CN112613643A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN112613643A CN112613643A CN202011420720.5A CN202011420720A CN112613643A CN 112613643 A CN112613643 A CN 112613643A CN 202011420720 A CN202011420720 A CN 202011420720A CN 112613643 A CN112613643 A CN 112613643A
- Authority
- CN
- China
- Prior art keywords
- inventory
- point
- local
- cost
- 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.)
- Granted
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 30
- 238000003860 storage Methods 0.000 claims description 37
- 238000004088 simulation Methods 0.000 claims description 22
- 241000282326 Felis catus Species 0.000 claims description 21
- 230000008439 repair process Effects 0.000 claims description 20
- 238000002156 mixing Methods 0.000 claims description 14
- 238000012546 transfer Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000013468 resource allocation Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 11
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
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
- G06Q10/04—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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明的一个实施例公开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,包括:S10、分析维修保障资源库存系统;S20、构建目标函数;S30、构建约束条件;S40、生成初始配置方案;S50、优化初始库存配置方案并输出配置结果。本发明对现有维修保障资源联合优化方法进行改进,利用超启发式算法对维修保障资源进行联合优化,使其能够在复杂系统中得到多种维修保障资源的精确配置,同时该方法还为复杂库存系统的资源调度问题提供了一种系统科学、现实可行的分析方法。
Description
技术领域
本发明涉及多层级、多站点的库存系统中进行备件与维修工联合库存配置的方法,更具体地,涉及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、计算机设备和存储介质。
背景技术
维修保障资源的联合优化在满足维修需求的前提下不仅可以最小化维修成本,缩短资源等待时间,而且还能提高维修效率,充分利用每个库存点的库存资源,在工业化及现代化的生产中至关重要,但由于维修需求的不确定性,如何确定维修保障资源的合理储量是一项难题。所以,开发一种在多层级、多站点的库存系统中联合优化多种维修保障资源的方法十分重要。
维修保障资源的联合优化问题求解多数使用精确算法或启发式算法,但精确算法计算量大,适用于库存点数量不多的简单库存系统,这样的限制条件也使得精确算法应用大大受限,启发式算法虽然能够解决大规模复杂网络的优化求解问题,但其得到的是近似最优解。由于现代化作战环境的复杂性和动态性不断增长,武器装备信息化、智能化和功能集成化水平越来越高,这迫使装备保障向智能化方向发展,维修保障资源的供应也要实现精准化。所以,现有方法在对复杂系统的维修保障资源进行联合优化时具有一定的局限性。
发明内容
本发明的一个目的在于提供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。
本发明的一个目的在于提供一种计算机设备。
本发明的另一个目的在于提供一种存储介质。
为达到上述目的,本发明采用下述技术方案:
本发明第一方面提供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,包括:
S10、分析维修保障资源库存系统;
