CN111563659A - 基于多蚁群系统的多目标供应链配置方法 - Google Patents

基于多蚁群系统的多目标供应链配置方法 Download PDF

Info

Publication number
CN111563659A
CN111563659A CN202010285488.2A CN202010285488A CN111563659A CN 111563659 A CN111563659 A CN 111563659A CN 202010285488 A CN202010285488 A CN 202010285488A CN 111563659 A CN111563659 A CN 111563659A
Authority
CN
China
Prior art keywords
node
option
solution
nodes
time
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
CN202010285488.2A
Other languages
English (en)
Other versions
CN111563659B (zh
Inventor
詹志辉
张欣
张军
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202010285488.2A priority Critical patent/CN111563659B/zh
Publication of CN111563659A publication Critical patent/CN111563659A/zh
Application granted granted Critical
Publication of CN111563659B publication Critical patent/CN111563659B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]

Landscapes

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

Abstract

本发明公开了一种基于多蚁群系统的多目标供应链配置方法，包括：将用于存放帕累托解的集合PS和存放帕累托前沿的集合PF置为空集合；对多目标供应链配置问题中的数据进行预处理，并初始化信息素τ0；设置集合newPS0和newPS1分别用于存放当前迭代中两个蚁群系统新生成的帕累托解，并把这两个集合置空；按照节点优先级顺序，针对每个解，贪心的计算启发式信息η并构造解xc,k，局部更新信息素τ，并更新集合PS和PF；检查解xc,k是否是帕累托解；针对每个蚁群，判断是否未构造完popsize个个体；判断两个蚁群是否已未构造完成；全局更新信息素τ；采用局部搜索策略改进PS中的解；判断程序终止条件是否满足。

