CN113065714A - 一种多项目式多目标集中采购决策优化方法及系统 - Google Patents

一种多项目式多目标集中采购决策优化方法及系统 Download PDF

Info

Publication number
CN113065714A
CN113065714A CN202110426327.5A CN202110426327A CN113065714A CN 113065714 A CN113065714 A CN 113065714A CN 202110426327 A CN202110426327 A CN 202110426327A CN 113065714 A CN113065714 A CN 113065714A
Authority
CN
China
Prior art keywords
project
purchasing
model
objective
decision
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.)
Pending
Application number
CN202110426327.5A
Other languages
English (en)
Inventor
郑美妹
周豪
王清威
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.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong 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 Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN202110426327.5A priority Critical patent/CN113065714A/zh
Publication of CN113065714A publication Critical patent/CN113065714A/zh
Pending legal-status Critical Current

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
    • G06Q10/04—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
    • 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
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • 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
    • G06Q10/103—Workflow collaboration or project management
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0206—Price or cost determination based on market factors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • 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]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD

Abstract

本发明提供了一种多项目式多目标集中采购决策优化方法及系统，涉及采购计划的数学规划方法技术领域，该方法包括：针对多工厂、多项目、多供应商、多期的实际采购情景，分别构建目标函数；根据项目需求量随机性以及供应商客观存在的各类约束，提供阶梯价格折扣；建立多阶段混合整数随机规划模型M1，将模型M1改写为情景树模型M2；将约束条件转化为目标函数，获得决策优化模型M3；生成多期的情景树，将随机规划问题转变为确定性规划问题；针对已进行过约束处理与情景树生成的采购决策优化模型，获得采购决策方案集。本发明能够实现整个规划期内更低的采购成本，更好的采购质量和更高的采购及时交付率，为现代制造企业提供一套有效的集中采购系统。

