CN114021776A - 一种物料组合选取方法、装置和电子设备 - Google Patents

一种物料组合选取方法、装置和电子设备 Download PDF

Info

Publication number
CN114021776A
CN114021776A CN202111162048.9A CN202111162048A CN114021776A CN 114021776 A CN114021776 A CN 114021776A CN 202111162048 A CN202111162048 A CN 202111162048A CN 114021776 A CN114021776 A CN 114021776A
Authority
CN
China
Prior art keywords
node
product
consumption
nodes
bill
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
CN202111162048.9A
Other languages
English (en)
Inventor
袁浩
朱砡赐
张昌文
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.)
Lenovo Beijing Ltd
Original Assignee
Lenovo Beijing 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 Lenovo Beijing Ltd filed Critical Lenovo Beijing Ltd
Priority to CN202111162048.9A priority Critical patent/CN114021776A/zh
Publication of CN114021776A publication Critical patent/CN114021776A/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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Primary Health Care (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • General Factory Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开提供一种物料组合选取方法、装置和电子设备，方法包括：根据获取的至少一个产品的物料清单结构数据、及物料清单结构中各物料节点的特征组信息，按产品中各物料节点间的层级产出关系和替代关系构造物料清单图结构；执行物料清单图结构中的节点信息逐层传递，将同一产品内存在上下层级关系的下层节点的特征组信息、及子物料清单图结构信息发送至关联的上层节点进行保存；基于执行完节点信息逐层传递的物料清单图结构，计算同一产品的各物料替代组内各节点的优先级分值，并根据优先级分值对同一产品的各物料替代组执行节点的剪枝处理；对剪枝处理后的物料清单图结构进行展开处理，获得产品对应的至少一项物料组合方式。

Description

一种物料组合选取方法、装置和电子设备
技术领域
本公开涉及智能制造领域，尤其涉及一种物料组合选取方法、装置和电子设备。
背景技术
随着生产规模的不断扩大以及生产场景的日益复杂，实现制造管理的智能化已经逐渐成为提升生产效率的关键所在。以离散制造行业为例，随着产品结构的变化以及涉及物料种类的快速增加，高效的计划管理流程已然成为优化生产效率的迫切需求。在典型的离散制造过程中，工厂在制造成品时，需要按照物料清单(BOM，Bill of Material)捡取相应的物料组合。BOM数据中详细定义了产品制造所需物料之间的层级产出关系、替代关系、单位用量等，BOM中的物料替代关系会使产品同时存在多种可能的组装方式，并且在多种替代方式同时叠加时，产品的可行组装方式数量会是指数量级的。选择不同的组装方式会导致物料的消耗(种类与数量)存在差异，因此在物料供应数量有限的情况下，通过优选组装方式，可以更充分地利用物料库存，优化总体产量，提升订单交期达成率。
