鋼鐵工業逆向供應鏈服務模塊化方法

熊穎清,夏緒輝,王　蕾，向　紅

(武漢科技大學機械自動化學院，湖北 武漢，430081)

鋼鐵工業逆向供應鏈服務模塊化方法

熊穎清,夏緒輝,王蕾，向紅

(武漢科技大學機械自動化學院，湖北 武漢，430081)

摘要：鋼鐵工業逆向供應鏈服務系統是一種典型的復雜系統，其各項原子服務的實現涉及大量的服務資源，且原子服務之間以及服務活動與服務資源間存在多重關聯關系，為此提出一種基于多維耦合關系的服務模塊化方法，將鋼鐵工業逆向供應鏈標準服務流程進行分解得到原子服務，從功能、物理和需求等三個維度分析原子服務間的耦合關系，構建綜合耦合矩陣及服務模塊化測度，采用改進型遺傳算法對原子服務進行聚類優化。通過高爐渣回收再利用的案例驗證了該服務模塊化方法的有效性。

關鍵詞：鋼鐵工業；逆向供應鏈；服務；模塊化；原子服務；耦合；遺傳算法；聚類

鋼鐵工業是我國國民經濟的重要基礎產業，其生產過程中產生的廢棄物長期處于低水平利用狀況。從發展循環經濟的角度出發，鋼鐵工業逆向供應鏈服務是實現廢棄物資源化從而促進鋼鐵工業科學發展的重要途徑[1]。鋼鐵工業逆向供應鏈服務是一個復雜的系統運作過程，涉及種類繁雜的服務資源和服務活動，在服務系統管理及服務過程實現中存在著諸多困難。服務模塊化作為復雜服務系統運作的關鍵技術，可進行系統的調整和分割，根據功能、時間等屬性特征的不同將連續性服務劃分為離散模塊組合[2]。服務模塊化起源于服務業，之后逐漸擴展到生產性或服務性組織的服務系統之中，人們從不同角度出發對服務模塊化進行了研究。例如，吳照云等[3]將服務模塊化劃分為服務系統的模塊化和服務流程的模塊化；陶顏等[4]認為服務模塊化是合并型多維構念，包含服務產品模塊化和服務流程模塊化兩個子維度；關增產[5]指出，服務模塊劃分包含服務內容、服務流程、服務資源、服務組織的劃分； Li等[6]提出一個三階段交互式集成服務型產品模塊劃分方法，給出了物理模塊和服務模塊的劃分原則及交互影響關系；李浩等[7]系統歸納了廣義產品的模塊化設計方法，討論了面向服務的產品模塊化設計的可能研究方向，如個性化設計、生態化設計、智慧化設計等；Wang等[8]用需求聚類法來識別客戶需求價值，提出基于本體模型的產品服務配置方法，構建了基于產品服務本體的產品服務模塊化系統；董明等[9]提出一種基于本體的模塊化建模和配置方式，在產品建模中對服務要素采用可達矩陣方法進行模塊劃分。

以上文獻主要從服務模塊化的概念、劃分準則以及產品服務模塊化系統等方面進行了研究，而涉及服務模塊的模型構建、定量計算及優化方法的研究較少。為此，本文將鋼鐵工業逆向供應鏈服務流程分解為原子服務活動(atomic service，AS)，從功能、物理和需求等三個維度分析原子服務活動間的關聯耦合性，建立原子服務綜合耦合矩陣模型，并構建服務模塊化測度，然后運用矩陣編碼的改進型遺傳算法進行聚類優化，最終獲取標準服務模塊，以期有利于提高后續服務模塊配置效率，提升鋼鐵工業逆向供應鏈服務系統的需求響應能力和服務運作效率。

1鋼鐵工業逆向供應鏈服務模塊化過程

鋼鐵工業逆向供應鏈服務模塊化是將標準服務流程分解后再聚類為一系列的服務模塊。依據鋼鐵工業廢棄物資源化標準服務流程，從功能角度將標準服務流程分解為獨立的原子服務，并根據多維耦合關系將原子服務聚類成通用服務模塊，使得服務模塊內部的內聚度盡可能高，服務模塊之間的耦合度盡可能低。該通用服務模塊可與鋼鐵工業逆向供應鏈上的服務提供商可提供的服務模塊進行自適應匹配，篩選出滿足通用服務模塊需求的服務資源，鋼鐵工業逆向供應鏈服務模塊化過程如圖1所示。

