CN107274261A - B2b电子商务供需双边匹配方法及系统 - Google Patents
B2b电子商务供需双边匹配方法及系统 Download PDFInfo
- Publication number
- CN107274261A CN107274261A CN201710415821.5A CN201710415821A CN107274261A CN 107274261 A CN107274261 A CN 107274261A CN 201710415821 A CN201710415821 A CN 201710415821A CN 107274261 A CN107274261 A CN 107274261A
- Authority
- CN
- China
- Prior art keywords
- order
- buying
- supplier
- purchase
- work order
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0605—Supply or demand aggregation
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种B2B电子商务供需双边匹配方法及系统,该方法包括:获取待匹配的采购商的采购信息及供货商信息;基于采购商品相同原则对待匹配的采购订单进行分类,将同一类采购订单合并为相应的工作订单;构建多目标优化函数以及相应的约束条件,多目标优化函数的分目标函数包括所有工作订单的商品总价和所有工作订单的平均交货期,所有工作订单的商品总价和平均交货期均为采购向量的函数,采购向量用于表示各个工作订单向各个候选供货商采购商品的采购量;在约束条件下,以平均交货期短且商品总价低为优化目标对多目标优化函数进行极值求解得到最优采购向量,生成供货清单和采购清单。达到降低采购成本,缩短采购到货时间的有益效果。
Description
技术领域
本发明涉及B2B(Business To Business)电子商务领域,尤其涉及的是一种B2B电子商务供需双边匹配方法及系统。
背景技术
服装是生活必需消费品,我国拥有超过十三亿人口的庞大消费人群,随着城市化的发展和人均可支配收入的提高,我国服装行业销售额相应快速增长。近年来,我国已成为世界上最大的服装生产国、出口国和消费国。传统的服装销售模式采用连锁、专卖等线下实体开店的形式,增加了批发、零售等多个层次的销售环节,拥有渠道的经销商瓜分了服装生产商的大部分利润;同时也侵占了消费者的利益,过长的销售链也导致了流通效率及消费者信息反馈速度和有效性的下降,对于季节性、时间性很强的服装生产来讲,生产商缺乏与最终用户的直接沟通,不仅影响了客户服务的质量,而且客户的反馈也无法及时指导产品的生产,严重制约了服装行业的进一步发展。
近年来,随着信息技术的发展和全国范围的网络普及,电子商务以其特有的跨越时空的便利、低廉的成本和广泛的传播性在我国取得了极大的发展,为整个服装行业提供了一个开放的平台。2016年纺织服装电子商务交易总额为4.45万亿元,同比增长20.27%,占全国电子商务交易总额的20.23%。其中,纺织服装企业间(B2B)电子商务交易额为3.45万亿元,同比增长21.05%。服装B2B电子商务平台为买卖双方提供了一个交易的平台,协助撮合消费者和供货商之间完成交易,其的主要职能是通过搜寻使交易双方互相匹配。
服装B2B电子商务平台的应用使多对多交易将逐渐成为未来电子市场的主流。在B2B电子商务平台帮助交易双方寻找最理想的匹配方案,实现高效率、低成本的信息处理和交换。多对多的电子市场是指有多个购买者和多个供货商进行交易。在多对多交易市场中,服装电子商务平台具有两个主要功能:一是帮助购买者找到能为其提供满意的商品的供货商,并根据购买者的需求和供货商的提案找出可行的匹配方案集合。二是对可行的匹配方案集合做优化处理,即一方面要尽可能保证购买者节约成本,另一方面要为供货商发现最有利可图的贸易,同时保证双方尽可能获得更多的利益。
然而,目前在服装供应链中,无论是线上和线下,采购主要通过人工根据采购单逐笔完成,该种采购效率低下、容易出错,且由于零售商分别基于自己的需求进行采购,普遍采购量较小,缺乏议价权,采购成本偏高。
发明内容
本发明所要解决的技术问题是提供一种B2B电子商务供需双边匹配方法及系统,达到降低采购成本,缩短采购时间的有益效果。
为解决上述问题,本发明提出一种B2B电子商务供需双边匹配方法,包括如下步骤:
S1,获取待匹配的采购商的采购信息和待匹配的供货商的供货信息;
S2,根据所述采购信息和供货信息,基于采购商品相同原则对待匹配的采购订单进行分类,并将同一类采购订单合并为相应的工作订单,且该工作订单的采购量为该类采购订单的采购量之和;
S3,针对所有工作订单,构建多目标优化函数以及相应的约束条件,所述多目标优化函数的分目标函数包括所有工作订单的商品总价和所有工作订单的平均交货期,所述所有工作订单的商品总价和平均交货期均为采购向量的函数,所述采购向量用于表示各个工作订单向各个候选供货商采购商品的采购量;
S4,在所述约束条件下,以所述平均交货期短且商品总价低为优化目标对所述多目标优化函数进行极值求解得到最优采购向量,并根据所述最优采购向量生成供货清单和采购清单。
根据本发明的一个实施例,所述采购信息至少包括采购商、采购订单以及各个采购订单所采购商品的商品品类匹配关键词、采购量及交货期,所述供货信息包括对应的供货商、以及可供货商品的商品品类匹配关键词、最大供货量、供货价格及交货期,其中,所述商品品类匹配关键词包括货号、男/女款、颜色、大小;
所述步骤S2中将商品品类匹配关键词相同的采购订单分为一类,并针对每一类生成一个工作订单,所述工作订单的采购量为同一类采购订单的采购量之和。
根据本发明的一个实施例,所述步骤S3通过如下步骤构建多目标优化函数:
S31:针对每个工作订单,根据工作订单内的商品品类匹配关键词与供货商供货信息内的商品品类匹配关键词进行匹配,量化匹配结果并建立工作订单与供货商之间的匹配矩阵;
S32:针对所有工作订单构建采购矩阵,并将采购矩阵向量化表示得到采购向量,所述采购矩阵中的WO_QT(i,j)为第i个工作订单采购供货商j的采购量;其中i∈[1,m],j∈[1,n],m为工作订单的总数,n为供货商的总数;
S33:构建一按照采购采购时所对应的商品总价函数、及一按照采购矩阵采购时所对应的平均交货期函数,并根据商品总价函数、平均交货期函数作为分目标函数建立一多目标优化函数。
根据本发明的一个实施例,所述步骤S31中量化匹配结果并建立工作订单与供货商之间的匹配矩阵时,若匹配结果为不匹配,则将对应元素赋值为0;若匹配结果为匹配,则将对应元素赋值为1。
根据本发明的一个实施例,所述步骤S3构建的约束条件包括约束条件一和约束条件二:约束条件一为,针对单个工作订单,将单个工作订单的总采购量正好分配给各匹配的采购商;约束条件二为,针对每个供货商,单个工作订单的采购量应不大于该供货商对该商品的最大供货量。
根据本发明的一个实施例,所述步骤S4极值求解得到最优采购向量时包括如下步骤:
S41:在约束条件下求解所述多目标优化函数的初始解,针对每一行,以匹配矩阵中各行匹配成功的元素作为目标元素,根据目标元素赋予所述采购矩阵中相应行中各个元素的初始值;
S42:根据所述初始解,采用优化算法求解获得一组候选解;
S43:针对各个候选解,计算所有工作订单在对应候选解下对应的商品总价和平均交货期;
S44:根据候选解与初始解,生成最优解集;
S45:判断是否达到预设迭代次数,若满足则将最优解集作为最终优化解集,否则,从该组候选解中选择一候选解更新初始解,返回步骤S42执行;
S46:根据最终优化解集,在满足供货商的交货期不超过预设交货期阈值时,选择商品总价最低的解作为所述最优解。
根据本发明的一个实施例,所述步骤S41包括以下步骤:
S411:遍历匹配矩阵,针对每一行,以匹配成功的元素作为目标元素,确定各行目标元素的个数;
S412:根据确定的目标元素的个数赋予采购矩阵中各行各个元素的初始值:
若匹配矩阵中目标元素有且只有1个时,赋予采购矩阵中与该目标元素对应的元素初始值为WO_QT(i),其余元素赋予初始值为零;
