CN110866154A - 一种协议库存智能匹配的方法 - Google Patents

一种协议库存智能匹配的方法 Download PDF

Info

Publication number
CN110866154A
CN110866154A CN201910987395.1A CN201910987395A CN110866154A CN 110866154 A CN110866154 A CN 110866154A CN 201910987395 A CN201910987395 A CN 201910987395A CN 110866154 A CN110866154 A CN 110866154A
Authority
CN
China
Prior art keywords
matching
stage
inventory
batch
supplier
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
CN201910987395.1A
Other languages
English (en)
Other versions
CN110866154B (zh
Inventor
赵军
李金宝
郭路遥
孙文凯
崔立冲
苏磊
褚华宇
王琪
李越嘉
林酉阔
王贺云
杨帆
冯建新
蔡鹏飞
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.)
STATE GRID HEBEI TENDERING Co Ltd
State Grid Corp of China SGCC
Materials Branch of State Grid Hebei Electric Power Co Ltd
Original Assignee
STATE GRID HEBEI TENDERING Co Ltd
State Grid Corp of China SGCC
Materials Branch of State Grid Hebei Electric Power Co Ltd
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 STATE GRID HEBEI TENDERING Co Ltd, State Grid Corp of China SGCC, Materials Branch of State Grid Hebei Electric Power Co Ltd filed Critical STATE GRID HEBEI TENDERING Co Ltd
Priority to CN201910987395.1A priority Critical patent/CN110866154B/zh
Publication of CN110866154A publication Critical patent/CN110866154A/zh
Application granted granted Critical
Publication of CN110866154B publication Critical patent/CN110866154B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Finance (AREA)
  • Mathematical Physics (AREA)
  • Accounting & Taxation (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Factory Administration (AREA)

Abstract

本发明涉及一种协议库存智能匹配的方法，其属于库存匹配方法领域，其包括四个阶段的匹配方法，其中第一阶段为前期厂家库存匹配阶段，第二阶段为前期批次库存匹配阶段，第三阶段为当前批次库存智能匹配阶段，第四阶段为前期批次库存二次匹配阶段；本发明改逐条匹配为优化模型计算，将各供应商执行比例方差最小、总体运输距离最小、总体采购金额最低等设为优化目标，通过设置权重，充分考虑执行比例均衡的原则，优化运输距离，降低整体采购金额。同时，将同类物资各供应商执行进度差异不超过20%设置为约束条件，保证执行比例不超限制，全面保证了匹配进度均衡。