上述优化问题实质上是一个非确定性多项式(NP，Non-deterministicPolynomial)的组合优化问题，其复杂性来源于多产品、多物料、以及复杂的物料替代关系所带来的巨量组装方式候选集。求解该问题时，除了需要判断单个产品的最优组装方式，还需要同时考虑其他产品对相关物料的竞争。在实际的生产制造场景中，由于需求订单的实时更新，以及物料供应的频繁波动，需要在尽可能短的时间内完成实际问题的求解。因此，在面对规模较大的实际生产问题时，通常只能采用近似求解的方法。如何快速近似求解产品组装方式优化问题，同时尽可能提升优化效果，成为了离散制造行业内的一个重要挑战。
发明内容
本公开提供一种物料组合选取方法、装置和电子设备，以至少解决现有技术中存在的以上技术问题。
本公开一方面提供一种物料组合选取方法，包括：
获取各产品的物料清单结构数据、及物料清单结构中各物料节点的特征组信息；
根据至少一个产品的所述物料清单结构数据、及物料清单结构中各物料节点的特征组信息，按所述产品中各物料节点间的层级产出关系和替代关系构造物料清单图结构；
执行所述物料清单图结构中的节点信息逐层传递，将同一产品内存在上下层级关系的下层节点的特征组信息、及子物料清单图结构信息发送至关联的上层节点进行保存；
基于执行完节点信息逐层传递的所述物料清单图结构，计算同一产品的各物料替代组内各节点的优先级分值，并根据所述优先级分值对同一产品的各物料替代组执行节点的剪枝处理；
对剪枝处理后的物料清单图结构进行展开处理，获得产品对应的至少一项物料组合方式。
在一可实施方式中，所述获取各产品的物料清单结构数据、及物料清单结构中各物料节点的特征组信息，包括：
获取各产品的物料清单结构数据、及与物料清单结构中各物料节点相关的特征属性信息，所述各产品的物料清单结构数据中包括制造对应产品所需的物料间的层级产出关系、替代关系和物料单位用量；
对所述各物料节点相关的特征属性信息进行预处理，构造所述物料清单结构数据中各物料节点的特征组信息。
在一可实施方式中，所述根据优先级分值对同一产品的各物料替代组执行节点的剪枝处理，包括：
根据各物料替代组内各节点的优先级分值，删除优先级分值低于第一阈值的组内节点；或者，
按各物料替代组内各节点的优先级分值从低到高的顺序，删除第一比例或第一数量的低优先级分值的组内节点；或者，
按各物料替代组内各节点的优先级分值从高到低的顺序，保留第二比例或第二数量的高优先级分值的组内节点。
在一可实施方式中，所述对剪枝处理后的物料清单图结构进行展开处理，获得产品对应的至少一项物料组合方式，包括：
按所述剪枝处理后的物料清单图结构中产品对应节点的层级产出关系、替代关系，对所述物料清单图结构进行节点展开并生成对应产品的至少一项物料组合方式。
在一可实施方式中，所述基于执行完节点信息逐层传递的物料清单图结构，计算同一产品的各物料替代组内各节点的优先级分值，包括：
基于所述执行完节点信息逐层传递的物料清单图结构，对同一产品的同一物料替代组内各节点分别进行优先级分值计算，所述优先级分值计算基于各节点的特征组信息内各特征属性信息的加权求和结果生成。
在一可实施方式中，在所述获得产品对应的至少一项物料组合方式后，所述方法还包括：
对各项物料组合方式中所有节点的优先级分值进行加权求和，并根据各项物料组合方式的加权求和结果，从中确定最优物料组合方式。
在一可实施方式中，在所述确定最优物料组合方式后，所述方法还包括：
根据物料消耗量预估策略，对所述最优物料组合方式中各物料的消耗量进行预估；所述根据物料消耗量预估策略，对最优物料组合方式中各物料的消耗量进行预估，包括：
根据第一预估规则，对所述最优物料组合方式中各物料的消耗量进行预估，获得第一预估结果；
根据第二预估规则，对所述最优物料组合方式中各物料的消耗量进行预估，获得第二预估结果；
根据第三预估规则，对所述最优物料组合方式中各物料的消耗量进行预估，获得第三预估结果；
对所述第一预估结果、第二预估结果和第三预估结果进行加权求和，获得最终预估结果。
在一可实施方式中，所述根据第一预估规则，对最优物料组合方式中各物料的消耗量进行预估，获得第一预估结果，包括：
获得物料的历史消耗量时间序列；根据所述历史消耗量时间序列，用插值法估算相应物料的终止时间；根据差分整合移动平均自回归模型和克罗斯顿模型对所述终止时间之前的物料消耗量进行预测，获得第一预估值；根据第一调整因子对所述第一预估值进行调整，获得所述第一预估结果；
或者，所述根据第二预估规则，对最优物料组合方式中各物料的消耗量进行预估，获得第二预估结果，包括：
根据影响物料消耗量的多个因素构建卷积神经网络模型；根据所述卷积神经网络模型预测物料的消耗量，获得第二预估值；根据第三调整因子对所述第二预估值进行调整，获得所述第二预估结果；