若目标元素的个数大于1个时,按照预定的顺序对目标元素排序,赋予采购矩阵中与第一个目标元素位置对应的元素初始值为rn(1),其中,rn(1)为随机整数,且满足QL≤rn(1)<WO_QT(i)和rn(1)≤GM(i,j);若为第k个目标元素,其中2≤k≤K,K为目标元素的总数,则赋予采购矩阵中与该第k个目标元素位置对应的元素初始值为rn(k),其中,rn(k)为随机整数,且满足和rn(1)≤GM(i,j);其中,当第k个元素为第i行最后一个元素时,若最后一个违反约束条件二时,则把rn(k)-GM(i,j)的部分分配给前k-1个元素中,并保证前k-1个元素满足约束条件二;
至此,求得满足约束条件下的采购矩阵WO_QT初始解;其中,GM(i,j)表示第j个供货商对第i个工作订单所采购商品的最大供货量,WO_QT(i)为第i个工作订单的总采购量,QL为供货商的最低起批量。
根据本发明的一个实施例,所述步骤S42包括以下步骤:
S421:在初始解下计算各个工作订单向每个供货商采购商品时的商品总价;第i个工作订单向第j个供货商采购的总价第j个供货商的商品总价P(i,j)为:
P(i,j)=Flag(i,j)×PL(i,j)×WO_QT(i,j)
其中,PL(i,j)表示按照采购向量采购时第j个供货商对第i个工作订单的最低供货价格,Flag(i,j)表示匹配矩阵;
S422:针对步骤S421计算得到的各个工作订单向每个供货商采购商品时的商品总价,按照从大到小排列,以轮盘赌的方式选中一个商品总价记为P(i0,j0);
S423:以步骤S422中选择的商品总价P(i0,j0)所对应的采购矩阵元素值WO_QT(i0,j0)作为变异参数,采用粒子群优化算法对该变异参数进行变异,从而得到L个连续的整数变异量;对变异参数进行变异时,选择WO_QT(i0,j0)附近的L个连续的整数值作为变异量;
S424:针对步骤S423中得到的每一个变异量,固定WO_QT(i0,j0)的取值为该变异量,调整采购矩阵中第i0行中j0之外其余元素的取值,使该行所有元素满足约束条件下,得到L个候选解,L为正整数。
根据本发明的一个实施例,所述步骤S44包括以下步骤:
S441:针对生成的初始解,把该初始解初始化为Pareto前沿的最优解;
S442:针对生成的任一候选解,其相对应的分目标函数的取值分别为Ph和DDh,对于Pareto前沿中所有最优解,其相对应的分目标函数的取值分别为Pp(i)和DDp(i),i=1,2,3,...,M,M为当前Pareto前沿的个数;该候选解与所有最优解相比,若满足Ph<Pp(i)和/或Ph<Pp(i),则该候选解加入Pareto前沿最优解集;
S443:候选解更新至Pareto前沿后,检查更新的Pareto前沿,任意两个最优解相比,如果同时满足如下两个公式,则删除Pareto前沿中第j个最优解;
Pp(i)≤Pp(j),其中i∈[1,M],j∈[1,M],且i≠j
DDp(i)≤DDp(j),其中i∈[1,M],j∈[1,M],且i≠j。
根据本发明的一个实施例,在步骤S2和步骤S3之间或步骤S3中还包括对各个工作订单进行修正得到修订后的工作订单,具体如下:
针对每一个工作订单,进行如下操作:
根据供货商的可供货商品以及工作订单所采购的商品确定候选供货商;
以工作订单的采购量不超过候选供货商的最大供货量为原则对该工作订单进行修订得到修订后的工作订单;
相应的,所述步骤S3和S4中针对所有修订后的工作订单进行。
本发明还提供一种B2B电子商务供需双边匹配系统,包括:
信息获取单元,获取待匹配的采购商的采购信息和待匹配的供货商的供货信息;
工作订单生成单元,根据所述采购信息和供货信息,基于采购商品相同原则对待匹配的采购订单进行分类,并将同一类采购订单合并为相应的工作订单,且该工作订单的采购量为该类采购订单的采购量之和;
优化函数构建单元,针对所有工作订单,构建多目标优化函数以及相应的约束条件,所述多目标优化函数的分目标函数包括所有工作订单的商品总价和所有工作订单的平均交货期,所述所有工作订单的商品总价和平均交货期均为采购向量的函数,所述采购向量用于表示各个修订工作订单向各个候选供货商采购商品的采购量;
优化函数求解单元,在所述约束条件下,以所述平均交货期短且商品总价低为优化目标对所述多目标优化函数进行极值求解得到最优采购向量,并根据所述最优采购向量生成供货清单和采购清单。
采用上述技术方案后,本发明相比现有技术具有以下有益效果:
通过采购信息与供货信息的初次匹配形成匹配矩阵,使得两者可以在大类上关联起来,从而只需通过矩阵运算对匹配成功的部分进行二次匹配,运算更快,随后将供货商和零售商的需求匹配用多目标约束优化问题进行建模,采用多目标极值优化问题进行求解,在满足零售商采购需求的前提下,得到采购价格最低、到货最快的零售商需求采购方案,达到降低采购成本,缩短采购到货时间的有益效果。
附图说明
图1为本发明一实施例的B2B电子商务供需双边匹配方法的流程示意图;
图2为本发明一实施例的构建多目标优化函数的流程示意图;
图3为本发明一实施例的极值求解得到最优采购向量的流程示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施的限制。
在一个实施例中,一种B2B电子商务供需双边匹配方法,包括如下步骤:
S1,获取待匹配的采购商的采购信息和待匹配的供货商的供货信息;
S2,根据所述采购信息和供货信息,基于采购商品相同原则对待匹配的采购订单进行分类,并将同一类采购订单合并为相应的工作订单,且该工作订单的采购量为该类采购订单的采购量之和;
S3,针对所有工作订单,构建多目标优化函数以及相应的约束条件,所述多目标优化函数的分目标函数包括所有工作订单的商品总价和所有工作订单的平均交货期,所述所有工作订单的商品总价和平均交货期均为采购向量的函数,所述采购向量用于表示各个工作订单向各个候选供货商采购商品的采购量;
S4,在所述约束条件下,以所述平均交货期短且商品总价低为优化目标对所述多目标优化函数进行极值求解得到最优采购向量,并根据所述最优采购向量生成供货清单和采购清单。
下面对B2B电子商务供需双边匹配方法进行详细的描述,但不应以此为限。
在步骤S1中,获取待匹配的采购商的采购信息。采购信息可根据具体需要交易情况而定。
在一个实施例中,所述采购信息至少包括采购商、采购订单以及各个采购订单所采购商品的商品品类匹配关键词、采购量及交货期。其中可选的,在服装交易领域中,所述商品品类匹配关键词可以包括货号、男/女款、颜色、大小。后续可依据商品品类匹配关键词中的一个或几个或全部进行分类汇总,生成商品分类后的工作订单。
具体的,从数据库中读取未进行匹配的采购商的采购信息,包括采购商BID、采购订单的订单号OID,以及每个采购订单所采购商品的货号AN、男/女款ST、颜色CL、大小SZ、采购量QT、交货期DDcg,可以以客户订单形式呈现采购信息。
客户订单具体形式如表1所示。
BID | OID | AN | ST | CL | SZ | QT | DDcg |
b1 | od1 | an1 | man | black | 100A | 400 | 8 |
b1 | od2 | an2 | woman | pink | 90A | 800 | 8 |
b1 | od3 | an3 | woman | black | 85A | 300 | 8 |
b2 | od4 | an1 | man | black | 100A | 400 | 8 |
b2 | od5 | an2 | woman | pink | 90A | 300 | 8 |
b2 | od6 | an3 | woman | black | 85A | 600 | 8 |
b3 | od7 | an1 | man | black | 100A | 800 | 8 |
b3 | od8 | an2 | woman | pink | 90A | 300 | 8 |
b3 | od9 | an3 | woman | black | 85A | 600 | 8 |
表1.客户订单
在步骤S1中,还获取待匹配的供货商的供货信息。
对应的,所述供货信息包括对应的供货商、以及可供货商品的商品品类匹配关键词、最大供货量、供货价格及交货期。其中可选的,商品品类匹配关键词包括货号、男/女款、颜色、大小。
