CN108898300A - 供应链网络风险级联模型的构建方法 - Google Patents

供应链网络风险级联模型的构建方法 Download PDF

Info

Publication number
CN108898300A
CN108898300A CN201810642135.6A CN201810642135A CN108898300A CN 108898300 A CN108898300 A CN 108898300A CN 201810642135 A CN201810642135 A CN 201810642135A CN 108898300 A CN108898300 A CN 108898300A
Authority
CN
China
Prior art keywords
node
risk
value
supply chain
risk value
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.)
Granted
Application number
CN201810642135.6A
Other languages
English (en)
Other versions
CN108898300B (zh
Inventor
宋玉蓉
苏子豪
张震豪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Post and Telecommunication University
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing Post and Telecommunication University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Post and Telecommunication University filed Critical Nanjing Post and Telecommunication University
Priority to CN201810642135.6A priority Critical patent/CN108898300B/zh
Publication of CN108898300A publication Critical patent/CN108898300A/zh
Application granted granted Critical
Publication of CN108898300B publication Critical patent/CN108898300B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • G06Q10/10—Office automation; Time management
    • G06Q10/101—Collaborative creation, e.g. joint development of products or services

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种供应链网络风险级联模型的构建方法，包括如下步骤：S1、构建以企业作为节点N、以企业间的贸易关系作为边E的供应链网络G；S2、采用度和介数的函数计算出各节点的初始风险值；S3、依据节点容量与初始风险成正比的关系，计算出各节点的最大耐受风险值；S4、计算当前时刻各节点的当前风险值；S5、比较各节点当前风险值和最大耐受风险值，确定失效状态；S6、若某节点当前风险值超过最大耐受值，则判定该节点发生失效，依据周围相邻节点的容量进行负载重分配。本发明逻辑清晰、方案成熟，操作过程明晰，具有良好的使用和推广基础。