Description

一种协议库存智能匹配的方法
技术领域
本发明涉及一种协议库存智能匹配的方法，其属于库存匹配方法领域。
背景技术
当前主配网协议库存匹配工作主要在ERP系统进行，实际物资需求采用逐条匹配的传统算法存在一定弊端，对进一步提高协议匹配效率、质量方面支撑不够。
现有技术存在以下问题：
一是逐条匹配易造成比例不均。同类物资逐条匹配时仅保证单条物资匹配后比例均衡，随着主网协议库存开展，匹配工作量逐步增大，在匹配环节缺乏对需求统筹归纳分析，在全量需求满足上易出现缺陷。
二是存在协议库存匹配比例超协议上线的问题，依据目前协议匹配算法，存在不完善情况，例如，采购申请协议时，对于暂时匹配成功的，需要人工确认后进行保存，在保存前只能暂存在电脑内存中，系统无法实时自动锁定匹配库存，待匹配确认后采用异步处理方式更新库存，当发生大批量物资需求时，现有机制的多并发量，造成个别协议库存匹配超过上限，需要二次核查，增加了业务人员工作量。
三是协议匹配效率低，各网省目前ERP系统承载业务量大、用户多，系统运行效率低，匹配运算时间长，尤其是当短时间出现大批量物资需求时，无法快速完成协议匹配，降低物资供应效率。
四是部分工程项目建设存在特殊需求，对端设备必须为同一供应商(例如：对端线路保护)、双回路物资供应商必须不同(例如：双套配置线路保护、双套电力电缆)，目前协议库存匹配缺少前期配套厂商、互斥匹配逻辑，存在匹配结果与对端设备供应商不一致、双回路物资匹配为同一供应商，无法满足实际需求的问题，协议库存自动匹配完成后，如果匹配结果与对端设备供应商不一致，需要人工调整匹配结果，增加人工调整自动匹配结果工作量。
发明内容
本发明所要解决的技术问题是提供了一种协议库存智能匹配的方法。
本发明采用如下技术方案：
一种协议库存智能匹配的方法，其包括四个阶段的匹配方法，其中第一阶段为前期厂家库存匹配阶段，第二阶段为前期批次库存匹配阶段，第三阶段为当前批次库存智能匹配阶段，第四阶段为前期批次库存二次匹配阶段。
进一步的，本发明中四个阶段的匹配方法具体包括：首先判断物料是否有前期配套要求，当物料有前期配套要求时，进行第一阶段的前期厂家库存匹配；当物料没有前期配套要求时，根据匹配顺序，按照前期批次库存匹配阶段的匹配方法先对前期批次中协议合同执行进度未达A％的供应商进行匹配，再对当期批次中协议合同执行进度未达B％的供应商按照当前批次库存智能匹配阶段的匹配方法进行匹配，通过构建模型，依次形成最优匹配结果，最后按照前期批次库存二次匹配阶段的匹配方法对前期批次中协议合同执行进度未达C％的供应商进行二次匹配，直至匹配完成。
进一步的，所述A％的取值范围为40％-99％。
进一步的，所述B％的取值范围为100％-120％。
进一步的，所述C％的取值范围为100％-120％。
进一步的，所述前期厂家库存匹配阶段的匹配方法包括：收集物料需求形成集合，判断所述物料需求的集合中是否含有前期配套的需求，若含有前期配套的需求，则将涉及前期配套的物料需求收集后，判断前期厂家是否能满足涉及前期配套的物料需求，若能满足，则由前期厂家进行库存匹配并得出前期厂家匹配成功物料清单，若不能满足，则得出前期厂家匹配失败物料清单；若不含有前期配套的需求，则根据匹配顺序，进行前期批次库存匹配。
进一步的，所述按照前期批次库存匹配阶段的匹配方法先对前期批次中协议合同执行进度未达A％的供应商进行匹配具体包括：收集不含有前期配套需求的物料，设不含有前期配套需求的物料中前期批次次数总计为M，每个批次中包含物料需求的种类数为T，对于第j个批次中的第k种物料优先选择前期批次中协议合同执行进度未达A％的供应商，当该供应商能满足该物料需求时，则得出前期批次匹配成功物料清单，直至遍历M个批次中T个种类的物料，其中1≤j≤ M，1≤k≤T；当该供应商不能满足该物料需求时，则根据匹配顺序，进行当前批次库存智能匹配。
进一步的，所述当前批次库存智能匹配阶段的匹配方法包括：收集前期批次库存匹配阶段中供应商不能满足的物料需求，通过建立多目标优化模型，利用蚁群算法智能算法寻求最优解，得到当前批次库存智能匹配的成功物料清单和失败物料清单。
进一步的，通过建立多目标优化模型，利用蚁群算法智能算法寻求最优解的具体方法包括：
首先，按需求方定义数据指标，其包括需求单D、地市C、物料M、需求量 Q：
其中，Ci表示第i个地市，i＝1，2,…,t；
Di表示第i个需求单，i＝1,2,…，N；
Mi,k表示第i个需求单中的第k个物料，i＝1,2,…，N，k＝1,2,…，n；
Qi，k表示第i个需求单中的第k个物料的需求量，i＝1,2,…，N，k＝1,2,…，n；
Oj,l表示第j个供应商Cl地市合同金额占比；
按供应商定义数据指标，其包括供应商S、供应商执行进度R、采购单价P：