可选的,供货信息还包括促销策略,不同促销策略设置有对应的预设批量范围、商品价格和交货期,在对应商品采购量落入预设批量范围时,则享受对应的商品价格和交货期。
具体的,读取供货商信息,生成供货商信息集GI。从数据库中读取供货商的供货信息,包括供货商GID、所供货商品的货号AN、与GID和AN对应的最大供货量GM、男/女款ST、颜色CL、大小SZ、以及GID和AN对应的供货策略信息,供货策略信息包括最低起批量QL、促销策略DC及对应价格Pgy和交货期DDgy。促销策略DC中包括有商品的供货价格。为描述简单,所有供货商的最低起批量QL在数量上保持一致。供货策略信息例如表2。
GID | AN | QL | DC | Pgy | DDgy |
g1 | an1 | 100 | 100 | 50 | 8 |
g1 | an1 | 100 | 600 | 45 | 6 |
g1 | an1 | 100 | 900 | 40 | 4 |
g3 | an1 | 100 | 100 | 55 | 8 |
g3 | an1 | 100 | 500 | 50 | 6 |
g3 | an1 | 100 | 800 | 45 | 4 |
g1 | an2 | 100 | 100 | 53 | 8 |
g1 | an2 | 100 | 600 | 48 | 6 |
g1 | an2 | 100 | 900 | 42 | 4 |
g2 | an2 | 100 | 100 | 50 | 8 |
g2 | an2 | 100 | 500 | 45 | 6 |
g2 | an2 | 100 | 800 | 40 | 4 |
g2 | an3 | 100 | 100 | 51 | 8 |
g2 | an3 | 100 | 500 | 46 | 6 |
g2 | an3 | 100 | 800 | 42 | 4 |
g3 | an3 | 100 | 100 | 50 | 8 |
g3 | an3 | 100 | 600 | 45 | 6 |
g3 | an3 | 100 | 900 | 40 | 4 |
表2.供货商策略信息
促销策略实际上可以理解为设定不同的供货方案,每个供货方案包括按照该方案供货时的供货量区间及在各个供货区间的供货价格。促销策略表示为供货商GID对于货号AN的促销策略,当该货号采购量超过DC值时,则享受对应的价格Pgy和交货期DDgy。供货信息除了供货商策略信息之外的信息,可以称之为所供商品信息。所供商品信息表例如表3。
表3.所供商品信息表
接着执行步骤S2,根据所述采购信息和供货信息,基于采购商品相同原则对待匹配的采购订单进行分类,并将同一类采购订单合并为相应的工作订单,且该工作订单的采购量为该类采购订单的采购量之和。
由于客户订单中存在所需商品相同的订单,因而对客户订单进行分类汇总可以减小后续处理量,当然不执行分类汇总也能够继续执行本发明实施例的后续步骤,只是计算量相对更大些。
步骤S2中将商品品类匹配关键词相同的采购订单分为一类,并针对每一类生成一个工作订单,所述工作订单的采购量为同一类采购订单的采购量之和。
具体可以基于货号AN、男/女款ST、颜色CL、大小SZ相同原则对所有订单分类,并将属于同一类商品的订单数量累加形成一个工作订单。当然,对合并成一个工作订单的客户订单,后续仍然能够区分其所需货物。
假设采购商甲某一条采购信息和采购商乙某一条采购信息的所采购商品的货号、男/女款、颜色、大小一致,则这两条采购信息保留,并将采购商甲和采购商乙满足上述一致条件的商品的采购数量相加作为采购总量,并形成为一个工作订单。当没有可以合并的客户订单则单独成为工作订单。
例如,由客户订单表1依据上述分类汇总的原则所生成的工作订单如表4所示,其中WID为工作订单号。
WID | OID | AN | ST | CL | SZ | QT |
w1 | od1/od4/od7 | an1 | man | black | 100A | 1600 |
w2 | od2/od5/od8 | an2 | woman | pink | 90A | 1400 |
w3 | od3/od6/od9 | an3 | woman | black | 85A | 1500 |
表4.工作订单
接着执行步骤S3,针对所有工作订单,构建多目标优化函数以及相应的约束条件,所述多目标优化函数的分目标函数包括所有工作订单的商品总价和所有工作订单的平均交货期,所述所有工作订单的商品总价和平均交货期均为采购向量的函数,所述采购向量用于表示各个工作订单向各个候选供货商采购商品的采购量。
在一个实施例中,参看图2,步骤S3通过如下步骤构建多目标优化函数:
S31:针对每个工作订单,根据工作订单内的商品品类匹配关键词与供货商供货信息内的商品品类匹配关键词进行匹配,量化匹配结果并建立工作订单与供货商之间的匹配矩阵;
S32:针对所有工作订单构建采购矩阵,并将采购矩阵向量化表示得到采购向量,所述采购矩阵中的WO_QT(i,j)为第i个工作订单采购供货商j的采购量;其中i∈[1,m],j∈[1,n],m为工作订单的总数,n为供货商的总数;
S33:构建一按照采购采购时所对应的商品总价函数、及一按照采购矩阵采购时所对应的平均交货期函数,并根据商品总价函数、平均交货期函数作为分目标函数建立一多目标优化函数。
在步骤S31中,根据工作订单内的商品品类匹配关键词与供货商供货信息内的商品品类匹配关键词一个或几个进行匹配。优选的,量化时,针对每个工作订单,根据该工作订单中的商品货号与供货商所供货商品的商品货号进行匹配,建立工作订单与供货商的匹配矩阵。
更具体来说,针对当前工作订单,若供货商所供应产品的货号与当前工作订单的货号一致,则认为该供货商与当前工作订单匹配。否则认为二者不匹配。
本发明实施例中,步骤S31中,量化匹配结果并建立工作订单与供货商之间的匹配矩阵时,若匹配结果为不匹配,则将对应元素赋值为0;若匹配结果为匹配,则将对应元素赋值为1。可以理解,也可以量化为其他值,只要能够做出区分即可,当然,为了计算简单,匹配失败最好量化为0。在实际应用中会存在很多工作订单和供货商,供货商与工作订单的匹配会构成一个匹配矩阵Flag。匹配矩阵Flag中的各元素值例如表5,当然,表格只是为了便于呈现,计算时可以矩阵形式代入相应公式。
Flag(i,j) | g1 | g2 | g3 |
w1 | 1 | 0 | 1 |
w2 | 1 | 1 | 0 |
w3 | 0 | 1 | 1 |
表5.匹配矩阵
根据所述匹配矩阵,将商品品类匹配关键词中的剩余关键词继续进行匹配,若匹配一致,表明供与需的商品完全对应起来,则获取供货商对此工作订单需求商品的最大供货量,从而生成最大供货矩阵。
具体的,根据工作订单与供货商的匹配矩阵,当供货商所供应产品的货号、大小、男女款、颜色与当前工作订单的货号、大小、男女款、颜色一致,获取该供货商对此商品的最大供货量,从而生成最大供货矩阵GM,最大供货矩阵GM中第i行第j列的元素GM(i,j)表示第j个供货商对第i个工作订单所采购商品的最大供货量。本实施例中得到的最大供货矩阵以表格形式呈现如表6。
GM(i,j) | g1 | g2 | g3 |
w1 | 1000 | 0 | 1000 |
w2 | 1000 | 1000 | 0 |
w3 | 0 | 1000 | 1000 |
表6.最大供货矩阵
首先进行部分关键词的匹配形成匹配矩阵,将采购信息和供货信息挑选出来,便可以便于而后进行的二次关键词的匹配。由于商品货号不同,商品定然不同,因而将第一次关键词设置为货号,实现大类划分。当然,可以理解,匹配矩阵也可以是商品品类关键词中的全部关键词一次匹配计算得到,实现同类商品的供与需一一对应。
在一个实施例中,在步骤S2和步骤S3之间或步骤S3中还包括对各个工作订单进行修正得到修订后的工作订单,具体如下:
针对每一个工作订单,进行如下操作:
根据供货商的可供货商品以及工作订单所采购的商品确定候选供货商;
以工作订单的采购量不超过候选供货商的最大供货量为原则对该工作订单进行修订得到修订后的工作订单;
相应的,所述步骤S3和S4中针对所有修订后的工作订单进行。
