本發(fā)明涉及智能物流，特別涉及一種基于云計(jì)算的物流協(xié)同處理方法。
背景技術(shù)：
：大數(shù)據(jù)的普及與飛速發(fā)展，給物流運(yùn)輸業(yè)帶來重大機(jī)遇的同時(shí)也帶來了前所未有的挑戰(zhàn)，用戶的個(gè)性化服務(wù)和環(huán)保概念被推到前所未有的高度。在企業(yè)的訂單任務(wù)分配的規(guī)劃時(shí)間內(nèi)，用戶的個(gè)性化需求以及各個(gè)發(fā)貨商的能力、資源、滿意度等，還有車輛運(yùn)輸過程中的油耗和排放都是物流服務(wù)重要的決策因素。因此，分析挖掘用戶的潛在興趣愛好、用戶的行為規(guī)律和環(huán)保決策因素等，并根據(jù)分析數(shù)據(jù)結(jié)果去改善物流企業(yè)的服務(wù)能力，有利于以企業(yè)長(zhǎng)久穩(wěn)定的發(fā)展和經(jīng)濟(jì)社會(huì)效益的提升。現(xiàn)有的物流運(yùn)輸方案僅著重考慮運(yùn)輸路線如何規(guī)劃才能縮短時(shí)間、車輛如何盡可能達(dá)到最大負(fù)荷，而對(duì)環(huán)保需求以及用戶的運(yùn)輸需求包括期望時(shí)間、滿意度等因素考慮不足，進(jìn)而無法針對(duì)性的分配物流任務(wù)。技術(shù)實(shí)現(xiàn)要素：為解決上述現(xiàn)有技術(shù)所存在的問題，本發(fā)明提出了一種基于云計(jì)算的物流協(xié)同處理方法，包括：云平臺(tái)電商接受用戶的訂單信息，根據(jù)用戶服務(wù)成本最小化目標(biāo)選擇發(fā)貨商進(jìn)行運(yùn)輸服務(wù)；求解上述目標(biāo)，結(jié)合預(yù)先獲取的用戶統(tǒng)計(jì)數(shù)據(jù)，預(yù)測(cè)為每個(gè)用戶送貨的最優(yōu)時(shí)間。優(yōu)選地，所述用戶服務(wù)成本最小化目標(biāo)將用戶服務(wù)成本表示為各個(gè)發(fā)貨商的價(jià)格和懲罰函數(shù)構(gòu)成，其目標(biāo)函數(shù)為：minZ=Σi=1nΣj=1myijpij+c′ij-Σi=1nqici]]>并且滿足以下約束Aij=(1+(pj-pij)/pj)(Qij/Qj)γjθj]]>當(dāng)存在k使Aij大于Akj時(shí)，yij＝1，其中i≠k，否則yij＝0當(dāng)t大于Tj時(shí)c’ij＝-π(t-Tj)pij，否則c’ij＝0m＝aminT(A∩B)qi=Σj=1myij]]>Hi=Σj=1myij(pij-cij)]]>Σi=1nqi=m]]>qi≤xipij≤pjγj，θj∈[0,1]；其中t表示實(shí)際送達(dá)的時(shí)間，Tj表示基于大數(shù)據(jù)預(yù)測(cè)得出的用戶期望的最優(yōu)發(fā)貨時(shí)間；π表示超時(shí)懲罰系數(shù)；n表示發(fā)貨商數(shù)量；Aij表示用戶j對(duì)發(fā)貨商i的評(píng)價(jià)值；qi表示第i個(gè)發(fā)貨商的發(fā)貨量；cij表示發(fā)貨商i對(duì)j的服務(wù)成本；pij表示發(fā)貨商i對(duì)用戶j的價(jià)格；Qij表示發(fā)貨商i對(duì)j的服務(wù)質(zhì)量；pj表示用戶j可接受的最高價(jià)格；Qj表示用戶j預(yù)期的服務(wù)質(zhì)量；γj表示用戶j對(duì)價(jià)格變化的關(guān)注度；θj表示用戶j對(duì)服務(wù)質(zhì