Description

供应链网络风险级联模型的构建方法
技术领域
本发明涉及一种供应链网络中级联失效的建模方法，尤其涉及一种由于节点企业突发风险引起的供应链网络风险级联模型的构建方法，属于建模分析领域。
背景技术
随着科学技术的进步、互联网的推动，以及经济竞争全球化的不断发展，市场竞争进入了新的阶段，企业更加看中以合作、外包、战略联盟等形式形成完整的供应链来面对外界竞争激烈、日益成熟的市场环境。也正是因为这样的发展趋势，企业与企业之间的发展竞争也已经逐步变为企业之间的供应链的竞争。企业在全球市场中不再是作为一个单一的个体，而是作为参与供应链供需的子个体。供应链管理的完善与否，直接决定着生产方式是否革新，运行机制是否流畅，生产要素利用是否合理，资源配置是否能进一步提高。
在多变的市场环境之中，供应链是由供应商，制造商，分销商，零售商等功能实体之间的交易关系构成的动态供需复杂网络系统，具有快速响应环境变化的特征。这种描述商品需—产—供过程中各实体和活动及其相互关系的动态变化的系统网络，其上的节点企业彼此之间通过物资流、信息流、资金流和商流相互连接和影响，具有高度的关联性。这样的复杂网络容易受到企业节点由不确定的因素产生的风险并对整体产生风险级联故障影响，甚至会影响整个供应链的中断和功能运行。
对于上述这些问题，可以通过对供应链网络进行网络结构建模从而对供应链网络级联失效的定量分析，从而找出网络中风险级联的因素，加强供应链管理。在网络模型中，常用的指标有度中心性、介数中心性等，利用这些指标来描述供应链网络企业节点实际的属性。模拟供应链风险引起的节点风险故障传播形成的级联效应机理，在根据周围邻居节点的容限范围进行负载重分配。但在目前的行业内，这类对于供应链风险的分析和评估模型并不完善，也很难通过其对供应链网络进行风险管理和预防。
综上所述，如何构建出一种较为优异的供应链网络风险级联模型，以实现对风险的管理和及时预防，也就成为了行业内技术人员所共同期望解决的问题之一。
发明内容
鉴于现有技术存在上述缺陷，本发明的目的是提出一种供应链网络风险级联模型的构建方法。
一种供应链网络风险级联模型的构建方法，包括如下步骤：
S1、构建以企业作为节点N、以企业间的贸易关系作为边E的供应链网络；
S2、采用度和介数的函数计算出各节点的初始风险值；
S3、依据节点容量与初始风险成正比的关系，计算出各节点的最大耐受风险值；
S4、计算当前时刻各节点的当前风险值；
S5、比较各节点当前风险值和最大耐受风险值，确定失效状态；
S6、若某节点当前风险值超过最大耐受值，则判定该节点发生失效，依据周围相邻节点的容量进行负载重分配。
优选地，S2所述采用度和介数的函数计算出各个节点的初始风险值，计算方法为：
节点i的初始风险值为，
其中，Ki为节点i的度，Bi为节点i介数，是节点i介数指数函数的形式。α1，β1为初始负载可调参数。
优选地，S3所述计算出各节点的最大耐受风险值，计算方法为：
节点i的最大耐受风险值表示节点i所能承受最大风险的容量，计算公式为，
Ci＝(1+β2)Li(0)，
其中，β2是节点企业的容限系数。
优选地，S4所述计算当前时刻各节点的当前风险值，包括如下步骤：
S41、获取节点i上一时刻的风险波动值Li(t-1)；
S42、计算节点i的随即噪声扰动值ni(t)；
S43、计算节点i的意外扰动值rj-i(t)；
S44、计算当前时刻t下，节点i的当前风险值Li(t)，
Li(t)＝Li(t-1)+ni(t)+rj-i(t)δi(t)，
其中，δi(t)为一个脉冲函数，只有当节点j失效时，δi(t)＝1，其他时刻则为0。
优选地，S42所述计算节点i的随即噪声扰动值ni(t)，计算方法为：
ni(t)＝α2(rand(1)-0.5)Li(0)，
其中，α2为节点企业风险变化波动调控参数。
优选地，S43所述计算节点i的意外扰动值rj-i(t)，计算公式为：
优选地，S5所述比较各节点当前风险值和最大耐受风险值，确定失效状态，包括如下步骤：若节点的当前风险值小于自身的最大耐受风险值，即Li(t)<Ci，判定节点处于稳定状态；若节点的当前风险值超过了自身的最大耐受风险值，即Li(t)>Ci，判定节点处于失效状态。
优选地，S6所述依据周围相邻节点的容量进行负载重分配，重分配方法为：
其中，ΔLi-m是处于失效节点i其分配给邻居节点m的负载，Cm是节点m的最大耐受容量，Vi是节点i的邻居节点集；
若节点m收到失效节点i传来风险Li-m，此时节点m当前风险值未超过最大耐受风险值，则节点m处于稳定状态，若节点m接收失效节点i分配来的风险ΔLi-m，使其当前风险值超过其自身所能容纳的最大耐受容量，即Lm(t)＞Cm，则会节点m发生再次失效，进而继续分配给其他相邻的节点。
与现有技术相比，本发明的优点主要体现在以下几个方面：
本发明逻辑清晰、方案成熟，操作过程明晰，具有良好的使用和推广基础。同时，本发明所构建出的供应链网络风险级联模型标准化程度高、信效度优良，操作人员能够以此为依据，准确、客观地对供应链网络风险，特别是由风险的引起节点企业级联故障效应进行有效地管理和预防，具有很高的使用价值。此外，本发明也为同领域内的其他相关问题提供了参考，可以以此为依据进行拓展延伸，运用于领域内其他模型的构建方案中，具有十分广阔的应用前景。
综上所述，本发明提出了一种供应链网络风险级联模型的构建方法，具有很高的使用及推广价值。
以下便结合实施例附图，对本发明的具体实施方式作进一步的详述，以使本发明技术方案更易于理解、掌握。
附图说明
图1为本发明的方法流程图；
图2为本发明所构建的供应链网络风险级联模型的流程图；