其中，Sj表示第j个供应商，j＝1,2,….，m；
Rj表示第j个供应商执行进度，j＝1,2,…，m；
Fj表示第j个供应商已执行金额，j＝1,2,…，m；
TFj表示第j个供应商合同金额，j＝1,2,…，m；
xj,i,k,l表示第i个需求单第k个物料所属l地市由第j个供应商供应的数量；
Pj，k表示第j个供应商的第k个物料的采购单价，j＝1,2,…，m，k＝1,2,…，n；
然后，建立目标函数，其中R表示执行进度、L表示距离、Z表示采购金额、 Num表示调配次数；
根据进度均衡原则，即以匹配后各供应商执行进度方差最小为原则，设 R＝min(Var(Rj))，j＝1,2,…..m；
根据就近原则，即以总体运输距离最小为原则，设
Figure RE-GDA0002365637110000041
Figure RE-GDA0002365637110000042
根据成本最低原则，即以总体采购金额最低为原则，设
Figure RE-GDA0002365637110000043
Figure RE-GDA0002365637110000044
根据运输成本最低原则，即以调配次数最少为原则，
Figure RE-GDA0002365637110000045
Figure RE-GDA0002365637110000046
然后，根据各目标函数的重要程度设置相应的权重ωi，其包括进度均衡权重为ω1，就近原则权重为ω2，成本最低权重为w3，运输成本最低权重为w4，形成模型总体目标函数F＝min(w1R+w2L+w3Z+w4Num)；
同时设定约束条件，其包括：
(1)协议可执行金额限制：横向相加小于等于(120％*协议金额-执行金额)，即
Figure RE-GDA0002365637110000051
(2)协议合同地市金额占比限制：横向中地市相加小于等于(120％*协议金额-执行金额)，即
Figure RE-GDA0002365637110000052
最后，模型求解方法采用蚁群算法。
进一步的，所述按照前期批次库存二次匹配阶段的匹配方法对前期批次中协议合同执行进度未达C％的供应商进行二次匹配包括：收集当前批次库存智能匹配阶段中失败物料清单，设物料需求的种类数为N，对于所述失败物料清单中第 n种物料优先选择前期批次中协议合同执行进度未达C％的供应商，当前期批次供应商能满足该物料需求时，则得出前期二次批次匹配成功物料清单，直至遍历 N个种类的物料，其中1≤n≤N；当前期批次供应商不能满足该物料需求时，则得出匹配失败物料清单。
优选的，所述A％的取值范围为80％，所述B％的取值范围为120％，所述C％的取值范围为120％。
本发明的有益效果如下：
(1)本发明改逐条匹配为优化模型计算，将各供应商执行比例方差最小、总体运输距离最小、总体采购金额最低等设为优化目标，通过设置权重，充分考虑执行比例均衡的原则，优化运输距离，降低整体采购金额。同时，将同类物资各供应商执行进度差异不超过20％设置为约束条件，保证执行比例不超限制，全面保证了匹配进度均衡。
(2)本发明应用前期厂家库存匹配、前期批次库存匹配、当期批次库存智能匹配和前期批次库存二次匹配的4阶段连续匹配流程。顺序进行，依次匹配，在每次匹配时形成临时库存资源池，将供应商协议执行上限设置为约束条件，通过优化模型计算匹配结果，对于能满足需求的情况，输出对应的供应商，并同步修正协议库存；对于不能满足则输出该供应商的物料可供份额。
(3)本发明采用蚁群算法智能算法寻求最优解，该方法具有较强的鲁棒性、优良的分布式计算机制，在求解组合优化问题上有显著效果。而且通过设置合理的信息素强度，能够极大的提高匹配速度，适应大批量的匹配工作。
(4)本发明在项目部门提报实际采购需求环节，设置配套、互斥标识，在优化模型中设置打包、互斥逻辑，通过系统自动实现工程项目建设特殊需求，减少人工调整工作量。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为本发明的方法流程图。
图2为供应商选择问题构造图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面结合附图1和具体实施例对发明进行清楚、完整的描述。
如图1所示，本实施例涉及一种协议库存智能匹配的方法，其包括四个阶段的匹配方法，其中第一阶段为前期厂家库存匹配阶段，第二阶段为前期批次库存匹配阶段，第三阶段为当前批次库存智能匹配阶段，第四阶段为前期批次库存二次匹配阶段。