Description

一种多项目式多目标集中采购决策优化方法及系统
技术领域
本发明涉及采购计划的数学规划方法技术领域，具体地，涉及一种多项目式多目标集中采购决策优化方法及系统。
背景技术
在当今全球竞争日益激励的市场环境下，由于市场对产品个性化、定制化的要求越来越高，制造企业往往需要同时开发多个项目以满足市场需求。所以，如何管理多项目的采购对于制造企业意义重大。与此同时，随着产品设计的标准化、平台化的进一步推进和发展，在产品设计之初就将零件的标准化考虑在内，产生了平台零件。平台零件统一了不同批次和种类的零件，使得一个同样设计的零件可以运用到不同的终端产品上，从而集中了采购量，推动采购向规模化发展。因此，现在越来越多的制造企业会统一不同地区同一平台上的零件进行集中采购，而不再是每个工厂分别采购，降低采购成本，提高采购质量和及时性。
通常，平台零件采购基本都只考虑单项目本身的最优选择，而很少从多项目整体最优的角度出发，更没有考虑到规划期内的全局最优。平台零件的采购量一般是通过项目的形式加以累计的，因此需要从项目的角度来看如何分配和平衡不同项目之间的供应商采购量。对于多项目所组成的项目群而言，在当前所有条件不变的情况下可以通过供应商组合的优化可以进一步降低总体成本，获得最优质量，最佳按时交付率等期望目标，为制造企业建立一套有效的集中采购系统。
公开号为CN106875137A的发明专利，公开了一种采购决策优化方法及系统，接收用户输入的用户需求信息，获取与所述用户需求信息相关的商家供给信息以及采购决策影响信息，将所述商家供给信息非价格因素和采购决策非价格因素统一量化为价格指标；将所述用户需求信息、商家供给信息价格因素、采购决策价格因素以及价格指标统一输入到混合整型非线性规划模型，得到满足所述用户需求的最优采购决策。
目前很多的文献和研究都已经关注到了供应商选择和订单量分配问题，其中最主要的方法包括线性权重法和数学划法法。Felix T.S.Chan在国际高水平论文“Globalsupplier selection:a fuzzy-AHP approach”(《International Journal of ProductionResearch》2008年第46卷3825-3857页)讨论了基于模糊的层次分析法(Fuzzy-AHP)，以有效解决政治经济形势、地理位置、基础设施、财务背景、绩效历史、风险因素等业务场景中选择全球供应商所涉及的定量和定性决策因素。XiaojinZhang在国际高水平论文“Supplierevaluation and selection:ahybrid model based on DEAHP and ABC”(《InternationalJournal of Production Research》2012年第50期第7卷1877–1889页)开发了一种将数据包络分析层次过程(DEAHP)和基于活动的成本核算(ABC)相结合的混合方法，用于供应商评估。但上述两种方法受到人为主观性的影响较大，造成其决策的客观性与准确性不足，无法提供高质量的决策。
此外，在数学规划方法中，Fereshteh Mafakheri在国际高水平论文“Supplierselection-order allocation:A two-stage multiple criteria dynamic programmingapproach”(《International Journal of Production Economics》2011年第132卷第1期)提出了一种两阶段多标准动态规划方法，最大化效用函数，最小化供应链成本，并用动态规划法求解双目标模型。Fariborz Jolai在国际高水平论文“Multi-objective model formulti-period,multi-products,supplier order allocation under linear discount”(《International Journal of Management Science and Engineering Management》2013年第8卷第1期)提出了一种多目标混合整数非线性规划模型来解决供应商订单分配问题，考虑的是多期、多产品。但上述的研究都没有综合考虑现代制造企业所面临的客观因素如：多期、多项目、多工厂、多目标、产品生命周期和动态的随机需求等。
发明内容
针对现有技术中的缺陷，本发明提供一种多项目式多目标集中采购决策优化方法及系统。
根据本发明提供的一种多项目式多目标集中采购决策优化方法及系统，所述方案如下：
第一方面，提供了一种多项目式多目标集中采购决策优化方法，所述方法包括：
步骤S1：针对多工厂、多项目、多供应商、多期的实际采购情景，考虑采购成本、质量缺陷数量以及延迟交货数量，并分别构建目标函数；
步骤S2：根据项目需求量随机性以及供应商客观存在的各类约束，提供不同的阶梯价格折扣；