)量的關(guān)注度；Hi表示發(fā)貨商的利潤(rùn)；Si表示發(fā)貨商所能參與服務(wù)的最小利潤(rùn)；xi表示發(fā)貨商i最大服務(wù)能力；ci表示提供產(chǎn)品的價(jià)格；m為銷量，瀏覽率和關(guān)注時(shí)間分別為A和B，選取大量用戶瀏覽數(shù)據(jù)，用amin表示瀏覽率和關(guān)注時(shí)間大于預(yù)設(shè)閾值同時(shí)發(fā)生與銷量之間的關(guān)聯(lián)度，根據(jù)先驗(yàn)算法，挖掘產(chǎn)生滿足支持度C最小的候選集，得到關(guān)聯(lián)度amin；則由公式m＝aminT(A∩B)計(jì)算用戶需求量m；T(A∩B)|表示事件A與事件B同時(shí)發(fā)生的事件數(shù)；其中支持度C為T(A∩B)|/T|(A)|，T|(A)|表示事件A出現(xiàn)的總數(shù)；所述預(yù)測(cè)為每個(gè)用戶送貨的最優(yōu)時(shí)間，進(jìn)一步包括：步驟1：預(yù)測(cè)用戶最優(yōu)發(fā)貨時(shí)間，輸入時(shí)間序列，得到分段矩陣Qij；計(jì)算每個(gè)Qij的數(shù)量，并且利用關(guān)聯(lián)度公式計(jì)算所有相鄰Qij之間的關(guān)聯(lián)性，并找出滿足條件的Qij；步驟2：隨機(jī)生成初始解Ω(0)；確定初始種群的規(guī)模為R，交叉概率為Pj，變異概率為Pb和終止進(jìn)化準(zhǔn)則，設(shè)置進(jìn)化代數(shù)計(jì)數(shù)器t為0；步驟3：計(jì)算個(gè)體的適應(yīng)度，將目標(biāo)函數(shù)值minZ的倒數(shù)作為個(gè)體的適應(yīng)度值；步驟4：從Ω(t)中運(yùn)用選擇算子選擇出N/2對(duì)母體，其中N>R，依概率Pj執(zhí)行交叉形成N個(gè)中間個(gè)體；對(duì)N個(gè)中間個(gè)體進(jìn)行分別獨(dú)立，依概率Pb執(zhí)行變異，形成N個(gè)候選個(gè)體；從候選個(gè)體中根據(jù)個(gè)體適應(yīng)度選擇出R個(gè)個(gè)體組成新一代種群Ω(t+1)；步驟5：如已滿足預(yù)先設(shè)定的終止條件，則輸出Ω(t+1)個(gè)體作為最優(yōu)解，終止計(jì)算，否則置t增1，并轉(zhuǎn)步驟4繼續(xù)執(zhí)行。本發(fā)明相比現(xiàn)有技術(shù)，具有以下優(yōu)點(diǎn)：本發(fā)明提出了一種基于云計(jì)算的物流協(xié)同處理方法，基于用戶大數(shù)據(jù)分析，在保證滿足用戶主觀需求的同時(shí)，又能優(yōu)化了物流資源，最大程度的提高了用戶的滿意度，取得了經(jīng)濟(jì)和環(huán)保的雙重效益。附圖說明圖1是根據(jù)本發(fā)明實(shí)施例的基于云計(jì)算的物流協(xié)同處理方法的流程圖。具體實(shí)施方式下文與圖示本發(fā)明原理的附圖一起提供對(duì)本發(fā)明一個(gè)或者多個(gè)實(shí)施例的詳細(xì)描述。結(jié)合這樣的實(shí)施例描述本發(fā)明，但是本發(fā)明不限于任何實(shí)施例。本發(fā)明的范圍僅由權(quán)利要求書限定，并且本發(fā)明涵蓋諸多替代、修改和等同物。在下文描述中闡述諸多具體細(xì)節(jié)以便提供對(duì)本發(fā)明的透徹理解。