进一步的，本发明中四个阶段的匹配方法具体包括：首先判断物料是否有前期配套要求，当物料有前期配套要求时，进行第一阶段的前期厂家库存匹配；当物料没有前期配套要求时，根据匹配顺序，按照前期批次库存匹配阶段的匹配方法先对前期批次中协议合同执行进度未达A％的供应商进行匹配，再对当期批次中协议合同执行进度未达B％的供应商按照当前批次库存智能匹配阶段的匹配方法进行匹配，通过构建模型，依次形成最优匹配结果，最后按照前期批次库存二次匹配阶段的匹配方法对前期批次中协议合同执行进度未达C％的供应商进行二次匹配，直至匹配完成。
进一步的，所述A％的取值范围为40％-99％。
进一步的，所述B％的取值范围为100％-120％。
进一步的，所述C％的取值范围为100％-120％。
进一步的，所述前期厂家库存匹配阶段的匹配方法包括：收集物料需求形成集合，判断所述物料需求的集合中是否含有前期配套的需求，若含有前期配套的需求，则将涉及前期配套的物料需求收集后，判断前期厂家是否能满足涉及前期配套的物料需求，若能满足，则由前期厂家进行库存匹配并得出前期厂家匹配成功物料清单，若不能满足，则得出前期厂家匹配失败物料清单；若不含有前期配套的需求，则根据匹配顺序，进行前期批次库存匹配。
进一步的，所述按照前期批次库存匹配阶段的匹配方法先对前期批次中协议合同执行进度未达A％的供应商进行匹配具体包括：收集不含有前期配套需求的物料，设不含有前期配套需求的物料中前期批次次数总计为M，每个批次中包含物料需求的种类数为T，对于第j个批次中的第k种物料优先选择前期批次中协议合同执行进度未达A％的供应商，当该供应商能满足该物料需求时，则得出前期批次匹配成功物料清单，直至遍历M个批次中T个种类的物料，其中1≤j≤ M，1≤k≤T；当该供应商不能满足该物料需求时，则根据匹配顺序，进行当前批次库存智能匹配。
进一步的，所述当前批次库存智能匹配阶段的匹配方法包括：收集前期批次库存匹配阶段中供应商不能满足的物料需求，通过建立多目标优化模型，利用蚁群算法智能算法寻求最优解，得到当前批次库存智能匹配的成功物料清单和失败物料清单。
进一步的，通过建立多目标优化模型，利用蚁群算法智能算法寻求最优解的具体方法包括：
首先，按需求方定义数据指标，其包括需求单D、地市C、物料M、需求量 Q：
其中，Ci表示第i个地市，i＝1，2,…,t；
Di表示第i个需求单，i＝1,2,…，N；
Mi,k表示第i个需求单中的第k个物料，i＝1,2,…，N，k＝1,2,…，n；
Qi，k表示第i个需求单中的第k个物料的需求量，i＝1,2,…，N，k＝1,2,…，n；
Oj,l表示第j个供应商Cl地市合同金额占比；
按供应商定义数据指标，其包括供应商S、供应商执行进度R、采购单价P：
其中，Sj表示第j个供应商，j＝1,2,….，m；
Rj表示第j个供应商执行进度，j＝1,2,…，m；
Fj表示第j个供应商已执行金额，j＝1,2,…，m；
TFj表示第j个供应商合同金额，j＝1,2,…，m；
xj,i,k,l表示第i个需求单第k个物料所属l地市由第j个供应商供应的数量；
Pj，k表示第j个供应商的第k个物料的采购单价，j＝1,2,…，m，k＝1,2,…，n；
然后，建立目标函数，其中R表示执行进度、L表示距离、Z表示采购金额、 Num表示调配次数；
根据进度均衡原则，即以匹配后各供应商执行进度方差最小为原则，设 R＝min(Var(Rj))，j＝1,2,…..m；
根据就近原则，即以总体运输距离最小为原则，设
Figure RE-GDA0002365637110000091
Figure RE-GDA0002365637110000092
根据成本最低原则，即以总体采购金额最低为原则，设
Figure RE-GDA0002365637110000093
Figure RE-GDA0002365637110000094
根据运输成本最低原则，即以调配次数最少为原则，
Figure RE-GDA0002365637110000095
Figure RE-GDA0002365637110000096
然后，根据各目标函数的重要程度设置相应的权重ωi，其包括进度均衡权重为ω1，就近原则权重为ω2，成本最低权重为w3，运输成本最低权重为w4，形成模型总体目标函数F＝min(w1R+w2L+w3Z+w4Num)；
同时设定约束条件，其包括：
(1)协议可执行金额限制：横向相加小于等于(120％*协议金额-执行金额)，即
Figure RE-GDA0002365637110000101
(2)协议合同地市金额占比限制：横向中地市相加小于等于(120％*协议金额-执行金额)，即
Figure RE-GDA0002365637110000102
最后，模型求解方法采用蚁群算法。