步骤S3：根据已构建的目标函数与约束条件，建立多阶段混合整数随机规划模型M1，将模型M1改写为情景树模型M2；
步骤S4：对模型的约束条件进行处理，将约束条件转化为目标函数，获得利于求解的决策优化模型M3；
步骤S5：生成多期的情景树，利用所生成的情景树模拟动态的采购情景，将随机规划问题转变为确定性规划问题；
步骤S6：针对已进行过约束处理与情景树生成的采购决策优化模型，进行求解，获得采购决策方案集。
优选的，所述步骤S1中每个项目都属于特定的工厂，且每个项目只能选择一个供应商，每个供应商提供给每个工厂不同的采购单价、质量和交付。
优选的，所述步骤S2中，供应商根据总的采购量提供不同的阶梯价格折扣，且在不断供的条件下，会提供持续价格年降，项目每年的需求量都会发生变化，且由于项目的生命周期，每年都会有新的项目进入与老的项目退出。
优选的，所述步骤S3中运用概率情景树I的方法将模型M1改写为情景树模型M2。
优选的，所述步骤S4中，运用罚函数方法F(x,σ)＝f(x)+σP(x)对模型的约束进行有效处理，其中F(x,σ)为转化后的广义目标函数，f(x)为初始目标函数，P(x)为包含有约束条件的惩罚项，σ为惩罚因子；
优选的，所述步骤S5中，运用最大相似度的方法进行模型情景树的生成，以模拟实际中动态复杂的采购情景。
优选的，所述步骤S6中，采用改进的混沌优化算法进行求解，获得一系列的采购决策方案集。
第二方面，提供了一种多项目式多目标集中采购决策优化系统，所述系统包括：
构建模块：针对多工厂、多项目、多供应商、多期的实际采购情景，考虑采购成本、质量缺陷数量以及延迟交货数量，并分别构建目标函数；
约束模块：根据项目需求量随机性以及供应商客观存在的各类约束，提供不同的阶梯价格折扣；
改写模块：根据已构建的目标函数与约束条件，建立多阶段混合整数随机规划模型M1，将模型M1改写为情景树模型M2；
转化模块：对模型的约束条件进行处理，将约束条件转化为目标函数，获得利于求解的决策优化模型M3；
生成模块：生成多期的情景树，利用所生成的情景树模拟动态的采购情景，将随机规划问题转变为确定性规划问题；
求解模块：针对已进行过约束处理与情景树生成的采购决策优化模型，进行求解，获得采购决策方案集。
优选的，所述构建模块中每个项目都属于特定的工厂，且每个项目只能选择一个供应商，每个供应商提供给每个工厂不同的采购单价、质量和交付。
优选的，所述约束模块中，供应商根据总的采购量提供不同的阶梯价格折扣，且在不断供的条件下，会提供持续价格年降，项目每年的需求量都会发生变化，且由于项目的生命周期，每年都会有新的项目进入与老的项目退出。
与现有技术相比，本发明具有如下的有益效果：
1、本发明针对多项目式采购情景，综合考虑到了多期、多工厂、多项目、产品生命周期及其需求随机性与变动性等，多种影响因素以及多个优化的目标，使得所建立的优化模型更贴合实际；
2、本发明采用最大相似度方法进行情景树的生成，所生成的情景树可以很好地拟合未来不确定的采购情景，考虑更全面，更可行的采购优化方案，使得最终所产出的采购决策更具有准确性与可行性；
3、本发明采用改进的好的优化算法对模型进行求解，一方面该算法全局寻优能力强，能够找到更多更有的解，另一方面该算法可以产生一系列的pareto解集，从而得到一组近优决策方案集供决策者采用。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为考虑产品生命周期的多项目式供应商采购决策架构图；
图2为基于最大相似度情景树生成的混沌优化算法流程图；
图3为不同方法求解所得出的采购决策方案集。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
本发明实施例提供了一种多项目式多目标集中采购决策优化方法，具体步骤如下：
步骤S1：针对多工厂f、多项目Pf、多供应商S、多期T的实际采购情景，考虑到采购成本Z1、质量缺陷数量Z2和延迟交货数量Z3三个优化目标，构建三个优化目标函数min(Z1,Z2,Z3)，目标函数的计算为规划期内所有期数之和，以获得总体的最优。
步骤S2：根据项目需求量随机性以及供应商客观存在的各类约束，提供不同的阶梯价格折扣，如供需平衡约束、供应商产能约束、项目需求量变动约束、项目质量与交付约束等，由于项目进入随机性，每周期都会有新的项目进入，由于需求随机性，每个项目需求量都可能发生变化。
步骤S3：根据已构建的目标函数与约束条件，建立多阶段混合整数随机规划模型M1，为利于随机规划模型的求解，运用概率情景树I的方法将模型M1改写为情景树模型M2，给定情景树的数量以及每个情景的概率采用情景树的方法将随机性期望模型转化为确定性模型。
步骤S4：运用罚函数方法F(x,σ)＝f(x)+σP(x)对模型的约束进行有效处理，将约束条件转化为目标函数，获得更利于求解的决策优化模型(M3)，其中F(x,σ)为转化后的广义目标函数，f(x)为初始目标函数，P(x)为包含有约束条件的惩罚项，σ为惩罚因子，采用罚函数的方法对模型中所有带有决策变量的约束条件进行处理，惩罚因子σ取足够大。