出于示例的目的而提供這些細(xì)節(jié)，并且無這些具體細(xì)節(jié)中的一些或者所有細(xì)節(jié)也可以根據(jù)權(quán)利要求書實(shí)現(xiàn)本發(fā)明。本發(fā)明的一方面提供了一種基于云計(jì)算的物流協(xié)同處理方法。圖1是根據(jù)本發(fā)明實(shí)施例的基于云計(jì)算的物流協(xié)同處理方法流程圖。為了更精準(zhǔn)的分析用戶的行為規(guī)律及用戶的興趣意向，本發(fā)明結(jié)合的大數(shù)據(jù)的知識(shí)發(fā)現(xiàn)去挖掘用戶歷史數(shù)據(jù)，預(yù)測(cè)用戶的最優(yōu)發(fā)貨時(shí)間，從而降低企業(yè)成本并為用戶提供更好的服務(wù)。本發(fā)明同時(shí)考慮瀏覽率、關(guān)注時(shí)間與銷量之間的關(guān)聯(lián)關(guān)系來預(yù)測(cè)銷量。設(shè)銷量為m，瀏覽率和關(guān)注時(shí)間分別為A和B，選取大量用戶瀏覽數(shù)據(jù)，用a表示瀏覽和關(guān)注時(shí)間大于預(yù)設(shè)閾值同時(shí)發(fā)生與銷量之間的關(guān)聯(lián)度，根據(jù)先驗(yàn)算法，挖掘產(chǎn)生滿足支持度C最小的候選集，得到關(guān)聯(lián)度amin。則由公式m＝aminT(A∩B)計(jì)算用戶需求量m。T(A∩B)|表示事件A與事件B同時(shí)發(fā)生的事件數(shù)。其中支持度C為T(A∩B)|/T|(A)|，T|(A)|表示事件A出現(xiàn)的總數(shù)。用戶的位置坐標(biāo)表示為(xn，yn，tn)，(xn，yn)表示用戶位置的橫縱坐標(biāo)，tn表示用戶的相應(yīng)位置的時(shí)間數(shù)據(jù)。首先，根據(jù)用戶的位置數(shù)據(jù)將用戶一天的時(shí)間進(jìn)行分段，分段后將所有位置距離不大于設(shè)定最小距離的位置進(jìn)行聚類，并將其位置改和聚類中心一致的位置坐標(biāo)，然后再利用關(guān)聯(lián)規(guī)則分析用戶的行為。通過數(shù)據(jù)挖掘后，得用戶時(shí)間段的關(guān)聯(lián)性比較，選出關(guān)聯(lián)性最高的時(shí)間段來發(fā)貨。如得出多個(gè)時(shí)間段，則根據(jù)用戶訂單的發(fā)貨地址選擇離用戶收貨地址最近的時(shí)間段進(jìn)行發(fā)貨。本發(fā)明的物流服務(wù)是由用戶終端、云平臺(tái)電商、發(fā)貨商三級(jí)供應(yīng)鏈構(gòu)成。云平臺(tái)電商接受到用戶的訂單及信息，根據(jù)用戶的要求及預(yù)測(cè)信息，選擇最符合用戶要求的發(fā)貨商進(jìn)行服務(wù)。用n表示發(fā)貨商數(shù)量；Aij表示用戶j對(duì)發(fā)貨商i的評(píng)價(jià)值；qi表示第i個(gè)發(fā)貨商的發(fā)貨量；cij表示發(fā)貨商i對(duì)j的服務(wù)成本；pij表示發(fā)貨商i對(duì)用戶j的價(jià)格；Qij表示發(fā)貨商i對(duì)j的服務(wù)質(zhì)量；pj表示用戶j可接受的最高價(jià)格；Qj表示用戶j預(yù)期的服務(wù)質(zhì)量；γj表示用戶j對(duì)價(jià)格變化的關(guān)注度；θj表示用戶j對(duì)服務(wù)質(zhì)量的關(guān)注度；Hi表示發(fā)貨商的利潤(rùn)；Si表示發(fā)貨商所能參與服務(wù)的最小利潤(rùn)；xi表示發(fā)貨商i最大服務(wù)能力；ci表示提供產(chǎn)品的價(jià)格；引入了用戶對(duì)發(fā)貨商的評(píng)價(jià)值，表達(dá)式為：Aij=(1+(pj-pij)/pj)(Qij/Qj)γjθj]]>以優(yōu)化云平臺(tái)電商服務(wù)成本最小為目標(biāo)，在保證用戶滿意度和服務(wù)質(zhì)量高的情況下，用戶服務(wù)成本能相應(yīng)的減少，用戶服務(wù)成本由各個(gè)發(fā)貨商的價(jià)格和懲罰函數(shù)構(gòu)成。