或者，所述根据第三预估规则，对最优物料组合方式中各物料的消耗量进行预估，获得第三预估结果，包括：
筛选与待估物料所属产品的历史出货量满足目标条件的参考产品；从所述参考产品的物料中确定与所述待估物料属性满足相似度条件的参考物料；根据所述参考物料的消耗量估算所述待估物料的消耗量，并作为所述待估物料的第三预估结果。
本公开另一方面提供一种物料组合选取装置，包括：
获取模块，用于获取各产品的物料清单结构数据、及物料清单结构中各物料节点的特征组信息；
图结构生成模块，用于根据至少一个产品的所述物料清单结构数据、及物料清单结构中各物料节点的特征组信息，按所述产品中各物料节点间的层级产出关系和替代关系构造物料清单图结构；
信息传递模块，用于执行所述物料清单图结构中的节点信息逐层传递，将同一产品内存在上下层级关系的下层节点的特征组信息、及子物料清单图结构信息发送至关联的上层节点进行保存；
剪枝模块，用于基于执行完节点信息逐层传递的所述物料清单图结构，计算同一产品的各物料替代组内各节点的优先级分值，并根据所述优先级分值对同一产品的各物料替代组执行节点的剪枝处理；
输出模块，用于对剪枝处理后的物料清单图结构进行展开处理，获得产品对应的至少一项物料组合方式。
本公开再一方面提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开所述的方法。
本公开还一方面提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行根据本公开所述的方法。
通过实施本公开，因其基于图结构的处理方式以及图卷积机制的应用，可以实现对复杂物料清单结构数据的快速处理以及对复杂物料清单结构数据中关键信息的自适应提取，当节点的特征属性或最终的优化目标发生变化时，只需优化特征的选择与权重配置，即可快速实现对关键组装方式的动态调整与优化。
附图说明
图1为本公开实施例的一种物料组合选取方法的流程示意图；
图2为本公开实施例的一种物料组合选取过程示意图；
图3为本公开一产品所需物料间的层级产出关系和替代关系的实例示意图；
图4为本公开实施例的一种第一预估结果的获得方法流程示意图；
图5为本公开实施例的一种第二预估结果的获得方法流程示意图；
图6为本公开实施例的一种第三预估结果的获得方法流程示意图；
图7为本公开实施例的一种最终预估结果的获得方法流程示意图；
图8为本公开实施例的一种物料组合选取装置的组成结构示意图；
图9为本公开实施例的另一种物料组合选取装置的组成结构示意图；
图10为本公开实施例的再一种物料组合选取装置的组成结构示意图；
图11为本公开实施例的一种电子设备的组成结构示意图。
具体实施方式
为使本公开的目的、特征、优点能够更加的明显和易懂，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开的一部分实施例，而非全部实施例。基于本公开中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
为高效的获得符合实际生产制造场景的较优物料组合方式，提出本公开。图1示出了本公开实施例一提供的一种物料组合选取方法的流程示意图，图2示出了本公开实施例的一种物料组合选取过程示意图。结合图1和图2所示，本公开实施例一提供的一种物料组合选取方法，包括：
步骤101，获取各产品的物料清单结构数据、及物料清单结构中各物料节点的特征组信息。
各产品的物料清单结构数据中包括制造对应产品所需的物料间的层级产出关系、替代关系和物料单位用量。物料间的层级产出关系描述了制造产品所需的物料间的层级和生成制造产出的逻辑关系，而物料间的替代关系描述了每种物料有哪些可以被替代用作制造对应产品的其他物料。物料单位用量，是指制造产品所需对应物料的单位用量。
图3示出了本公开一产品所需物料间的层级产出关系和替代关系的实例示意图，如图3所示，最顶部节点代表产品，制造产品所需的第一层级物料节点有35个，依次往下还有第二层级、第三层级和第四层级物料节点，图中的连线一端的下层节点是用来制造连线一端的上层节点的物料节点。图3中，有箭头所指的物料节点表示存在替代物料的节点，无箭头所指的物料节点表示不存在替代物料的节点。那么，该物料清单结构数据中包含了30个替代组，约5◇1013种可行组装方式。
在一可实施方式中，步骤101具体可实施为：
获取各产品的物料清单结构数据、及与物料清单结构中各物料节点相关的特征属性信息，各产品的物料清单结构数据中包括制造对应产品所需的物料间的层级产出关系、替代关系和物料单位用量；