2原子服務的多維耦合關聯分析

圖1　鋼鐵工業逆向供應鏈服務模塊化過程

Fig.1 Modularizing process of reverse supply chain service for iron and steel industry

耦合關聯分析是從一個或多個角度來度量兩個或多個實物間的相似度或關系緊密度。結合鋼鐵工業逆向供應鏈服務流程特點及原子服務的屬性特征，從功能耦合、物理耦合和需求耦合三個維度分析原子服務的關聯關系。

(1)功能耦合關聯，主要考慮鋼鐵工業逆向供應鏈服務過程中各個服務活動在服務功能方面的連接緊密度，即實現功能的相似度。

(2)物理耦合關聯，包括時間、地域、服務資源三方面。時間耦合關聯是考慮原子服務之間的時間相繼性；地域耦合關聯表示兩個原子服務是否發生在鄰近地理區域；服務資源耦合關聯表示兩個原子服務在服務資源上的共用性，包括對人員的工作類型及能力、服務設備、服務技術以及服務知識等的共用性。

(3)需求耦合關聯，表示服務活動在滿足服務需求方面的相似程度。

三種耦合關系的分解如圖2所示，其中{ω1,ω2,ω3}分別表示功能、物理、需求耦合的權重，{ω21,ω22,ω23}分別表示物理耦合中時間、地域、資源耦合的權重，所有權重均在[0, 1]區間取值。

設有n項原子服務，Afij表示原子服務i、j在功能上的相似度，Aptij表示原子服務i、j在時間上的相繼程度，Aplij表示原子服務i、j在地域上的鄰近程度，Apsij表示原子服務i、j在服務資源上的相似程度，Apij表示原子服務i、j對物理信息的關聯程度，Arij為原子服務i、j對需求信息的關聯程度。原子服務之間的耦合關聯程度根據表1進行量化處理。

圖2　原子服務耦合關系的分解

Fig.2 Decomposition of coupling relationship between atomic services

表1原子服務耦合關聯程度的量化

Table 1 Quantification of coupling degree between atomic services

耦合關系量化值描述無關聯0兩個原子服務間沒有連接或相似度弱關聯1兩個原子服務間連接或相似度較弱中等關聯5兩個原子服務間連接或相似度中等強關聯9兩個原子服務間連接或相似度較強

令服務過程中任意兩個原子服務i、j的綜合耦合度為Cij，則有：

(1)

(2)

(3)

(4)

3服務模塊的聚類優化

本文采用基于目標函數值的聚類優化方法，通過改進型遺傳算法對原子服務模塊進行聚類優化。

3.1服務模塊化測度

服務模塊粒度的大小直接影響后序與服務提供商所提供的服務資源模塊的匹配效率以及服務方案的優越性。服務模塊粒度較大，則包含較多的服務活動，能夠提供較多的服務功能，涉及的服務資源復雜，服務模塊內的內聚度較高，服務模塊間的耦合程度較低。反之，服務模塊粒度較小，則包含的服務活動、提供的服務功能較少，涉及的服務資源較簡單，服務模塊內的內聚度較低，服務模塊間的耦合程度較高。可根據服務模塊松散耦合性構建一種服務模塊化測度，對服務模塊進行劃分。本文采用文獻[10]中的模塊度作為服務模塊聚類優化函數，其由平均聚合度和平均耦合度之差構成。

服務模塊內原子服務間的平均聚合度計算方法為：

(5)

服務模塊之間的平均耦合度計算方法為：

(6)

服務模塊度優化函數為：

(7)

約束條件為：

(8)

(9)

式(5)～式(9)中：nk為第k個模塊中第一個原子服務在聚類后的原子服務序列中的序號；mk為第k個模塊中最后一個原子服務在聚類后的原子服務序列中的序號；rij為聚類后的綜合矩陣中第i行和第j列的元素；F為模塊化方案的模塊度；D為原子服務聚類后的服務模塊數量。