步骤S5：采用最大相似度方法进行多期的情景树生成，利用所生成的情景树模拟动态的采购情景，将随机规划问题转变为确定性规划问题。本实施例中运用最大相似度的方法进行情景树的生成，生成对称情景树，采用MATLAB软件进行生成。
步骤S6：针对已进行过约束处理与情景树生成的采购决策优化模型，进行求解，获得采购决策方案集X，为采购决策提供有效的辅助支撑。本实施例中针对大规模问题，设计并行混沌优化算法以提高求解效率，采用MATLAB软件进行编程求解，获得近优决策方案集。
接下来，对本发明进行更为具体的说明。
下面以汽车行业某发动机配套产品——涡轮增压器相关重要零件制造企业的5个工厂、3个供应商组成的多项目式采购情境为例，进行具体说明，但本发明的保护范围不限于下述的实施例。参照图1和图2所示，具体包括：
第一步：进行数据搜集。收集该制造企业过去20年来5个工厂的所有项目需求信息以及3个供应商的参数信息。
第二步：构建优化目标函数。针对多工厂f、多项目Pf、多供应商S、多期T的实际采购情景，考虑到采购成本Z1、质量缺陷数量Z2和延迟交货数量Z3三个优化目标，构建三个优化目标函数min(Z1,Z2,Z3)：
Figure BDA0003029654720000061
minZ2＝E[∑t∑s∑fqs,fxs,f,t,i]；
minZ3＝E[∑t∑s∑fts,fxs,f,t,i]；
其中，cs,f,t成本函数；qs,f表示供应商s向工厂f提供的零件的缺陷率；ts,f表示供应商s向工厂f提供的零件的及时运输率；xs,f,t,i代表在情境i中第t期工厂f向供应商s的采购量。
第三步：建立约束条件。项目需求量随机性以及供应商客观存在的各类约束，如供需平衡约束、供应商产能约束、项目需求量变动约束、项目质量与交付约束等。
第四步：根据已构建的目标函数与约束条件，建立具有三目标的多阶段混合整数随机规划模型，为利于随机规划模型的求解，运用概率情景树I的方法将目标函数改写为如下形式：
Figure BDA0003029654720000062
其中，i为情景，
Figure BDA0003029654720000063
为情景i发生的概率，
Figure BDA0003029654720000064
为0-1变量，代表项目pf是否向供应商s订货，
Figure BDA0003029654720000065
表示情景i中第t期项目pf的需求。
第五步：运用罚函数方法F(x,σ)＝f(x)+σP(x)对模型的约束进行有效处理，将约束条件转化为目标函数，获得更利于求解的决策优化模型：
Figure BDA0003029654720000071
其中，gm为约束条件中带有决策变量的不等式约束项，hn为约束条件中带有决策变量的等式约束项。
第六步：采用最大相似度方法进行多期的情景树生成，主要生成包含具体项目数量及其需求量的情景i与相对应的概率
Figure BDA0003029654720000073
利用所生成的情景树模拟动态的采购情景，将随机规划问题转变为确定性规划问题，情景树生成所用的软件为MATLAB。
第七步：参照图2和图3所示，针对已进行过约束处理与情景树生成的采购决策优化模型，采用改进的混沌优化算法进行求解，获得一系列的最优采购决策方案集X，为采购决策提供有效的辅助支撑，算法编程所用的软件为MATLAB。
根据不同的方法最后求解所得出的采购决策方案集，参照图3所示。
其中，方法1代表计划期内项目的数量及其需求量都是确定且已知的，因此根据该方法求得的解为理想解，所求得的采购决策方案为理想的最优决策方案；方法2为本发明所采用的方法，即利于最大相似度法进行未来的情景树生成，并运用混沌优化算法进行求解；方法3代表情景树采用随机生成的方法，并运用混沌优化算法进行求解；方法4代表不考虑计划期，仅考虑当期的采购决策最优，运用混沌优化算法进行求解。
采用欧式距离
Figure BDA0003029654720000072
来计算不同方法所求得的解与理想解之间的距离，以此来判断方法的优劣性。
其中，Dx为欧式距离，ri为方法1所产生的解，即理想解，xi为方法2、方法3和方法4所产生的解。
具体计算结果如下表所示：
表1不同方法所求得的解与理想解之间的距离
Figure BDA0003029654720000081
结果表明本发明所提出的方法输出的采购决策能很好地贴近所能做出的理想采购决策，且远远优于不考虑计划期和情景树随机生成的方法。
本发明实施例提供了一种多项目式多目标集中采购决策优化方法及系统，通过考虑产品生命周期并以该生命周期作为计划期，且考虑到多工厂、多项目、产品生命周期及其需求随机性与变动性等实际因素，以采购中的采购成本、质量和交付为目标，得到了整个计划期内最优采购决策方案集，并可以供制造企业选择最优的一种采购决策方案。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (10)