对各物料节点相关的特征属性信息进行预处理，构造物料清单结构数据中各物料节点的特征组信息。
各物料节点相关的特征属性信息，包括对应物料的价格、库存等等，本公开的实施例不对物料节点相关的特征属性信息进行限制，实际应用中适用于本公开实施例的所有类型的特征属性信息应当都属于本公开实施例的范围。
步骤101实际是将各产品的物料清单结构数据、及物料清单结构中各物料节点相对的特征属性信息作为输入，根据制造对应产品所需的物料间的层级产出关系、替代关系以及物料单位用量等信息整合为完整的物料清单结构，同时对物料节点相关的特征属性信息进行预处理，构造每个物料节点的特征组信息，用作后续的特征属性信息传递和剪枝处理。其中，对物料节点相关的特征属性信息进行预处理，是指筛选各物料节点相关的特征属性信息中可用作统一比较特征属性信息，如：筛选各物料节点的价格、库存、生产日期作为用于统一比较的特征属性信息，从而构造每个物料节点的以上价格、库存、生产日期组成对应物料节点的特征组信息。
步骤102，根据至少一个产品的物料清单结构数据、及物料清单结构中各物料节点的特征组信息，按产品中各物料节点间的层级产出关系和替代关系构造物料清单图结构。
将单个或多个产品的物料清单结构数据、及物料清单结构中各物料节点的特征组信息，按照节点间层级产出关系和替代关系整理为物料清单图结构。在物料清单图结构中可以保留物料清单结构的关键信息(各物料节点的特征组信息、物料节点间的层级产出关系、替代关系和物料单位用量等)，且可以支持对不同节点间复杂依赖关系的构建。通过将单个或多个产品的物料清单结构数据、及物料清单结构中各物料节点的特征组信息融合到构建的一个整体物料清单图结构中，基于物料清单图结构的存储与处理方式，可以大大提升处理速度与效率，并可以支持对任务复杂的物料清单结构数据的处理。
步骤103，执行物料清单图结构中的节点信息逐层传递，将同一产品内存在上下层级关系的下层节点的特征组信息、及子物料清单图结构信息发送至关联的上层节点进行保存。
物料清单图结构中包含明显的层级关系，且上层节点的各类特征属性明显受到下层节点的影响。本公开的实施例采用基于图卷积的信息传递机制，将同一产品内存在上下层级关系的下层节点的特征组信息、及子物料清单图结构信息发送至关联的上层节点进行保存，从而为每个节点更新相应的特征组信息，辅助后续剪枝过程的决策。由于物料清单图结构中的节点信息是逐层向上传递的，因此，每个节点保存了其关联的下层节点的所有特征组信息、及子物料清单图结构信息(包含了该节点下的物料清单图结构信息)，基于图卷积的信息传递机制，不仅充分保留了节点中相邻层级之间的组成与逻辑关系，同时自下而上的特征组信息更新还能捕捉到更为复杂的节点间的依赖关系，充分保留并利用了物料清单图结构，完成了对节点关联关系的建模。
步骤104，基于执行完节点信息逐层传递的物料清单图结构，计算同一产品的各物料替代组内各节点的优先级分值，并根据优先级分值对同一产品的各物料替代组执行节点的剪枝处理。
在一可实施方式中，基于执行完节点信息逐层传递的物料清单图结构，计算同一产品的各物料替代组内各节点的优先级分值，包括：
基于执行完节点信息逐层传递的物料清单图结构，对同一产品的同一物料替代组内各节点分别进行优先级分值计算，优先级分值计算基于各节点的特征组信息内各特征属性信息的加权求和结果生成。
也就是说，对同一产品的同一物料替代组内各节点分别计算其优先级分值，该优先级分值的计算过程为：基于各节点自身的特征组信息内各特征属性信息的加权求和，将加权求和的结果作为对应节点的优先级分值。
在一可实施方式中，根据优先级分值对同一产品的各物料替代组执行节点的剪枝处理，包括：
根据各物料替代组内各节点的优先级分值，删除优先级分值低于第一阈值的组内节点；或者，
按各物料替代组内各节点的优先级分值从低到高的顺序，删除第一比例或第一数量的低优先级分值的组内节点；或者，
按各物料替代组内各节点的优先级分值从高到低的顺序，保留第二比例或第二数量的高优先级分值的组内节点。
其中，第一阈值、第一比例、第一数量、第二比例、第二数量可以根据实际需要进行设定，本公开实施例不做限制。
通过实施步骤104，将同一产品的各物料替代组内优先级分值较低的节点通过剪枝处理进行删除，只保留部分优先级分值较高的节点，从而大大降低了候选物料节点的数量，降低了可行物料组合方式的数量。
基于节点特征属性信息的优先级打分与剪枝，可以充分考虑生产环境动态变化对节点以及物料清单图结构的影响；还能根据优化目标的不同，通过特征选择与权重设定，实现依赖于优化目标与动态环境变化的关键信息提取。