其中对于订单的修改也可以放在二次匹配计算完成之后进行,避免重复的匹配运算。针对各工作订单,比较工作订单的总采购量和全部供货商对对应商品的最大供货量,若总采购量过大,则删减对应工作订单的部分采购量,以使该工作订单对该商品的总采购量不超过全部供货商的最大供货量。删减的部分可以存入数据库,当然,在匹配完成之后,数据库需要进行适应性的更新,将已匹配部分标记或删除。
具体的,针对任一工作订单,都代表着对特定型号商品的采购需求,若所有供货商都不能满足该工作订单对该特定型号商品的总采购量,则需删减该工作订单的部分采购量,使得该工作订单对特定型号商品的总采购量不超过所有供货商的最大供货量。即满足Flag(i,j)=1时,其中,Flag(i,j)表示匹配矩阵。
下面通过表7-9进行举例说明:
WID | OID | AN | ST | CL | SZ | QT |
w11 | od1/od2/od3 | an1 | man | black | 100A | 3000 |
表7.工作订单
GM(i,j) | g1 | g2 | g3 | g4 | g5 | g6 | g7 |
w11 | 1000 | 0 | 0 | 0 | 0 | 0 | 2000 |
表8.最大供货矩阵
WID | OID | AN | ST | CL | SZ | QT |
w11 | od1/od2 | an1 | man | black | 100A | 3000 |
表9.删除后的工作订单
由表7可知,工作订单w11需要采购4000件衣服,由供货商g1、g7供货且最大总供货量为3000,则w11中需要剔除1000件。剔除时,可以根据OID找到所对应的客户订单od1、od2、od3,其中od3刚好1000件且其预期的交货最长,则在工作订单中删除od3相关的信息,系统安排od3至下次匹配。删除后的工作订单为表9。当然,在超出的采购量不是一个客户订单的完整采购量时,也可先删除该客户订单的全部或部分的采购量。
在步骤S32中,针对所有工作订单构建采购矩阵,并将采购矩阵向量化表示得到采购向量,所述采购矩阵中的WO_QT(i,j)为第i个工作订单采购供货商j的采购量;其中i∈[1,m],j∈[1,n],m为工作订单的总数,n为供货商的总数。
可以根据修订后的各个工作订单对各个供货商的剩余采购量构建采购矩阵。采购矩阵内的元素分配可在约束条件中得到合理分配,此处可以为行元素总量已知而元素具体值为未知量的矩阵。
具体的,步骤S32包括以下步骤:
S321:构建采购矩阵WO_QT,其中,WO_QT(i,j)为第i个工作订单采购供货商j的采购量;其中i∈[1,m],j∈[1,n],m为工作订单的总数,n为供货商的总数;
S322:对采购矩阵WO_QT进行向量化,得到采购向量
进一步的,步骤S322中,将采购矩阵WO_QT中所有元素按行依次排列组成的采购向量,排列时,从第一行的第一个元素开始作为一维向量的第一元素,待第一行排列元素完毕之后,再从第二行第一个元素开始,依此类推,形成采购向量换算成向量可以便于函数运算。
在步骤S33中,构建一按照采购矩阵采购时所对应的商品总价函数、及一按照采购矩阵采购时所对应的平均交货期函数,并根据商品总价函数、平均交货期函数建立一多目标优化函数。
具体的,步骤S33中,多目标优化函数min f表示求解采购向量使得所对应的商品总价低而所对应的平均交货期短:
表示按照采购向量进行采购时所对应的商品总价;
表示采购向量进行采购时所对应的平均交货期;
其中,Flag(i,j)表示匹配矩阵中第i个工作订单与第j个供货商的匹配结果,PL(i,j)表示第j个供货商对第i个工作订单的供货价格,DD(i)为供货商的商品交货期DDgy,QTwo为所有采购商的采购商品总数量。
min f表示求解采购向量使得和处于帕累托最优(所对应的总价低而平均交货期短)。
优选的,步骤S3构建的约束条件包括约束条件一和约束条件二:约束条件一为,针对单个工作订单,将单个工作订单的总采购量正好分配给各匹配的采购商;约束条件二为,针对每个供货商,单个工作订单的采购量应不大于该供货商对该商品的最大供货量。
接着执行步骤S4,在所述约束条件下,以所述平均交货期短且商品总价低为优化目标对所述多目标优化函数进行极值求解得到最优采购向量,并根据所述最优采购向量生成供货清单和采购清单。
在约束条件一和约束条件二下求解多目标优化函数。
具体的,步骤S4中,
约束条件一:
约束条件二:Flag(i,j)=1时,WO_QT(i,j)≤GM(i,j) (5)
其中,WO_QT(i)为第i个工作订单的总采购量。WO_QT(i)为第i行的元素和。
在实际使用时,最小起批量这个约束容易满足。为简单描述,本发明实施例中假设每个工作订单都能满足最小起批量这个约束。当然,为了完全避免实际采购量不满足最小起批量的问题,可以增加每个工作订单都满足最小起批量这个约束。
例如,对于m个工作订单WO(i),i∈[1,m]。根据工作订单与供货商匹配矩阵,对于每个工作订单都有若干个(至少一个)可选供货商,分配至若干个供货商的总和为WO_QT(i);同时,每个工作订单的采购量应不大于该供货商对该商品的最大供货量,且满足起批量,即,需同时满足公式(4)~(5)。
在一个实施例中,参看图3,步骤S4极值求解得到最优采购向量时包括以下步骤:
S41:在约束条件下求解所述多目标优化函数的初始解,针对每一行,以匹配矩阵中各行匹配成功的元素作为目标元素,根据目标元素赋予所述采购矩阵中相应行中各个元素的初始值;
S42:根据所述初始解,采用优化算法求解获得一组候选解;
S43:针对各个候选解,计算所有工作订单在对应候选解下对应的商品总价和平均交货期;
S44:根据候选解与初始解,生成最优解集;
S45:判断是否达到预设迭代次数,若满足则将最优解集作为最终优化解集,否则,从该组候选解中选择一候选解更新初始解,返回步骤S42执行;
S46:根据最终优化解集,在满足供货商的交货期不超过预设交货期阈值时,选择商品总价最低的解作为所述最优解。
在一个实施例中,步骤S41包括以下步骤:
S411:遍历匹配矩阵Flag,针对各行工作订单,以匹配成功的元素作为目标元素,确定各行目标元素的个数;可选的,满足Flag(i,j)=1的元素为目标元素;
S412:根据确定的目标元素的个数赋予采购矩阵WO_QT中各行各个元素的初始值:
若匹配矩阵中目标元素有且只有1个时,赋予采购矩阵中与该目标元素对应的元素初始值为WO_QT(i),根据步骤S5可知采购矩阵中该元素值不超过该供货商对该工作订单的最大供货量,其余元素赋予初始值为零;
若目标元素的个数大于1个时,按照预定的顺序对目标元素排序,赋予采购矩阵中与第一个目标元素位置对应的元素初始值为rn(1),其中,rn(1)为随机整数,且满足QL≤rn(1)<WO_QT(i)和rn(1)≤GM(i,j);若为第k个目标元素,其中2≤k≤K,K为目标元素的总数,则赋予采购矩阵中与该第k个目标元素位置对应的元素初始值为rn(k),其中,rn(k)为随机整数,且满足和rn(1)≤GM(i,j);其中,当第k个元素为第i行最后一个元素时,若最后一个违反约束条件二时,则把rn(k)-GM(i,j)的部分分配给前k-1个元素中,并保证前k-1个元素满足约束条件二;
至此,求得满足约束条件一和约束条件二的采购矩阵WO_QT初始解;其中,GM(i,j)表示第j个供货商对第i个工作订单所采购商品的最大供货量,WO_QT(i)为第i个工作订单的总采购量,QL为供货商的最低起批量。
由于初始解只能满足约束条件,不一定是最优解,因而需要进一步优化求解,当然优化求解的方式不止一种。
在一个优选的实施例中,步骤S42包括以下步骤:
S421:计算各个工作订单向每个供货商采购商品时的商品总价;第i个工作订单向第j个供货商采购的总价第j个供货商的商品总价P(i,j)为:
P(i,j)=Flag(i,j)×PL(i,j)×WO_QT(i,j) (6)
其中,PL(i,j)表示第j个供货商对第i个工作订单的最低供货价格;
S422:针对步骤S821计算得到的各个工作订单向每个供货商采购商品时的商品总价,按照从大到小排列,以轮盘赌的方式选中一个商品总价记为P(i0,j0);