1.一种多项目式多目标集中采购决策优化方法，其特征在于，包括：
步骤S1：针对多工厂、多项目、多供应商、多期的实际采购情景，考虑采购成本、质量缺陷数量以及延迟交货数量，并分别构建目标函数；
步骤S2：根据项目需求量随机性以及供应商客观存在的各类约束，提供不同的阶梯价格折扣；
步骤S3：根据已构建的目标函数与约束条件，建立多阶段混合整数随机规划模型M1，将模型M1改写为情景树模型M2；
步骤S4：对模型的约束条件进行处理，将约束条件转化为目标函数，获得利于求解的决策优化模型M3；
步骤S5：生成多期的情景树，利用所生成的情景树模拟动态的采购情景，将随机规划问题转变为确定性规划问题；
步骤S6：针对已进行过约束处理与情景树生成的采购决策优化模型，进行求解，获得采购决策方案集。
2.根据权利要求1所述的多项目式多目标集中采购决策优化方法，其特征在于，所述步骤S1中每个项目都属于特定的工厂，且每个项目只能选择一个供应商，每个供应商提供给每个工厂不同的采购单价、质量和交付。
3.根据权利要求1所述的多项目式多目标集中采购决策优化方法，其特征在于，所述步骤S2中，供应商根据总的采购量提供不同的阶梯价格折扣，且在不断供的条件下，会提供持续价格年降，项目每年的需求量都会发生变化，且由于项目的生命周期，每年都会有新的项目进入与老的项目退出。
4.根据权利要求1所述的多项目式多目标集中采购决策优化方法，其特征在于，所述步骤S3中运用概率情景树I的方法将模型M1改写为情景树模型M2。
5.根据权利要求1所述的多项目式多目标集中采购决策优化方法，其特征在于，所述步骤S4中，运用罚函数方法F(x,σ)＝f(x)+σP(x)对模型的约束进行有效处理，其中F(x,σ)为转化后的广义目标函数，f(x)为初始目标函数，P(x)为包含有约束条件的惩罚项，σ为惩罚因子。
6.根据权利要求1所述的多项目式多目标集中采购决策优化方法，其特征在于，所述步骤S5中，运用最大相似度的方法进行模型情景树的生成，以模拟实际中动态复杂的采购情景。
7.根据权利要求1所述的多项目式多目标集中采购决策优化方法，其特征在于，所述步骤S6中，采用改进的混沌优化算法进行求解，获得一系列的采购决策方案集。
8.一种多项目式多目标集中采购决策优化系统，其特征在于，包括：
构建模块：针对多工厂、多项目、多供应商、多期的实际采购情景，考虑采购成本、质量缺陷数量以及延迟交货数量，并分别构建目标函数；
约束模块：根据项目需求量随机性以及供应商客观存在的各类约束，提供不同的阶梯价格折扣；
改写模块：根据已构建的目标函数与约束条件，建立多阶段混合整数随机规划模型M1，将模型M1改写为情景树模型M2；
转化模块：对模型的约束条件进行处理，将约束条件转化为目标函数，获得利于求解的决策优化模型M3；
生成模块：生成多期的情景树，利用所生成的情景树模拟动态的采购情景，将随机规划问题转变为确定性规划问题；
求解模块：针对已进行过约束处理与情景树生成的采购决策优化模型，进行求解，获得采购决策方案集。
9.根据权利要求8所述的多项目式多目标集中采购决策优化系统，其特征在于，所述构建模块中每个项目都属于特定的工厂，且每个项目只能选择一个供应商，每个供应商提供给每个工厂不同的采购单价、质量和交付。
10.根据权利要求8所述的多项目式多目标集中采购决策优化系统，其特征在于，所述约束模块中，供应商根据总的采购量提供不同的阶梯价格折扣，且在不断供的条件下，会提供持续价格年降，项目每年的需求量都会发生变化，且由于项目的生命周期，每年都会有新的项目进入与老的项目退出。
CN202110426327.5A 2021-04-20 2021-04-20 一种多项目式多目标集中采购决策优化方法及系统 Pending CN113065714A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110426327.5A CN113065714A (zh) 2021-04-20 2021-04-20 一种多项目式多目标集中采购决策优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110426327.5A CN113065714A (zh) 2021-04-20 2021-04-20 一种多项目式多目标集中采购决策优化方法及系统