步骤105，对剪枝处理后的物料清单图结构进行展开处理，获得产品对应的至少一项物料组合方式。
在一可实施方式中，步骤105可实施为：
按剪枝处理后的物料清单图结构中产品对应节点的层级产出关系、替代关系，对物料清单图结构进行节点展开并生成对应产品的至少一项物料组合方式。
由于剪枝处理后的物料清单图结构中仍然保留有剩余物料节点间的层级产出关系和替代关系，因此，能够很方便的根据剪枝处理后的物料清单图结构中产品对应节点的层级产出关系、替代关系，对物料清单图结构进行节点展开处理，获得对应产品的至少一项物料组合方式。
在一可实施方式中，在获得产品对应的至少一项物料组合方式后，本公开的物料组合选取方法还包括：
分别对各项物料组合方式中所有节点的优先级分值进行加权求和，获得各项物料组合方式分别对应的加权求和结果，并根据加权求和结果从各项物料组合方式中确定最优物料组合方式。
也就是说，在获得步骤105筛选的至少一项物料组合方式后，仍然可以通过一定的筛选机制，从上述至少一项物料组合方式中确定最优的物料组合方式。一种可实施的筛选机制为：对各项物料组合方式中所有节点的优先级分值进行加权求和，获得各项物料组合方式分别对应的加权求和结果，确定加权求和结果的取值最高的物料组合方式为最优物料组合方式，该最优物料组合方式为适应当前生成环境与优化目标的最佳物料组合方式。
本公开实施例的物料组合方式选取方法，因其基于图结构的处理方式以及图卷积机制的应用，可以实现对复杂物料清单结构数据的快速处理以及对复杂物料清单结构数据中关键信息的自适应提取，当节点的特征属性或最终的优化目标发生变化时，只需优化特征的选择与权重配置，即可快速实现对关键组装方式的动态调整与优化。
另外，本公开实施例还具备以下技术效果：
1)本公开实施例综合考虑了与物料清单结构数据中节点相关的特征属性，通过基于图卷积的特征传递以及对节点的重要性程度打分，实现了对不同替代物料之间的优先筛选，相比于相关技术中预先定义的替代料优先级，得到的组装方式更符合真实的生产环境与优化目标，性能更优；
2)基于物料清单图结构的处理方式，存储灵活，不需占用大量空间，且处理速度快，可以适应生产环境的动态变化；
3)方案具有通用性，可以处理任意结构、任意复杂度的物料清单结构数据，同时能够应用到不同场景下的物料清单结构简化与组合方式选择问题，比如基于物料清单结构的订单齐套、基于工序物料清单结构的生产排程等；
4)方案具有很强的可扩展性，比如可以将图结构扩展到多个产品的复杂物料清单结构，从而进一步对不同物料清单结构间的关联节点进行建模。
在一可实施方式中，在确定最优物料组合方式后，本公开的物料组合选取方法还包括：根据物料消耗量预估策略，对最优物料组合方式中各物料的消耗量进行预估。
其中，根据物料消耗量预估策略，对最优物料组合方式中各物料的消耗量进行预估，包括：
根据第一预估规则，对最优物料组合方式中各物料的消耗量进行预估，获得第一预估结果；
根据第二预估规则，对最优物料组合方式中各物料的消耗量进行预估，获得第二预估结果；
根据第三预估规则，对最优物料组合方式中各物料的消耗量进行预估，获得第三预估结果；
对第一预估结果、第二预估结果和第三预估结果进行加权求和，获得最终预估结果。
当然，作为以上实施方式的替代方案，也可以通过将上述第一预估结果、第二预估结果和第三预估结果中的任意两种结果进行加权求和，将加权求和结果作为最终预估结果。
在一可实施方式中，根据第一预估规则，对最优物料组合方式中各物料的消耗量进行预估，获得第一预估结果，包括：
获得物料的历史消耗量时间序列；根据历史消耗量时间序列，用插值法估算相应物料的终止时间；根据差分整合移动平均自回归(ARIMA，Autoregressive IntegratedMoving Average)模型和克罗斯顿(Croston)模型对终止时间之前的物料消耗量进行预测，获得第一预估值；根据第一调整因子对第一预估值进行调整，获得第一预估结果。
实际应用中，可以通过有经验的人工根据第一预估结果进一步进行调整，从而获得满足实际场景和人工预判的预估结果。也就是提供一种ARIMA模型、Croston模型、调节因子、计划员调整预估相结合的预估方法，参见图4中的步骤401～406，具体如下：
进行物料消耗的自身时间时间序列ARIMA模型预估，为避免偏误，辅以插值法调整原始ARIMA模型，估算终止服务(EOS，End of service)作为时间序列截断；因物料消耗易为0，以Croston模型法进行0与非0加权调整，得到趋势预估线，再进行基于季节调整因子的调节，得出物料预估消耗值；人工将得到的此预估消耗值与其自己的预估值比较，在阈值内或人工认可，则确认物料预估消耗值作为第一预估结果,否则，人工做以下调整：