S20、构建目标函数;
S30、构建约束条件;
S40、生成初始配置方案;
S50、优化初始库存配置方案并输出配置结果。
在一个具体实施例中,所述S10包括:
分析资源库存系统的组成结构,库存系统的资源供应关系,确定供应层级、每层的库存点数量和需要优化的维修保障资源种类因素,绘制维修保障资源供应关系图,标记各层级之间的资源供应概率。
在一个具体实施例中,所述S20包括:
其中,x为对构建的仿真模型进行仿真的次数,1≤i1≤x,i1表示进行第i1次仿真,CT(i)为一次总费用,总费用包括资源储存、订购、转运及维修产生的所有费用,其中,
储存费用CHij为在正常补货时间内,库存点中的所有备件均会产生储存费用,在计算该费用时忽略本地库存点、中心库存点和工厂中储存系数的差距,具体为:
式中,I为备件总类别,i2为第i2个备件,1≤i2≤I,chij为本地库存点中备件i2的储存单价,Sij为本地库存点的安全库存量;
订购费用COij产生于维修需求,具体为:
式中,b为故障次数,sif为备件i2在第f次故障中的使用数量,ui2为备件i2的订购单价,其中1≤f≤b;
转运费用CTij包括正常补货产生的转运费用、从本地库存点产生的转运费用、从中心级库存点产生的转运费用和从工厂级产生的转运费用,所有的转运时间均服从指数分布,总的转运费用具体为:
式中,j为第j个本地库存点,J为本地库存点总数,1≤j≤J,cNL为本地库存点正常补货1个备件的平均费用,TNL为从工厂到本地库存点的正常补货转运时间,cNC为中心级库存点正常补货1个备件的平均费用,TNC为从工厂到中心级库存点的正常补货转运时间,cLTi为从工厂到中心级库存点的正常补货转运时间,αij为由本地其他库存点横向转运资源满足维修资源需求的部分,TLTi为从本地库存点k转运维修资源到本地库存点j的平均横向转运时间,cECi为从中心库存点到本地库存点转运1公里的平均转运费用,γij为由中心级库存点跨级转运满足维修资源需求的部分,TECi为从中心级库存点跨级转运维修资源到本地级库存点的平均转运时间,cEPi为从工厂到本地库存点转运1公里的平均转运费用,θij为由工厂级库存点跨级转运满足维修资源需求的部分,TEPi为从工厂跨级转运维修资源到本地库存点的平均转运时间;
维修费用CRij包括租用的通用维修工费用、租用的技艺精湛维修工费用和由技艺精湛维修工产生的维修费用,具体为:
式中,h为租用的通用维修工数量,ugw为通用维修工的租用费用,g为租用的技艺精湛维修工数量,usw为技艺精湛维修工的租用费用,coesw为技艺精湛维修工每维修1分钟产生的维修费用,MTTRi为故障零件的维修时间。
在一个具体实施例中,所述S30包括:
将等待时间设为约束条件,在等待时间的约束下进行库存配置方案的优化;
αijk+βij+γij+θij=1
其中,αijk为短缺的维修资源由同级其他库存点k(k≠j)提供的概率,βij为设备发生故障,被分配的固定库存点j提供备件的概率,γij为由中心级库存点提供资源的概率,θij为从拥有无限资源储量的工厂转运维修资源的概率;
本地库存点j中产生备件i2的维修需求后,平均等待时间的计算公式为:
式中,ΔWLij为本地库存点j短缺维修资源时的平均延迟时间,ΔWDij为中心库存点短缺维修资源时的平均延迟时间;
平均等待时间Wij满足Wij≤WMij,其中WMij为本地库存点的最大等待时间。
在一个具体实施例中,所述S40包括:
根据库存系统的供应关系、目标函数及约束条件,基于贪心算法对问题进行求解,得到整体最优方法,生成初始配置方案;
贪心算法具体步骤如下:
S400、根据最初的库存配置,计算每个本地库存点的Wij(S),Wij(S)为本地库存点的平均等待时间;
S402、对于所有的i∈[0,1,…,I]和j∈[1,…,J],通过重置库存配置S=S+ΔS,计算ΔWij(S),ΔCc(S)和rij;
S404、记录最大的比率rij,当Wij(S)≤WMij(S),结束;否则,转到S402。
在一个具体实施例中,所述S50包括:
在生成的初始配置方案基础上,利用猫群算法进行局部和全局最优搜索,迭代优化初始库存配置方案并输出配置结果;
猫群算法具体步骤如下:
S500、初始化猫群数量;
为库存点配置库存数量Xi=[Xpi,Xc1i,...,XcMi,X11i,...,XlJi],将上述产生的初始库存配置方案分配给每个Xi;
S502、为了调整全局和局部搜索比例,利用混合比例搜索方案,确定混合比例;
S504、确定最优库存点的候选可能性;
当没有维修需求时,所有的猫都处于休眠状态,一旦受到维修保障资源请求,猫会根据一定的规则调整它们的搜索状态;
S506、更新库存配置的变化速度;
通过添加随机扰动机制确定选择出的CDC库存量的变化速度,优化问题中的全局搜索部分;
S508、重置混合比率;
根据混合比率MR重新设置处于搜寻和追踪模式的猫的数量,不断仿真迭代直到达到仿真的终止条件。
本发明第二方面提供一种计算机设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明第一方面所述的方法。
