论文部分内容阅读
智能物流中心旨在为用户提供高性能的物流服务。在此背景下,本文首先部署了基于边缘架构的智能物流中心,然后在此物流中心做了商品推荐服务以及商品溯源服务,从而保证部署成本最小化的同时服务性能最优。本文的主要贡献如下:(1)针对智能物流中心部署成本最小化问题,本文引入了边缘架构来重新部署基于边-云的智能物流中心。在此基础上,构建了成本函数模型,并引入一种启发式算法,即猴群算法(Monkey Algorithm,MA),通过模拟一群猴子的爬山过程来解决部署物流中心过程中的多项成本的最小化问题。具体地,构建的成本模型无法在确定的多项式内求解;其次,相关问题的所有决策变量都是二进制的;另外,考虑到了猴群多样性以及搜索后期MA易陷入局部最优。本文在MA的基础上考虑了二进制-解编码以及引入了遗传算法(Genetic Algorithm,GA)来构建遗传-二进制解编码猴群(Decoding-Genetic MA,DGMA)算法。此算法解决了智能物流中心在多种约束条件下的部署成本最小,且避免了算法陷入局部最优的问题。(2)针对物流中心的商品被准确推荐的问题,本文基于双向长短期记忆网络(Bidirectional Long Short-Term Memory,BLSTM)提出了一个商品推荐系统,从大量用户需求的商品序列中提取需求行为特点,进而预测用户将要需求的商品。由于商品是不断时序变化的,所以在LSTM中引入了交互模型(Mogrifier,M),在提高预测精度的同时提高了推荐准确性。具体地,算法第一层的一维卷积神经网络(Conventional Neural Network,CNN)用来降低计算复杂度。然后在算法第一层和LSTM层之间引入M机制来交互输入与状态从而提高预测精度。接着利用全连接神经网络(Fully Connected Neural Network,FCNN)对预测结果进行学习和采样。基于MBLSTM算法的推荐系统能够提高对时变商品的推荐精度。(3)针对物流中心的流行商品被精准溯源的问题,本文基于区块链提出了一个商品溯源系统。具体地,根据预测出来的众多流行商品,首先利用资源比较多的区块对流行商品进行优先配置,从而优先保障流行商品的溯源准确性;其次利用融合定位算法追踪集群式的流行商品位置;然后将位置信息生成区块,利用块头节点信息与其他区块进行认证,从而保证溯源过程的安全性;最后Socket协议改善了溯源系统的传输效益。