S423:以步骤S822中选择的商品总价P(i0,j0)所对应的采购矩阵元素值WO_QT(i0,j0)作为变异参数,采用粒子群优化算法(PSO)对该变异参数进行变异,从而得到L个连续的整数变异量;对变异参数进行变异时,选择WO_QT(i0,j0)附近的L个连续的整数值作为变异量;
S424:针对步骤S423中得到的每一个变异量,固定WO_QT(i0,j0)的取值为该变异量,调整采购矩阵中第i0行中j0之外其余元素的取值,使该行所有元素满足约束条件一和约束条件二,对各行均如此操作,使得采购向量满足约束条件一和二,从而得到L个候选解,L为正整数。
步骤S421的商品总价P(i,j)可以通过如下方法获取:
在初始解下,查找所有由同一供货商供货的所有工作订单,当采购货号相同时,则可以组合采购货号相同的所有工作订单形成中间订单,以匹配该供货商在该货品下的促销策略,获取最低供货价格PL(i,j)。通常来说,相同货号的商品的促销策略相同,因而可以将同样货号的工作订单形成为一个中间订单,便于计算采购的商品总价。
基于以上计算P(i,j)可以看出,需要对工作订单重组。针对同一供货商,以满足供货期为原则,组合所有的工作订单作为中间订单。中间订单只参与采购商品总价的计算,而不参与优化计算过程。
轮盘赌又称比例选择方法,其基本思想是:各个个体被选中的概率与其适应度大小成正比。由于采用轮盘赌法则,每次选择的P(i0,j0)中i0,j0的取值不直接相关性,可能相同,也可能不同,这样通过多次循环,进而保证对应各个工作订单的所有行都能够被调整,即得到最终的匹配结果。
当工作订单形成为中间订单时,步骤S43中,针对各个候选解,计算所有中间订单在该候选解下对应商品总价P和平均交货期DD。
在一个实施例中,步骤S44包括以下步骤:
S441:针对生成的初始解,把该解初始化为Pareto前沿的最优解;
S442:针对生成的任一候选解,其相对应的多目标优化函数为Ph和DDh,对于Pareto前沿中所有最优解,其相对应的多目标优化函数Pp(i)和DDp(i),i=1,2,3,...,M,M为当前Pareto前沿的个数;该候选解与所有最优解相比,若满足公式(7)和(8)中至少一个,则该候选解加入Pareto前沿最优解集;
Ph<Pp(i) (7)
DDh<DDp(i) (8)
S443:候选解更新至Pareto前沿后,检查更新的Pareto前沿,任意两个最优解相比,如果同时满足公式(9)和(10),则删除Pareto前沿中第j个最优解;
Pp(i)≤Pp(j),其中i∈[1,M],j∈[1,M],且i≠j (9)
DDp(i)≤DDp(j),其中i∈[1,M],j∈[1,M],且i≠j (10)。
在步骤S45中,判断是否达到预设迭代次数,若满足则停止优化,并以此次优化得到的Pareto前沿作为最终Pareto前沿;否则,从该组候选解中选择一候选解更新初始解,并以更新后的初始解返回步骤S42执行。
根据P和DD中的一个作为评价指标,采用轮盘赌法则从L个候选解中选择一个以更新初始解,进行轮盘赌法则时,按照从小到大的顺序排列所有评价指标。即以P为评价指标时,选择相对较低的,以DD为评价指标时,选择相对较短。
步骤S46中,根据Pareto前沿,在满足供货商的交货期不超过JHQ时,选择价格总价最低的候选解作为最优解。其中,JHQ为预设的交货期阈值,如5天。接着前述实施例的表格,进行优化后得到的采购向量的最优解如表10。
1000 | 0 | 600 | 400 | 1000 | 0 | 0 | 500 | 1000 |
表10.最优解
采购向量的最优解所对应的采购矩阵为表11。
WO_QT(i,j) | g1 | g2 | g3 |
w1 | 1000 | 0 | 600 |
w2 | 400 | 1000 | 0 |
w3 | 0 | 500 | 1000 |
表11.最优解所对应的采购矩阵
在一个实施例中,步骤S4采购清单和供货清单生成时包括以下顺序可调换的步骤:
根据最优解信息,针对每个供货商,匹配最优解中采购该供货商商品的工作订单信息,从而生成供货清单;
根据最优解信息,针对每个工作订单,查询分配给每个供货商的商品信息,把工作订单的信息拆分为客户订单,针对每个客户订单构建采购清单。
具体的,接着前述实施例内容,根据最优解信息,针对每个供货商,匹配最优解中采购该供货商货品的工作订单信息,从而生成供货清单。每条供货清单信息包括供货商GID、供应价Pgy、供应交货期DDgy、采购商BID、采购订单的订单号OID、商品货号AN、男/女款ST、颜色CL、大小SZ、数量QT,如表13所示;同理,根据最优解信息,针对每个工作订单,查询分配给每个供货商的商品信息,采用随机分配的方式,把工作订单的信息拆分至客户订单,然后针对每个客户订单构建采购清单,每条清单信息包括采购商BID、订单号OID、商品货号AN、男/女款ST、颜色CL、大小SZ、数量QT、预期采购交货期DDcg、供货商GID、采购价格Pcg和采购交货期DDcg,如表12所示。
表12.匹配后的采购商清单
GID | Pgy | DDgy | BID | OID | AN | ST | CL | SZ | QT |
g1 | 40 | 4 | b1 | od1 | an1 | man | black | 100A | 200 |
g1 | 53 | 8 | b2 | od5 | an2 | woman | pink | 90A | 300 |
g1 | 40 | 4 | b3 | od7 | an1 | man | black | 100A | 800 |
g1 | 53 | 8 | b3 | od8 | an2 | woman | pink | 90A | 100 |
g2 | 40 | 4 | b1 | od2 | an2 | woman | pink | 90A | 800 |
g2 | 51 | 8 | b1 | od3 | an3 | woman | black | 85A | 300 |
g2 | 51 | 8 | b2 | od6 | an3 | woman | black | 85A | 200 |
g2 | 40 | 4 | b3 | od8 | an2 | woman | pink | 90A | 200 |
g3 | 50 | 6 | b1 | od1 | an1 | man | black | 100A | 200 |
g3 | 50 | 6 | b2 | od4 | an1 | man | black | 100A | 400 |
g3 | 40 | 4 | b2 | od6 | an3 | woman | black | 85A | 400 |
g3 | 40 | 4 | b3 | od9 | an3 | woman | black | 85A | 600 |
表13.匹配后的供货清单
在本发明实施例中,根据最优解及多目标优化函数最优解的总采购价格和平均交货期分别为19.42万元和4.71天。
而若采用传统B2B模式,以匹配后的采购清单,其中的供应价Pgy和供应交货期DDgy结合供货商的供货策略,则可以生成传统模式的采购清单如表14。
表14.传统的模式的采购清单
根据表14可以计算总采购价格为21.47万元,平均交货期为6.67天。
可见,通过本发明实施例的交易匹配,在满足零售商采购需求的前提下,得到采购价格最低、到货最快的零售商需求采购方案,达到降低采购成本,缩短采购到货时间的有益效果。
本发明还提供一种B2B电子商务供需双边匹配系统,包括:
信息获取单元,获取待匹配的采购商的采购信息和待匹配的供货商的供货信息;
工作订单生成单元,根据所述采购信息和供货信息,基于采购商品相同原则对待匹配的采购订单进行分类,并将同一类采购订单合并为相应的工作订单,且该工作订单的采购量为该类采购订单的采购量之和;
优化函数构建单元,针对所有工作订单,构建多目标优化函数以及相应的约束条件,所述多目标优化函数的分目标函数包括所有工作订单的商品总价和所有工作订单的平均交货期,所述所有工作订单的商品总价和平均交货期均为采购向量的函数,所述采购向量用于表示各个修订工作订单向各个候选供货商采购商品的采购量;
优化函数求解单元,在所述约束条件下,以所述平均交货期短且商品总价低为优化目标对所述多目标优化函数进行极值求解得到最优采购向量,并根据所述最优采购向量生成供货清单和采购清单。