Description

基于多蚁群系统的多目标供应链配置方法
技术领域
本发明涉及多目标供应链配置和智能算法技术领域，尤其涉及一种基于多蚁群系统的多目标供应链配置方法。
背景技术
供应链网络是将从产品原料供应、生产、运输、销售等阶段组织起来，并根据客户需求进行统筹从而为各个阶段分配任务的管理结构。由于优化设计对供应链绩效的影响，供应链配置问题引起了组合优化方向研究者和供应链管理实践者的关注。据统计，通常情况下，优化后的设计可使成本降低50％到60％，并可使服务时间降低25％到75％。此外，供应链配置为供应链运营提供了从战略层面到运营层面的基本结构，该问题已成为企业的竞争优势和资本投入的重要研究领域。
供应链的建模可分为三个不同的阶段：供应、制造和运输。根据产品的物料清单，每个阶段都包括多个供应链成员(节点)，一个节点可以连接到其他的一个或多个节点，其中组件或原材料供应阶段由供应商节点表示，子装配和最终装配阶段由制造商节点表示。运输阶段包含客户对产品的需求信息。连接运输阶段的制造阶段代表制造商的最终装配节点。假设每个节点都可以由至少一个选项执行，供应商节点的多个选项分别代表能够供应组件的不同供应商。制造商节点可以有一个或多个工厂或生产线选项，在这些工厂或生产线中可以组装一个组件。运输节点的不同选择代表不同的运输方式，例如货车运输和飞机运输。节点的不同选项具有不同的时间成本和费用成本。
供应链配置问题是为每个节点做出选择，使得产品售价和产品交货时间最小。根据产品售价和产品交货时间来选择，决策者可以获得多种解决方案。每个解决方案包括供应组件的方式(供应商节点的选择)，组装产品的方式(组装节点的选择)，并将最终产品如何交付给客户(运输节点的选择)。为了给每一个节点做出选择，决策者必须考虑到选项不同时间和费用之间的权衡。
运筹学方法和进化计算是求解供应链配置问题的最常用的解决方法。 LuisA.Moncayo–Martínez等人分别在2014年的《Journal of Manufacturing Systems》和2016年的《Experiment Systems with Applications》杂志上采用蚁群优化算法和智能水滴算法求解该问题。但是，这两种算法需要借助规模较大的种群进化，从而消耗较多的时间求解问题。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于多蚁群系统的多目标供应链配置方法。本发明将蚁群系统运用到多种群多目标框架中，并通过该方法来解决多目标供应链配置问题。
本发明的目的能够通过以下技术方案实现：
一种基于多蚁群系统的多目标供应链配置方法，包括步骤：
将用于存放帕累托解的集合PS和存放帕累托前沿的集合PF置为空集合；
对多目标供应链配置问题中的数据进行预处理，包括根据供应链网络结构获得各个节点的优先级；针对每个节点，筛选出具有竞争性的选项，按选项的时间成本进行排序，并获得选项的性价比排名ceRank；对于每个节点，记录和该节点具有相同子节点且优先级排在其前面的节点，并保存在集合SameLevel中；初始化信息素τ0；
针对两个蚁群系统，colony0用于最小化该问题的第一个目标产品售价 CoGS，colony1用于最小化第二个目标产品交货时间LT。集合newPS0和 newPS1分别用于存放当前迭代中两个蚁群系统新生成的帕累托解，并把这两个集合置空；
按照节点优先级顺序，针对每个解，贪心的计算启发式信息η，并根据启发式信息构造解xc,k，其中，c代表蚁群编号，k代表个体编号。同时，局部更新信息素τ，并更新集合PS和PF；
检查解xc,k是否是帕累托解：如果xc,k是帕累托解，将其加入到newPSc中；否则，执行局部搜索策略改进该解；
针对每个蚁群，判断是否未构造完popsize个个体，如果是，回到针对每个解，贪心的计算启发式信息η，并根据启发式信息构造解xc,k的步骤中，继续生成新的解；否则，进行下一步；
判断两个蚁群是否已未构造完成，如果是，回到针对每个解，贪心的计算启发式信息η，并根据启发式信息构造解xc,k，局部更新信息素τ，并更新集合PS和PF的步骤中，生产新的蚁群；否则，进行下一步；
全局更新信息素τ；
采用局部搜索策略改进PS中的解；
判断程序终止条件是否满足，如果是，程序结束；否则，返回设置集合newPS0和newPS1分别用于存放当前迭代中两个蚁群系统新生成的帕累托解，并把这两个集合置空的步骤中继续进行迭代。
进一步地，所述对多目标供应链配置问题中的数据进行预处理的步骤中，获取节点的优先级的方法为：对于节点i，将为节点i供应物资的节点定义为i的上级节点，这些节点的集合记作upNodei；将接收节点i供应物资的节点定义为i的下级节点，这些节点的集合记作downNodei。对于节点 i，upNodei中的节点优先级都在i之前，downNodei中的节点优先级都在i 之后。
