CN112001506B - 一种装备自主保障的供应链成本优化方法 - Google Patents

一种装备自主保障的供应链成本优化方法 Download PDF

Info

Publication number
CN112001506B
CN112001506B CN202010815316.1A CN202010815316A CN112001506B CN 112001506 B CN112001506 B CN 112001506B CN 202010815316 A CN202010815316 A CN 202010815316A CN 112001506 B CN112001506 B CN 112001506B
Authority
CN
China
Prior art keywords
supply
demand
supply chain
point
maintenance
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.)
Active
Application number
CN202010815316.1A
Other languages
English (en)
Other versions
CN112001506A (zh
Inventor
陈士涛
李大喜
赵保军
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.)
Air Force Engineering University of PLA
Original Assignee
Air Force Engineering University of PLA
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 Air Force Engineering University of PLA filed Critical Air Force Engineering University of PLA
Priority to CN202010815316.1A priority Critical patent/CN112001506B/zh
Publication of CN112001506A publication Critical patent/CN112001506A/zh
Application granted granted Critical
Publication of CN112001506B publication Critical patent/CN112001506B/zh
Active 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
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • Y02P90/80—Management or planning

Landscapes

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

Abstract

本发明公开了一种装备自主保障的供应链成本优化方法，该方法包括以下步骤：步骤S1：建立联合分布式供应链决策模型：该联合分布式供应链决策模型由M个需求点、协调控制中心以及N个供应点联合构成，保证供应链中的供应能力大于需求，且每个需求点在其时间约束范围内至少有一个供应点可以满足其需求；步骤S2：由协调控制中心根据PHM故障预测信息确定资源需求信息以及资源供应信息；步骤S3：选择维修资源的供应点：由协调控制中心根据各需求点允许的维修资源最大延迟时间，确定能够满足时间要求的供应点；步骤S4：建立供应链成本优化模型；步骤S5：采用改进遗传算法求解供应链成本优化模型；步骤S6：根据求解结果，确定供应方式。

