基于云計算的分布式庫存調(diào)撥模型構(gòu)建與算法研究.pdf

1、庫存調(diào)撥是物流管理的重要組成，隨著電子商務(wù)的蓬勃發(fā)展，庫存調(diào)撥的特點已由曾經(jīng)的地域化、獨立化轉(zhuǎn)變?yōu)榭绲貐^(qū)化和信息共享化，這一特點的集中體現(xiàn)則是分布式庫存調(diào)撥在庫存管理系統(tǒng)中的廣泛應(yīng)用。分布式庫存調(diào)撥通過一個倉儲信息中心，實現(xiàn)各地區(qū)倉庫貨物庫存的合理分配，大大的減少了庫存管理費用。但庫存信息的跨區(qū)域共享以及模型求解算法的效率與準確性在大數(shù)據(jù)的背景下始終是需要不斷應(yīng)對的難題。云計算是近年來較為熱門的大數(shù)據(jù)解決方案，本文運用Hadoop的云計

2、算平臺與并行算法設(shè)計的知識，對分布式庫存調(diào)撥模型的建立以及算法求解和性能優(yōu)化進行了研究和實驗，主要工作內(nèi)容如下：
　?。?）建立基于云計算的層次控制分布式庫存調(diào)撥模型。針對傳統(tǒng)的集中控制與分散控制下的分布式庫存調(diào)撥模型的不足，引入云計算的PaaS(Platform-as-a-Service)服務(wù)，將庫存調(diào)撥系統(tǒng)部署在云平臺上，憑借云平臺的分布式信息共享能力設(shè)計一種層次控制的分布式庫存調(diào)撥模型，該模型兼具集中控制與分散控制的優(yōu)點，充

3、分發(fā)揮了庫存信息共享的價值。
　?。?）設(shè)計基于云計算的改進型和聲搜索算法對模型求解。針對傳統(tǒng)尋優(yōu)算法全局搜索性能較差的缺陷，選擇啟發(fā)式算法中全局搜索性能較強的和聲搜索算法進行并行化改進，提出基于MapReduce的動態(tài)參數(shù)和聲搜索并行算法。算法通過對各個區(qū)域的庫存子系統(tǒng)分別建立和聲庫矩陣進行局部尋優(yōu)，再由倉儲信息中心進行全局尋優(yōu)，實現(xiàn)各區(qū)域庫存信息共享下的庫存調(diào)度優(yōu)化。實驗表明該算法在分布式庫存調(diào)撥模型的求解中能夠更快的跳出局部

4、最優(yōu)，搜索到更優(yōu)的全局解，具有實用價值。
　?。?）對Hadoop云平臺進行負載均衡優(yōu)化。針對仿真實驗中云平臺上的算法執(zhí)行效率未達到預(yù)期的問題，研究了MapReduce在Hadoop平臺上的任務(wù)調(diào)度機制，提出DPLB(Dynamic Priority Load Balance,動態(tài)優(yōu)先級負載均衡)的優(yōu)化調(diào)度算法，該算法利用TaskTracker與JobTracker之間定時發(fā)送的心跳信息，設(shè)計一種動態(tài)優(yōu)先級的調(diào)度特征量，有效地解決