3.2改進型遺傳算法

3.2.1染色體編碼方式

采用矩陣編碼方法根據原子服務綜合耦合度矩陣進行服務模塊化方案編碼。對于一個由n個原子服務構成的綜合耦合分析矩陣，假設綜合矩陣的最大聚類模塊數為m，則最后得到的綜合耦合矩陣為m×n矩陣。矩陣中行元素表示聚類模塊，列元素表示原子服務。矩陣中每個單元格的值取0或1，值為1表示該列對應的原子服務在該行對應的聚類模塊中，值為0則表示其不在對應的聚類模塊中，且每一列元素中有且僅有一個單元格的值為1。矩陣編碼示例見圖3，設有原子服務{N1，N2，N3，N4，N5，N6},最大聚類數為4，服務模塊為{D1，D2，D3，D4}，所得到的編碼矩陣為4×6矩陣。其中，服務模塊D1中有{N1，N2，N5}對應的三個元素值為1，其它元素值為0，說明原子服務{N1，N2，N5}被劃分到模塊D1中；而服務模塊D4的所有元素值為0，說明該行為冗余行，沒有對應的服務模塊。

N1N2N3N4N5N6服務模塊D1110010服務模塊D2001100服務模塊D3000001服務模塊D4000000

圖3矩陣編碼示例

Fig.3 Example of matrix coding

編碼后生成初始化種群，方法如下：對于一條染色體(m×n矩陣)，在每一個列向量的第1行到第m行的所有單元格中任取一個單元格，將其值取為1，其余單元格都為0，這樣就得到了一條已經完成編碼的染色體；反復執行可生成不同的染色體，直到獲取足夠的染色體為止。

3.2.2選擇、交叉和變異算子

選擇算子采用錦標賽選擇方法，以模塊度作為適應度值，每次選取個體中適應度最高的幾個個體遺傳到下一代群體中。該方法的優點是對個體適應度取正負值無要求，隨機性較強，有較高概率保證最優個體被選擇、最差個體被淘汰。

交叉算子采用兩點交叉法，從當前種群中選擇出兩個父染色體，在父染色體的列中隨機選擇兩個整數作為交叉點，將兩條染色體中位于交叉點之間的列相互交換，其余列保持不變。

變異算子在基本變異法[11]的基礎上進行了改進。基本變異法是在一條父染色體矩陣中任意選擇兩列進行交換，其余列保持不變。在選擇出的兩列屬于同一聚類模塊時，該方法雖然對這兩列進行了位置交換，但得到的子染色體與父染色體仍然是相同的，導致變異沒有產生新的個體，降低了種群的多樣性，容易陷入局部最優。改進后的變異方法為：選擇出一個父染色體矩陣，從矩陣中隨機選擇出兩列作為變異點，分別將其數值為1的行變為0，再從其余行中隨機選擇一行，使其中的數值變為1。這樣就可以保證變異產生的子染色體與父染色體不一樣。圖4所示為基本變異和改進變異的操作過程。

3.3服務模塊數

4應用案例

4.1案例介紹與綜合耦合矩陣的建立

以某鋼鐵公司煉鐵廠產生的高爐渣的回收再利用為例。該廠一個季度預計產生高爐渣10萬噸，要求將作業現場的高爐渣及時運走。高爐渣的標準回收再處理流程包含的原子服務有{高爐渣過水服務、裝車服務1、礦渣運輸服務、卸車服務1、礦渣濾液服務、礦渣配料服務、散裝服務、裝車服務2、運輸服務、卸車服務2、玻璃加工服務、水泥加工服務、磚窯加工服務}。各原子服務的屬性特征分析如表2所示。

根據表1 及表2構建原子服務的功能耦合矩陣[Afij]n×n、需求耦合矩陣[Arij]n×n、時間耦合矩陣[Aptij]n×n、地域耦合矩陣[Aplij]n×n和服務資源耦合矩陣[Apsij]n×n等，其中功能耦合矩陣如下：

Fig.4 Schematic diagram of the basic and improved variation methods

表2　高爐渣回收再利用的原子服務屬性特征

權重取ω1=0.33、ω21=0.11、ω22=0.12、ω23=0.11、ω3=0.33，根據式(1)～式(4)可得原子服務綜合耦合矩陣[Cij]n×n如下：

4.2優化結果與對比分析

采用Matlab軟件實現矩陣編碼的改進型遺傳算法。為了對比分析，本文還同樣采用Matlab軟件并選擇應用較多的FCM算法對高爐渣回收再利用流程包含的原子服務進行模塊劃分。

