本文是一篇物流论文，本文运用采用改进混合参数蚁群算法，且输出满足时间窗的车辆调度方案。并考虑对车辆调度方案中的物流资源进行合理化装箱，将复杂的物流配送路径优化问题就转化成简单的背包问题。
第1章 绪 论
1.1课题背景及研究的目的和意义
1.1.1 研究背景
物流产业是国家经济支柱性产业之一，它的发展水平体现了一个国家的经济发展水平与产业繁荣程度。同时，它也是制造业发展的晴雨表，制造业发展越好，物流活动就愈发活跃，物流产业愈发蓬勃。并且它还对保就业、稳增长发挥重要作用，仅2021年我国物流活动产生的总价值在300万亿元以上，整个物流行业的营业收入就超过了11万亿元，市场增长率达到了惊人的15%以上，并且两年平均年增长率达到了8%以上。当下，我国物流企业已超过600万家，发展规模正朝着千万级别迈进。国内仅A级物流企业就已经将近8000家，吸纳社会人员就业五千多万人，未来就业人数会进一步增加[1]。更为重要的是，我国物流行业的发展空间很大，跟发达国家相比较，我国社会物流活动产生的费用与我国GDP的比率大约处于14%这一比率，而发达国家的8%。在疫情冲击和经济逆全球化等挑战之下，我们贯彻新发展理念，物流企业应从外向型国际商贸物流为主转变为内需增长国内供应物流为主，物流企业高质量发展，客观上提升物流服务质量和促进商品的流通。更高水平走向国际市场的同时，提升物流行业内循环的能力，从而增强物流产业链，更好的为国内制造业产业链上下游提高物流服务，夯实制造业发展基础。
云计算、大数据、物联网、5G等新一代技术[2~6]和人工智能技术的发展与运用，第四次产业革命正悄然登场。新一轮的产业革命必将产生新的制造模式，对生产方式产生颠覆式影响。目前，全球制造业发展趋势正由传统的大规模生产继而转向现代的智能化制造。制造业强国如美国、德国、日本先后提出工业互联网和工业4.0和社会5.0，致力于将工业化、信息化融入制造业当中。为了不落后于其他国家，我国则以智能制造为主攻方向，先后发布了《中国制造2025》和《新一代人工智能发展规划》等一系列国策[9]。以“互联网+”和“人工智能+”作为制造业转型升级的主攻方向，“互联网+”和制造融合则形成了网格化制造，“人工智能”和制造融合则形成智能制造。将传统制造模式和新的信息技术（云技术、物联网、CPS技术等）结合，形成新的先进制造模式。在此背景之下，李伯虎等人在2010年率先提出云制造（Cloud Manufacturing: CMfg）的概念[7]。
1.2 国内外研究现状
1.2.1 云制造研究现状
云制造作为一种制造新模式其体系构架于 2010年由李伯虎院士及其团队提出[7]，随着云制造广泛的运用与云制造技术持续发展，该团队在2017年提出了云制造3.0[12]，在新一轮的技术的指引下，深度融合了数字化、网络化、云化、智能化的技术工具，提出了较为完整的六大层次的架构体系；其中，六大层次即新智能资源层、新智能感知层、新智能边缘处理平台层、新智能云端服务平台层、新智能制造应用层和组织层。
李伯虎等提出的云制造平台架构体系之后，许多学者也纷纷加入其中进行研究。刘永奎等对再次对云制造概念分析并探讨，分析对比了其架构、运营模式等，考虑到云制造实施过程中出现的因素，提出解决方案[15]。随着中国制造业蓬勃发展，云制造平台也受到企业广泛青睐,Wu等为了让系统能够给用户提供更为完善的工业服务，在云计算架构已具备敏捷性基础上，对云计算制作架构的特征进行分析与研究 [16]。李伯虎等则是采用一种新的方式——以数据驱动为基础,采用智慧云技术，开发了新的智能工业系统,可以持续改进智能工业系统的运行模式[17]。在平台架构方面，李伯虎、张霖、陶飞等论述了云制造的基本模式、概念和云制造体系框架[18]。Gabriel等针对现有制造云的异构架构模式提出了具有异构互操作性的资源管理方式，并通过语义化操作实现了智能资源发现[19]。