云物流环境下物流企业任务协同模型构建及应用

（上海商业会计学校，上海 200011）

1 引言

传统的物流协同主要采用资源和信息共享的方式实现物流任务的协同完成，其所采用的途径也仅仅是共享信息服务平台或系统。然而，由于信息的不对等及信息传递的延时性等问题难以满足用户临时提出的需求，同时，各物流中心存在着利益分摊及协同方式等问题，导致物流协同在实际操作过程中依旧存在较大的问题。

在企业不断发展和物流业务不断拓展的过程中，企业逐步意识到物流资源交互和共享对于企业发展的重要性。在云计算技术快速发展和应用的今天，将云计算技术应用于物流活动中，构建云物流平台既能够实现物流企业资源的共享和交互，便于资源的优化配置和调度，又有利于物流供需双方的需求匹配，同时，通过物流任务的协同处理能够明显地降低企业的物流配送成本，对于物流企业的发展具有积极的推动作用。

随着互联网技术的发展，在物流任务协同理念下，企业整合现有的物流业务模式，构建云物流服务平台，并开始思考关于云物流平台下的物流任务协同模式。通过构建大型的云物流平台能够进一步地整合现有各物流中心的物流资源和信息资源，以期实现物流信息和资源的集约化管理，改变现有物流企业各自发展的混乱局面，同时，在物流资源更大范围共享的前提下，通过构建各物流企业认同的物流任务协同机制，真正实现物流配送的任务协同。因此，结合先进的云计算技术创建云物流环境下物流协同服务模式，已逐步成为解决传统物流协同方式中存在问题的主要途径，也逐步成为专家和企业研究的热点。

2 云物流环境下物流中心协同机制

物流中心下设的各个物流配送网点因所处的地理位置和人口构成的不同，导致其经营范围、配送线路、配送方式都存在一定的差异。在云物流平台下，各个物流配送网点可作为一个“小专业户”，从而构成了整个大综合的“云物流配送平台”，而整个物流配送任务的协同正是由各个物流配送网点协同完成，从而使各个物流配送网点的资源得以优化配置和充分利用。

企业构建的云物流环境下的物流协同组织架构图，如图1所示。

图1 云物流环境下企业物流协同组织架构图

对于物流企业而言，利用云计算技术构建的云物流平台不仅能够为企业辖属的物流中心提供可共享的静态信息资源，更为关键的是能够为各个物流中心提供信息和资源交换的平台。利用云物流平台可为企业提供当前的企业物流动态、可供物流中心调用或调配的物流资源，提升整个物流企业的凝聚力和竞争力。特别是对于从事供应链的物流配送企业而言，每一个物流中心的接入都意味着企业所覆盖的范围更大，标志着该物流配送企业能够配送的更远，具有更大的生存空间。

云物流环境下的物流企业以一个产业集聚的形式出现，将企业现有的物流资源、信息资源及社会对物流的需求进行集中。同时，由于云物流平台的开放性和区域物流发展的植根性，促使云物流平台下的各物流中心在广泛的共享网络信息效益和资源效益的前提下，更能够共同分享区域内各物流中心因集中而创造的区域外部效益，从而降低了区域内的物流协同成本，提升了物流配送效率。由此，不仅能够提升企业的对外竞争力，而且极大地满足了市场对物流中心的服务需求。由于进入云物流平台企业物流运作成本的降低，协同能力增强，使物流企业的服务性更强，也更加吸引其他的物流企业或物流中心加入到云物流平台下，从而形成该物流集团协同运作的网络体系。云物流平台协同运作机制如图2所示。