本发明第三方面提供一种存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如本发明第一方面所述方法。
本发明的有益效果如下:
本发明对现有维修保障资源联合优化方法进行改进,利用超启发式算法对维修保障资源进行联合优化,使其能够在复杂系统中得到多种维修保障资源的精确配置,同时该方法还为复杂库存系统的资源调度问题提供了一种系统科学、现实可行的分析方法。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明。
图1示出根据本申请的实施例的基于超启发式算法的维修保障资源联合库存配置方法的流程图。
图2示出根据本申请的实施例的维修保障资源供应关系示意图。
图3示出根据本申请的实施例的贪心式优化算法流程图。
图4示出根据本申请的实施例的猫群优化算法流程图。
图5示出根据本申请的实施例的混合比例配置示意图。
图6示出根据本申请的实施例的实施本发明的方法的计算机设备的结构示意图。
具体实施方式
为了更清楚地说明本发明,下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解,下面所具体描述的内容是说明性的而非限制性的,不应以此限制本发明的保护范围。
实施例一
图1示出了本发明的一个实施例的基于超启发式算法的维修保障资源联合库存配置方法的流程图,包括:
S10、分析维修保障资源库存系统。
在一个具体实施例中,所述S10包括:
分析资源库存系统的组成结构,库存系统的资源供应关系,确定供应层级、每层的库存点数量和需要优化的维修保障资源种类因素,绘制维修保障资源供应关系图,维修保障资源供应关系图如图2所示,图2还标记各层级之间的资源供应概率,具体如下:αijk为短缺的维修资源由同级其他库存点k(k≠j)提供的概率,βij为设备发生故障,被分配的固定库存点j提供备件的概率,γij为由中心级库存点提供资源的概率,θij为从拥有无限资源储量的工厂转运维修资源的概率。
S20、构建目标函数。
在一个具体实施例中,所述S20包括:
其中,x为对构建的仿真模型进行仿真的次数,1≤i1≤x,i1表示进行第i1次仿真,CT(i)为一次总费用,总费用包括资源储存、订购、转运及维修产生的所有费用,其中,
储存费用CHij为在正常补货时间内,库存点中的所有备件均会产生储存费用,在计算该费用时忽略本地库存点、中心库存点和工厂中储存系数的差距,具体为:
式中,I为备件总类别,i2为第i2个备件,1≤i2≤I,chij为本地库存点中备件i2的储存单价,Sij为本地库存点的安全库存量。
订购费用COij产生于维修需求,具体为:
式中,b为故障次数,sif为备件i2在第f次故障中的使用数量,ui2为备件i2的订购单价,其中1≤f≤b。
转运费用CTij包括正常补货产生的转运费用、从本地库存点产生的转运费用、从中心级库存点产生的转运费用和从工厂级产生的转运费用,所有的转运时间均服从指数分布,总的转运费用具体为:
式中,j为第j个本地库存点,J为本地库存点总数,1≤j≤J,cNL为本地库存点正常补货1个备件的平均费用,TNL为从工厂到本地库存点的正常补货转运时间,cNC为中心级库存点正常补货1个备件的平均费用,TNC为从工厂到中心级库存点的正常补货转运时间,cLTi为从工厂到中心级库存点的正常补货转运时间,αij为由本地其他库存点横向转运资源满足维修资源需求的部分,TLTi为从本地库存点k转运维修资源到本地库存点j的平均横向转运时间,cECi为从中心库存点到本地库存点转运1公里的平均转运费用,γij为由中心级库存点提供资源的概率,TECi为从中心级库存点跨级转运维修资源到本地级库存点的平均转运时间,cEPi为从工厂到本地库存点转运1公里的平均转运费用,θij为由工厂级库存点跨级转运满足维修资源需求的部分,TEPi为从工厂跨级转运维修资源到本地库存点的平均转运时间。
维修费用CRij包括租用的通用维修工费用、租用的技艺精湛维修工费用和由技艺精湛维修工产生的维修费用,具体为:
式中,h为租用的通用维修工数量,ugw为通用维修工的租用费用,g为租用的技艺精湛维修工数量,usw为技艺精湛维修工的租用费用,coesw为技艺精湛维修工每维修1分钟产生的维修费用,MTTRi为故障零件的维修时间,由直接抽样法获得。
S30、构建约束条件。
在一个具体实施例中,所述S30包括:
将等待时间设为约束条件,在等待时间的约束下进行库存配置方案的优化;
αijk+βij+γij+θij=1
其中,αijk为短缺的维修资源由同级其他库存点k(k≠j)提供的概率,βij为设备发生故障,被分配的固定库存点j提供备件的概率,γij为由中心级库存点提供资源的概率,θij为从拥有无限资源储量的工厂转运维修资源的概率。
本地库存点j中产生备件i2的维修需求后,平均等待时间的计算公式为:
式中,ΔWLij为本地库存点j短缺维修资源时的平均延迟时间,ΔWDij为中心库存点短缺维修资源时的平均延迟时间。
平均等待时间Wij满足Wij≤WMij,其中WMij为本地库存点的最大等待时间。
S40、生成初始配置方案。
