基于任务器材保障的虚拟仓库DC成员筛选*

王铁宁，杨 帆*，于双双，高 晟，吴龙涛

（1.陆军装甲兵学院，北京100072；3.解放军96631部队，北京102206；3.解放军96172部队，江西 乐平333300）

0 引言

近年来，为了增强部队战斗力，提高国家军事实力，更好地应对国际国内形势的不断变换，我军举办或参加的联合军演、出国竞演、阅兵等非战争军事任务越来越多，需要承担的装备器材保障任务也越来越重。随着军改的不断深化，习近平主席在十九大开幕式上，进一步提出了必须“发展新型作战力量和保障力量，提高基于网络信息体系的联合作战能力”、“形成军民融合深度发展格局”。而军事虚拟仓库，作为一种新型的仓库形态，改变了传统的实体仓库保障模式，为军事任务过程中器材保障提供了一种新思想和新策略。同时，在军事任务器材保障过程中，虚拟仓库允许地方配送中心和地方生产商加入，更加适应军民融合需要，对提高保障效益，降低保障成本具有重要意义。

虚拟仓库的构成成员，包括军队成员和地方成员。成员的选择，尤其是地方成员的选择，对虚拟仓库构建成败至关重要。在对任务器材保障过程中，选择合适的地方成员，能够实现互利共赢，保障任务顺利进行。而成员选择不当，不仅无法发挥虚拟仓库的优势，还可能威胁到整个军事任务的成功。当前对虚拟仓库的研究，大多集中在其组织模式和组建方式上［1-3］，对虚拟仓库成员的选择文献则相对较少。文献［4］通过初选、分类、精选、评价等步骤，采用模糊聚类分析法及模糊层次分析法对虚拟组织成员进行选择与优化；文献［5］对联盟成员的服务水平、硬件条件以及合作条件等进行考量，建立基于佳点集遗传算法的混合聚类方法对成员进行筛选。这些文献均为虚拟仓库成员的选择提供了一定参考，但是都没有区分军队成员和地方成员，也没有考虑虚拟仓库服务对象特性，不适用于基于任务器材保障的成员筛选。

本文在任务器材保障的基础上，对组建虚拟仓库的地方配送中心DC（Distribution Center）成员进行筛选。以保障成本最低为目标，综合考虑DC成员之间的互斥性、保障安全性、任务成功性、配送准时性等实际要求，结合DC自身核心能力，建立筛选模型。采用SOFM和量子遗传算法，结合实例求解验证了本文所设计的筛选方法。

1 问题描述

Thomas于1995年首次提出“虚拟仓储技术”［6］，Mike P.Clarke进一步对定义进行了完善［7］，虚拟仓库理论最早便在军事领域中诞生了。军事虚拟仓库不同于传统的实物仓库，是为了满足一定军事目标下物资储备及供应需求，应用供应链管理技术，结合计算机及通信网络，将所选实体仓库、指挥机构、生产商、供应商等物流成员衔接起来，组成一个军事物资保障联盟，为统一军事任务服务的临时性组织。其整合了多个实体仓库及物流资源，能够跨越时间与空间的限制，实现物资的统一管理和调度。因其具有针对性、动态性、共享性、虚拟性和临时性等特点，能够实现最低化成本、最优化服务及最优化调配［8］，因此，是未来军事任务器材保障的主要模式。

在采用军事虚拟仓库模式对任务进行器材保障时，其组织成员包括军队成员和地方成员，具体包括：军队仓库、军事虚拟仓库指挥中心、任务器材预置储备点仓库、地方配送中心及地方生产商。运作过程中其物流和信息流如图1所示。其中军事虚拟仓库作为一个临时性的组织，其实体并不存在，而是通过由指挥中心对组织中实体成员进行联合控制和协调的数据及策略集［9］。根据文献［9］，军事虚拟仓库收到军事任务器材需求之后，通过分析各个成员所拥有的器材信息，根据实际情况及最优化策略，组织各个成员向任务器材预置储备点的临时仓库供应器材。实际任务预置储备器材由器材生产商、地方配送中心及军队仓库3部分供给，同时，地方配送中心与军队仓库的缺货器材也由生产商进行补给。