Description

一种装备自主保障的供应链成本优化方法
技术领域
本发明涉及装备维修领域，具体涉及一种装备自主保障的供应链成本优化方法。
背景技术
在自主保障系统中，要求能够将维修资源在指定时间送达指定地点。目前，如图1所示，装备的维修资源储备采用“二级三地”模式，“二级”即基层级和基地级，“三地”即部队、仓库和装备承制单位。一般情况下，装备的维修资源供应采取“信息逐级汇总，资源分级供应”的运行模式。
其存在以下缺陷：
(1)维修资源保障层级涉及单位多，需求信息逐级汇总的流程时间长，不适用于临时性作战任务，即维修资源供应商与部队间距离远小于仓库与部队距离的情况；
(2)维修资源保障一般采用隶属关系分级供应方式，无法获得友邻仓库的保障资源的程序复杂，不适用于不同地域联合作战，或部队与友邻仓库间距离远小于部队与直接仓库间距离的情况；
(3)同一时间内可能不同单位存在维修资源短缺和维修资源剩余的情况，维修资源保障精度差、效益低。
发明内容
本发明针对上述存在的技术问题，本发明在装备维修资源供应中引入供应链，可以统一组织实施维修资源的采购、储存、运输和配送，有利于拓宽维修资源的保障渠道，提高装备的自主保障能力。供应链优化可以缩短维修资源的保障时间，降低供应链成本，使维修资源供应表现出周期短、成本低、精度高的特点。
本发明采用的技术方案是：
一种装备自主保障的供应链成本优化方法，
该方法包括以下步骤：
步骤S1：建立联合分布式供应链决策模型：该联合分布式供应链决策模型由M个需求点、协调控制中心以及N个供应点联合构成，保证供应链中的供应能力大于需求，且每个需求点在其时间约束范围内至少有一个供应点可以满足其需求；
步骤S2：由协调控制中心根据PHM故障预测信息确定资源需求信息以及资源供应信息；
步骤S3：选择维修资源的供应点：由协调控制中心根据各需求点允许的维修资源最大延迟时间，确定能够满足时间要求的供应点；
步骤S4：建立供应链成本优化模型，其中，供应点的维修资源基本费以及维修资源供应过程中产生的处理费用之和为供应链成本；
步骤S5：采用改进遗传算法求解供应链成本优化模型；
步骤S6：根据求解结果，确定供应方式。
优选的，在上述步骤S1中，需求点为需要补给维修资源的节点，供应点为向需求点提供维修资源的节点，其包括维修资源供应商、直接仓库和友邻仓库。
优选的，在上述步骤S4中，供应链成本优化模型建立过程如下：
(1)供应链供应维修资源满足条件：
供应链维修资源最迟补给时间为各需求点维修资源最迟补给时间的最小值，即Td＝min(Ti)；
供应链中需求点i接收的维修资源数量等于各供应点为其供应的维修资源数量之和，即
Figure GDA0004186719650000031
供应链中维修资源总需求量为各需求点的维修资源需求量之和，即
Figure GDA0004186719650000032
供应链中维修资源总供应量应不小于维修资源总需求量，即
Figure GDA0004186719650000033
供应链中供应点j为各需求点供应的维修资源总数量应不大于其库存数量，即
Figure GDA0004186719650000034
则供应链中基本费用为
Figure GDA0004186719650000035
处理费用为/>
Figure GDA0004186719650000036
(2)通过上述分析，建立供应链成本优化模型：
Figure GDA0004186719650000037
其中，ceil()为向上取整函数。
优选的，在上述步骤S5中，采用改进遗传算法求解供应链成本优化模型的过程如下：
(1)采用罚函数法将约束优化问题转化为无约束优化问题；
外点法的数学模型可表示为：
Figure GDA0004186719650000041
上式中，惩罚函数是Rn中的连续函数，保证在可行域中处处有值；若X在可行域外远离约束边界时，惩罚函数是相当大的正值，惩罚项的作用较大；若X从可行域外向约束边界靠近时，惩罚函数是较小的正值，惩罚项作用较小，保证在迭代过程中的各X点只可能向可行域靠拢；
对于不等式约束，惩罚项则表示为
Figure GDA0004186719650000042
或借用计算及外部函数表示，记为
G(gi(X))＝(min(0,gi(X)))2公式四
而对于等式约束，惩罚项表示为
E(hj(X))＝(hj(X))2公式五
则罚函数的构造形式为
Figure GDA0004186719650000043
上式中，M为罚因子；
若X使全部约束满足时，惩罚项的值为零，不起惩罚作用，则上述公式六的无约束极小等价于原目标函数F(X)在己满足全部约束条件下的极小；若X使约束条件不满足时，则惩罚项是较大的正值，以起到较大的惩罚作用；
通过上述分析，则将原来的约束问题变为无约束问题，即
Figure GDA0004186719650000044
(2)染色体编码；
依需求量约束
Figure GDA0004186719650000051
产生染色体最小单元Zij；且有/>
Figure GDA0004186719650000052
对随机个体依据约束条/>
Figure GDA0004186719650000053
件进行筛选；
(3)适应度计算；
适应度函数可表示为
Fit(X)＝fmax-f(X)+k(fmax-fmin)公式七