图3为本发明中风险负载重分配示意图；
图4为根据BA无标度网络模拟供应链网络风险负载级联的仿真实验图1；
图5为根据BA无标度网络模拟供应链网络风险负载级联的仿真实验图2；
图6为根据BA无标度网络模拟供应链网络风险负载级联的仿真实验图3。
具体实施方式
如图1～图3所示，本发明揭示了一种供应链网络风险级联模型的构建方法，包括如下步骤：
S1、构建以企业作为节点N、以企业间的贸易关系作为边E的供应链网络；
S2、采用度和介数的函数计算出各节点的初始风险值；
S3、依据节点容量与初始风险成正比的关系，计算出各节点的最大耐受风险值；
S4、计算当前时刻各节点的当前风险值；
S5、比较各节点当前风险值和最大耐受风险值，确定失效状态；
S6、若某节点当前风险值超过最大耐受值，则判定该节点发生失效，依据周围相邻节点的容量进行负载重分配。
具体而言，S2所述采用度和介数的函数计算出各个节点的初始风险值，计算方法为：
节点i的初始风险值为，
其中，Ki为节点i的度，Bi为节点i介数，之所以这样定义节点企业的初始风险，是节点的度很好的显示网络节点的局部信息，即节点企业与其他企业相邻数目；而节点的介数，很好地显示网络节点的全局信息，这样设置初始风险负荷更好地契合了供应链节点的高效性和低成本运作状况。因为末端的供应商和零售商的介数为零，所以初始风险用节点介数指数函数eBi的形式。α1，β1为初始负载可调参数，可以调节初始负载的大小。
S3所述计算出各节点的最大耐受风险值，计算方法为：
节点企业都会受到生产能力，供给能力约束，我们将这种能力范围称为节点的额定容量，节点企业i所能承受的最大耐受风险值为Ci，Ci与初始风险为Li(0)成正比，则节点i的最大耐受风险，节点i的最大耐受风险值的计算公式为，
Ci＝(1+β2)Li(0)，
其中，β2是节点企业的容限系数，β2的大小代表节点企业承受额外负载的能力。
S4所述计算当前时刻各节点的当前风险值，包括如下步骤：
S41、获取节点i上一时刻的风险波动值Li(t-1)；
S42、计算节点i的随即噪声扰动值ni(t)；
S43、计算节点i的意外扰动值rj-i(t)，所述意外扰动值一般都是由于相邻节点j发生失效引起的；
S44、计算当前时刻t下，节点i的当前风险值Li(t)，
Li(t)＝Li(t-1)+ni(t)+rj-i(t)δi(t)，
其中，δi(t)为一个脉冲函数，只有当节点j失效时，δi(t)＝1，其他时刻则为0。
S42所述计算节点i的随即噪声扰动值ni(t)，计算方法为：
ni(t)＝α2(rand(1)-0.5)Li(0)，
其中，α2为节点企业风险变化波动调控参数。
S43所述计算节点i的意外扰动值rj-i(t)，计算公式为：
S5所述比较各节点当前风险值和最大耐受风险值，确定失效状态，包括如下步骤：若节点的当前风险值小于自身的最大耐受风险值，即Li(t)<Ci，判定节点处于稳定状态。若节点的当前风险值超过了自身的最大耐受风险值，即Li(t)>Ci，判定节点处于失效状态。
需要补充说明的是，由于节点i的当前风险值不是一个恒定不变，是随时间波动，某一时刻，节点企业可能是由于其他企业变化，原材料的供给，劳动关系等多种因素。若节点的当前风险值Li(t)>Ci，即节点的风险值超过了自身的能力范围，节点处于具有失效的状态，风险负载也会在其他正常节点企业之间进行重新分配，有可能使正常节点企业因受到风险超出自身最大耐受值，又有新节点处于失效的状态。每次当Li(t)>Ci，则δi(t)＝1，节点失效，则计算rj-i(t)，同时更新网络中所有节点值Li(t)，更新网络，去掉失效节点。
S6所述依据周围相邻节点的容量进行负载重分配，重分配方法为：
其中，ΔLi-m是处于失效节点i其分配给邻居节点m的负载，Cm是节点m的最大耐受容量，Vi是节点i的邻居节点集；
若节点m收到失效节点i传来风险Li-m，此时节点m当前风险值未超过最大耐受风险值，则节点m处于稳定状态，若节点m接收失效节点i分配来的风险ΔLi-m，使其当前风险值超过其自身所能容纳的最大耐受容量，即Lm(t)＞Cm，则会节点m发生再次失效，进而继续分配给其他相邻的节点。
此外，图4～图6分别是三张根据BA无标度网络模拟供应链网络风险负载级联的仿真实验图，如图4所示可以得出结论，当度分别为43,29,22的节点失效时，度值越大，需要β2值越大，才可以控制级联失效规模。如图5所示可以得出结论，当介数分别为1,0.9389,0.599的节点失效时，介数越大，需要β2值越大才可以控制失效规模。如图6所示可以得出结论，攻击度最大的节点，随着时间增长，失效节点会越来越多，最后趋向于一个稳定值。
本发明逻辑清晰、方案成熟，操作过程明晰，具有良好的使用和推广基础。同时，本发明所构建出的供应链网络风险级联模型标准化程度高、信效度优良，操作人员能够以此为依据，准确、客观地对供应链网络风险，特别是由风险的引起节点企业级联故障效应进行有效地管理和预防，具有很高的使用价值。此外，本发明也为同领域内的其他相关问题提供了参考，可以以此为依据进行拓展延伸，运用于领域内其他模型的构建方案中，具有十分广阔的应用前景。
综上所述，本发明提出了一种供应链网络风险级联模型的构建方法，具有很高的使用及推广价值。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神和基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内，不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (8)