其目標(biāo)函數(shù)為：minZ=Σi=1nΣj=1myijpij+c′ij-Σi=1nqici]]>并且有Aij=(1+(pj-pij)/pj)(Qij/Qj)γjθj]]>當(dāng)存在k使Aij大于Akj時(shí)，yij＝1，其中i≠k，否則yij＝0當(dāng)t大于Tj時(shí)c’ij＝-π(t-Tj)pij，否則c’ij＝0m＝aminT(A∩B)qi=Σj=1myij]]>Hi=Σj=1myij(pij-cij)]]>Σi=1nqi=m]]>qi≤xipij≤pjγj，θj∈[0,1]t表示實(shí)際送達(dá)的時(shí)間，Tj表示基于大數(shù)據(jù)預(yù)測(cè)得出的用戶期望的最優(yōu)發(fā)貨時(shí)間。π表示超時(shí)懲罰系數(shù)。對(duì)于上述模型的求解算法，將時(shí)間分段數(shù)據(jù)挖掘、聚類和時(shí)序關(guān)聯(lián)挖掘結(jié)合起來預(yù)測(cè)用戶的最優(yōu)發(fā)貨時(shí)間。算法流程如下步驟1：預(yù)測(cè)用戶最優(yōu)發(fā)貨時(shí)間，輸入時(shí)間序列，得到分段矩陣Qij。計(jì)算每個(gè)Qij的數(shù)量，并且利用關(guān)聯(lián)度公式計(jì)算所有相鄰Qij之間的關(guān)聯(lián)性。并找出滿足條件的Qij。步驟2：隨機(jī)生成初始解Ω(0)。確定初始種群的規(guī)模為R，交叉概率為Pj，變異概率為Pb和終止進(jìn)化準(zhǔn)則，設(shè)置進(jìn)化代數(shù)計(jì)數(shù)器t為0。步驟3：計(jì)算個(gè)體的適應(yīng)度，將目標(biāo)函數(shù)值minZ的倒數(shù)作為個(gè)體的適應(yīng)度值。步驟4：從Ω(t)中運(yùn)用選擇算子選擇出N/2對(duì)母體，其中N>R，依概率Pj執(zhí)行交叉形成N個(gè)中間個(gè)體。對(duì)N個(gè)中間個(gè)體進(jìn)行分別獨(dú)立，依概率Pb執(zhí)行變異，形成N個(gè)候選個(gè)體。從候選個(gè)體中根據(jù)個(gè)體適應(yīng)度選擇出R個(gè)個(gè)體組成新一代種群Ω(t+1)。步驟5：如已滿足預(yù)先設(shè)定的終止條件，則輸出Ω(t+1)個(gè)體作為最優(yōu)解，終止計(jì)算，否則置t增1，并轉(zhuǎn)步驟4繼續(xù)執(zhí)行。進(jìn)一步地，在對(duì)車輛調(diào)度方面中，為達(dá)到經(jīng)濟(jì)環(huán)保的目標(biāo)，本發(fā)明對(duì)具有同時(shí)收發(fā)貨需求量的用戶進(jìn)行發(fā)貨，以車輛油耗最低為目標(biāo)的問題進(jìn)行建模規(guī)劃車輛路徑。然后設(shè)計(jì)求解該問題的染色體算法。