进一步地，所述对多目标供应链配置问题中的数据进行预处理的步骤中，排名ceRank按照的Δtime排序位置获得，Δtime的计算公式如下：
Figure RE-GDA0002561979610000041
其中，i代表节点编号，j代表节点的选项编号，timeb和costb分别代表随机选取选项(作为标准)的时间和费用，并且满足timeb>0和costb> 0，Costi,j和Timei,j分别代表第j个选项的费用和时间。
所有选项都经过上述公式计算得到Δtime值，即把选项j比随机选项多余的费用(Costij-costb)转化为相同标准下的时间
Figure RE-GDA0002561979610000042
费用越高，所消耗的时间越短，因此相同标准下选项j所需要的时间为
Figure RE-GDA0002561979610000043
再与原本的时间Timei,j求差值得到Δtime。将各个选项的Δtime按照从大到小的顺序排序后得到选项的排名ceRank。
进一步地，所述对多目标供应链配置问题中的数据进行预处理的步骤中，信息素初始化设置如下：
Figure RE-GDA0002561979610000044
其中，nNode代表供应链网络中节点的个数。
进一步地，所述针对每个解，贪心的计算启发式信息η，并根据启发式信息构造解xc,k的步骤中，按照节点优先级顺序构造完整的解，根据 SameLevel中的节点计算启发式信息η，并为当前节点按照如下状态转移方程做出选择：
Figure RE-GDA0002561979610000051
其中，c代表蚁群编号，k代表个体编号，i代表节点编号，j代表节点的选项编号，Optioni代表节点i可选择的选项个数，q是0到1间的随机数，α、β、q0是所设定的参数，整数J取值范围是[1,Optioni]，pi,j代表节点i选择选项j的概率。如果q<q0则选择[τi,j]α·[ηi,j]β值最大的选项，否则，通过轮盘赌方法按照概率pi,j做出选择。
pi,j的计算公式如下：
Figure RE-GDA0002561979610000052
更进一步地，启发式信息η的贪心计算方式如下：
Figure RE-GDA0002561979610000053
其中，i代表节点编号，j代表节点的选项编号，ceRanki,j代表选项的性价比排名，gRanki,j代表选项的当前优先权排名。如果将节点i的选项分为两部分，分别是使当前LT不变的选项option1和使当前LT增加的选项 option2。那么，当前优先权排名指option1中选项的费用排名和option2中选项的排名，并且option1排在option2之前。其中，为了配合多种群多目标优化框架，在用于优化目标CoGS的colony0中，option2按照费用排名，而在用于优化目标LT的colony1中，option2按照时间排名。
进一步地，信息素τ局部更新方式如下：
τc,i,j＝(1-ρlocal)·τc,i,j+ρlocal·τ0
其中，c代表蚁群编号，i代表节点编号，j代表节点的选项编号，ρlocal是用来控制信息素局部更新幅度的参数。在该双蚁群框架中，每个蚁群都拥有自己的信息素τ。
所述执行局部搜索策略改进构造解xc,k的步骤中，针对个体的局部搜索策略包括两种：用于减小商品售价CoGS并保证交货时间LT不改变的 LScost，以及用于减小交货时间LT同时使商品售价CoGS增幅小的LStime。
进一步地，LScost的局部搜索策略具体过程如下：
初始化每个节点的最大交付时间maxLTime为LT；
按照优先级从低到高依次遍历所有节点，包括：
对于优先级为i的节点nd，判断nd是否有费用更小的选项。如果有，按照如下公式更新其交货时间：
Figure RE-GDA0002561979610000061
如果newLTimend小于maxLTimend，说明nd的选项改变不会导致LT改变，因此nd可以选择费用更小的选项(xc,k,nd+1)，并更新减小后的CoGS；
按如下方式更新节点i所有上级节点的maxLTime：
Figure RE-GDA0002561979610000062
其中，up代表节点i的所有上级节点。
进一步地，LStime的局部搜索策略具体过程如下：
初始化布尔变量suc为false，如果suc值为true，代表LStime能够减小LT，否则不可以。集合que用来记录其交货时间必须减小才能使得LT 减小的节点，初始化为空。qi用来标记que的遍历下标，初始化为0；