进一步的，所述按照前期批次库存二次匹配阶段的匹配方法对前期批次中协议合同执行进度未达C％的供应商进行二次匹配包括：收集当前批次库存智能匹配阶段中失败物料清单，设物料需求的种类数为N，对于所述失败物料清单中第 n种物料优先选择前期批次中协议合同执行进度未达C％的供应商，当前期批次供应商能满足该物料需求时，则得出前期二次批次匹配成功物料清单，直至遍历 N个种类的物料，其中1≤n≤N；当前期批次供应商不能满足该物料需求时，则得出匹配失败物料清单。
优选的，所述A％的取值范围为80％，所述B％的取值范围为120％，所述C％的取值范围为120％。
本实施例是应用前期厂家库存匹配、前期批次库存匹配、当期批次库存智能匹配和前期批次库存二次匹配的4阶段连续匹配流程。对于有前期配套要求的物料，进行前期厂家库存匹配；对于不要求前期配套的物料，根据匹配顺序，先对前期批次中协议合同执行进度未达80％的供应商进行匹配，再对当期批次中协议合同执行进度未达120％的供应商进行匹配，最后对前期批次中协议合同执行进度未达120％的供应商进行二次匹配，通过构建模型，依次形成最优匹配结果，直至匹配完成。
利用多目标优化模型计算最优匹配结果，目标函数、约束条件如下：
1、基于各匹配目标定义相应目标函数
(1)设置方差最小的目标函数，达到全局进度均衡的目的；
(2)设置总体运输距离最小的目标函数，达到全局就近匹配的目的；
(3)设置总体采购金额最低的目标函数，达到全局成本最低的目的；
(4)设置调配次数最少的目标函数，达到非强制性打包物料尽量由少数供应商供应的目的；
(5)根据供应商产品质量、服务风险等其他条件增设相应的目标函数。
2、根据各目标函数的重要程度设置相应的权重，形成模型总体目标函数
3、设置模型限制条件
(1)供应商协议执行上限(120％)
(2)供应商可供份额大于等于需求单物料需求份额；
(3)各需求单中物料需求量必须100％被供应；
(4)需求单中单一需求物料必须由一个供应商供应；
(5)同类物资各供应商执行进度差异不超过20％；
4、基于目标函数和限制条件，利用智能搜索算法(如蚁群算法、遗传算法、网格搜索等)开展协议库存智能匹配。基于匹配过程中是否存在某需求无法匹配的现象，如果不存在(即有解)则匹配完成，否则进行无解修正。
本实施例中利用蚁群算法智能算法寻求最优解，提高匹配速度，适应以后的大批量匹配工作。
蚁群算法是受到自然界中的蚂蚁行为的启发而提出的，是由意大利学者Dorigo等人首先提出，大量研究已经初步证明蚁群算法作为一种新的启发式优化算法，具有较强的鲁棒性、优良的分布式计算机制等特点，在求解组合优化问题上有显著效果。
首先将生成的n只蚂蚁随机放入图2的第1类供应商各节点上，然后每只蚂蚁根据信息素和启发因子独立地选择下一类某一节点，直到走完所有节点为止。
Figure RE-GDA0002365637110000121
表示蚂蚁k从节点S(i-1)j转移到节点Sij的概率。
Figure RE-GDA0002365637110000122
式中：allowedk＝{C-tabuk}为蚂蚁k下一步可以选择的供应商的集合；C为所有节点的集合；tabuk为蚂蚁k当前走过的所有节点的集合；α为信息启发式因子，表示轨迹的相对重要性，蚂蚁倾向于选择信息素较多的路径，α值越大，该路径的信息素积累浓度就越大，蚂蚁选择该路径上的供应商的几率也越大；β为期望值启发因子，表示能见度的相对重要性，反映了蚂蚁选择供应商的确定性因素的强弱；
Figure RE-GDA0002365637110000126
为启发函数，表示节点Sij指标值对蚂蚁状态转移概率的影响。该节点的指标综合值越大，选择该节点的概率就越大，因此
Figure RE-GDA0002365637110000127
用该节点指标综合值的倒数表示为
Figure RE-GDA0002365637110000128
其中，EV′ij表示节点Sij的指标综合值；
完成一次迭代后，每条待选线路的信息素被更新为
Figure RE-GDA0002365637110000123
Figure RE-GDA0002365637110000124
式中：ρ为信息素的挥发系数；1-ρ为信息素的残留因子；
Figure RE-GDA0002365637110000125
为本次循环供应商节点上信息素的增量；Q为信息素强度，其大小影响算法的收敛速度； Fk为当前最好解下供应商节点的总成本。
本实施例通过梳理配套类物资清单，固化配套物资关联关系，当同一项目中存在配套关联关系的物资需求时，协议匹配自动匹配给同一供应商，并针对前期配套、对端配套、双回路互斥等需求，在项目部门提报实际采购需求环节，增加配套、互斥标识，在协议库存匹配时进行捆绑、互斥式匹配。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。