設(shè)車輛總數(shù)為K，擁有L個(gè)車輛類型，nl為車輛類型l的數(shù)量，滿足車輛類型l的車載容量為Ql，油耗系數(shù)為al、bl，對(duì)n個(gè)初始用戶進(jìn)行收發(fā)貨，用戶i的收貨需求量為pi，發(fā)貨需求量為di，Dij為用戶節(jié)點(diǎn)i到用戶節(jié)點(diǎn)j的距離。模型的優(yōu)化目標(biāo)是使得車輛油耗最小，在建模之前，采用以下油耗的計(jì)算方法。Fijl＝Dij(al·(pij+qij)+bl)其中：Fij為l類型的車輛從節(jié)點(diǎn)i到節(jié)點(diǎn)j的油耗；pij為節(jié)點(diǎn)i前往節(jié)點(diǎn)j的車輛已訪問的用戶的貨物總量；qij為節(jié)點(diǎn)i前往節(jié)點(diǎn)j的車輛裝載的貨物總量；(pij+qij)為節(jié)點(diǎn)i前往節(jié)點(diǎn)j的車輛的總裝載量。車輛路徑問題的模型如下：目標(biāo)函數(shù)并且有如下約束：pij+qij≤Qlxijkxijk＝1或0i,j,k∈V∑r∈Vpjr-∑i∈Vpij＝pji,j∈V∑r∈Vqjr-∑i∈Vqij＝dji,j∈VΣi=1npi0=Σi=1npiΣj=1nq0j=Σj=1ndj]]>K=Σl=1Lni]]>pij≥pixijki,j∈Vqij≥djxijki,j∈V其中V表示所有用戶節(jié)點(diǎn)的集合。問題的求解策略如下：(1)隨機(jī)產(chǎn)生包含多個(gè)量子染色體的種群，針對(duì)用戶數(shù)量為L(zhǎng)的問題，對(duì)于每個(gè)量子染色體，采用L×L×2的三維量子位矩陣來表示，隨機(jī)初始化量子位，產(chǎn)生0和1隨機(jī)數(shù)，然后分別賦值給對(duì)應(yīng)的量子位為0和1的概率αij和βij。(2)首先產(chǎn)生[0，1]之間的隨機(jī)數(shù)，產(chǎn)生L×L的二維觀測(cè)矩陣，并調(diào)整矩陣保證每行每列都只有1個(gè)1，1所在的橫坐標(biāo)代表服務(wù)的順序，縱坐標(biāo)代表所對(duì)應(yīng)的用戶。在形成車輛路徑時(shí)，首先隨機(jī)選擇一個(gè)車輛類型，當(dāng)該車輛無法滿足下一個(gè)用戶需求時(shí)，再隨機(jī)選用下一種車輛類型，當(dāng)所選類型的車輛數(shù)超過已有車輛數(shù)時(shí)，重復(fù)選取車輛類型，直到所選的車輛類型不超過該類型車輛數(shù)。(3)當(dāng)用戶收發(fā)貨順序和車輛路徑分配好之后，采用最相鄰插入法優(yōu)化局部路線的序列，流程如下：3.1取物流中心0作為路徑的起點(diǎn)；3.2找到第一個(gè)用戶節(jié)點(diǎn)i，使得物流中心到用戶節(jié)點(diǎn)i再返回物流中心的車輛油耗最小，構(gòu)成局部路徑0-i-0；3.3對(duì)于已經(jīng)形成的局部路徑，在不屬于該路徑的用戶節(jié)點(diǎn)中，尋找預(yù)選用戶節(jié)點(diǎn)集Q，集合Q中的點(diǎn)滿足離路徑上的點(diǎn)的距離最近，且收發(fā)貨重量相對(duì)最輕；3.4循環(huán)取Q集中的用戶節(jié)點(diǎn)，在路徑上分別插入Q集中用戶節(jié)點(diǎn)，使得新形成的路徑產(chǎn)生的車輛油耗最低；即，當(dāng)發(fā)行Q集中的用戶節(jié)點(diǎn)k插入路徑中的弧(i，j)位置時(shí)車輛油耗最低，就把用戶節(jié)點(diǎn)k插入弧(i，j)位置的路徑作為新路徑；3.5.重復(fù)步驟3.1-3.4，直到所有的用戶被訪問。