人工调整时间序列数值，调整原因通常为：过去数据有误，突发事件造成异常；
人工调整预测产品终止时间，调整原因通常为：人工对产品生命周期悲观/乐观调整；
人工调整Croston加权权重，调整原因通常为：计划员对0与非0差异权重调整；
人工调整季节因子权重，调整原因通常为：人工对季节因子影响时序预测重要度进行调整。
在一可实施方式中，根据第二预估规则，对最优物料组合方式中各物料的消耗量进行预估，获得第二预估结果，包括：
根据影响物料消耗量的多个因素构建卷积神经网络模型；根据卷积神经网络模型预测物料的消耗量，获得第二预估值；根据第三调整因子对第二预估值进行调整，获得第二预估结果。
实际应用中，可以通过有经验的人工根据第二预估结果进一步进行调整，从而获得满足实际场景和人工预判的预估结果。也就是，可提供一种专家意见德菲法、卷积神经网络(CNN，Convolutional Neural Networks)模型、宏观调节、环境调节、人工调整相结合的预估方法，参见图5中的步骤501～507，具体如下：
多位专家以德尔菲法进行领域多因素决定，假设得到n个领域因素，以此n个因素做CNN模型预测结果后，经过GDP、汇率变动等宏观因素加权调节，再结合气候、温度、湿度等环境因素加权调节因子后，得出物料预估消耗值；人工将得到的此物料预估消耗值与其自己的预估值进行比较，在阈值内或人工认可，则确认物料预估消耗值作为第二预估结果,否则，人工做以下调整：
人工调整德菲法顺序因子，调整原因通常为：人工因经验修改重要度因子；
人工调整宏观数据、因子及权重，调整原因通常为：人工对宏观数据有不同看法或缺乏数据，人工以估计值取代；
人工调整环境数据、因子及权重，调整原因通常为：人工对环境数据有不同看法，缺乏数据人工以估计值取代，或人工对不同区域环境因子有不同重要度看法：如印度雨季环境因素权重高等。
在一可实施方式中，根据第三预估规则，对最优物料组合方式中各物料的消耗量进行预估，获得第三预估结果，包括：
筛选与待估物料所属产品的历史出货量满足目标条件的参考产品；从参考产品的物料中确定与待估物料属性满足相似度条件的参考物料；根据参考物料的消耗量估算待估物料的消耗量，并作为待估物料的第三预估结果。
实际应用中，可以通过有经验的人工根据第三预估结果进一步进行调整，从而获得满足实际场景和人工预判的预估结果。也就是，可提供一种概率密度函数、Cosinesimilarity模型、人工调整相结合的预估方法，参见图6中的步骤601～609，具体如下：
将此待估物料所属产品与历史产品比较，以价格、预估出货量等因素选出最相近历史产品，依据相近历史产品出货概率密度函数，做出此待估物料所属产品的预估出货总量；再以此待估物料所属产品的物料，分别与相近历史产品的物料，做多个属性比较，求得最小cosine相似度，得到最相近历史物料型号，以得到的历史物料消耗率作为此待估物料的消耗率后，结合前述的预估出货总量，可得到此待估物料的预估消耗值；人工将得到的此预估消耗值与其自己的预估值比较，在阈值内或人工认可，则确认此待估物料的预估消耗值作为第三预估结果，否则，人工做以下调整：
(1)人工调整相近历史产品，调整原因通常为：人工根据经验修改相近历史产品；
(2)人工调整概率密度函数形状，调整原因通常为：人工认为曲线尾较长，或高峰更高；
(3)人工调整相似物料，调整原因通常为：人工根据经验修改历史相似物料；
(4)人工调整消耗率，调整原因通常为：人工据经验修改消耗率。
实际应用中，可以通过有经验的人工根据第一预估结果、第二预估结果和第三预估结果加权求和得到的最终预估结果进行进一步调整。也就是，可提供一种基于加权和人工调整相结合的最终预估结果获得方法，参见图7中的步骤701～707，具体如下：
根据样本数据的第一预估结果、第二预估结果和第三预估结果，采用多元回归-广义最小二乘法得到权重；结合本次获得的第一预估结果、第二预估结果和第三预估结果，得到各预估结果对应的权重；根据得到的各预估结果的权重对第一预估结果、第二预估结果和第三预估结果加权求和获得物料预估消耗值；人工将得到的此预估消耗值与其自己的预估值比较，在阈值内或人工认可，则将得到的此预估消耗值作为最终预估结果；否则，人工做以下调整直到人工认可：
人工调整第一预估结果、第二预估结果和第三预估结果各自对应的权重，调整的原因通常为：人工认为某预估结果缺乏数据较不可信，或认为某预估结果对预测比较重要，人工根据不同情况做相应的调整。