Claims (10)

1.一种协议库存智能匹配的方法，其特征在于，其包括四个阶段的匹配方法，其中第一阶段为前期厂家库存匹配阶段，第二阶段为前期批次库存匹配阶段，第三阶段为当前批次库存智能匹配阶段，第四阶段为前期批次库存二次匹配阶段。
2.根据权利要求1所述的一种协议库存智能匹配的方法，其特征在于，四个阶段的匹配方法具体包括：首先判断物料是否有前期配套要求，当物料有前期配套要求时，进行第一阶段的前期厂家库存匹配；当物料没有前期配套要求时，根据匹配顺序，按照前期批次库存匹配阶段的匹配方法先对前期批次中协议合同执行进度未达A%的供应商进行匹配，再对当期批次中协议合同执行进度未达B%的供应商按照当前批次库存智能匹配阶段的匹配方法进行匹配，通过构建模型，依次形成最优匹配结果，最后按照前期批次库存二次匹配阶段的匹配方法对前期批次中协议合同执行进度未达C%的供应商进行二次匹配，直至匹配完成。
3.根据权利要求2所述的一种协议库存智能匹配的方法，其特征在于，所述A%的取值范围为40%-99%。
4.根据权利要求2所述的一种协议库存智能匹配的方法，其特征在于，所述B%的取值范围为100%-120%。
5.根据权利要求2所述的一种协议库存智能匹配的方法，其特征在于，所述C%的取值范围为100%-120%。
6.根据权利要求1-5任一所述的一种协议库存智能匹配的方法，其特征在于，所述前期厂家库存匹配阶段的匹配方法包括：收集物料需求形成集合，判断所述物料需求的集合中是否含有前期配套的需求，若含有前期配套的需求，则将涉及前期配套的物料需求收集后，判断前期厂家是否能满足涉及前期配套的物料需求，若能满足，则由前期厂家进行库存匹配并得出前期厂家匹配成功物料清单，若不能满足，则得出前期厂家匹配失败物料清单；若不含有前期配套的需求，则根据匹配顺序，进行前期批次库存匹配。
7.根据权利要求2-5任一所述的一种协议库存智能匹配的方法，其特征在于，所述按照前期批次库存匹配阶段的匹配方法先对前期批次中协议合同执行进度未达A%的供应商进行匹配具体包括：收集不含有前期配套需求的物料，设不含有前期配套需求的物料中前期批次次数总计为M，每个批次中包含物料需求的种类数为T，对于第j个批次中的第k种物料优先选择前期批次中协议合同执行进度未达A%的供应商，当该供应商能满足该物料需求时，则得出前期批次匹配成功物料清单，直至遍历M个批次中T个种类的物料，其中1≤j≤M，1≤k≤T；当该供应商不能满足该物料需求时，则根据匹配顺序，进行当前批次库存智能匹配。
8.根据权利要求1-5任一所述的一种协议库存智能匹配的方法，其特征在于，所述当前批次库存智能匹配阶段的匹配方法包括：收集前期批次库存匹配阶段中供应商不能满足的物料需求，通过建立多目标优化模型，利用蚁群算法智能算法寻求最优解，得到当前批次库存智能匹配的成功物料清单和失败物料清单。
9.根据权利要求7所述的一种协议库存智能匹配的方法，其特征在于，通过建立多目标优化模型，利用蚁群算法智能算法寻求最优解的具体方法包括：
首先，按需求方定义数据指标，其包括需求单D、地市C、物料M、需求量Q：
其中，
Figure 359652DEST_PATH_IMAGE001
表示第i个地市，i=1，2,…,t；
Figure DEST_PATH_IMAGE002
表示第i个需求单，i=1,2,…，N；
Figure 209797DEST_PATH_IMAGE003
表示第i个需求单中的第k个物料，i=1,2,…，N，k=1,2,…，n；
Figure DEST_PATH_IMAGE004
表示第i个需求单中的第k个物料的需求量，i=1,2,…，N，k=1,2,…，n；
Figure 331468DEST_PATH_IMAGE005
表示第j个供应商
Figure DEST_PATH_IMAGE006
地市合同金额占比；
按供应商定义数据指标，其包括供应商S、供应商执行进度R、采购单价P：
其中，