姚锡凡等研究其软件构架、开发工具与环境、开源实现方法，来探讨云制造服务框架[20]。Vahedi-Nouri B等为了在云制造环境中工厂的公平性与产能效益之间的关系，建立了一个综合的多目标数学模型。该模型可以同时决定是否接受客户的工作、为每个单独的作业确定价格以及如何在机器上安排工作[21]。从云制造平台开发与应用角度来看，潘国强等根据船舶制造特点及云制造理念,提出了船舶云制造服务的概念模型和信息模型.设计了船舶云制造的系统结构和云制造服务平台的架构及运营模式 [22]。Wu D通过研究产品的生命周期来考虑如何应用在新的制造模式中，提高制造和设计与云制造系统的契合度[23]。张彦波等对汽摩行业云制造服务平台进行了研究，在云制造环境下对该领域需求调研分析，对平台需求方按照特征进行分类，并提供数据分析相关业务的内容和业务模式[24]。张晓利等考虑到实际突发情况和及时根据环境变化来修改调度计划，提出了面向中小企业智能车间的动态预测调度[25]。
第2章 物流资源预测模型与仿真
2.1 建立云制造环境下物流资源需求预测模型
物流运输过程的供需双方为了防止缺货而人为地增加安全库存。同时物流配送服务中产生的服务成本以及配送时路况变化的影响也是不容忽视的。这些问题的累加到一定程度将会导致牛鞭效应的产生。为了预防这一情况，需要对物流需求进行预测。在云制造平台上，汇集了大量的物流资源与服务，并实现了物流资源信息的共享。
物流企业大多采用经验预测法和传统预测法来预测所需的物流资源。但是，经验预测法过于主观、缺乏科学依据，在对客户需求进行长期预测时，存在较大的误差。传统预测法在处理离散型数据时，难以取得理想的预测效果。此外，传统需求预测方法很少考虑到需求量和相关影响因素的内在影响关系。而且，随着自身业务的发展，需求类型和需求量也会发生变化。其问题的关键在于充分考虑影响需求预测的因素并选择合理的预测目标。近年来，众多学者对深度学习理论在资源需求预测方面进行了深入研究。
为了解决上诉问题，实现对物流资源需求精准预测。本文充分考虑物流资源需求量与需求相关因素的内在关联，并选择所需要预测的目标。在云制造环境下采用一种基于 CNN-LSTM 框架的需求预测模型，该模型与其他预测模型相比，它能够更好的利用平台闲置的物流资源，实现物流资源信息精准预测。
2.2 云制造环境下物流资源需求预测模型仿真
ARIMA(p, q, d)模型[69]由三部分组成:AR(p) 则表示p阶自回归模型; d为差分阶数，记作 I(d) ; q阶移动平均模型，记作 MA( q)。虽然ARIMA预测模型简单，不需要依靠其他外界因素的数据也可以精准预测。但是，他要求数据的时间序列是稳定的且具有线性关系，而物流需求预测需要考虑到多重影响因素。
RNN神经网络在处理时间序列问题时，具有良好的效果。然而，RNN神经网络模型会随着时间轴传递会出现梯度消失和梯度爆炸的现象，在处理长周期的时间序列问题时候，RNN模型会显得力不从心。
因此，需引入LSTM神经网络结构，并训练LSTM的相关算法。如图2-3所示，相比RNN只有一个传递状态𝐻𝑡 ，LSTM则有两个传输状态，一个 𝐶𝑡（cell state），和一个 𝐻𝑡（hidden state）。LSTM是通过一种“门”的结构来达到对传递的信息保护和控制目的。这三个门分别输入门、遗忘门和输出门。
第3章 物流资源调度模型 ....................... 33
3.1 物流资源调度模型建立假设 ......................... 34
3.2 背包问题 ................... 34
第4章 物流资源调度模型仿真 ................................ 45