对于每个节点i，用布尔变量changei表示该节点是否可以改变，值为 true代表可以，值为false代表不可以，初始化为false，布尔变量visiti表示该节点是否已遍历，值为true代表已遍历，值为false代表未遍历，初始化为false。并判断节点i的交货时间LTimei是否等于最终交货时间LT，如果等于，代表必须减小LTimei才能减小LT，将节点i加入到que中，并标记visiti为true；
遍历que中下标为qi的节点nd，qi加1指向下一个节点；
判断节点nd是否有时间更小的选项：
如果有，代表通过改变自身选项的时间，就可使LT减小，标记changei为true，suc为true；
否则，必须通过改变上级节点的时间，来减小LT，具体为：判断节点 nd是否有上级节点，如果没有，标记suc为false，LT无法减小，程序LStime 结束；如果有，将nd的上级节点up中没有被遍历过(visitup为false)，并且满足up的交货时间(LTimeup)等于
Figure RE-GDA0002561979610000071
的上级节点加入到que中，并标记visitup为true；
如果que中的节点未遍历完(qi<que的大小)，返回遍历que中下标为qi的节点nd，qi加1指向下一个节点的步骤中；否则进行下一步；
如果suc为true，更新可选择时间更小的节点选项(changei为true) 以及CoGS、LT。
进一步地，信息素τ全局更新方式如下：
τc,i,j＝(1-ρglobal)·τc,i,j+ρglobal·Δτc,i,j
其中，c代表蚁群编号，i代表节点编号，j代表节点的选项编号，ρglobal是用来控制信息素全局更新幅度的参数。Δτc,i,j计算公式如下：
Figure RE-GDA0002561979610000081
其中，popsize代表种群大小，updtX代表用于信息素全局更新的个体的集合，cbase和tbase分别代表通过贪心算法求出的CoGS和LT的最小值。如果步骤(5)中的集合newPS非空，updtX和newPS相同，即为当前迭代新生成的帕累托最优解；否则，updtX只包括一个随机从非支配解集PS中选出的解。
进一步地，所述采用局部搜索策略改进PS中的解的步骤中，采用的局部搜索策略与执行局部搜索策略改进构造解xc,k的步骤中的局部搜索策略有所不同。采用局部搜索策略改进PS中的解的步骤中的局部搜索策略是基于选项性价比排名ceRank设计，记为ELSrank。ELSrank用于找到两个解xs和xt之间的解x，满足x中每个节点的选项性价比排名均在xs和 xt的对应节点的选项性价比排名之间。
本发明相较于现有技术，具有以下的有益效果：
1、本发明采用两个蚁群系统分别独立求解两个目标，并提出基于节点优先级的贪心的解构造方法。同时，为了最小化产品交货时间，本发明提出针对每个解的贪心启发式策略。
2、本发明设计了针对多蚁群系统的信息素局部及全局更新策略。此外，本发明基于问题特征提出并采用多种局部搜索策略，从不同角度提高解的质量。
3、本发明设计的基于多蚁群系统的多目标供应链配置方法在不同问题规模中都能够求得较优的解，尤其是大规模问题，并且该方法所求得的解具有良好的多样性
附图说明
图1为本实施例中供应链网络的结构图。
图2为一种基于多蚁群系统的多目标供应链配置方法的流程图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例
供应链网络包括多级节点，例如供应商、制造商、运输商等等，并通过供应关系连接各个级别的节点，如图1所示为本实施例中的多目标供应链配置模型结构。由图1可见，自上而下，供应商为制造商供应物资，制造商为其他制造商供应零件，而最终制造商供应给运输商，由运输商负责把产品运送给最终客户。每个节点包括多个选项，例如，制造商有多条生产线可供选择，节点的不同选项所对应的时间成本和费用成本不同。本发明旨在为每个节点做出最优的选择，使得整个供应链网络系统最终的商品售价CoGS和交货时间LT最小。这两个优化目标的定义如下：
Figure RE-GDA0002561979610000091
Min LT＝maxi∈{1,..,nNode}{LTimei}
其中，T为生产时间段，nNode为供应链网络中节点个数，
Figure RE-GDA0002561979610000092
为节点i的选项xi所对应的费用，Demandi为节点i的需求量，LTimei为节点i 的交货时间。整数xi的取值范围为1到Optioni，其中，Optioni表示节点i 的选项个数。Demandi的计算公式如下：
Figure RE-GDA0002561979610000101
其中，downNodei表示节点i所供应的节点(下级节点)的集合。运输商的需求量Demand是已知的。LTimei的计算公式如下：