Figure 874444DEST_PATH_IMAGE007
表示第j个供应商，j=1,2,….，m；
Figure DEST_PATH_IMAGE008
表示第j个供应商执行进度，j=1,2,…，m；
Figure 963623DEST_PATH_IMAGE009
表示第j个供应商已执行金额，j=1,2,…，m；
Figure DEST_PATH_IMAGE010
表示第j个供应商合同金额，j=1,2,…，m；
Figure 102612DEST_PATH_IMAGE011
表示第i个需求单第k个物料所属l地市由第j个供应商供应的数量；
Figure DEST_PATH_IMAGE012
表示第j个供应商的第k个物料的采购单价，j=1,2,…，m，k=1,2,…，n；
然后，建立目标函数，其中R表示执行进度、L表示距离、Z表示采购金额、Num表示调配次数；
根据进度均衡原则，即以匹配后各供应商执行进度方差最小为原则，设R=min（Var(
Figure 593636DEST_PATH_IMAGE013
)），j=1,2,…..m；
根据就近原则，即以总体运输距离最小为原则，设L=min(
Figure DEST_PATH_IMAGE014
)，i=1,2,…N,k=1,2,….n；
根据成本最低原则，即以总体采购金额最低为原则，设Z=min（
Figure 41935DEST_PATH_IMAGE015
），k=1,2,…n,j=1,2,…，m；
根据运输成本最低原则，即以调配次数最少为原则，Num=min（
Figure DEST_PATH_IMAGE016
），i=1,2,…，N；
然后，根据各目标函数的重要程度设置相应的权重
Figure 103563DEST_PATH_IMAGE017
，其包括进度均衡权重为
Figure DEST_PATH_IMAGE018
，就近原则权重为
Figure 295510DEST_PATH_IMAGE019
，成本最低权重为
Figure DEST_PATH_IMAGE020
，运输成本最低权重为
Figure 641040DEST_PATH_IMAGE021
，形成模型总体目标函数
Figure DEST_PATH_IMAGE022
；
同时设定约束条件，其包括：
（1）协议可执行金额限制：横向相加小于等于（120%*协议金额-执行金额），即
Figure DEST_PATH_IMAGE023
（2）协议合同地市金额占比限制：横向中地市相加小于等于（120%*协议金额-执行金额），即
Figure DEST_PATH_IMAGE024
最后，模型求解方法采用蚁群算法。
10.根据权利要求2-5任一所述的一种协议库存智能匹配的方法，其特征在于，所述按照前期批次库存二次匹配阶段的匹配方法对前期批次中协议合同执行进度未达C%的供应商进行二次匹配包括：收集当前批次库存智能匹配阶段中失败物料清单，设物料需求的种类数为N，对于所述失败物料清单中第n种物料优先选择前期批次中协议合同执行进度未达C%的供应商，当前期批次供应商能满足该物料需求时，则得出前期二次批次匹配成功物料清单，直至遍历N个种类的物料，其中1≤n≤N；当前期批次供应商不能满足该物料需求时，则得出匹配失败物料清单。
CN201910987395.1A 2019-10-17 2019-10-17 一种协议库存智能匹配的方法 Active CN110866154B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910987395.1A CN110866154B (zh) 2019-10-17 2019-10-17 一种协议库存智能匹配的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910987395.1A CN110866154B (zh) 2019-10-17 2019-10-17 一种协议库存智能匹配的方法