图1 军事虚拟仓库构成图

由图1可以看出，军事虚拟仓库中，地方成员和军队成员都是必不可少的组成部分，其中地方配送中心，可以分担通用器材保障的大量任务。因此，在组建虚拟仓库时，必须对其成员组成进行严格、准确筛选，综合考虑各可选成员的核心能力，结合任务实际要求，同时尽可能降低保障成本，构建军事虚拟仓库DC的成员筛选模型。

2 模型构建

假设有N个地方DC可供选择，已知任务器材保障中有D单位器材由DC向预置储备点供应，Di表示第i个DC向器材预置储备点配送器材数量，1≤i≤N；Xi表示第i个DC是否被选为虚拟仓库成员的0-1决策变量，Xi=1表示选择第i个DC作为组织成员，Xi=0表示不选择第i个DC作为组织成员；T表示任务开始前允许配送总时长。

2.1 约束条件分析

2.1.1核心能力

DC核心能力是竞争能力和服务能力的综合指标，是其能为军事虚拟仓库贡献的关键。只有具备了虚拟仓库所需的核心能力，为组织提供服务，才可能被选为虚拟仓库成员。本文认为，在对军事任务器材进行保障时，DC核心能力可由图2所示7个方面表征。其中企业规模越大、信誉越佳、市场占有率越高，表明该DC较其他企业竞争能力越强，成本效益越高；自动化程度和库存管理信息化水平越高，则越能适应军事虚拟仓库的快速响应能力；同时自身持有器材质量及受交通、地理位置、企业物流设施等影响的配送能力越高，则表明该中心可提供的服务越好。

图2 DC核心能力指标

通过对7个指标的分析，本文将DC核心能力分为极佳、较优、普通及较差4类。在对成员进行选择时，至少要求该DC属于极佳或较优类。令ki表示第i个DC所属类别数，数字越小，核心能力越强，Ki表示核心能力筛选指标。则当ki=1或ki=2时，Ki=1，否则，Ki=0。则有

式（1）为保证所选DC核心能力属于前两类。

2.1.2任务成功性

军事虚拟仓库作为服务性、暂时性的组织，对其成员进行选择时，不仅要考虑成员自身核心能力，还必须对各成员完成任务能力进行考量，以保障任务的高效完成。令A表示器材保障的任务成功率，则有

2.1.3危险性

军事虚拟仓库成员为军事任务服务，其安全性是必须考虑的因素之一。假设每个DC在将器材运送到预置储备点过程中，途经危险路段的概率以及运送不等量器材受到威胁的程度各不相同，令σi表示第i个DC运输的危险性系数，Q表示军事虚拟仓库组织所能承受的最大危险性，则有

2.1.4成员互斥性

2.1.5准时性

所选虚拟组织成员，必须能够将所需器材及时运送到器材预置储备点。令di表示第i个DC到预置器材储备点的距离，vi表示第i个DC的平均配送速度，则有

2.2 目标函数

模型的目标函数为尽可能降低军事虚拟仓库任务器材保障成本，包括运输成本、协调成本及安全成本。令C表示总成本，csi表示第i个配送中心单位器材每公里运输成本，cw表示单位危险度成本，cx表示单位成员协调成本，则

其中，式（6）中等号右边第1部分表示运输总成本，由所选DC成员的单位器材每公里运输成本与器材运输量、器材运输距离相乘得出；第2部分为虚拟仓库的安全成本，由所选DC成员的单位危险度成本与危险度系数、运输器材数量相乘得出；第3部分为虚拟仓库的协调成本，由所选DC成员单位协调成本及互斥系数相乘得出，其中危险度系数及互斥系数由专家对DC实地调研得出。根据文献［9］，军方统一承担器材采购成本，与所选DC无关，因此，对地方配送中心成员选择目标函数中不考虑器材的采购成本。