1.一种供应链网络风险级联模型的构建方法，其特征在于，包括如下步骤：
S1、构建以企业作为节点N、以企业间的贸易关系作为边E的供应链网络G；
S2、采用度和介数的函数计算出各节点的初始风险值；
S3、依据节点容量与初始风险成正比的关系，计算出各节点的最大耐受风险值；
S4、计算当前时刻各节点的当前风险值；
S5、比较各节点当前风险值和最大耐受风险值，确定失效状态；
S6、若某节点当前风险值超过最大耐受值，则判定该节点发生失效，依据周围相邻节点的容量进行负载重分配。
2.根据权利要求1所述的供应链网络风险级联模型的构建方法，其特征在于，S2所述采用度和介数的函数计算出各个节点的初始风险值，计算方法为：
节点i的初始风险值为，
其中，Ki为节点i的度，Bi为节点i介数，是节点i介数指数函数的形式。α1，β1为初始负载可调参数。
3.根据权利要求1所述的供应链网络风险级联模型的构建方法，其特征在于，S3所述计算出各节点的最大耐受风险值，计算方法为：
节点i的最大耐受风险值表示节点i所能承受最大风险的容量，计算公式为，
Ci＝(1+β2)Li(0)，
其中，β2是节点企业的容限系数。
4.根据权利要求1所述的供应链网络风险级联模型的构建方法，其特征在于，S4所述计算当前时刻各节点的当前风险值，包括如下步骤：
S41、获取节点i上一时刻的风险波动值Li(t-1)；
S42、计算节点i的随即噪声扰动值ni(t)；
S43、计算节点i的意外扰动值rj-i(t)；
S44、计算当前时刻t下，节点i的当前风险值Li(t)，
Li(t)＝Li(t-1)+ni(t)+rj-i(t)δi(t)，
其中，δi(t)为一个脉冲函数，只有当节点j失效时，δi(t)＝1，其他时刻则为0。
5.根据权利要求4所述的供应链网络风险级联模型的构建方法，其特征在于，S42所述计算节点i的随即噪声扰动值ni(t)，计算方法为：
ni(t)＝α2(rand(1)-0.5)Li(0)，
其中，α2为节点企业风险变化波动调控参数。
6.根据权利要求4所述的供应链网络风险级联模型的构建方法，其特征在于，S43所述计算节点i的意外扰动值rj-i(t)，计算公式为：
7.根据权利要求1所述的供应链网络风险级联模型的构建方法，其特征在于，S5所述比较各节点当前风险值和最大耐受风险值，确定失效状态，包括如下步骤：若节点的当前风险值小于自身的最大耐受风险值，即Li(t)<Ci，判定节点处于稳定状态；若节点的当前风险值超过了自身的最大耐受风险值，即Li(t)>Ci，判定节点处于失效状态。
8.根据权利要求1所述的供应链网络风险级联模型的构建方法，其特征在于，S6所述依据周围相邻节点的容量进行负载重分配，重分配方法为：
其中，ΔLi-m是处于失效节点i其分配给邻居节点m的负载，Cm是节点m的最大耐受容量，Vi是节点i的邻居节点集；
若节点m收到失效节点i传来风险Li-m，此时节点m当前风险值未超过最大耐受风险值，则节点m处于稳定状态，若节点m接收失效节点i分配来的风险ΔLi-m，使其当前风险值超过其自身所能容纳的最大耐受容量，即Lm(t)＞Cm，则会节点m发生再次失效，进而继续分配给其他相邻的节点。
CN201810642135.6A 2018-06-21 2018-06-21 供应链网络风险级联模型的构建方法 Active CN108898300B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810642135.6A CN108898300B (zh) 2018-06-21 2018-06-21 供应链网络风险级联模型的构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810642135.6A CN108898300B (zh) 2018-06-21 2018-06-21 供应链网络风险级联模型的构建方法

