物流過程不會按照物流決策完全順暢地運行，其中還存在著許多風險，會影響到過程中一些環節。為此，有必要建立一個決策支持系統，來支持物流作業規劃，對各項影響因素快速響應，以滿足物流服務的效率與質量需求[1]。然而，查看相關資料，在物流作業領域和物流決策過程中，涉及風險管控的研究比較少。

本文提出一個基于知識的物流作業規劃方法，利用了人工智能技術，包括層次分析法（Analytic Hierarchy Process，AHP）和案例推理（Case-Based Reasoning， CBR）方法等，以支持物流作業調度中的決策。由于物流作業中的風險與產品特性息息相關，本方法將識別這些風險，并將其作為物流作業規劃過程中的關鍵因素來考慮。由于需要檢索類似與有用的案例，引入了動態劃分聚類算法，集成入CBR引擎，以提升案例檢索的性能。

1物流作業規劃中的人工智能技術

為保持服務品質，讓客戶滿意，企業不僅要智能地、高效地規劃物流作業，還要考慮到各類對物流有負面影響的潛在風險。本文提出，進行實時數據采集，評估各類風險，并將以往成功案例用于決策。這必然是一個綜合的方法，集成了RFID技術、AHP、GA和CBR等技術。

2基于知識的物流作業規劃方法

在本節中，提出了基于知識的物流作業規劃系統，系統架構如圖1所示。該系統利用RFID來收集物流實時數據，然后分析這些數據，將潛在風險進行排序，并利用AHP方法評估各類風險的可接受程度。這些信息將進一步用于CBR進行知識操作。CBR引擎集成了動態劃分聚類算法，以改善案例檢索的性能。通過這一基于知識的系統，可充分利用所積累的經驗知識，處理那些潛在風險，向物流調度員提供作業規劃方案和一些操作建議。

2.1 實時數據采集

本文建議采用RFID技術來采集物流業務實時狀態，將每個SKU的當前狀態可以化。將RFID標簽粘到每個SKU上，記錄其身份信息，并與RFID讀寫器交換數據。為了有效監測倉庫的儲存條件，RFID標簽中應存儲靜態和動態數據。靜態數據記錄入庫操作時所需的SKU細節，如SKU號，SKU類型，SKU尺寸和數量。這種類型的數據通常通過無源RFID標簽采集。動態數據記錄儲存條件，如溫度、濕度，以及物流作業數據和可用資源等。

充分利用采集到的物流環境和資源設施的實時信息，有助于增強信息流，實時監控物流作業流程，可用以引導業務決策，加強監督，優化資源配置。

2.2 物流策略制定

本步驟是本文方法的核心，將利用CBR技術來制定物流作業過程的各項策略。在實際操作中，物流調度人員在規劃物流策略和作業計劃時，需要考慮客戶需求、作業安排和可用資源。當多種訂單類型和多種排序準則糾結在一起時，決策過程是相當復雜的。為此，將風險因素列為優先考慮的參數之一，進行案例檢索。在檢索時，由于要適應許多相關因素相互影響的情況，采用遺傳算法來對以往案例進行劃分[2]。

（1）案例表示和索引

首先將積累的物流作業問題及其解決方案以結構化的形式來表示，內容包括物流作業過程中的關鍵屬性與參數，這些關鍵屬性可以用一個分層的樹結構來表示。案例特征可表示為，案例特征對應的參數可表示為，其中F是層次決策樹中案例特征的函數，V是與案例特征對應的參數值的函數;l是決策樹第l層，?l∈H;xl是分層決策樹上第l層的案例特征數。

（2）基于遺傳算法進行案例聚類

要基于遺傳算法將案例劃分為適當的案例組，首先進行染色體編碼，來表示案例簇的初始中心。染色體的長度取決于分層決策樹中包含的特征類型和數量。一個案例可以用多個樹結構來表示。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）和參數值域（P）的特征值，i即遺傳矩陣中第i個案例簇，?i∈M，j是遺傳矩陣中第j個染色體，?j∈N。

確定染色體的表示形式后，進行案例劃分，算法步驟如下：

第1步，確定簇數m，其中m∈M。

第2步，為m個簇中心隨機分配m組平均值。

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

第4步，針對案例k，比較計算出來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，為染色體計算適應度，將所有案例的調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，然后重復步驟2-6。

第8步，若達到終止條件，停止處理。

（3）案例檢索和重用

通過案例聚類，就將新問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題進行比較。鑒于案例信息包含文字特征和數值特征，對于文字特征，可以通過構造相似性表來計算相似性，而對于數值特征，可以基于案例和新訂單之間特征值距離來計算相似性。在簇內檢索相似案例可用以下優先級函數來計算：