4.2.1改進型遺傳算法聚類優化結果

設種群數為50，最大進化次數為200，交叉概率為0.95，變異概率為0.1，待聚類原子服務數n=13，最大聚類模塊數m=6。運用相關參數進行聚類優化，獲得改進型遺傳算法的進化收斂過程如圖5所示。

由圖5可見，最優個體的適應度值為2.83，其染色體編碼矩陣為：

根據最優個體的染色體編碼矩陣共生成4個服務模塊：D1={1,2,3,4}、D2={5,6,7}、D3={8,9,10}、D4={11,12,13}，矩陣中還有2行的元素均為0，表示該模塊為空。這些服務模塊表示：服務模塊1包含高爐渣過水服務、裝車服務1、礦渣運輸服務和卸車服務1；服務模塊2包含礦渣濾液服務、礦渣配料服務和散裝服務；服務模塊3包含裝車服務2、運輸服務、卸車服務2；服務模塊4包含玻璃加工服務、水泥加工服務和磚窯加工服務；服務模塊5及6則不含任何原子服務。

4.2.2FCM算法聚類優化結果

在FCM算法中指定模塊數為6，則隨機生成6個初始聚類中心，計算各樣本與初始聚類中心的歐氏距離，共迭代162次，其目標函數值的變化曲線如圖6所示。

圖5　改進型遺傳算法優化歷程

Fig.5 Optimization history of improved genetic algorithm

運用FCM算法共產生了6個服務模塊：D1={1,2,4}、D2={3}、D3={5,6,7}、D4={8}、D5={9}、D6={10,11,12,13}。服務模塊1包含高爐渣過水服務、裝車服務1、卸車服務1；服務模塊2包含礦渣運輸服務；服務模塊3包含礦渣濾液服務、礦渣配料服務和散裝服務；服務模塊4包含裝車服務2；服務模塊5包含運輸服務；服務模塊6包含卸車服務2、玻璃加工服務、水泥加工服務以及磚窯加工服務。

4.2.3優化結果對比

采用改進型遺傳算法進行服務模塊劃分時，只需指定最大模塊數，最后的聚類結果則根據適應度函數值可進行自適應調整；采用FCM算法時需指定具體的模塊數，如果模塊數指定不合適，則會出現不合理的服務模塊。例如：在上述兩種算法中均指定初始分類模塊數為6，改進型遺傳算法根據適應度函數值通過遺傳操作最終生成4個服務模塊；而FCM算法隨機生成6個初始聚類中心，并根據目標函數值聚類生成6個服務模塊。在FCM算法的聚類結果中，服務模塊D2、D4、D5中均只含有一個原子服務。D2服務模塊中的原子服務為礦渣運輸服務，發生在煉鐵廠和礦渣廠之間。D1服務模塊中的高爐渣過水服務(原子服務1)和裝車服務1(原子服務2)發生在煉鐵廠，卸車服務1(原子服務4)發生在礦渣廠。很明顯需要有礦渣運輸服務才能將裝車服務1和卸車服務1劃分在一個服務模塊。因此，將原子服務1、2、3和4劃分在同一服務模塊中更合適，即改進型遺傳算法的劃分結果更合理。同時，FCM算法聚類后產生的模塊數指定為6，生成的模塊數較多，將對后續服務模塊的匹配效率及服務方案的合理性產生不利影響。因此，在實際應用中改進型遺傳算法比FCM算法更適用于鋼鐵工業逆向供應鏈服務模塊的劃分。

5結語

本文提出了一種基于多維耦合關系的鋼鐵工業逆向供應鏈服務模塊化方法。從功能、物理以及需求三個維度來分析鋼鐵工業逆向供應鏈原子服務間的耦合關系，構建了原子服務綜合耦合矩陣及服務模塊化測度，采用改進型遺傳算法對原子服務模塊進行聚類優化，并將優化結果與指定聚類模塊數的模糊C均值聚類方法得出的結果進行了對比分析，驗證了改進型遺傳算法的可行性及有效性。鋼鐵工業逆向供應鏈服務模塊的合理劃分可提高服務模塊匹配效率，使服務系統能夠更快速地響應客戶個性化的服務需求，同時又發揮了服務生產的規模經濟和范圍經濟效應。