Publications (2)

Publication Number Publication Date
CN110866154A true CN110866154A (zh) 2020-03-06
CN110866154B CN110866154B (zh) 2023-06-23

Family

ID=69652572

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910987395.1A Active CN110866154B (zh) 2019-10-17 2019-10-17 一种协议库存智能匹配的方法

Country Status (1)

Country Link
CN (1) CN110866154B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111581369A (zh) * 2020-03-31 2020-08-25 山东浪潮通软信息科技有限公司 一种自动匹配特征的物料管理方法、设备及介质
CN115775075A (zh) * 2022-12-01 2023-03-10 国网江苏省电力有限公司物资分公司 一种框架协议采购模式下全周期过程供应商订单分配方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6970841B1 (en) * 2000-04-17 2005-11-29 International Business Machines Corporation Large inventory-service optimization in configure-to-order systems
CN104992251A (zh) * 2015-07-17 2015-10-21 国家电网公司 一种协议库存匹配优化分配方法
CN105139111A (zh) * 2015-08-11 2015-12-09 江苏天源招标有限公司 一种基于贪婪算法的协议库存物资订单分配方法
CN108734388A (zh) * 2018-04-27 2018-11-02 深圳供电局有限公司 一种电力物资调配系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6970841B1 (en) * 2000-04-17 2005-11-29 International Business Machines Corporation Large inventory-service optimization in configure-to-order systems
CN104992251A (zh) * 2015-07-17 2015-10-21 国家电网公司 一种协议库存匹配优化分配方法
CN105139111A (zh) * 2015-08-11 2015-12-09 江苏天源招标有限公司 一种基于贪婪算法的协议库存物资订单分配方法
CN108734388A (zh) * 2018-04-27 2018-11-02 深圳供电局有限公司 一种电力物资调配系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
唐亮 等: "网络化制造模式下基于改进蚁群算法的供应链调度优化研究" *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111581369A (zh) * 2020-03-31 2020-08-25 山东浪潮通软信息科技有限公司 一种自动匹配特征的物料管理方法、设备及介质
CN115775075A (zh) * 2022-12-01 2023-03-10 国网江苏省电力有限公司物资分公司 一种框架协议采购模式下全周期过程供应商订单分配方法

Also Published As

Publication number Publication date
CN110866154B (zh) 2023-06-23

Similar Documents

Publication Publication Date Title
Wang et al. Modeling and optimization of a road–rail intermodal transport system under uncertain information
US20240054444A1 (en) Logistics scheduling method and system for industrial park based on game theory
Leung et al. An integrated online pick-to-sort order batching approach for managing frequent arrivals of B2B e-commerce orders under both fixed and variable time-window batching
CN108921329B (zh) 一种基于区块链技术的食品交易优化匹配方法
CN110866154A (zh) 一种协议库存智能匹配的方法
CN109922152A (zh) 一种移动边缘计算中的计算卸载方法及系统
CN108320041A (zh) 分配集合单的方法、装置、电子设备和可读存储介质
CN110456633B (zh) 机载多平台分布式任务分配方法
Khmeleva et al. Fuzzy-logic controlled genetic algorithm for the rail-freight crew-scheduling problem
US11755967B2 (en) Time-based decomposition for supply chain optimization problem
CN110276488A (zh) 一种基于分块矩阵和模糊运输时间的车辆路径优化方法
CN110222996A (zh) 任务分配方法及装置
CN114048924A (zh) 基于混合遗传算法的多配送中心选址-配送路径规划方法
CN115759917A (zh) 一种基于改进混合蚁群算法的物流路径规划方法
Lin et al. Optimization plan for excess warehouse storage in e-commerce–based plant shops: A case study for Chinese plant industrial
CN110363244A (zh) 一种营销数据处理的方法和装置
CN114757662B (zh) 一种基于互联网的跨境服务贸易平台管理系统及方法
Amodeo et al. Comparison of metaheuristic approaches for multi-objective simulation-based optimization in supply chain inventory management
Ding et al. A simulation-based optimization method for production-distribution network design
CN115719194A (zh) 一种基于大数据预测物资采购方法和系统
CN114943450A (zh) 采购项目资质自动筛选方法及系统
CN109377335B (zh) 基于商业智能财税管理系统、方法及计算机可读存储介质
Harman et al. Multi-agent task allocation for harvest management
Ivanov et al. Facility location planning and network design
CN110322185A (zh) 一种基于gis和gps的物流管控方法

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