上式中，fmax，fmin是当前群体中的最大和最小目标函数值；k为控制参数，前群体中的最好个体和最差个体的适应度之比为(1+k)/k，k通常在[0.01,0.1]之间；
(4)生成初始种群；
设群体的大小为L，杂交率为Pc，变异率为P；
(5)采用遗传算子对个体实施遗传操作，不断进行迭代优化；
根据个体适应度在所有个体适应度总和中所占的比例确定个体的选择概率，共选择L次，生成L个个体进行杂交和变异操作；
(6)根据最大进化迭代次数达到Emax时，则停止操作，得到最优解，否则继续种群进化。
本发明的有益效果：本发明建立了联合分布式供应链网络的成本优化模型，利用改进遗传算法进行求解，结果可以满足自主保障系统对装备维修资源调度的需要，并可推广到家电维修、工业制造设备维修、食品加工设备维修等多个商业领域。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，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他的附图。
图1为现有装备多级库存模型；
图2为联合分布式供应链决策模型；
图3为供应链成本优化流程；
图4为基因串结构；
图5为交叉操作示意图；
图6为变异操作示意图；
图7为需求点与供应点的层级关系；
图8为供应决策的某部件供应关系。
具体实施方式
下面结合附图对本发明做进一步的说明。
参照图3所示，本发明具体提出了一种装备自主保障的供应链成本优化方法。
该方法包括以下步骤：
步骤S1：建立联合分布式供应链决策模型：如图2所示，该联合分布式供应链决策模型由M个需求点、协调控制中心以及N个供应点联合构成，保证供应链中的供应能力大于需求，且每个需求点在其时间约束范围内至少有一个供应点可以满足其需求；在维修资源供应决策中，将需要补给维修资源的节点称为需求点；能够为需求点提供维修资源的节点称为供应点，其包括维修资源供应商、直接仓库和友邻仓库；
步骤S2：由协调控制中心根据PHM故障预测信息确定资源需求信息以及资源供应信息；
步骤S3：选择维修资源的供应点：由协调控制中心根据各需求点允许的维修资源最大延迟时间，确定能够满足时间要求的供应点；
步骤S4：建立供应链成本优化模型，其中，供应点的维修资源基本费以及维修资源供应过程中产生的处理费用之和为供应链成本；
步骤S5：采用改进遗传算法求解供应链成本优化模型；
步骤S6：根据求解结果，确定供应方式。
上述步骤S4中，供应链成本优化模型建立过程如下：
(1)供应链供应维修资源满足条件：
供应链维修资源最迟补给时间为各需求点维修资源最迟补给时间的最小值，即Td＝min(Ti)；
供应链中需求点i接收的维修资源数量等于各供应点为其供应的维修资源数量之和，即
Figure GDA0004186719650000071
供应链中维修资源总需求量为各需求点的维修资源需求量之和，即
Figure GDA0004186719650000072
供应链中维修资源总供应量应不小于维修资源总需求量，即
Figure GDA0004186719650000073
供应链中供应点j为各需求点供应的维修资源总数量应不大于其库存数量，即
Figure GDA0004186719650000074
则供应链中基本费用为
Figure GDA0004186719650000075
处理费用为/>
Figure GDA0004186719650000076
(2)通过上述分析，建立供应链成本优化模型：
Figure GDA0004186719650000081
其中，ceil()为向上取整函数。
供应链成本优化模型中涉及的参数如表1所示。
表1供应链成本优化模型参数
Figure GDA0004186719650000082
Figure GDA0004186719650000091
在上述步骤S5中，采用改进遗传算法求解供应链成本优化模型的过程如下：
(1)采用罚函数发将约束优化问题转化为无约束优化问题
供应链成本优化实际上是一个复杂的有约束非线性优化问题，遗传算法不能直接处理带约束的优化问题，因此，采用罚函数法将约束优化问题转化为无约束优化问题罚函数法可分为内点法、外点法和混合罚函数法，由于优化问题的可行域很狭窄，寻找初始内点可能失败，或仅能找到一个离边界很近的初始内点，这样就容易使迭代过程过长，甚至失败，优选采用外点法；
外点法的数学模型可表示为：
Figure GDA0004186719650000092
上式中，惩罚函数是Rn中的连续函数，保证在可行域中处处有值；若X在可行域外远离约束边界时，惩罚函数是相当大的正值，惩罚项的作用较大；若X从可行域外向约束边界靠近时，惩罚函数是较小的正值，惩罚项作用较小，保证在迭代过程中的各X点只可能向可行域靠拢；
对于不等式约束，惩罚项则表示为
Figure GDA0004186719650000093
或借用计算及外部函数表示，记为
G(gi(X))＝(min(0,gi(X)))2 公式四
而对于等式约束，惩罚项表示为
E(hj(X))＝(hj(X))2 公式五
则罚函数的构造形式为
Figure GDA0004186719650000101
上式中，M为罚因子；