Figure RE-GDA0002561979610000102
其中，
Figure RE-GDA0002561979610000103
为节点i的选项xi所对应的时间，upNodei表示为节点i 供应的节点(上级节点)的集合。
如图2所示为一种基于多蚁群系统的多目标供应链配置方法的流程图，所述方法包括步骤：
(1)将用于存放帕累托解的集合PS和存放帕累托前沿的集合PF置为空集合；
(2)对多目标供应链配置问题中的数据进行预处理，包括根据供应链网络结构获得各个节点的优先级；针对每个节点，筛选出具有竞争性的选项，按选项的时间成本进行排序，并获得选项的性价比排名ceRank；对于每个节点，记录和该节点具有相同子节点且优先级排在其前面的节点，并保存在集合SameLevel中；初始化信息素τ0；
获取节点的优先级的方法具体为：对于节点i，将为节点i供应物资的节点定义为i的上级节点，这些节点的集合记作upNodei，例如图1中，节点1的下级节点包括节点4和5。将接收节点i供应物资的节点定义为i的下级节点，这些节点的集合记作downNodei，例如图1中，节点7的上级节点包括节点2和3。对于节点i，upNodei中的节点优先级都在节点i之前，downNodei中的节点优先级都在节点i之后。
排名ceRank按照的Δtime排序位置获得，Δtime的计算公式如下：
Figure RE-GDA0002561979610000111
其中，i代表节点编号，j代表节点的选项编号，timeb和costb分别代表节点i在其对应的所有选项中随机选取的选项(作为标准)的时间和费用，并且满足timeb>0和costb>0，Costi,j和Timei,j分别代表第j个选项的费用和时间。
所有选项都经过上述公式计算得到Δtime值，即把选项j比随机选项多余的费用(Costij-costb)转化为相同标准下的时间
Figure RE-GDA0002561979610000112
费用越高，所消耗的时间越短，因此相同标准下选项j所需要的时间为
Figure RE-GDA0002561979610000113
再与原本的时间Timei,j求差值得到Δtime。将各个选项的Δtime按照从大到小的顺序排序后得到选项的排名ceRank。
信息素初始化设置如下：
Figure RE-GDA0002561979610000114
其中，nNode代表供应链网络中节点的个数。
(3)针对两个蚁群系统colony0和colony1，colony0用于最小化该问题的第一个目标产品售价CoGS，colony1用于最小化第二个目标产品交货时间LT，即本发明中的优化目标。集合newPS0和newPS1分别用于存放当前迭代中两个蚁群系统新生成的帕累托解，并把这两个集合置空；
(4)按照节点优先级顺序，针对每个解，贪心计算启发式信息η，并根据计算的启发式信息构造解xc,k；局部更新信息素τ，并更新最优解集合 PS和最优目标值集合PF；PS集合存放的是最优解，PF集合存放的是与 PS集合中的解对应的目标值。
按照节点优先级顺序构造完整的解，根据SameLevel中的节点计算启发式信息η，并为当前节点按照如下状态转移方程做出选择：
Figure RE-GDA0002561979610000121
其中，c代表蚁群编号，k代表个体编号，i代表节点编号，j代表节点的选项编号，Optioni代表节点i可选择的选项个数，q是0到1间的随机数，α、β、q0是所设定的参数，整数J取值范围是[1,Optioni]，pi,j代表节点i选择选项j的概率。如果q<q0则选择[τi,j]α·[ηi,j]β值最大的选项，否则，通过轮盘赌方法按照概率pi,j做出选择。
pi,j的计算公式如下：
Figure RE-GDA0002561979610000122
启发式信息η的贪心计算方式如下：
Figure RE-GDA0002561979610000123
其中，i代表节点编号，j代表节点的选项编号，ceRanki,j代表选项的性价比排名，gRanki,j代表选项的当前优先权排名。
如果将节点i的选项分为两部分，分别是使当前LT不变的选项option1 和使当前LT增加的选项option2。那么，当前优先权排名指option1中选项的费用排名和option2中选项的排名，并且option1排在option2之前。其中，为了配合多种群多目标优化框架，在用于优化目标CoGS的colony0中， option2按照费用排名，而在用于优化目标LT的colony1中，option2按照时间排名。
信息素τ局部更新方式如下：
τc,i,j＝(1-ρlocal)·τc,i,j+ρlocal·τ0
其中，c代表蚁群编号，i代表节点编号，j代表节点的选项编号，ρlocal是用来控制信息素局部更新幅度的参数。在该双蚁群框架中，每个蚁群都拥有自己的信息素τ。