还需要说明的是，本公开实施例中第一预估结果、第二预估结果和第三预估结果获得方法执行的先后顺序并无严格限制，可根据实际需要进行执行顺序的排列，当然也可同时执行。
通过对最优物料组合方式中各物料的消耗量进行预估，能够动态的估算出用于制造产品的各物料的未来一段时间的消耗量、或未来的总消耗量，从而为产品订单管理提供有效数据参考。
本公开中基于机器学习的人工智能结合人工调整，更有弹性：克服人工经验不足的盲点，并克服机器学习无法及时反应人工脑海中知识的短板。克服人工智能预测仅出结果，无法解释，业务无法对影响因素策略操作的问题。使得每一因素及影响程度很清楚，业务可以针对每一因素做操作，比如：计划未来某期促销以修改概率密度函数，进而调动预估备件。
本公开考虑多内外因素，形成层级方法：克服无法大规模数量化思考各层面因素，并且因素不涵盖供应链本身特殊性，无法同时具备其他专家们的意见，整体规划不周延问题。本公开以自身消耗时序数据，专家意见，汇率变动宏观加权调节，及气候，温度，湿度等环境因子，并且历史过往产品也纳入参考预估，符合供应链本身特性。能够克服传统上数据缺漏造成不精准或无法预测缺陷。
本公开克服传统上要等待数据全备才能预测，造成预测覆盖率低，并且传统上一次性预测完毕，不符合业务实际环境经常变动，需要多次预测问题。
本公开的实施例八还提供了一种物料组合方式选取装置，如图8所示，该装置包括：
获取模块10，用于获取各产品的物料清单结构数据、及物料清单结构中各物料节点的特征组信息；
图结构生成模块20，用于根据至少一个产品的所述物料清单结构数据、及物料清单结构中各物料节点的特征组信息，按产品中各物料节点间的层级产出关系和替代关系构造物料清单图结构；
信息传递模块30，用于执行物料清单图结构中的节点信息逐层传递，将同一产品内存在上下层级关系的下层节点的特征组信息、及子物料清单图结构信息发送至关联的上层节点进行保存；
剪枝模块40，用于基于执行完节点信息逐层传递的物料清单图结构，计算同一产品的各物料替代组内各节点的优先级分值，并根据优先级分值对同一产品的各物料替代组执行节点的剪枝处理；
输出模块50，用于对剪枝处理后的物料清单图结构进行展开处理，获得产品对应的至少一项物料组合方式。
在一可实施方式中，获取模块10进一步用于，获取各产品的物料清单结构数据、及与物料清单结构中各物料节点相关的特征属性信息，各产品的物料清单结构数据中包括制造对应产品所需的物料间的层级产出关系、替代关系和物料单位用量；对各物料节点相关的特征属性信息进行预处理，构造物料清单结构数据中各物料节点的特征组信息。
在一可实施方式中，剪枝模块40进一步用于，
根据各物料替代组内各节点的优先级分值，删除优先级分值低于第一阈值的组内节点；或者，
按各物料替代组内各节点的优先级分值从低到高的顺序，删除第一比例或第一数量的低优先级分值的组内节点；或者，
按各物料替代组内各节点的优先级分值从高到低的顺序，保留第二比例或第二数量的高优先级分值的组内节点。
在一可实施方式中，输出模块50进一步用于，按剪枝处理后的物料清单图结构中产品对应节点的层级产出关系、替代关系，对物料清单图结构进行节点展开并生成对应产品的至少一项物料组合方式。
在一可实施方式中，剪枝模块40进一步用于，基于执行完节点信息逐层传递的物料清单图结构，对同一产品的同一物料替代组内各节点分别进行优先级分值计算，优先级分值计算基于各节点的特征组信息内各特征属性信息的加权求和结果生成。
在一可实施方式中，如图9所示，装置还包括：最优确定模块60，用于分别对各项物料组合方式中所有节点的优先级分值进行加权求和，获得各项物料组合方式分别对应的加权求和结果，并根据加权求和结果从各项物料组合方式中确定最优物料组合方式。
在一可实施方式中，如图10所示，装置还包括：消耗量预估模块70，用于根据物料消耗量预估策略，对最优物料组合方式中各物料的消耗量进行预估；具体包括：
根据第一预估规则，对最优物料组合方式中各物料的消耗量进行预估，获得第一预估结果；
根据第二预估规则，对最优物料组合方式中各物料的消耗量进行预估，获得第二预估结果；
根据第三预估规则，对最优物料组合方式中各物料的消耗量进行预估，获得第三预估结果；
对第一预估结果、第二预估结果和第三预估结果进行加权求和，获得最终预估结果。
当然，作为以上实施方式的替代方案，也可以通过将上述第一预估结果、第二预估结果和第三预估结果中的任意两种结果进行加权求和，将加权求和结果作为最终预估结果。
在一可实施方式中，根据第一预估规则，对最优物料组合方式中各物料的消耗量进行预估，获得第一预估结果，包括：