若X使全部约束满足时，惩罚项的值为零，不起惩罚作用，则上述公式六的无约束极小等价于原目标函数F(X)在己满足全部约束条件下的极小；若X使约束条件不满足时，则惩罚项是较大的正值，以起到较大的惩罚作用；约束被破坏得越严重，惩罚项的值就越大。
通过上述分析，则将原来的约束问题变为无约束问题，即
Figure GDA0004186719650000102
(2)染色体编码；
如图4所示，本发明遗传算法中的染色体采用类二进制串编码为(A1|A2|…|AN)，其中Ak＝(Zk1，Zk2，…，ZkM)，依需求量约束
Figure GDA0004186719650000103
产生染色体最小单元Zij；且有
Figure GDA0004186719650000104
对随机个体依据约束条/>
Figure GDA0004186719650000105
件进行筛选；
(3)适应度计算；
遗传算法按与个体适应度成正比的概率决定当前群体中每个个体遗传到下一代群体中的概率，要求个体的适应度必须为非负数。适应度函数的选择直接影响算法的性能。供应链成本优化是约束极小化问题，应用遗传算法求解约束极小化问题时，采用如下的适应度函数：
F(X)＝C-f(X)
式中，C是一个较大的常数；f(X)是采用罚函数后的综合目标函数值。对于供应链成本优化问题，由于采用了罚函数处理等式约束，而这些等式约束的破坏程度通常难以预料，进而综合目标函数的取值范围难以估计，选择合适的C是非常困难的事情。这就要求适应度函数应具有一定的自适应性和鲁棒性，本发明改进了应用遗传算法的适应度函数可表示为：
Fit(X)＝fmax-f(X)+k(fmax-fmin)公式七
上式中，fmax，fmin是当前群体中的最大和最小目标函数值；k为控制参数，前群体中的最好个体和最差个体的适应度之比为(1+k)/k，k通常在[0.01,0.1]之间，本发明中选择k＝0.1。
(4)生成初始种群；
设群体的大小为L，杂交率为Pc，变异率为P；初始种群的每个个体是按随机方法产生的，有可能出现不可行节点，此时需要重新生成，直到所有产生个体均为可行个体。随机产生的染色体可能由于违背约束条件或超过上界而不可行。为了保证约束条件成立，即编码对应的节点为可行节点，需要通过可行性检查以保证所有的染色体是可行的；
(5)采用遗传算子对个体实施遗传操作，不断进行迭代优化；
根据个体适应度在所有个体适应度总和中所占的比例确定个体的选择概率，共选择L次，生成L个个体进行杂交和变异操作；
交叉操作
随机选择L×Pc个个体根据交叉算子选择等位交叉方法进行两两交叉，其余个体进行复制，对交换后不满足取值约束条件的个体用随机产生新的个体代替。假设交叉算子均作用于第一个染色体，交叉操作的示意图如图5所示。
变异操作
与选择和交叉算子结合，避免由于选择和交叉运算而造成的某些信息的丢失，保证遗传算法的有效性。假设变异算子作用于第一个染色体，变异操作的示意图如图6所示。
(6)根据最大进化迭代次数达到Emax时，则停止操作，得到最优解，否则继续种群进化。
实例分析
假设供应链网络中有5个需求点R1、R2、R3、R4、R5和3个供应点P1、P2、P3，其中P1为维修资源供应商，P2和P3为仓库，层级关系如图7所示。
5个需求点在24h内对装备某部件的需求信息如表2所示：
表2需求点对某部件的需求信息
Figure GDA0004186719650000121
各供应点的供应信息如表3所示：
表3供应点对某部件的供应信息
Figure GDA0004186719650000122
各供应点不同供应方式下的处理时间和处理费用如表4所示：
表4各供应点不同供应方式下的处理时间和处理费用
Figure GDA0004186719650000123
Figure GDA0004186719650000131
假设每次可运输1件该部件，按照相应原则选择供应方式，结果如表5所示：
表5供应方式优选结果
Figure GDA0004186719650000132
/>
Figure GDA0004186719650000141
利用遗传算法求解，通过对不同参数组合进行测试，确定遗传算法参数配置如下：种群规模为50，交叉概率取0.9，变异概率取0.1，最大进化代数为1000。优化结果如表6所示。
表6遗传算法优化结果
Figure GDA0004186719650000142
/>
Figure GDA0004186719650000151
由表6中计算结果可知，供应点与需求点新增了部分临时补给关系，具体供应关系如图8所示。
本发明建立了联合分布式供应链网络的成本优化模型，利用改进遗传算法进行求解，结果可以满足自主保障系统对装备维修资源调度的需要，并可推广到家电维修、工业制造设备维修、食品加工设备维修等多个商业领域。
本发明在装备维修资源供应中引入供应链，可以统一组织实施维修资源的采购、储存、运输和配送，有利于拓宽维修资源的保障渠道，提高装备的自主保障能力。供应链优化可以缩短维修资源的保障时间，降低供应链成本，使维修资源供应表现出周期短、成本低、精度高的特点。
以上所述，仅用以说明本发明的技术方案而非限制，本领域普通技术人员对本发明的技术方案所做的其它修改或者等同替换，只要不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。