2.3 筛选模型

由上述分析，可建立军事虚拟仓库DC筛选模型。

3 算例分析

借鉴文献［10］，本文作如下基于任务的器材保障想定：假设拟在内蒙古某地举行联合军演，采用军事虚拟仓库模式对军演装备器材进行供应与保障。在军演区域内设有一个器材预置储备点，由地方配送中心供应的器材需求量为50小修基数，要求在60 h内将这些器材调度到位。

3.1 核心能力分类

本文将DC核心能力分为4类，1到4类分别表示极佳、较优、普通及较差。多名专家对已知的35个地方配送中心深入调研，得到各个DC相关数据，并以此为样本进行训练和测试。其中企业规模可由DC占地面积近似衡量，配送能力可由配送距离及平均配送速度计算，自动化程度可由物流中心平均装卸货时间衡量。对于库存管理信息化水平、企业信誉及器材质量，由专家进行0～10打分，分数越高表示对应能力越强。现有7个DC有意愿加入虚拟仓库，相关信息如表1所示。

表1 待分类DC参数表

自组织特征映射神经网络（SOFM）作为一种无导师学习的神经网络分类算法，具有很强的学习能力和分类能力［11］。本文利用MATLAB2014a平台，首先采用mapminmax（）函数对数据进行归一化处理，借用MATLAB中SOFM神经网络工具箱，可得到7个待分类配送中心所属类别，如表2所示，图3、图4分别为SOFM获胜神经元统计图、邻近神经元距离分布图。由结果可知，DC6不属于前两类，需要被剔除。

表2 DC核心能力分类表

3.2 模型求解及验证

令单位危险性成本为cw=30，单位成员协调成本为cx=10，A=98%，Q=5%，R=25%。各成员间互斥性系数如表3所示。

图3 SOFM获胜神经元统计图

图4 SOFM邻近神经元距离分布图

表3 DC成员互斥系数

采用量子遗传算法对模型进行求解。作为将量子计算与遗传算法相结合的新型概率进化算法，量子遗传算法将态矢量引入遗传算法编码中，利用量子逻辑门实现染色体的进化，从而达到比标准遗传算法更好的求解与寻优效果［12-13］。但是标准的量子遗传算法往往采用固定旋转角策略，求解过程不够灵活。本文对旋转角策略进行改进调整，在算法开始时，设置一个固定的初始旋转角，并在进化过程中动态调整，逐步缩小旋转角，使得算法向有利于最优解的方向进化。本文在MATLAB2014a中确定初始量子比特编码矩阵，采用collapse（）函数对种群实施测量，编写改进量子旋转门Qgate（）函数，使其能够根据进化进程动态调整量子门的旋转角大小，编辑算法主函数，可得到模型结果如表4所示。

表4 模型结果

由表4可得，选择DC2与5可达到供应需求，且能够实现成本最低。可以求得，虚拟仓库中DC加入的总成本为7 691.68。将本文算法与标准遗传算法及未改进的标准量子遗传算法进行对比，对比结果如表5所示。

表5 3种算法求解对比

从表5中可以看出，虽然标准遗传算法得出的虚拟仓库成员策略的成本也较低，但是仍然不是最优的策略，且其运行时间明显较长。与标准量子遗传算法相比，改进的量子遗传算法由于具有动态性，收敛速度快，能够更快更优地求出满意解，同时也进一步验证了本文所提算法的有效性。

4 结论

军事虚拟仓库作为未来任务器材保障的主要模式，科学选择地方配送中心，能够更好地发挥民间力量的作用，保证器材及时、准确、经济地向任务点供应。本文以成本最小为目标，综合考虑军事任务成功性、保障危险性、成员互斥性、供应准时性等约束，结合地方配送中心核心能力判别，构建了军事虚拟仓库中对地方配送中心的筛选模型，采用SOFM及量子遗传算法对模型进行求解，为军事虚拟仓库成员选择以及基于任务的器材保障提供决策支持。