在得到的路徑中，對(duì)于任意兩節(jié)點(diǎn)i，j，判斷是否滿足以(i，j)、(i+1，j+1)代替(i，i+1)、(j，j+1)后總油耗更低，若是，則執(zhí)行上述替換。(4)對(duì)種群的各個(gè)染色體解碼后，分別根據(jù)以上目標(biāo)函數(shù)最小值minU；令染色體的適應(yīng)度函數(shù)為U，求解對(duì)應(yīng)染色體的適應(yīng)度，就是要求解每條染色體的油耗，每條染色體又是由多條路徑的收發(fā)貨組成，車輛分配好路徑后，對(duì)于路徑上每?jī)蓚€(gè)點(diǎn)，將每?jī)牲c(diǎn)的載重量求出各兩點(diǎn)間的油耗，從而求出每條路徑的油耗，最后每條染色體的油耗。綜合以上兩個(gè)實(shí)施例，以下將以兩個(gè)目標(biāo)函數(shù)Z和U為總目標(biāo)，采用粒子群算法代替以上的求解過程，求解全局最優(yōu)解。采用基于粒子位置取整的三維粒子編碼方法，若用戶節(jié)點(diǎn)有n個(gè)，第一維用戶節(jié)點(diǎn)編號(hào)用來對(duì)用戶進(jìn)行編號(hào)；第二維粒子位置Xi用來對(duì)第一維用戶節(jié)點(diǎn)編號(hào)進(jìn)行排序，以確定用戶配送的先后順序；第三維粒子位置(Yi)在(0，n)范圍內(nèi)隨機(jī)生成后采用進(jìn)位取整方法來確定K個(gè)車輛的路徑；解碼時(shí)，首先按照第二維粒子位置的大小對(duì)用戶進(jìn)行重新排序，然后對(duì)第三維粒子位置進(jìn)行進(jìn)位取整操作。第三維粒子位置(Yi)是在(0，n)范圍內(nèi)隨機(jī)生成后采用進(jìn)位取整方法來確定車輛路徑，如果在粒子迭代更新的過程中Yi超出了(0，n)范圍，則對(duì)其進(jìn)行粒子校正，以保證更新后的粒子仍然為可行解。校正的方法是：若粒子更新后第三維粒子位置(Yi)超出了(0，n)范圍，則對(duì)其進(jìn)行在(0，n)范圍重新隨機(jī)生成，以此進(jìn)行校正?；谟脩舴?wù)成本Z和車輛油耗U的雙目標(biāo)調(diào)度優(yōu)化的粒子群算法的求解流程為：1.對(duì)基本參數(shù)進(jìn)行設(shè)置，包括種群大小、初始和迭代結(jié)束時(shí)的慣性權(quán)重、學(xué)習(xí)因子、速度約束以及最大迭代次數(shù)，確定兩個(gè)目標(biāo)更新的權(quán)值；2.將用戶節(jié)點(diǎn)數(shù)據(jù)、車輛數(shù)據(jù)以及相關(guān)系數(shù)作為輸入；在種群初始化時(shí)根據(jù)設(shè)定的種群大小隨機(jī)生成初始化的粒子種群，初始化每個(gè)粒子第二維和第三維的粒子位置以及粒子速度，初始化個(gè)體最優(yōu)粒子和全局最優(yōu)粒子；3.計(jì)算種群中每個(gè)粒子對(duì)應(yīng)的用戶服務(wù)成本，初始化所有粒子的個(gè)體最優(yōu)，并從所有的個(gè)體最優(yōu)中找出車輛油耗最低的路徑來初始化全局最優(yōu)；4.依次求解每個(gè)更新后粒子的適應(yīng)值，如果更新后用戶服務(wù)成本與油耗的加權(quán)和優(yōu)于先前值，那么就更新當(dāng)前的個(gè)體最優(yōu)值。然后，從更新后的所有個(gè)體最優(yōu)粒子中找出最優(yōu)值，與當(dāng)前全局最優(yōu)進(jìn)行對(duì)比，如果新的最優(yōu)值加權(quán)和更優(yōu)，則將其更新為當(dāng)前的全局最優(yōu)。5.