在一个具体实施例中,所述S40包括:
根据库存系统的供应关系、目标函数及约束条件,基于贪心算法对问题进行求解,得到整体最优方法,生成初始配置方案。
如图3所示,贪心算法流程图具体步骤如下:
S400、根据最初的库存配置,计算每个本地库存点的Wij(S),Wij(S)为本地库存点的平均等待时间。
S402、对于所有的i∈[0,1,…,I]和j∈[1,…,J],通过重置库存配置S=S+ΔS,计算ΔWij(S),ΔCc(S)和rij。
S404、记录最大的比率rij,当Wij(S)≤WMij(S),结束;否则,转到S402。
S50、优化初始库存配置方案并输出配置结果。
在一个具体实施例中,所述S50包括:
在生成的初始配置方案基础上,利用猫群算法进行局部和全局最优搜索,迭代优化初始库存配置方案并输出配置结果。
图4示出猫群优化算法流程图,猫群算法具体步骤如下:
S500、初始化猫群数量。
为库存点配置库存数量Xi=[Xpi,Xc1i,...,XcMi,X11i,...,XlJi],将上述产生的初始库存配置方案分配给每个Xi。
S502、为了调整全局和局部搜索比例,利用混合比例搜索方案,确定混合比例,混合比例分配图如图5所示,其中Ti为仿真时间,maxTi为最大的仿真时间,MRa为猫群的第a种混合比例,在图5所示的实施例中,a=1或a=2。
S504、确定最优库存点的候选可能性。
当没有维修需求时,所有的猫都处于休眠状态,一旦受到维修保障资源请求,猫会根据一定的规则调整它们的搜索状态。
S506、更新库存配置的变化速度。
通过添加随机扰动机制确定选择出的CDC库存量的变化速度,优化问题中的全局搜索部分。
S508、重置混合比率。
根据混合比率MR重新设置处于搜寻和追踪模式的猫的数量,不断仿真迭代直到达到仿真的终止条件。
实施例二
如图6所示,本发明的一个实施例提供了一种计算机设备的结构示意图,图6显示的计算机设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图6未显示,通常称为“硬盘驱动器”)。尽管图6中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图6所示,网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白,尽管图6中未示出,可以结合计算机设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理器单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现实施例一所提供的方法。
实施例三
本发明的另一个实施例提供了一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述实施例一所提供的方法。
在实际应用中,所述计算机可读存储介质可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定,对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无法对所有的实施方式予以穷举,凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (8)
1.一种基于超启发式算法的维修保障资源联合库存配置方法,其特征在于,包括:
S10、分析维修保障资源库存系统;
S20、构建目标函数;
S30、构建约束条件;
S40、生成初始配置方案;
S50、优化初始库存配置方案并输出配置结果。
2.根据权利要求1所述的方法,其特征在于,所述S10包括:
分析资源库存系统的组成结构,库存系统的资源供应关系,确定供应层级、每层的库存点数量和需要优化的维修保障资源种类因素,绘制维修保障资源供应关系图,标记各层级之间的资源供应概率。
3.根据权利要求1所述的方法,其特征在于,所述S20包括:
其中,x为对构建的仿真模型进行仿真的次数,1≤i1≤x,i1表示进行第i1次仿真,CT(i)为一次总费用,总费用包括资源储存、订购、转运及维修产生的所有费用,其中,
储存费用CHij为在正常补货时间内,库存点中的所有备件均会产生储存费用,在计算该费用时忽略本地库存点、中心库存点和工厂中储存系数的差距,具体为:
式中,I为备件总类别,i2为第i2个备件,1≤i2≤I,chij为本地库存点中备件i2的储存单价,Sij为本地库存点的安全库存量;
订购费用COij产生于维修需求,具体为:
式中,b为故障次数,sif为备件i2在第f次故障中的使用数量,ui2为备件i2的订购单价,其中1≤f≤b;
转运费用CTij包括正常补货产生的转运费用、从本地库存点产生的转运费用、从中心级库存点产生的转运费用和从工厂级产生的转运费用,所有的转运时间均服从指数分布,总的转运费用具体为:
式中,j为第j个本地库存点,J为本地库存点总数,1≤j≤J,cNL为本地库存点正常补货1个备件的平均费用,TNL为从工厂到本地库存点的正常补货转运时间,cNC为中心级库存点正常补货1个备件的平均费用,TNC为从工厂到中心级库存点的正常补货转运时间,cLTi为从工厂到中心级库存点的正常补货转运时间,αij为由本地其他库存点横向转运资源满足维修资源需求的部分,TLTi为从本地库存点k转运维修资源到本地库存点j的平均横向转运时间,cECi为从中心库存点到本地库存点转运1公里的平均转运费用,γij为由中心级库存点提供资源的概率,TECi为从中心级库存点跨级转运维修资源到本地级库存点的平均转运时间,cEPi为从工厂到本地库存点转运1公里的平均转运费用,θij为由工厂级库存点跨级转运满足维修资源需求的部分,TEPi为从工厂跨级转运维修资源到本地库存点的平均转运时间;
维修费用CRij包括租用的通用维修工费用、租用的技艺精湛维修工费用和由技艺精湛维修工产生的维修费用,具体为:
式中,h为租用的通用维修工数量,ugw为通用维修工的租用费用,g为租用的技艺精湛维修工数量,usw为技艺精湛维修工的租用费用,coesw为技艺精湛维修工每维修1分钟产生的维修费用,MTTRi为故障零件的维修时间。
4.根据权利要求1所述的方法,其特征在于,所述S30包括:
将等待时间设为约束条件,在等待时间的约束下进行库存配置方案的优化;
αijk+βij+γij+θij=1
其中,αijk为短缺的维修资源由同级其他库存点k(k≠j)提供的概率,βij为设备发生故障,被分配的固定库存点j提供备件的概率,γij为由中心级库存点提供资源的概率,θij为从拥有无限资源储量的工厂转运维修资源的概率;
本地库存点j中产生备件i2的维修需求后,平均等待时间的计算公式为:
式中,ΔWLij为本地库存点j短缺维修资源时的平均延迟时间,ΔWDij为中心库存点短缺维修资源时的平均延迟时间;
平均等待时间Wij满足Wij≤WMij,其中WMij为本地库存点的最大等待时间。
5.根据权利要求1所述的方法,其特征在于,所述S40包括:
根据库存系统的供应关系、目标函数及约束条件,基于贪心算法对问题进行求解,得到整体最优方法,生成初始配置方案;
贪心算法具体步骤如下:
S400、根据最初的库存配置,计算每个本地库存点的Wij(S),Wij(S)为本地库存点的平均等待时间;
S402、对于所有的i∈[0,1,…,I]和j∈[1,…,J],通过重置库存配置S=S+ΔS,计算ΔWij(S),ΔCc(S)和rij;
S404、记录最大的比率rij,当Wij(S)≤WMij(S),结束;否则,转到S402。
6.根据权利要求1所述的方法,其特征在于,所述S50包括:
在生成的初始配置方案基础上,利用猫群算法进行局部和全局最优搜索,迭代优化初始库存配置方案并输出配置结果;
猫群算法具体步骤如下:
S500、初始化猫群数量;
为库存点配置库存数量Xi=[Xpi,Xc1i,...,XcMi,X11i,...,XlJi],将上述产生的初始库存配置方案分配给每个Xi;
S502、为了调整全局和局部搜索比例,利用混合比例搜索方案,确定混合比例;
S504、确定最优库存点的候选可能性;
当没有维修需求时,所有的猫都处于休眠状态,一旦受到维修保障资源请求,猫会根据一定的规则调整它们的搜索状态;
S506、更新库存配置的变化速度;
通过添加随机扰动机制确定选择出的CDC库存量的变化速度,优化问题中的全局搜索部分;
S508、重置混合比率;
根据混合比率MR重新设置处于搜寻和追踪模式的猫的数量,不断仿真迭代直到达到仿真的终止条件。
7.一种计算机设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一项所述的方法。
8.一种存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-6中任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011420720.5A CN112613643B (zh) | 2020-12-08 | 2020-12-08 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011420720.5A CN112613643B (zh) | 2020-12-08 | 2020-12-08 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112613643A true CN112613643A (zh) | 2021-04-06 |
CN112613643B CN112613643B (zh) | 2024-06-25 |
Family
ID=75229193
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011420720.5A Active CN112613643B (zh) | 2020-12-08 | 2020-12-08 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112613643B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113676349A (zh) * | 2021-08-09 | 2021-11-19 | 中国人民解放军陆军工程大学 | 一种基于可靠性的备件供应网络优化方法 |