(5)检查解xc,k是否是帕累托解：如果xc,k是帕累托解，将其加入到 newPSc中；否则，执行局部搜索策略改进该解；
所述步骤(5)中，针对个体的局部搜索策略包括两种：用于减小商品售价CoGS并保证交货时间LT不改变的LScost，以及用于减小交货时间 LT同时使商品售价CoGS增幅小的LStime。
LScost的局部搜索策略具体过程如下：
(5-1)初始化每个节点的最大交付时间maxLTime为LT；
(5-2)按照优先级从低到高依次遍历所有节点，包括：
(5-2-1)对于优先级为i的节点nd，判断nd是否有费用更小的选项 (xc,k,nd+1，在步骤(5-2)中选项已按成本从小到大排序)。如果有，按照如下公式更新其交货时间：
Figure RE-GDA0002561979610000131
如果newLTimend小于maxLTimend，说明nd的选项改变不会导致LT改变，因此nd可以选择费用更小的选项(xc,k,nd+1)，并更新减小后的CoGS；
(5-2-2)按如下方式更新节点i所有上级节点的maxLTime：
Figure RE-GDA0002561979610000132
其中，up代表节点i的所有上级节点。
LStime的局部搜索策略具体过程如下：
(5-a)初始化布尔变量suc为false，如果suc值为true，代表LStime 能够减小LT，否则不可以。集合que用来记录其交货时间必须减小才能使得LT减小的节点，初始化为空。qi用来标记que的遍历下标，初始化为0；
(5-b)对于每个节点i，用布尔变量changei表示该节点是否可以改变，值为true代表可以，值为false代表不可以，初始化为false，布尔变量visiti表示该节点是否已遍历，值为true代表已遍历，值为false代表未遍历，初始化为false。并判断节点i的交货时间LTimei是否等于最终交货时间LT，如果等于，代表必须减小LTimei才能减小LT，将节点i加入到que中，并标记visiti为true；
(5-c)遍历que中下标为qi的节点nd，qi加1指向下一个节点；
(5-d)判断节点nd是否有时间更小的选项：
(5-d-1)如果有，代表通过改变自身选项的时间，就可使LT减小，标记changei为true，suc为true；
(5-d-2)否则，必须通过改变上级节点的时间，来减小LT，具体为：判断节点nd是否有上级节点，如果没有，标记suc为false，LT无法减小，程序LStime结束；如果有，将nd的上级节点up中没有被遍历过(visitup为false)，并且满足up的交货时间(LTimeup)等于
Figure RE-GDA0002561979610000141
的上级节点加入到que中，并标记visitup为true；
(5-e)如果que中的节点未遍历完(qi<que的大小)，返回步骤(5-c)；否则进行下一步；
(5-f)如果suc为true，更新可选择时间更小的节点选项(changei为 true)以及CoGS、LT。
(6)针对每个蚁群，判断是否未构造完popsize个个体，如果是，回到步骤(4)，继续生成新的解；否则，进行下一步；
(7)判断两个蚁群是否已未构造完成，如果是，回到步骤(4)，生产新的蚁群；否则，进行下一步；
(8)全局更新信息素τ；
信息素τ全局更新方式如下：
τc,i,j＝(1-ρglobal)·τc,i,j+ρglobal·Δτc,i,j
其中，c代表蚁群编号，i代表节点编号，j代表节点的选项编号，ρglobal是用来控制信息素全局更新幅度的参数。Δτc,i,j计算公式如下：
Figure RE-GDA0002561979610000151
其中，popsize代表种群大小，updtX代表用于信息素全局更新的个体的集合，cbase和tbase分别代表通过贪心算法求出的CoGS和LT的最小值。如果步骤(5)中的集合newPS非空，updtX和newPS相同，即为当前迭代新生成的帕累托最优解；否则，updtX只包括一个随机从非支配解集PS中选出的解。
(9)采用局部搜索策略改进PS中的解；
步骤(9)中采用的局部搜索策略与步骤(5)中的局部搜索策略有所不同。步骤(9)中的局部搜索策略是基于选项性价比排名ceRank设计，记为ELSrank。ELSrank用于找到两个解xs和xt之间的解x，满足x中每个节点的选项性价比排名均在xs和xt的对应节点的选项性价比排名之间。
(10)判断程序终止条件是否满足，如果是，程序结束；否则，返回步骤(3)继续进行迭代。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (10)