Claims (2)

1.一种装备自主保障的供应链成本优化方法，其特征在于，该方法包括以下步骤：
步骤S1：建立联合分布式供应链决策模型：该联合分布式供应链决策模型由M个需求点、协调控制中心以及N个供应点联合构成，保证供应链中的供应能力大于需求，且每个需求点在其时间约束范围内至少有一个供应点可以满足其需求；
步骤S2：由协调控制中心根据PHM故障预测信息确定资源需求信息以及资源供应信息；
步骤S3：选择维修资源的供应点：由协调控制中心根据各需求点允许的维修资源最大延迟时间，确定能够满足时间要求的供应点；
步骤S4：建立供应链成本优化模型，其中，供应点的维修资源基本费以及维修资源供应过程中产生的处理费用之和为供应链成本；
步骤S5：采用改进遗传算法求解供应链成本优化模型；
步骤S6：根据求解结果，确定供应方式；
在上述步骤S4中，供应链成本优化模型建立过程如下：
(1)供应链供应维修资源满足条件：
供应链维修资源最迟补给时间为各需求点维修资源最迟补给时间的最小值，即Td＝min(Ti)；
供应链中需求点i接收的维修资源数量等于各供应点为其供应的维修资源数量之和，即
Figure FDA0004186719640000011
供应链中维修资源总需求量为各需求点的维修资源需求量之和，即
Figure FDA0004186719640000012
供应链中维修资源总供应量应不小于维修资源总需求量，即
Figure FDA0004186719640000013
供应链中供应点j为各需求点供应的维修资源总数量应不大于其库存数量，即
Figure FDA0004186719640000021
则供应链中基本费用为
Figure FDA0004186719640000022
处理费用为/>
Figure FDA0004186719640000023
(2)通过上述分析，建立供应链成本优化模型：
Figure FDA0004186719640000024
Figure FDA0004186719640000025
其中，ceil()为向上取整函数；
在上述步骤S5中，采用改进遗传算法求解供应链成本优化模型的过程如下：
(1)采用罚函数法将约束优化问题转化为无约束优化问题；
外点法的数学模型可表示为：
Figure FDA0004186719640000026
上式中，惩罚函数是Rn中的连续函数，保证在可行域中处处有值；若X在可行域外远离约束边界时，惩罚函数是相当大的正值，惩罚项的作用较大；若X从可行域外向约束边界靠近时，惩罚函数是较小的正值，惩罚项作用较小，保证在迭代过程中的各X点只可能向可行域靠拢；
对于不等式约束，惩罚项则表示为
Figure FDA0004186719640000027
或借用计算及外部函数表示，记为
G(gi(X))＝(min(0,gi(X)))2公式四
而对于等式约束，惩罚项表示为
E(hj(X))＝(hj(X))2公式五
则罚函数的构造形式为
Figure FDA0004186719640000031
上式中，M为罚因子；
若X使全部约束满足时，惩罚项的值为零，不起惩罚作用，则上述公式六的无约束极小等价于原目标函数F(X)在己满足全部约束条件下的极小；若X使约束条件不满足时，则惩罚项是较大的正值，以起到较大的惩罚作用；
通过上述分析，则将原来的约束问题变为无约束问题，即
Figure FDA0004186719640000032
(2)染色体编码；
依需求量约束
Figure FDA0004186719640000033
产生染色体最小单元Zij；且有/>
Figure FDA0004186719640000034
对随机个体依据约束条/>
Figure FDA0004186719640000035
件进行筛选；
(3)适应度计算；
适应度函数可表示为
Fit(X)＝fmax-f(X)+k(fmax-fmin)公式七
上式中，fmax，fmin是当前群体中的最大和最小目标函数值；k为控制参数，前群体中的最好个体和最差个体的适应度之比为(1+k)/k，k在[0.01,0.1]之间；
(4)生成初始种群；
设群体的大小为L，杂交率为Pc，变异率为P；
(5)采用遗传算子对个体实施遗传操作，不断进行迭代优化；
根据个体适应度在所有个体适应度总和中所占的比例确定个体的选择概率，共选择L次，生成L个个体进行杂交和变异操作；
(6)根据最大进化迭代次数达到Emax时，则停止操作，得到最优解，否则继续种群进化。
2.根据权利要求1所述的一种装备自主保障的供应链成本优化方法，其特征在于，在上述步骤S1中，需求点为需要补给维修资源的节点，供应点为向需求点提供维修资源的节点，其包括维修资源供应商、直接仓库和友邻仓库。
CN202010815316.1A 2020-08-12 2020-08-12 一种装备自主保障的供应链成本优化方法 Active CN112001506B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010815316.1A CN112001506B (zh) 2020-08-12 2020-08-12 一种装备自主保障的供应链成本优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010815316.1A CN112001506B (zh) 2020-08-12 2020-08-12 一种装备自主保障的供应链成本优化方法