4.1 基于改进型蚁群算法的物流资源调度 ............................. 45
4.1.1 分布估计算法和RPROP混合学习算法 ................................ 46
4.1.2 改进型蚁群算法 ......................... 48
第五章 云制造物流资源调度平台开发 ............................... 62
5.1 云制造物流资源智能调度平台 ............................ 62
5.2 云制造物流资源智能调度系统框架设计与开发环境 ................ 64
第五章 云制造物流资源调度平台开发
5.1 云制造物流资源智能调度平台
物流资源调度平台应用体现是云制造终端体现，表达万物互联精神。为了更好的管理物流信息并对物流配送车辆进行调度，从而满足广大的中小物流企业和供需链条上一众企业的需求，在云平台的基础上开发了物流资源智能调度系统。因此，本文开发一个可提供在线预测物流需求功能和物资调度功能的物流资源调度云平台。通过物流云平台共享企业上传的物流活动数据以及通过走访收集到的物流数据，将调度算法移植到调度系统中，通过交互界面实现车队信息、商品信息、配送点和物流中心存储情况等信息的共享以及预测物流需求功能与车辆调度功能。来推动物流行业运输智能化发展的需求。
云制造物流资源调度平台是基于云制造平台而设计的，其主要的目的是为了生成调度方案和配送方案预计预测平台内客户的需求。通过读取云平台提供的物流信息（车辆信息和客户需求信息），在资源池中根据用户需求和历史数据进行不断搜索和匹配，直到找出令客户最满意的物流配送调度方案，即最满意的调度方案和最佳物流车辆的行车路线。在实时信息数据发生改变时，对配送路线进行实时调整调度方案并重新优化车辆配送路线方案。
第6章 结论
6.1 结论
云制造技术不断更迭，其模式下各个行业广泛应用推广，为我国制造业转型升级按下加速键。物流行业发展影响制造业发展水平，云制造模式在该行业中的应用越广泛，越能促进我国制造业的发展水平。在此背景下，云制造物流资源智能调度是推进云制造模式在物流行业落地应用的重要支撑。
本文完成有以下几个方面：
（1） 物流企业为了提高自身的管理水平，提升货物周转效率，提升库房货物周转率，需要对货物需求量进行预测以便适时的改善仓库布局和规划。为了提高物流资源需求量的精准性，减少牛鞭效应造成的损失。在考虑市场情况和运输过程产生的突发状况等因素之下，建立了CNN-LSTM神经网络预测模型。通过对模型的参数进行调试直至该预测模型性能达到峰值。仿真试验结果证明相对于其他模型而言，该模型在预测物流资源需求的时候具有十分高准确率，云制造物流资源智能调度平台能够根据需求预测结果指引企业科学合理的指定经营规划战略。同时，及时调整物流资源调度方案。因此，本文所提出的云制造环境下的物流资源需求预测的方法具有相当的可靠性和可行性。它可以满足客户的管理需求，并达到提升货物周转效率与企业管理水平的目的。
（2） 物流资源调度是云制造物流服务平台配置资源的重要手段，物流资源调度需要根据客户的个性化要求、考虑到配送时间窗、运输距离、运输成本、客户满意度、环保等因素，建立基于时间序列驱动的调度模型。本文运用采用改进混合参数蚁群算法，且输出满足时间窗的车辆调度方案。并考虑对车辆调度方案中的物流资源进行合理化装箱，将复杂的物流配送路径优化问题就转化成简单的背包问题。选择融合云模型反向学习的克隆选择算法，最后制定出最佳路径优化方案并求解最优配送路径，仿真试验证明改进型蚁群算法+融合云模型反向学习的克隆选择算法的迭代效果远好于其他算法，其算法收敛速度快，学习效率高，对计算机性能占用小。具有更加优良的性能， 同时所提策略能够使云制造平台在复杂多变的配送环境下高效、平稳的运行。
参考文献（略）