1.一种基于多蚁群系统的多目标供应链配置方法，其特征在于，包括步骤：
将用于存放帕累托解的集合PS和存放帕累托前沿的集合PF置为空集合；
对多目标供应链配置问题中的数据进行预处理，包括根据供应链网络结构获得各个节点的优先级；针对每个节点，筛选出具有竞争性的选项，按选项的时间成本进行排序，并获得选项的性价比排名ceRank；对于每个节点，记录和该节点具有相同子节点且优先级排在其前面的节点，并保存在集合SameLevel中；初始化信息素τ0；
设置集合newPS0和newPS1分别用于存放当前迭代中两个蚁群系统新生成的帕累托解，并把这两个集合置空；
按照节点优先级顺序，针对每个解，贪心的计算启发式信息η，并根据启发式信息构造解xc,k，局部更新信息素τ，并更新集合PS和PF；
检查解xc,k是否是帕累托解：如果xc,k是帕累托解，将其加入到newPSc中；否则，执行局部搜索策略改进该解；
针对每个蚁群，判断是否未构造完popsize个个体，如果是，回到针对每个解，贪心的计算启发式信息η，并根据启发式信息构造解xc,k的步骤中，继续生成新的解；否则，进行下一步；
判断两个蚁群是否已未构造完成，如果是，回到针对每个解，贪心的计算启发式信息η，并根据启发式信息构造解xc,k，局部更新信息素τ，并更新集合PS和PF的步骤中，生产新的蚁群；否则，进行下一步；
全局更新信息素τ；
采用局部搜索策略改进PS中的解；
判断程序终止条件是否满足，如果是，程序结束；否则，返回设置集合newPS0和newPS1分别用于存放当前迭代中两个蚁群系统新生成的帕累托解，并把这两个集合置空的步骤中继续进行迭代。
2.根据权利要求1所述的方法，其特征在于，所述对多目标供应链配置问题中的数据进行预处理的步骤中，获取节点的优先级的方法为：对于节点i，将为节点i供应物资的节点定义为i的上级节点，这些节点的集合记作upNodei；将接收节点i供应物资的节点定义为i的下级节点，这些节点的集合记作downNodei。对于节点i，upNodei中的节点优先级都在i之前，downNodei中的节点优先级都在i之后。
3.根据权利要求1所述的方法，其特征在于，排名ceRank按照的Δtime排序位置获得，Δtime的计算公式如下：
Figure FDA0002448355350000021
其中，i代表节点编号，j代表节点的选项编号，timeb和costb分别代表随机选取选项(作为标准)的时间和费用，并且满足timeb>0和costb>0，Costi,j和Timei,j分别代表第j个选项的费用和时间；
所有选项都经过上述公式计算得到Δtime值，将各个选项的Δtime按照从大到小的顺序排序后得到选项的排名ceRank。
4.根据权利要求1所述的方法，其特征在于，所述对多目标供应链配置问题中的数据进行预处理的步骤中，信息素初始化设置如下：
Figure FDA0002448355350000022
其中，nNode代表供应链网络中节点的个数。
5.根据权利要求1所述的方法，其特征在于，所述针对每个解，贪心的计算启发式信息η，并根据启发式信息构造解xc,k的步骤中，按照节点优先级顺序构造完整的解，根据SameLevel中的节点计算启发式信息η，并为当前节点按照如下状态转移方程做出选择：
Figure FDA0002448355350000023
其中，c代表蚁群编号，k代表个体编号，i代表节点编号，j代表节点的选项编号，Optioni代表节点i可选择的选项个数，q是0到1间的随机数，α、β、q0是所设定的参数，整数J取值范围是[1,Optioni]，pi,j代表节点i选择选项j的概率；如果q<q0则选择[τi,j]α·[ηi,j]β值最大的选项，否则，通过轮盘赌方法按照概率pi,j做出选择；
pi,j的计算公式如下：
Figure FDA0002448355350000031
6.根据权利要求5所述的方法，其特征在于，启发式信息η的贪心计算方式如下：
Figure FDA0002448355350000032
其中，i代表节点编号，j代表节点的选项编号，ceRanki,j代表选项的性价比排名，gRanki,j代表选项的当前优先权排名。
7.根据权利要求1所述的方法，其特征在于，信息素τ局部更新方式如下：
τc,i,j＝(1-ρlocal)·τc,i,j+ρlocal·τ0
其中，c代表蚁群编号，i代表节点编号，j代表节点的选项编号，ρlocal是用来控制信息素局部更新幅度的参数。在该双蚁群框架中，每个蚁群都拥有自己的信息素τ。
8.根据权利要求1所述的方法，其特征在于，所述执行局部搜索策略改进构造解xc,k的步骤中，针对个体的局部搜索策略包括两种：用于减小商品售价CoGS并保证交货时间LT不改变的LScost，以及用于减小交货时间LT同时使商品售价CoGS增幅小的LStime；
LScost的局部搜索策略具体过程如下：
初始化每个节点的最大交付时间maxLTime为LT；
按照优先级从低到高依次遍历所有节点，包括：
对于优先级为i的节点nd，判断nd是否有费用更小的选项，如果有，按照如下公式更新其交货时间：
Figure FDA0002448355350000041
如果newLTimend小于maxLTimend，说明nd的选择改变不会导致LT改变，因此nd可以选择费用更小的选项，并更新减小后的CoGS；
按如下方式更新节点i所有上级节点的maxLTime：
Figure FDA0002448355350000042
其中，up代表节点i的所有上级节点；
LStime的局部搜索策略具体过程如下：
初始化布尔变量suc为false，如果suc值为true，代表LStime能够减小LT，否则不可以。集合que用来记录其交货时间必须减小才能使得LT减小的节点，初始化为空。qi用来标记que的遍历下标，初始化为0；
对于每个节点i，用布尔变量changei表示该节点是否可以改变，值为true代表可以，值为false代表不可以，初始化为false，布尔变量visiti表示该节点是否已遍历，值为true代表已遍历，值为false代表未遍历，初始化为false。并判断节点i的交货时间LTimei是否等于最终交货时间LT，如果等于，代表必须减小LTimei才能减小LT，将节点i加入到que中，并标记visiti为true；
遍历que中下标为qi的节点nd，qi加1指向下一个节点；
判断节点nd是否有时间更小的选项：
如果有，代表通过改变自身选项的时间，就可使LT减小，标记changei为true，suc为true；
否则，必须通过改变上级节点的时间，来减小LT，具体为：判断节点nd是否有上级节点，如果没有，标记suc为false，LT无法减小，程序LStime结束；如果有，将nd的上级节点up中没有被遍历过(visitup为false)，并且满足up的交货时间(LTimeup)等于
Figure FDA0002448355350000043
的上级节点加入到que中，并标记visitup为true；
如果que中的节点未遍历完(qi<que的大小)，返回遍历que中下标为qi的节点nd，qi加1指向下一个节点的步骤中；否则进行下一步；
如果suc为true，更新可选择时间更小的节点选项(changei为true)以及CoGS、LT。
9.根据权利要求1所述的方法，其特征在于，信息素τ全局更新方式如下：
τc,i,j＝(1-ρglobal)·τc,i,j+ρglobal·△τc,i,j
其中，c代表蚁群编号，i代表节点编号，j代表节点的选项编号，ρglobal是用来控制信息素全局更新幅度的参数；Δτc,i,j计算公式如下：
Figure FDA0002448355350000051
其中，popsize代表种群大小，updtX代表用于信息素全局更新的个体的集合，cbase和tbase分别代表通过贪心算法求出的CoGS和LT的最小值。
10.根据权利要求1所述的方法，其特征在于，所述采用局部搜索策略改进PS中的解的步骤中的局部搜索策略是基于选项性价比排名ceRank设计，记为ELSrank；ELSrank用于找到两个解xs和xt之间的解x，满足x中每个节点的选项性价比排名均在xs和xt的对应节点的选项性价比排名之间。
CN202010285488.2A 2020-04-13 2020-04-13 基于多蚁群系统的多目标供应链配置方法 Expired - Fee Related CN111563659B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010285488.2A CN111563659B (zh) 2020-04-13 2020-04-13 基于多蚁群系统的多目标供应链配置方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010285488.2A CN111563659B (zh) 2020-04-13 2020-04-13 基于多蚁群系统的多目标供应链配置方法