图2 企业云物流平台协同运作机制

3 云物流环境下物流任务协同模型构建

构建云物流环境下物流任务协同模型是物流任务协同研究的关键部分。通过前面对于任务协同机制的研究及业务场景的分析，实现物流任务协同的场景假设及模型构建。

3.1 问题描述

本节对云物流环境下物流任务协同实现进行具体描述。云物流环境下物流任务由物流客户通过云物流平台提供。云物流平台根据物流任务的具体内容实现物流任务的划分和分配。在物流任务分配的过程中，需结合物流任务的配送需求，充分考虑各物流中心的状态信息及可调度资源。一般情况下，物流任务的配送任务可由多个物流中心协作完成，而配送以外的任务均由一个物流中心完成。基于以上分析，任务协同模型构建的关键在于任务分解后各子任务的处理时间和成本。由于不同的物流配送中心所在的位置及所拥有的配送资源的差异性，因此，物流中心为各个企业分配物流任务时需充分考虑各物流中心的实际情况。

构建物流任务协同处理模型，需切实分析物流任务配送距离和时间需求，结合各物流中心现有的配送成本及可调度资源。以区域内多物流中心协同处理配送任务为例，对云物流环境下的物流任务协同处理问题进行描述：

假设某区域内有n个物流中心，第i个物流中心有k个物流配送企业。假设在某时间段内的物流任务数为m，每个物流配送任务均有各自的配送时间要求和最高成本限制等。设第y个物流任务中所包含的物流活动数为Pj,j∈{1,2,...,m}，对于其中的每个子任务需要一个物流中心完成，物流中心可选择多个物流企业协同完成。

为实现物流配送协同处理，还必须考虑以下问题：由于各个物流配送中心所处的位置各不相同，货物配送的出发地和客户的位置也各不相同，因此，在考虑配送方案的过程中，需结合物流配送所涉环节的各实际因素进行综合考虑，以保证物流配送的成本和时间最优。