Publications (2)

Publication Number Publication Date
CN108898300A true CN108898300A (zh) 2018-11-27
CN108898300B CN108898300B (zh) 2021-12-07

Family

ID=64345730

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810642135.6A Active CN108898300B (zh) 2018-06-21 2018-06-21 供应链网络风险级联模型的构建方法

Country Status (1)

Country Link
CN (1) CN108898300B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109660404A (zh) * 2019-01-11 2019-04-19 郑州轻工业学院 一种基于欠载的供应链网络级联失效模型构建方法
CN110766321A (zh) * 2019-10-23 2020-02-07 浙江工商大学 基于物资可靠性的应急物流网络风险传播方法及其系统
CN111598408A (zh) * 2020-04-23 2020-08-28 成都数之联科技有限公司 一种贸易信息风险预警模型的构建方法及应用
CN114037330A (zh) * 2021-11-19 2022-02-11 天津大学 一种基于复杂网络的产品供应链风险传播方法
CN114169945A (zh) * 2022-02-08 2022-03-11 北京金堤科技有限公司 一种确定对象所在领域内热门供需产品的方法和装置
CN114266473A (zh) * 2021-12-21 2022-04-01 工品行(苏州)数字科技有限公司 一种基于数据分析的供应链需求预测系统及方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106789376A (zh) * 2017-03-24 2017-05-31 大连大学 带有层级结构的指控网络级联失效模型构建方法
CN107437137A (zh) * 2016-05-25 2017-12-05 达索系统美国公司 供应链中的风险识别
CN107453919A (zh) * 2017-08-31 2017-12-08 中国人民解放军国防科技大学 复杂网络节点重要性评估方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107437137A (zh) * 2016-05-25 2017-12-05 达索系统美国公司 供应链中的风险识别
CN106789376A (zh) * 2017-03-24 2017-05-31 大连大学 带有层级结构的指控网络级联失效模型构建方法
CN107453919A (zh) * 2017-08-31 2017-12-08 中国人民解放军国防科技大学 复杂网络节点重要性评估方法及系统