Publications (1)

Publication Number Publication Date
CN113065714A true CN113065714A (zh) 2021-07-02

Family

ID=76567114

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110426327.5A Pending CN113065714A (zh) 2021-04-20 2021-04-20 一种多项目式多目标集中采购决策优化方法及系统

Country Status (1)

Country Link
CN (1) CN113065714A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114022084A (zh) * 2021-12-09 2022-02-08 广东工业大学 一种增亮膜原料采购规格动态优化方法及系统
WO2023179386A1 (zh) * 2022-03-22 2023-09-28 阿里巴巴（中国）有限公司 数据处理方法、设备、存储介质及程序产品

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102016746A (zh) * 2008-04-21 2011-04-13 埃克森美孚上游研究公司 储层开发计划的基于随机规划的决策支持工具
WO2015153674A1 (en) * 2014-03-31 2015-10-08 Kleermail Corporation Methods and systems for facilitating management and automation of direct mail campaigns
US20170323241A1 (en) * 2016-05-03 2017-11-09 GoProcure, Inc. Method and system for automating and integrating procurement activities
CN107341574A (zh) * 2017-07-10 2017-11-10 华北电力大学 计及需求响应的虚拟电厂多阶段竞价优化方法及计算设备
CN108764515A (zh) * 2018-04-04 2018-11-06 河海大学 一种耦合数值气象水文集合预报的水库调度风险决策方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102016746A (zh) * 2008-04-21 2011-04-13 埃克森美孚上游研究公司 储层开发计划的基于随机规划的决策支持工具
WO2015153674A1 (en) * 2014-03-31 2015-10-08 Kleermail Corporation Methods and systems for facilitating management and automation of direct mail campaigns
US20170323241A1 (en) * 2016-05-03 2017-11-09 GoProcure, Inc. Method and system for automating and integrating procurement activities
CN107341574A (zh) * 2017-07-10 2017-11-10 华北电力大学 计及需求响应的虚拟电厂多阶段竞价优化方法及计算设备
CN108764515A (zh) * 2018-04-04 2018-11-06 河海大学 一种耦合数值气象水文集合预报的水库调度风险决策方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘丰年等: "物流网络下的多产品多阶段随机库存问题", 《重庆师范大学学报自然科学版》 *
周豪，郑美妹等: "多项目背景下的平台零件采购供应商选择与订单分配模型", 《工业工程与管理》 *
许道宝等: "基于历史数据集生成情景树的两种新方法", 《工程数学学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114022084A (zh) * 2021-12-09 2022-02-08 广东工业大学 一种增亮膜原料采购规格动态优化方法及系统
US11694004B2 (en) 2021-12-09 2023-07-04 Guangdong University Of Technology Dynamic optimization method and system for procurement specifications of brightness enhancement film (BEF) raw materials
WO2023179386A1 (zh) * 2022-03-22 2023-09-28 阿里巴巴（中国）有限公司 数据处理方法、设备、存储介质及程序产品

Similar Documents

Publication Publication Date Title
Bumblauskas et al. Smart Maintenance Decision Support Systems (SMDSS) based on corporate big data analytics
Arampantzi et al. A new model for designing sustainable supply chain networks and its application to a global manufacturer
Sarkar et al. A sustainable flexible manufacturing–remanufacturing model with improved service and green investment under variable demand
Paul et al. Managing disruption in an imperfect production–inventory system
Dolgui et al. A model for supply planning under lead time uncertainty
US20080319923A1 (en) Investment Analysis and Planning System and Method
Zhang et al. A stochastic production planning model under uncertain seasonal demand and market growth
CN113065714A (zh) 一种多项目式多目标集中采购决策优化方法及系统
Liu et al. Modelling, analysis and improvement of an integrated chance-constrained model for level of repair analysis and spare parts supply control
Becker et al. Strategic ramp-up planning in automotive production networks
CN114596020A (zh) 一种用于大规模定制生产的项目mrp设计方法及系统
Xu et al. Integrated optimisation for production capacity, raw material ordering and production planning under time and quantity uncertainties based on two case studies
He et al. Research on pattern matching of dynamic sustainable procurement decision-making for agricultural machinery equipment parts
Chien et al. Modeling order assignment for semiconductor assembly hierarchical outsourcing and developing the decision support system
Wang et al. A network optimization research for product returns using modified plant growth simulation algorithm
Yousefi-Babadi et al. Capacitated Sustainable Resilient Closed-Loop Supply Chain Network Design: A Heuristics Algorithm
Skvortsova et al. Economic assessment of the effectiveness of the introduction of industry 4.0 technologies in the activities of industrial enterprises
Rabbani et al. Leagile supply chain network design through a dynamic two-phase optimization in view of order penetration point
Panfilova et al. Supply chain model of a manufacturing enterprise: Multi-agent approach
Allen et al. Simulating the impact of external demand and capacity constraints in aerospace supply chains
Ahmed Impact assessment of construction supply chain risk changes on project time and cost
Zhao et al. A SCOR-BASED ANALYTICAL COORDINATION MODEL FOR AN INTEGRATED SUPPLY CHAIN IN A PHARMACEUTICAL COMPANY.
Troutt et al. Multi-stage efficiency tools for goal setting and monitoring in supply chains
Albrecht et al. Continuous-Time Scheduling in Green Supply Chain Management
Dizabadi et al. Real Options Based Analysis for Supply Chain Management

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210702