3.2 建模假设

构建物流任务协同处理模型的基本假设如下：

（1）已初步完成云物流平台的构建，云物流平台已实现与各物流中心的对接，并将物流中心的资源共享给云物流平台。

（2）每个物流中心只属于一个物流配送中心企业。

（3）各个物流中心的位置是固定的。

（4）每个物流配送任务均有明确的配送地点。

（5）物流配送任务是单次运输。

（6）物流配送的运输路线只考虑起始地与目的地间的直线距离。

（7）每个物流任务所包含的物流活动不同，但是物流活动的执行顺序是固定的。

（8）每个物流任务是由一家物流中心承担，物流任务中的所有物流活动均是由物流中心中的物流企业执行。

（9）设定各物流中心的所有物流企业在0点时刻都处于空闲状态。

（10）物流任务中的所有物流活动需要的时间及所耗费的成本均可知。

（11）各物流中心所具备的物流功能相同。

（12）各个物流中心具备的物流功能在一个时间点只能处理一个物流活动。

3.3 参数设置

n—表示物流中心数量；

si—物流中心i含有的物流企业数量；

m—云端接收的物流任务数；

pj—物流任务所包含的物流活动数；

dij—物流任务j到物流中心i的距离；

hij—物流任务j从物流中心i到目的地的距离

Qij—第j个物流任务所在地到第i个物流中心的货物运输量；

cj—第j个物流任务单位运距运输成本；

tij—第j个物流任务途径i物流中心处理到目的地的单位运距的运输时间；

w1,r—决策变量，若物流活动r在第1个物流企业进行完成和处理时，w1，r为1，否则为0；

kj,i—决策变量，若物流活动j在第i个物流企业进行完成和处理时，kj,i为1，否则为0；

tj,r—某个物流中心内的某物流企业处理第j个物流任务单位量的第r个物流活动所耗费的时间；

uj,r—第j个物流任务单位量的第r个物流活动处理货物量所耗费的成本；

Qj,r—第j个物流任务单位量的第r个物流活动处理货物量；

Sl,r—第r个物流活动所选择的某物流基地内第1个物流企业的最大处理能力；

T—物流任务的总时间限制；

C—物流任务的总成本限制；

xo—任务起始点横坐标；

xi—物流中心横坐标；

xd—任务目的地横坐标；

yo—任务起始点纵坐标；

yi—物流中心纵坐标；

yd—任务目的地纵坐标。

3.4 模型构建

3.4.1 任务处理时间

（1）运输时间分析。第j个任务的运输时间为：

物流任务运输总时间为：

针对物流任务中的物流配送活动而言，可分为以下几种情况：

①起始点是物流中心，xo=xi，yo=yi；

起始点不是物流中心，xo≠xi，yo≠yi。

②若任务经过物流中心处理，任务即完成，xd=xi，yd=yi；

若任务经过物流中心处理完善后还需运输至目的地，xd≠xi，yd≠yi。

③若物流任务没有运输任务，xo=xi，yo=yi；xd=xi，yd=yi。

④若任务只有运输不需要经过物流中心处理，xi=0.5(xo+xd),yi=0.5(yo+yd)。

（2）任务处理时间分析。第j个任务在物流中心i的处理时间为：

所有任务在物流中心的处理时间为：

3.4.2 任务处理成本

（1）运输成本。第j个任务所花费的运输成本为：

总运输成本为：

（2）任务处理成本。第j个物流任务选择在第i个物流中心完成的成本为：

物流中心处理完物流任务的总费用：

3.4.3 物流任务协同处理优化模型构建。云物流环境下的物流任务协同处理的核心点在于物流任务分配的合理性，结合物流中心实际，将多批次的物流任务合理地分配给各个物流中心，以最低的成本和最短的时间达成物流客户的需求。在实际的配送过程中，物流成本与物流配送时间是成反比的关系，如何平衡成本与时间的关系，使两者间达到最优是物流任务协同处置的关键。因此，构建物流任务协同处理模型的过程中引入了权重系数，将任务的协同处理问题转换为时间-成本综合值最小化问题。

目标函数表示如下：

在式（9）中，α和β表示在物流任务中时间和成本的权重系数，α+β=1。当α的取值在（0.5，1）时则表示物流客户对配送时间要求较高；当β的取值在(0.5，1]时则表示物流客户对物流成本要求较高。当α和β的值均为0.5时，则表示两者的重要程度相同。

3.4.4 模型约束条件。为便于模型的构建和求解，在前文中对该模型的构建和求解进行了条件假设，使模型求解的过程相对简单。本文构建模型的目的在于计算物流配送运输成本和时间成本的综合最小化，因此，在满足约束条件的前提下，模型构建的重点也就在于计算物流配送过程中产生的物流成本和耗费的配送时间。

根据前面的模型构建，本文设定的模拟约束条件主要是物流配送活动中物流任务的单位量、物流活动的处理货物量及物流处理中心的最大处理能力。因此，在构建模型的过程中，需保证物流处理中心能够处理某物流任务中的某物流活动所需处理的货物量。

kji表示决策变量，当物流任务j在i物流中心执行时，其值为1，否则为0。

wl,r表示决策变量，若物流活动r在第l个物流中心进行完成和处理时，其值为1，否则为0。

由于Qjr表示第j个物流任务单位量的第r个物流活动处理货物量，而Sl,r表示第r个物流活动所选择的物流中心的第l个物流企业的最大处理能力，因此，某个物流活动的最大处理的货物量小于该单位物流中心的最大处理能力。

Qjr表示第j个物流任务单位量的第r个物流活动处理货物量，Qji表示货物运输量，起始地为第j个物流任务发出地，终点为第i个物流中心。因此，物流活动处理的货物量不能超过物流运输货物的总量。

3.5 输入输出

云物流环境下多家物流中心协同处理优化模型建立的关键点是确定输入量与输出量，具体输入输出量如图3所示。

图3 云物流环境下物流中心任务协同处理输入输出图

如图3所示，模型输入量包括物流任务信息、物流中心信息、运输信息三部分。

3.5.1 输入量

（1）物流任务信息。物流任务信息包括货物数量、物流服务类别、任务处理时间及成本、任务起始点和目的地。该类信息均由客户向云端提交物流任务时所得。

（2）物流中心信息。物流中心信息包括物流中心位置、下属物流企业数量及功能、物流企业任务时刻表、单位时间货物处理时间及成本。物流企业任务时刻表由时间推演机制得到，其余信息为各家物流中心及下属企业在物流云端的基础信息。