关于本发明的B2B电子商务供需双边匹配系统的具体内容可以参看前述实施例中B2B电子商务供需双边匹配方法部分的描述内容,在此不再赘述。
本发明虽然以较佳实施例公开如上,但其并不是用来限定权利要求,任何本领域技术人员在不脱离本发明的精神和范围内,都可以做出可能的变动和修改,因此本发明的保护范围应当以本发明权利要求所界定的范围为准。
Claims (11)
1.一种B2B电子商务供需双边匹配方法,其特征在于,包括如下步骤:
S1,获取待匹配的采购商的采购信息和待匹配的供货商的供货信息;
S2,根据所述采购信息和供货信息,基于采购商品相同原则对待匹配的采购订单进行分类,并将同一类采购订单合并为相应的工作订单,且该工作订单的采购量为该类采购订单的采购量之和;
S3,针对所有工作订单,构建多目标优化函数以及相应的约束条件,所述多目标优化函数的分目标函数包括所有工作订单的商品总价和所有工作订单的平均交货期,所述所有工作订单的商品总价和平均交货期均为采购向量的函数,所述采购向量用于表示各个工作订单向各个候选供货商采购商品的采购量;
S4,在所述约束条件下,以所述平均交货期短且商品总价低为优化目标对所述多目标优化函数进行极值求解得到最优采购向量,并根据所述最优采购向量生成供货清单和采购清单。
2.如权利要求1所述的B2B电子商务供需双边匹配方法,其特征在于,所述采购信息至少包括采购商、采购订单以及各个采购订单所采购商品的商品品类匹配关键词、采购量及交货期,所述供货信息包括对应的供货商、以及可供货商品的商品品类匹配关键词、最大供货量、供货价格及交货期,其中,所述商品品类匹配关键词包括货号、男/女款、颜色、大小;
所述步骤S2中将商品品类匹配关键词相同的采购订单分为一类,并针对每一类生成一个工作订单,所述工作订单的采购量为同一类采购订单的采购量之和。
3.如权利要求1所述的B2B电子商务供需双边匹配方法,其特征在于,所述步骤S3通过如下步骤构建多目标优化函数:
S31:针对每个工作订单,根据工作订单内的商品品类匹配关键词与供货商供货信息内的商品品类匹配关键词进行匹配,量化匹配结果并建立工作订单与供货商之间的匹配矩阵;
S32:针对所有工作订单构建采购矩阵,并将采购矩阵向量化表示得到采购向量,所述采购矩阵中的WO_QT(i,j)为第i个工作订单采购供货商j的采购量;其中i∈[1,m],j∈[1,n],m为工作订单的总数,n为供货商的总数;
S33:构建一按照采购采购时所对应的商品总价函数、及一按照采购矩阵采购时所对应的平均交货期函数,并根据商品总价函数、平均交货期函数作为分目标函数建立一多目标优化函数。
4.如权利要求3所述的B2B电子商务供需双边匹配方法,其特征在于,所述步骤S31中量化匹配结果并建立工作订单与供货商之间的匹配矩阵时,若匹配结果为不匹配,则将对应元素赋值为0;若匹配结果为匹配,则将对应元素赋值为1。
5.如权利要求1所述的B2B电子商务供需双边匹配方法,其特征在于,所述步骤S3构建的约束条件包括约束条件一和约束条件二:约束条件一为,针对单个工作订单,将单个工作订单的总采购量正好分配给各匹配的采购商;约束条件二为,针对每个供货商,单个工作订单的采购量应不大于该供货商对该商品的最大供货量。
6.如权利要求3所述的B2B电子商务供需双边匹配方法,其特征在于,所述步骤S4极值求解得到最优采购向量时包括如下步骤:
S41:在约束条件下求解所述多目标优化函数的初始解,针对每一行,以匹配矩阵中各行匹配成功的元素作为目标元素,根据目标元素赋予所述采购矩阵中相应行中各个元素的初始值;
S42:根据所述初始解,采用优化算法求解获得一组候选解;
S43:针对各个候选解,计算所有工作订单在对应候选解下对应的商品总价和平均交货期;
S44:根据候选解与初始解,生成最优解集;
S45:判断是否达到预设迭代次数,若满足则将最优解集作为最终优化解集,否则,从该组候选解中选择一候选解更新初始解,返回步骤S42执行;
S46:根据最终优化解集,在满足供货商的交货期不超过预设交货期阈值时,选择商品总价最低的解作为所述最优解。
7.如权利要求6所述的B2B电子商务供需双边匹配方法,其特征在于,所述步骤S41包括以下步骤:
S411:遍历匹配矩阵,针对每一行,以匹配成功的元素作为目标元素,确定各行目标元素的个数;
S412:根据确定的目标元素的个数赋予采购矩阵中各行各个元素的初始值:
若匹配矩阵中目标元素有且只有1个时,赋予采购矩阵中与该目标元素对应的元素初始值为WO_QT(i),其余元素赋予初始值为零;
若目标元素的个数大于1个时,按照预定的顺序对目标元素排序,赋予采购矩阵中与第一个目标元素位置对应的元素初始值为rn(1),其中,rn(1)为随机整数,且满足QL≤rn(1)<WO_QT(i)和rn(1)≤GM(i,j);若为第k个目标元素,其中2≤k≤K,K为目标元素的总数,则赋予采购矩阵中与该第k个目标元素位置对应的元素初始值为rn(k),其中,rn(k)为随机整数,且满足和rn(1)≤GM(i,j);其中,当第k个元素为第i行最后一个元素时,若最后一个违反约束条件二时,则把rn(k)-GM(i,j)的部分分配给前k-1个元素中,并保证前k-1个元素满足约束条件二;
至此,求得满足约束条件下的采购矩阵WO_QT初始解;其中,GM(i,j)表示第j个供货商对第i个工作订单所采购商品的最大供货量,WO_QT(i)为第i个工作订单的总采购量,QL为供货商的最低起批量。
8.如权利要求7所述的B2B电子商务供需双边匹配方法,其特征在于,所述步骤S42包括以下步骤:
S421:在初始解下计算各个工作订单向每个供货商采购商品时的商品总价;第i个工作订单向第j个供货商采购的总价第j个供货商的商品总价P(i,j)为:
P(i,j)=Flag(i,j)×PL(i,j)×WO_QT(i,j)
其中,PL(i,j)表示按照采购向量采购时第j个供货商对第i个工作订单的最低供货价格,Flag(i,j)表示匹配矩阵;
S422:针对步骤S421计算得到的各个工作订单向每个供货商采购商品时的商品总价,按照从大到小排列,以轮盘赌的方式选中一个商品总价记为P(i0,j0);
S423:以步骤S422中选择的商品总价P(i0,j0)所对应的采购矩阵元素值WO_QT(i0,j0)作为变异参数,采用粒子群优化算法对该变异参数进行变异,从而得到L个连续的整数变异量;对变异参数进行变异时,选择WO_QT(i0,j0)附近的L个连续的整数值作为变异量;
S424:针对步骤S423中得到的每一个变异量,固定WO_QT(i0,j0)的取值为该变异量,调整采购矩阵中第i0行中j0之外其余元素的取值,使该行所有元素满足约束条件一和约束条件二,得到L个候选解,L为正整数。
9.如权利要求8所述的B2B电子商务供需双边匹配方法,其特征在于,所述步骤S44包括以下步骤:
S441:针对生成的初始解,把该初始解初始化为Pareto前沿的最优解;
S442:针对生成的任一候选解,其相对应的分目标函数的取值分别为Ph和DDh,对于Pareto前沿中所有最优解,其相对应的分目标函数的取值分别为Pp(i)和DDp(i),i=1,2,3,...,M,M为当前Pareto前沿的个数;该候选解与所有最优解相比,若满足Ph<Pp(i)和/或Ph<Pp(i),则该候选解加入Pareto前沿最优解集;
S443:候选解更新至Pareto前沿后,检查更新的Pareto前沿,任意两个最优解相比,如果同时满足如下两个公式,则删除Pareto前沿中第j个最优解;
Pp(i)≤Pp(j),其中i∈[1,M],j∈[1,M],且i≠j
DDp(i)≤DDp(j),其中i∈[1,M],j∈[1,M],且i≠j。
10.如权利要求1~9中任意一项所述的B2B电子商务供需双边匹配方法,其特征在于,在步骤S2和步骤S3之间或步骤S3中还包括对各个工作订单进行修正得到修订后的工作订单,具体如下:
针对每一个工作订单,进行如下操作:
根据供货商的可供货商品以及工作订单所采购的商品确定候选供货商;
以工作订单的采购量不超过候选供货商的最大供货量为原则对该工作订单进行修订得到修订后的工作订单;
相应的,所述步骤S3和S4中针对所有修订后的工作订单进行。
11.一种B2B电子商务供需双边匹配系统,其特征在于,包括:
信息获取单元,获取待匹配的采购商的采购信息和待匹配的供货商的供货信息;