CN113682705A (zh) * | 2021-08-25 | 2021-11-23 | 深圳市库宝软件有限公司 | 库存分配方法、装置、服务器和存储介质 |
CN114925896A (zh) * | 2022-05-10 | 2022-08-19 | 中国人民解放军32181部队 | 维修器材库存优化方法、装置及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110014323A (ko) * | 2009-08-05 | 2011-02-11 | 부산대학교 산학협력단 | 컨테이너 자원의 최적화 관리 시스템 및 방법 |
US20120054076A1 (en) * | 2010-08-30 | 2012-03-01 | Xinmin Wu | Systems And Methods For Multi-Echelon Inventory Planning With Lateral Transshipment |
CN105787245A (zh) * | 2014-12-25 | 2016-07-20 | 北京电子工程总体研究所 | 一种基于修复率与库存量的备件优化方法 |
CN109934393A (zh) * | 2019-02-28 | 2019-06-25 | 杭州电子科技大学 | 一种需求不确定下生产计划与调度的集成优化方法 |
CN110059856A (zh) * | 2019-03-14 | 2019-07-26 | 中科恒运股份有限公司 | 备件库存优化方法及装置 |
CN111507523A (zh) * | 2020-04-16 | 2020-08-07 | 浙江财经大学 | 一种基于强化学习的线缆生产调度优化方法 |
CN112001506A (zh) * | 2020-08-12 | 2020-11-27 | 中国人民解放军空军工程大学 | 一种装备自主保障的供应链成本优化方法 |
-
2020
- 2020-12-08 CN CN202011420720.5A patent/CN112613643B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110014323A (ko) * | 2009-08-05 | 2011-02-11 | 부산대학교 산학협력단 | 컨테이너 자원의 최적화 관리 시스템 및 방법 |
US20120054076A1 (en) * | 2010-08-30 | 2012-03-01 | Xinmin Wu | Systems And Methods For Multi-Echelon Inventory Planning With Lateral Transshipment |
CN105787245A (zh) * | 2014-12-25 | 2016-07-20 | 北京电子工程总体研究所 | 一种基于修复率与库存量的备件优化方法 |
CN109934393A (zh) * | 2019-02-28 | 2019-06-25 | 杭州电子科技大学 | 一种需求不确定下生产计划与调度的集成优化方法 |
CN110059856A (zh) * | 2019-03-14 | 2019-07-26 | 中科恒运股份有限公司 | 备件库存优化方法及装置 |
CN111507523A (zh) * | 2020-04-16 | 2020-08-07 | 浙江财经大学 | 一种基于强化学习的线缆生产调度优化方法 |
CN112001506A (zh) * | 2020-08-12 | 2020-11-27 | 中国人民解放军空军工程大学 | 一种装备自主保障的供应链成本优化方法 |
Non-Patent Citations (5)
Title |
---|
匡珍春;谢仕义;: "基于猫群优化算法的云计算虚拟机资源负载均衡调度", 吉林大学学报(理学版), no. 05, 26 September 2016 (2016-09-26), pages 1117 - 1122 * |
宿勇;: "基于遗传算法和蒙特卡洛仿真的保障资源优化配置方法", 指挥控制与仿真, no. 05, 15 October 2015 (2015-10-15), pages 99 - 103 * |
牛天林;王洁;杜燕波;杜安利;: "战时维修保障资源优化调度的μPSO算法研究", 计算机工程与应用, no. 09, 21 March 2011 (2011-03-21), pages 210 - 213 * |
王秀华;王建荣;: "装备可修复备件三级库存优化配置模型研究", 军事运筹与系统工程, no. 01, 30 March 2016 (2016-03-30), pages 59 - 64 * |