（3）运输信息。运输信息包括每项物流任务起始点和目的地到物流中心的单位距离每单位重量运输的运输时间和运输成本。

3.5.2 输出量。模型输出量包括多批次任务的运输路径和物流中心任务处理信息。

（1）运输路径。运输路径包括物流任务从起始点经物流中心到运输目的地的路径以及出发时间、运输时间。

（2）物流中心任务处理信息。该项信息包括物流任务每项活动处理的物流企业、时刻以及处理成本。

4 案例求解与分析

假设三家物流中心分别为A、B、C，每个物流中心均有三个配送网点，分别为A1，A2，A3，B1，B2，B3，C1，C2，C3。当前，云物流平台共接到5个物流任务T1，T2，T3，T4，T5，假设以上物流任务所配送的货物类型不同，也就是需要对每个物流任务采取不同的物流活动。

在前面的阐述中，重点阐述了物流任务协同处理过程中采用的排队机制和物流外包机制，在不同的物流配送环境下（物流配送中心的位置及物流配送车辆数量不同）所采用的配送方式不同。因此，本文重点阐述利用排队机制实现物流任务的协同处理。

4.1 案例描述

通过对物流企业下设的物流配送网点的调研，综合分析可得，物流配送网点在处理物流配送任务的过程中，主要分为装卸搬运、仓储、分拣、包装和加工五个环节，在不同的环节所需要的处理时间和成本各不相同。

物流中心处理各项物流活动时的成本和时间信息见表1。

表1 物流中心任务处理成本和时间信息表

物流配送任务的描述信息如下：

此次配送任务共分为五个物流任务，分别为物流任务一、物流任务二、物流任务三、物流任务四、物流任务五，每个物流任务的起始地址和目的地址均不相同。每个物流配送任务对配送时间和配送成本均做了限制。

表2为物流配送任务的信息表。表中任务总体信息中的物流活动表格中的[1，1，1，1，1]分别表示物流任务中的装卸搬运、仓储、分拣、包装、流通五项物流活动。

4.2 案例求解与分析

根据前文构建的云物流环境下的物流中心任务协同模型，采用C#语言，应用企业编程软件实现模型设计。将物流中心的信息及物流任务信息输入到模型中，利用前面模型求解所阐述的计算方式实现计算和结果展示。

4.2.1 结果求解。物流任务调度表集中反映了各物流中心的物流企业实现物流任务处理的时刻。

（1）物流任务调度表。根据表3，在物流中心2中处理的物流任务分别为第2、3、5批任务。以第2批任务作为算例进行分析。

J21-J25：代表该批物流任务需要有五项处理活动。

物流中心：第2个。

处理路径：顺序依次为2→2→1→3→1。

处理时段：0.151-8.201表示第1个物流活动在第2企业的处理时段。

任务等待：第1项物流活动的时间范围为0.151-8.201，第2项物流活动的时间范围为8.201-16.251，也就是说第1项物流活动的结束时间为第2项物流活动的起始时间。通过表中展示的时间段分析可知，当前一个物流活动结束时则开始下一个物流活动，因此，该物流任务没有等待时间。

（2）物流任务处理输出图。算例的物流任务运输路径图与物流中心处理甘特图分别如图1、图2所示。

表2 物流任务信息

图4 算例物流任务运输路径图

图5 算例物流中心处理甘特图

表3 物流任务处理调度表

4.2.2 任务处理方案。根据物流任务调度表以及任务处理输出图，将五项物流任务的处理方案进行整理如下：

（1）物流任务一

①总时间为39.279，总成本为174.396。

②物流路径：第1物流中心；

处理步骤：1→1→1→1→3，1表示第1个物流中心，3表示第3个物流中心。

③时刻表：发货时间为0.000，到达第1个物流中心的时间为0.108，此后，在各个物流活动的处理时间段分别为：0.108-4.108，4.108-8.108，8.108-13.108，5 13.108-21.108，21.108-35.108，运输到终点的时刻为39.279。