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109660404A (zh) * 2019-01-11 2019-04-19 郑州轻工业学院 一种基于欠载的供应链网络级联失效模型构建方法
CN110766321A (zh) * 2019-10-23 2020-02-07 浙江工商大学 基于物资可靠性的应急物流网络风险传播方法及其系统
CN110766321B (zh) * 2019-10-23 2022-04-22 浙江工商大学 基于物资可靠性的应急物流网络风险传播方法及其系统
CN111598408A (zh) * 2020-04-23 2020-08-28 成都数之联科技有限公司 一种贸易信息风险预警模型的构建方法及应用
CN111598408B (zh) * 2020-04-23 2023-04-18 成都数之联科技股份有限公司 一种贸易信息风险预警模型的构建方法及应用
CN114037330A (zh) * 2021-11-19 2022-02-11 天津大学 一种基于复杂网络的产品供应链风险传播方法
CN114037330B (zh) * 2021-11-19 2024-07-12 天津大学 一种基于复杂网络的产品供应链风险传播方法
CN114266473A (zh) * 2021-12-21 2022-04-01 工品行(苏州)数字科技有限公司 一种基于数据分析的供应链需求预测系统及方法
CN114266473B (zh) * 2021-12-21 2023-12-01 工品行(苏州)数字科技有限公司 一种基于数据分析的供应链需求预测系统及方法
CN114169945A (zh) * 2022-02-08 2022-03-11 北京金堤科技有限公司 一种确定对象所在领域内热门供需产品的方法和装置

Also Published As

Publication number Publication date
CN108898300B (zh) 2021-12-07

Similar Documents

Publication Publication Date Title
CN108898300A (zh) 供应链网络风险级联模型的构建方法
Wang et al. An evolutionary game approach to analyzing bidding strategies in electricity markets with elastic demand
Modugno et al. Nowcasting Turkish GDP and news decomposition
Kamyab et al. A PSO based approach for multi-stage transmission expansion planning in electricity markets
Pinto et al. A new approach for multi-agent coalition formation and management in the scope of electricity markets
Anwar et al. Modeling investment decisions from heterogeneous firms under imperfect information and risk in wholesale electricity markets
CN104408518B (zh) 基于粒子群优化算法的神经网络学习优化方法
Ochoa et al. Simulating power integration in Latin America to assess challenges, opportunities, and threats
Arrow Workshop on the economy as an evolving complex system: summary
JP4405520B2 (ja) プロジェクトの進行スケジュールを調整するためのコンピュータプログラム、コンピュータ装置及び方法
Celo et al. The role of internal and external complexity in global factory performance: an NKC application
Wang et al. A resource allocation method based on the limited english combinatorial auction under cloud computing environment
Xue et al. Analysis and controlling of manufacturing service ecosystem: A research framework based on the parallel system theory
Babic et al. An analysis of power trading agent competition 2014
Feylizadeh et al. A fuzzy neural network to estimate at completion costs of construction projects
Wang et al. Multi-agent simulation for strategic bidding in electricity markets using reinforcement learning
Arango et al. Deep reinforcement learning approaches for the hydro-thermal economic dispatch problem considering the uncertainties of the context
CN103903070B (zh) 应用系统资源需求测算系统
CN110009526A (zh) 基于三维市场状态的售电商智能代理投标行为优化方法
Xu et al. An extensive conformable fractional grey model and its application
Seok et al. An intelligent wind power plant coalition formation model achieving balanced market penetration growth and profit increase
Dao et al. Modeling and Optimization of Precedence-Constrained Production Sequencing and Scheduling Using Multi-Objective Genetic Algorithms
Bajpai et al. Strategic bidding in network constrained electricity markets using FAPSO
Mukhtar et al. Graph analytics’ centrality measurement in supply chain
Campuzano et al. Introduction to Supply chain simulation

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
GR01 Patent grant
GR01 Patent grant