Publications (2)

Publication Number Publication Date
CN112001506A CN112001506A (zh) 2020-11-27
CN112001506B true CN112001506B (zh) 2023-07-11

Family

ID=73472402

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010815316.1A Active CN112001506B (zh) 2020-08-12 2020-08-12 一种装备自主保障的供应链成本优化方法

Country Status (1)

Country Link
CN (1) CN112001506B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112613643B (zh) * 2020-12-08 2024-06-25 北京电子工程总体研究所 一种基于超启发式算法的维修保障资源联合库存配置方法
CN112785079A (zh) * 2021-02-02 2021-05-11 北京航空航天大学 一种基于混合启发式算法的装备体系保障方案优化方法
CN113128761B (zh) * 2021-04-19 2022-09-16 天津大学 一种基于遗传算法的弹性供应链网络优化方法
CN114781939A (zh) * 2022-06-20 2022-07-22 成都飞机工业（集团）有限责任公司 基地级维修机构的调度和构建方法、系统、设备及介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2416087A1 (en) * 2000-07-13 2002-01-24 Manugistics, Inc. Shipping and transportation optimization system and method
CN108880663A (zh) * 2018-07-20 2018-11-23 大连大学 基于改进遗传算法的天地一体化网络资源分配方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2416087A1 (en) * 2000-07-13 2002-01-24 Manugistics, Inc. Shipping and transportation optimization system and method
CN108880663A (zh) * 2018-07-20 2018-11-23 大连大学 基于改进遗传算法的天地一体化网络资源分配方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Supply chain network optimization: A review of classificaction, models, solution techniques and future research;Niki Matinrad, etc.;《Uncertain Supply Chain Management》;全文 *

Also Published As

Publication number Publication date
CN112001506A (zh) 2020-11-27

Similar Documents

Publication Publication Date Title
CN112001506B (zh) 一种装备自主保障的供应链成本优化方法
Mohammed et al. A tabu search based algorithm for the optimal design of multi-objective multi-product supply chain networks
Yang et al. A dynamic web services composition algorithm based on the combination of ant colony algorithm and genetic algorithm
Gen et al. Network models and optimization: Multiobjective genetic algorithm approach
Jalali Varnamkhasti et al. A genetic algorithm with fuzzy crossover operator and probability
Peng et al. Deep reinforcement learning approach for capacitated supply chain optimization under demand uncertainty
Kang et al. An effective dynamic web service selection strategy with global optimal QoS based on particle swarm optimization algorithm
Xu et al. A multi-objective chance-constrained network optimal model with random fuzzy coefficients and its application to logistics distribution center location problem
CN112862217A (zh) 一种用于高端装备云制造平台的供需双方双边匹配方法
Karimi et al. Multi-objective multi-facility green manufacturing closed-loop supply chain under uncertain environment
CN113112143B (zh) 云制造环境下多级别制造商协同生产任务分配方法及系统
CN114066104B (zh) 一种面向云制造任务变化的资源动态调度方法
Zhao et al. An integrated approach based on the decision-theoretic rough set for resilient-sustainable supplier selection and order allocation
Lin et al. Multistate components assignment problem with optimal network reliability subject to assignment budget
Jalali Varnamkhasti et al. A fuzzy genetic algorithm based on binary encoding for solving multidimensional knapsack problems
Liu et al. A Multiobjective optimization model for continuous allocation of emergency rescue materials
Chand et al. A multi-objective vehicle routing problem using dominant rank method
CN117196020A (zh) 一种基于改进遗传算法的冲突消解方法
Bahrampour et al. Designing a Scenario‐Based Fuzzy Model for Sustainable Closed‐Loop Supply Chain Network considering Statistical Reliability: A New Hybrid Metaheuristic Algorithm
Wang et al. A possibilistic approach to the modeling and resolution of uncertain closed-loop logistics
Jalalvand et al. A multi-objective risk-averse workforce planning under uncertainty
Lara-Caballero et al. Multiobjective genetic algorithms for reinforcing equal population in congressional districts
Liu et al. Optimal allocation of shared manufacturing resources based on bilevel programming
CN114519297A (zh) 基于嵌套nsga-ii的多目标双层交互式优化方法
Zhou et al. Redesigning a supply chain distribution network: formulation and genetic algorithm-based solution procedure

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