④等待时间：等待时间均为0.000。

（2）物流任务二

①总时间为63.301，总成本为326.552。

②物流路径：2→2→1→3→1，数字x表示第x个物流中心。

③时刻表：物流活动开始的时间为0.100，货物到达第1个物流中心的时间为0.151，此后，在各个物流活动的处理时间段分别为：0.151-8.201，8.201-16.251，16.251-24.651，24.651-42.151，42.151-63.151，运输到终点的时刻为63.404。

④等待时间：等待时间均为0.000。

（3）物流任务三

①总时间为22.33，总成本为128.702。

②物流路径：1→3→1→2，数字x表示第x个物流中心。

③时刻表：物流活动开始的时间为0.125，货物到达第1个物流中心的时间为0.165，此后，在各个物流活动的处理时间段分别为：0.165-3.765，3.765-8.115，8.115-11.715，11.715-22.215，运输到终点的时刻为22.455。

④等待时间：等待时间均为0.000。

（4）物流任务四

①总时间为21.439，总成本为98.615；

②物流路径：1→3→2→1，数字x表示第x个物流中心。

③时刻表：物流活动开始的时间为0.150，货物到达第1个物流中心的时间为0.195，此后，在各个物流活动的处理时间段分别为：0.195-3.795，3.795-7.845，7.845-10.995，10.995-21.495，运输到终点的时刻为21.589。

④等待时间：等待时间均为0.000。

（5）物流任务五

①总时间为26.506，总成本为282.795。

②物流路径：3→1→2，数字x表示第x个物流中心。

③时刻表：物流活动开始的时间为2.000，货物到达第1个物流中心的时间为2.170，此后，在各个物流活动的处理时间段分别为：2.170-7.790，7.790-14.365，14.365-26.365，运输到终点的时刻为26.506。

④等待时间：等待时间均为0.000。

4.3 实施效果分析

在本次算例中，物流任务的α和β值均为0.5。因此，表4为物流任务的协同处理结果。物流任务完成均满足了时间和成本要求，所有任务均无外包。

表4 物流任务处理结果

根据表4可知，各物流企业在无物流外包的情况下，均在规定的时间内完成了物流配送活动，与传统的缺乏协同的物流配送活动相比，明显地节约了物流配送时间和配送成本。

因此，通过构建云物流环境下物流中心任务协同模型能够有效地改善物流任务的分配选择，充分利用物流企业的物流配送能力，同时验证了构建模型和物流方案的有效性。

[1]符丁,尹卓英.关联规则挖掘发现问题的协同式需求获取方法[J].计算机与数字工程,2011,39(4):63-66.

[2]刘海艳.视频无线传感器网络信息协同处理技术研究[D].长春:长春理工大学,2010.

[3]徐慧,杨永国.多Agent协同处理模型的研究与设计[J].计算机工程,2010,36(5):67-69.

[4]Ko Hoc Sang,Peck D V.Acquiring data for large aquatic resource surveys:the art of compromise among science,logistics,and reality[J].Journal of the North American Benthological Society,2015,27(4):837-859.

[5]宋琪.基于CAS理论的地震应急协同物流网络演化与仿真研究[D].哈尔滨:哈尔滨工程大学,2012.

[6]陈誉文.协同物流网络资源需求与配送中心运输调度的建模优化[D].上海:上海交通大学,2009.

[7]林俞利.物流运筹平台运用研究-以A公司为例[J].物流技术,2011,30(11):12-14.

[8]谢天保,巨莹.供应链物流协同模型[J].物流工程与管理,2010,32(9):100-102.