工作订单生成单元,根据所述采购信息和供货信息,基于采购商品相同原则对待匹配的采购订单进行分类,并将同一类采购订单合并为相应的工作订单,且该工作订单的采购量为该类采购订单的采购量之和;
优化函数构建单元,针对所有工作订单,构建多目标优化函数以及相应的约束条件,所述多目标优化函数的分目标函数包括所有工作订单的商品总价和所有工作订单的平均交货期,所述所有工作订单的商品总价和平均交货期均为采购向量的函数,所述采购向量用于表示各个修订工作订单向各个候选供货商采购商品的采购量;
优化函数求解单元,在所述约束条件下,以所述平均交货期短且商品总价低为优化目标对所述多目标优化函数进行极值求解得到最优采购向量,并根据所述最优采购向量生成供货清单和采购清单。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710415821.5A CN107274261A (zh) | 2017-06-05 | 2017-06-05 | B2b电子商务供需双边匹配方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710415821.5A CN107274261A (zh) | 2017-06-05 | 2017-06-05 | B2b电子商务供需双边匹配方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107274261A true CN107274261A (zh) | 2017-10-20 |
Family
ID=60064367
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710415821.5A Pending CN107274261A (zh) | 2017-06-05 | 2017-06-05 | B2b电子商务供需双边匹配方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107274261A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107908704A (zh) * | 2017-11-08 | 2018-04-13 | 北京赛时科技有限公司 | 专家匹配方法和装置以及存储介质 |
CN107944790A (zh) * | 2017-11-22 | 2018-04-20 | 四川瑞斯佳宴科技有限公司 | 食材采购管理方法及装置 |
CN108985495A (zh) * | 2018-06-26 | 2018-12-11 | 广州视源电子科技股份有限公司 | 物料采购计划方法及系统 |
CN109087045A (zh) * | 2018-08-09 | 2018-12-25 | 上海钧正网络科技有限公司 | 一种物流规划方法 |
CN109242640A (zh) * | 2018-09-27 | 2019-01-18 | 唐山市奎星电商供应链管理有限责任公司 | 电商供应系统和方法 |
CN110163669A (zh) * | 2019-05-09 | 2019-08-23 | 杭州览众数据科技有限公司 | 基于特征系数似然估计和零售业业务规则的需求预测方法 |
CN110348963A (zh) * | 2019-07-08 | 2019-10-18 | 周永东 | 一种用于交易平台实现多元商品智能交易推荐的方法和系统 |
CN110503520A (zh) * | 2018-08-22 | 2019-11-26 | 泰康保险集团股份有限公司 | 信息推荐方法、装置、电子设备及计算机可读介质 |
CN110991959A (zh) * | 2019-11-29 | 2020-04-10 | 珠海乐活公社网络科技有限公司 | 一种电商平台采购订单处理方法及装置 |
CN111028049A (zh) * | 2019-11-18 | 2020-04-17 | 政采云有限公司 | 一种商品采购方法、商品采购平台及商品采购系统 |
CN113034054A (zh) * | 2021-04-30 | 2021-06-25 | 杭州东忠科技股份有限公司 | 一种任务分配管理方法、终端、存储介质和联营商服务器 |
CN113780612A (zh) * | 2020-12-10 | 2021-12-10 | 北京沃东天骏信息技术有限公司 | 采购数据的优化方法和装置 |
CN113781162A (zh) * | 2021-08-31 | 2021-12-10 | 欧冶云商股份有限公司 | 一种用户个性化钢材贸易订单生成方法、设备及存储介质 |
CN114462894A (zh) * | 2022-04-11 | 2022-05-10 | 国能(北京)商务网络有限公司 | 一种基于数据分析的电商订单物料替换的辅助决策方法 |
CN114493430A (zh) * | 2022-01-20 | 2022-05-13 | 吉林农业科技学院 | 一种基于大数据的物流配送系统及方法 |
CN115115430A (zh) * | 2022-07-14 | 2022-09-27 | 北京女娲补天科技信息技术有限公司 | 一种基于树结构的采购订单生成方法、装置及计算机设备 |
-
2017
- 2017-06-05 CN CN201710415821.5A patent/CN107274261A/zh active Pending
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107908704B (zh) * | 2017-11-08 | 2024-04-23 | 北京赛时科技有限公司 | 专家匹配方法和装置以及存储介质 |
CN107908704A (zh) * | 2017-11-08 | 2018-04-13 | 北京赛时科技有限公司 | 专家匹配方法和装置以及存储介质 |
CN107944790A (zh) * | 2017-11-22 | 2018-04-20 | 四川瑞斯佳宴科技有限公司 | 食材采购管理方法及装置 |
CN108985495B (zh) * | 2018-06-26 | 2021-04-13 | 广州视源电子科技股份有限公司 | 物料采购计划方法及系统 |
CN108985495A (zh) * | 2018-06-26 | 2018-12-11 | 广州视源电子科技股份有限公司 | 物料采购计划方法及系统 |
CN109087045A (zh) * | 2018-08-09 | 2018-12-25 | 上海钧正网络科技有限公司 | 一种物流规划方法 |
CN109087045B (zh) * | 2018-08-09 | 2021-11-19 | 上海钧正网络科技有限公司 | 一种物流规划方法 |
CN110503520A (zh) * | 2018-08-22 | 2019-11-26 | 泰康保险集团股份有限公司 | 信息推荐方法、装置、电子设备及计算机可读介质 |
CN109242640A (zh) * | 2018-09-27 | 2019-01-18 | 唐山市奎星电商供应链管理有限责任公司 | 电商供应系统和方法 |
CN110163669B (zh) * | 2019-05-09 | 2021-07-27 | 杭州览众数据科技有限公司 | 基于特征系数似然估计和零售业业务规则的需求预测方法 |
CN110163669A (zh) * | 2019-05-09 | 2019-08-23 | 杭州览众数据科技有限公司 | 基于特征系数似然估计和零售业业务规则的需求预测方法 |
WO2021003953A1 (zh) * | 2019-07-08 | 2021-01-14 | 周永东 | 一种用于交易平台实现多元商品智能交易推荐的方法和系统 |
CN110348963A (zh) * | 2019-07-08 | 2019-10-18 | 周永东 | 一种用于交易平台实现多元商品智能交易推荐的方法和系统 |