Publications (2)

Publication Number Publication Date
CN111563659A true CN111563659A (zh) 2020-08-21
CN111563659B CN111563659B (zh) 2022-07-26

Family

ID=72070466

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010285488.2A Expired - Fee Related CN111563659B (zh) 2020-04-13 2020-04-13 基于多蚁群系统的多目标供应链配置方法

Country Status (1)

Country Link
CN (1) CN111563659B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113792996A (zh) * 2021-08-30 2021-12-14 华南理工大学 基于多种群多目标蚁群算法的机组轮班方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012066350A (ja) * 2010-09-24 2012-04-05 Ihi Marine United Inc マーカの移動経路最適化方法
CN110058924A (zh) * 2019-04-23 2019-07-26 东华大学 一种多目标优化的容器调度方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012066350A (ja) * 2010-09-24 2012-04-05 Ihi Marine United Inc マーカの移動経路最適化方法
CN110058924A (zh) * 2019-04-23 2019-07-26 东华大学 一种多目标优化的容器调度方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
LUIS A: "Multi-objective ant colony optimisation: A meta-heuristic approach to supply chain design", 《INTERNATIONAL JOURNAL OF PRODUCTION ECONOMICS》 *
李康: "冷链物流网络选址—路径—库存多目标优化模型及应用", 《中国博士学位论文电子期刊网》 *
肖莹莹等: "面向用户多品种定制的分布式供应链调度", 《计算机集成制造系统》 *
陶巧云: "基于Multi-Agent System的供应链优化方法的研究", 《中国博士学位论文电子期刊网》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113792996A (zh) * 2021-08-30 2021-12-14 华南理工大学 基于多种群多目标蚁群算法的机组轮班方法
CN113792996B (zh) * 2021-08-30 2023-10-03 华南理工大学 基于多种群多目标蚁群算法的机组轮班方法

Also Published As

Publication number Publication date
CN111563659B (zh) 2022-07-26

Similar Documents

Publication Publication Date Title
Mohammed et al. A tabu search based algorithm for the optimal design of multi-objective multi-product supply chain networks
CN109886478A (zh) 一种成品酒自动化立体仓库的货位优化方法
Peng et al. Deep reinforcement learning approach for capacitated supply chain optimization under demand uncertainty
CN107820276B (zh) 一种无线传感器任务分配方法
US20040139041A1 (en) Method for forecasting using a genetic algorithm
CN108846623A (zh) 基于多目标蚁群算法的整车物流调度方法及装置、存储介质、终端
CN107808215A (zh) 一种应用于Flying‑V型非传统布局仓库的货位分配优化方法
CN109214756A (zh) 基于蚁群算法和分层优化的整车物流调度方法及装置、存储介质、终端
CN107944616A (zh) 一种鱼骨型立体仓库的货位分配方法
CN107146039A (zh) 一种多目标协同控制的定制式混流装配生产方法及装置
CN111260119A (zh) 产品库存控制与配送路径规划方法
Karimi et al. Multi-objective multi-facility green manufacturing closed-loop supply chain under uncertain environment
CN105574586A (zh) 基于mpso-bp网络的通用飞机航材需求预测方法
Lam et al. A hybrid case-GA-based decision support model for warehouse operation in fulfilling cross-border orders
Miller et al. An interval type-2 fuzzy multiple echelon supply chain model
CN115619183A (zh) 多主体协同下考虑供应链成本的生产任务调度方法
CN111563659B (zh) 基于多蚁群系统的多目标供应链配置方法
Das et al. Integrated warehouse assignment and carton configuration optimization using deep clustering-based evolutionary algorithms
Fontana et al. Multi-criteria assignment model to solve the storage location assignment problem
CN116739840B (zh) 基于多目标群优化的旅游套餐推荐方法、装置及存储介质
Pirayesh et al. GPSO-LS algorithm for a multi-item EPQ model with production capacity restriction
Deb et al. A genetic algorithm based heuristic optimization technique for solving balanced allocation problem involving overall shipping cost minimization with restriction to the number of serving units as well as customer hubs
CN113379115A (zh) 模糊需求下带时间窗的时间依赖型绿色车辆路径优化方法
CN114708045B (zh) 一种基于消费者偏好的多周期供应链网络设计方法及系统
CN114862192A (zh) 异构工业互联网系统低成本生产任务分配和资源调度方法

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220726