圖6　FCM算法優化歷程

Fig.6 Optimization history of FCM algorithm

參考文獻

[1]王蕾，夏緒輝，熊穎清，等．鋼鐵工業逆向供應鏈服務過程模型[J]．工程科學學報，2015，37(6)：812-821．

[2]Stremersch S, Weiss A M, Dellaert B G C, et al. Buying modular systems in technology-intensive markets[J]. Journal of Marketing Research，2003, 40(3): 337-348.

[3]吳照云，余長春，尹懿．服務模塊化的研究現狀及發展趨向[J]．商業經濟與管理，2012(3)：36-42．

[4]陶顏，孔小磊．服務模塊化評價指標體系的構建[J]．技術經濟，2015，34(6)：7-11．

[5]關增產．面向大規模定制的服務模塊化研究[J]．價值工程，2009(11)：99-103．

[6]Li Hao, Ji Yangjian, Gu Xinjian, et a1. Module partition process model and method of integrated service product[J].Computers in Industry, 2012, 63(4): 298-308.

[7]李浩，祁國寧，紀楊建，等．面向服務的產品模塊化設計方法及其展望[J]．中國機械工程, 2013，24(12)：1687-1694．

[8]Wang P P, Ming X G, Wu Z Y, et al. Research on industrial product-service configuration driven by value demands based on ontology modeling[J].Computers in Industry, 2014, 65(2):247-257.

[9]董明，蘇立悅．大規模定制下基于本體的產品服務系統配置[J]．計算機集成制造系統，2011，17(3)：653-661．

[10]洪城．綠色產品模塊化與供應鏈聯合設計方法[D]．杭州：浙江大學，2014．

[11]唐敦兵, 錢曉明, 劉建剛. 基于設計結構矩陣DSM的產品設計與開發[M]．北京：科學出版社，2009．

[12]Tseng Hwai-En, Chang Chien-Chen, Li Jia-Diann. Modular design to support green life-cycle engineering[J]．Expert Systems with Applications，2008, 34: 2524-2537.

[13]Kreng V B, Lee T-P. Modular product design with grouping genetic algorithm—a case study[J]．Computers and Industrial Engineering, 2004, 46: 443-460.

[14]田夏. 基于種群遺傳算法的產品全生命周期模塊化設計方法[D]. 上海：上海交通大學，2009．

[責任編輯尚晶]

Modularization of reverse supply chain service for iron and steel industry

XiongYingqing,XiaXuhui,WangLei,XiangHong

(College of Machinery and Automation, Wuhan University of Science and Technology, Wuhan 430081, China)

Abstract:Reverse supply chain service system for the iron and steel industry is a typical complex one, and the implementation of its atomic services involves a lot of service resources. There are multiple relationships among the atomic services, and between the service activities and resources, so this paper presents a service modularizing method based on multi-dimensional coupling relationship. The standard service process of reverse supply chain for the iron and steel industry is decomposed into multiple atomic services whose coupling relationships are analyzed from the functional, physical and demand dimensions. Then the comprehensive coupling matrix and the measure of service modularization are built. An improved genetic algorithm is used to cluster the atomic services optimally. The effectiveness of the proposed service modularizing method is verified by the case of blast furnace slag recycling.

Key words：iron and steel industry; reverse supply chain; service; modularization; atomic service; coupling; genetic algorithm; cluster

收稿日期：2015-10-20

基金項目：國家自然科學基金資助項目(71471143)；武漢科技大學冶金工業過程系統科學湖北省重點實驗室開放基金資助項目(Y201501).

作者簡介：熊穎清(1984-)，女，武漢科技大學博士生．E-mail: yingqingxiong@163.com 通訊作者：夏緒輝(1966-)，男，武漢科技大學教授，博士生導師．E-mail: xiaxuhui@wust.edu.cn

中圖分類號：F406

文獻標志碼：A

文章編號：1674-3644(2016)01-0041-07