CN110348963B (zh) * | 2019-07-08 | 2022-06-14 | 周永东 | 一种用于交易平台实现多元商品智能交易推荐的方法和系统 |
CN111028049A (zh) * | 2019-11-18 | 2020-04-17 | 政采云有限公司 | 一种商品采购方法、商品采购平台及商品采购系统 |
CN110991959A (zh) * | 2019-11-29 | 2020-04-10 | 珠海乐活公社网络科技有限公司 | 一种电商平台采购订单处理方法及装置 |
CN113780612A (zh) * | 2020-12-10 | 2021-12-10 | 北京沃东天骏信息技术有限公司 | 采购数据的优化方法和装置 |
CN113034054A (zh) * | 2021-04-30 | 2021-06-25 | 杭州东忠科技股份有限公司 | 一种任务分配管理方法、终端、存储介质和联营商服务器 |
CN113781162A (zh) * | 2021-08-31 | 2021-12-10 | 欧冶云商股份有限公司 | 一种用户个性化钢材贸易订单生成方法、设备及存储介质 |
CN114493430A (zh) * | 2022-01-20 | 2022-05-13 | 吉林农业科技学院 | 一种基于大数据的物流配送系统及方法 |
CN114493430B (zh) * | 2022-01-20 | 2022-10-04 | 吉林农业科技学院 | 一种基于大数据的物流配送系统及方法 |
CN114462894A (zh) * | 2022-04-11 | 2022-05-10 | 国能(北京)商务网络有限公司 | 一种基于数据分析的电商订单物料替换的辅助决策方法 |
CN114462894B (zh) * | 2022-04-11 | 2022-07-22 | 国能(北京)商务网络有限公司 | 一种基于数据分析的电商订单物料替换的辅助决策方法 |
CN115115430A (zh) * | 2022-07-14 | 2022-09-27 | 北京女娲补天科技信息技术有限公司 | 一种基于树结构的采购订单生成方法、装置及计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107274261A (zh) | B2b电子商务供需双边匹配方法及系统 | |
Sarkar et al. | An integrated fuzzy multiple criteria supplier selection approach and its application in a welding company | |
Nia et al. | A fuzzy vendor managed inventory of multi-item economic order quantity model under shortage: An ant colony optimization algorithm | |
CN109754191A (zh) | 一种中小企业一站式销售智能供应链管理平台 | |
Chen et al. | Relationship configurations in the apparel supply chain | |
Sivrikaya et al. | Fuzzy AHP–goal programming approach for a supplier selection problem | |
Naimi Sadigh et al. | A multi-objective supply chain model integrated with location of distribution centers and supplier selection decisions | |
Hui et al. | Using artificial neural networks to improve decision making in apparel supply chain systems | |
CN110046740A (zh) | 基于大数据的供应商投标行为分析预测方法 | |
Wong et al. | Intelligent multi-objective decision-making model with RFID technology for production planning | |
Wong et al. | Genetic optimization of fabric utilization in apparel manufacturing | |
CN109460866A (zh) | 产业标准化活动管理方法、装置和系统 | |
Park et al. | Agent-based merchandise management in business-to-business electronic commerce | |
Craparotta et al. | A siamese neural network application for sales forecasting of new fashion products using heterogeneous data | |
WO2019074852A1 (en) | COMPUTER SYSTEM FOR OPTIMIZING AN INVENTORY OF A RETAILER'S CLOTHES BASED ON USER SHAPES | |
Jin et al. | Procurement auctions and supply chain performance | |
Moretta Tartaglione et al. | Value creation process in the fast fashion industry: towards a networking approach | |
Jiang et al. | Optimizing cooperative advertizing, profit sharing, and inventory policies in a VMI supply chain: A Nash bargaining model and hybrid algorithm | |
Yu et al. | A new and efficient intelligent collaboration scheme for fashion design | |
CN105096150B (zh) | 需求方平台的数据处理方法及需求方平台 | |
Li et al. | Optimization and system implementation of fuzzy integrated algorithm model for logistics supply chain under supply and demand uncertainty background | |
Bertolini et al. | Requirements of an ERP enterprise modeller for optimally managing the fashion industry supply chain | |
CN115099837B (zh) | 一种用于电子商务的供应链管理系统及方法 | |
Moretti et al. | Using the analytic hierarchy process for selecting prototypes in the development process of fashion garment products | |
Vadood et al. | Developing a new suit sizing system using neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171020 |
|
RJ01 | Rejection of invention patent application after publication |