更新每個(gè)粒子的速度：Vij＝c1×random1×(Bij-Xij)+c2×random2×(Gj-Xij)其中random1和random2均為0-1之間的隨機(jī)數(shù)，Vij，Xij分別為第i個(gè)粒子在第j維空間中的速度和位置；Bij為該粒子當(dāng)前最優(yōu)位置，Gj為種群當(dāng)前最優(yōu)位置；更新每個(gè)粒子的位置：Xij＝Xij+Vij同時(shí)對(duì)粒子位置進(jìn)行判斷，對(duì)超出范圍約束的粒子進(jìn)行校正，保證更新后的粒子依然是可行解；6.每次更新后，將迭代次數(shù)增加1，用來進(jìn)行算法終止條件的判斷；如果達(dá)到最大迭代次數(shù)，則算法終止，輸入當(dāng)前全局最優(yōu)，就可以得到最優(yōu)方案，否則，繼續(xù)進(jìn)行迭代，重復(fù)步驟4和5。此外，雙目標(biāo)權(quán)值給兩個(gè)優(yōu)化目標(biāo)賦予不同的權(quán)重，進(jìn)行加權(quán)求和。假設(shè)某個(gè)粒子搜索到的第i個(gè)結(jié)果的用戶服務(wù)成本和油耗依次為Zi和Ui，第j個(gè)結(jié)果的用戶服務(wù)成本和油耗依次為Zj和Uj，該粒子當(dāng)前的個(gè)體最優(yōu)依次為：最優(yōu)成本差值PG，最優(yōu)油耗PT，作業(yè)量差值的權(quán)值為w1，作業(yè)完工時(shí)間的權(quán)值為w2，則粒子個(gè)體更新的雙目標(biāo)更新規(guī)則可以表述為：w1*PG+w2*TG>w1**abs(Zi-Zj)+w2*max{Ui,Uj}其中，abs()表示取絕對(duì)值函數(shù)。若滿足上式，則將個(gè)體當(dāng)前最優(yōu)依次更新為：PG＝abs(Zi-Zj)TG＝max{Ui,Uj}；若不滿足上式，則將保留個(gè)體當(dāng)前最優(yōu)；從所有粒子的當(dāng)前個(gè)體最優(yōu)中找出全局最優(yōu)。綜上所述，本發(fā)明提出了一種基于云計(jì)算的物流協(xié)同處理方法，基于用戶大數(shù)據(jù)分析，在保證滿足用戶主觀需求的同時(shí)，又能優(yōu)化了物流資源，最大程度的提高了用戶的滿意度，取得了經(jīng)濟(jì)和環(huán)保的雙重效益。顯然，本領(lǐng)域的技術(shù)人員應(yīng)該理解，上述的本發(fā)明的各模塊或各步驟可以用通用的計(jì)算系統(tǒng)來實(shí)現(xiàn)，它們可以集中在單個(gè)的計(jì)算系統(tǒng)上，或者分布在多個(gè)計(jì)算系統(tǒng)所組成的網(wǎng)絡(luò)上，可選地，它們可以用計(jì)算系統(tǒng)可執(zhí)行的程序代碼來實(shí)現(xiàn)，從而，可以將它們存儲(chǔ)在存儲(chǔ)系統(tǒng)中由計(jì)算系統(tǒng)來執(zhí)行。這樣，本發(fā)明不限制于任何特定的硬件和軟件結(jié)合。應(yīng)當(dāng)理解的是，本發(fā)明的上述具體實(shí)施方式僅僅用于示例性說明或解釋本發(fā)明的原理，而不構(gòu)成對(duì)本發(fā)明的限制。因此，在不偏離本發(fā)明的精神和范圍的情況下所做的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。此外，本發(fā)明所附權(quán)利要求旨在涵蓋落入所附權(quán)利要求范圍和邊界、或者這種范圍和邊界的等同形式內(nèi)的全部變化和修改例。當(dāng)前第1頁1 2 3