范浩;贾云献;王亚彬;: "军械装备维修资源需求仿真系统研究与实现", 计算机仿真, no. 03, 30 March 2007 (2007-03-30), pages 278 - 281 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113676349A (zh) * | 2021-08-09 | 2021-11-19 | 中国人民解放军陆军工程大学 | 一种基于可靠性的备件供应网络优化方法 |
CN113676349B (zh) * | 2021-08-09 | 2024-04-05 | 中国人民解放军陆军工程大学 | 一种基于可靠性的备件供应网络优化方法 |
CN113682705A (zh) * | 2021-08-25 | 2021-11-23 | 深圳市库宝软件有限公司 | 库存分配方法、装置、服务器和存储介质 |
CN114925896A (zh) * | 2022-05-10 | 2022-08-19 | 中国人民解放军32181部队 | 维修器材库存优化方法、装置及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112613643B (zh) | 2024-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112613643A (zh) | 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 | |
CN113692609B (zh) | 通过订单车辆分布匹配以订单派发的多代理增强学习 | |
US9542223B2 (en) | Scheduling jobs in a cluster by constructing multiple subclusters based on entry and exit rules | |
CN102043674A (zh) | 基于响应时间估计服务资源消耗 | |
JP2014081922A (ja) | ライセンス調整のための方法、システム、プログラム、および記録媒体 | |
Neves-Moreira et al. | Service operation vessels for offshore wind farm maintenance: Optimal stock levels | |
CN110209467A (zh) | 一种基于机器学习的弹性资源扩展方法和系统 | |
CN109992412B (zh) | 云服务器的容量调节方法、装置、存储介质和云服务器 | |
US20190019118A1 (en) | Real-time resource relocation based on a simulation optimization approach | |
US20150106163A1 (en) | Obtaining optimal pricing strategy in a service engagement | |
CN114331380A (zh) | 职业流动关系的预测方法、系统、设备及存储介质 | |
CN112181376B (zh) | 代码资源管理方法、装置、电子设备和介质 | |
CN113791890A (zh) | 容器分配方法及装置、电子设备、存储介质 | |
CN111861757A (zh) | 一种融资匹配方法、系统、设备和存储介质 | |
CN109101267B (zh) | 应用发布管理方法、装置、电子设备、存储介质 | |
CN110689137A (zh) | 参数确定方法、系统、介质和电子设备 | |
CN112697146B (zh) | 一种基于稳健回归的航迹预测方法 | |
CN114741161A (zh) | 一种基于混合集群的hpc作业集群感知方法 | |
KR102324086B1 (ko) | 구성 관리 데이터베이스에 대한 비용 효율성 추적 | |
CN114066176A (zh) | 一种基于整车结构模板的整车成本管理方法、系统、设备及存储介质 | |
US7840452B2 (en) | Application, method and process for managing part exchangeability across functional boundaries | |
CN113590366A (zh) | 一种系统使用可用度评估方法、计算机设备和存储介质 | |
CN113971183A (zh) | 实体打标模型训练的方法、装置及电子设备 | |
CN114816774B (zh) | 一种弹性的分布式强一致性方法及系统 | |
CN114169564A (zh) | 一种货量预测模型训练方法、货量预测方法和系统 |
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 |