获得物料的历史消耗量时间序列；根据所述历史消耗量时间序列，用插值法估算相应物料的终止时间；根据ARIMA-Croston模型对所述终止时间之前的物料消耗量进行预测，获得第一预估值；根据第一调整因子对所述第一预估值进行调整，获得所述第一预估结果。
在一可实施方式中，根据第二预估规则，对最优物料组合方式中各物料的消耗量进行预估，获得第二预估结果，包括：
根据影响物料消耗量的多个因素构建卷积神经网络模型；根据卷积神经网络模型预测物料的消耗量，获得第二预估值；根据第三调整因子对第二预估值进行调整，获得第二预估结果。
在一可实施方式中，根据第三预估规则，对最优物料组合方式中各物料的消耗量进行预估，获得第三预估结果，包括：
筛选与待估物料所属产品的历史出货量满足目标条件的参考产品；从参考产品的物料中确定与待估物料属性满足相似度条件的参考物料；根据参考物料的消耗量估算待估物料的消耗量，并作为待估物料的第三预估结果。
通过对最优物料组合方式中各物料的消耗量进行预估，能够动态的估算出用于制造产品的各物料的未来一段时间的消耗量、或未来的总消耗量，从而为产品订单管理提供有效数据参考。
根据本公开的实施例，本公开还提供了一种电子设备、一种存储有计算机指令的非瞬时计算机可读存储介质和一种计算机程序产品。
图11示出了可以用来实施本公开的实施例的示例电子设备300的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图11所示，设备300包括计算单元301，其可以根据存储在只读存储器(ROM)302中的计算机程序或者从存储单元308加载到随机访问存储器(RAM)303中的计算机程序，来执行各种适当的动作和处理。在RAM 303中，还可存储设备300操作所需的各种程序和数据。计算单元301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
设备300中的多个部件连接至I/O接口305，包括：输入单元306，例如键盘、鼠标等；输出单元307，例如各种类型的显示器、扬声器等；存储单元308，例如磁盘、光盘等；以及通信单元309，例如网卡、调制解调器、无线通信收发机等。通信单元309允许设备300通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元301可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元301的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元301执行上文所描述的各个方法和处理，例如物料组合方式选取方法。例如，在一些实施例中，物料组合方式选取方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元308。在一些实施例中，计算机程序的部分或者全部可以经由ROM 302和/或通信单元309而被载入和/或安装到设备300上。当计算机程序加载到RAM 303并由计算单元301执行时，可以执行上文描述的物料组合方式选取方法的一个或多个步骤。备选地，在其他实施例中，计算单元301可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行物料组合方式选取方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (10)

1.一种物料组合选取方法，包括：
获取各产品的物料清单结构数据、及物料清单结构中各物料节点的特征组信息；
根据至少一个产品的所述物料清单结构数据、及物料清单结构中各物料节点的特征组信息，按所述产品中各物料节点间的层级产出关系和替代关系构造物料清单图结构；
执行所述物料清单图结构中的节点信息逐层传递，将同一产品内存在上下层级关系的下层节点的特征组信息、及子物料清单图结构信息发送至关联的上层节点进行保存；
基于执行完节点信息逐层传递的所述物料清单图结构，计算同一产品的各物料替代组内各节点的优先级分值，并根据所述优先级分值对同一产品的各物料替代组执行节点的剪枝处理；
对剪枝处理后的物料清单图结构进行展开处理，获得产品对应的至少一项物料组合方式。
2.根据权利要求1所述的方法，其特征在于，所述获取各产品的物料清单结构数据、及物料清单结构中各物料节点的特征组信息，包括：
获取各产品的物料清单结构数据、及与物料清单结构中各物料节点相关的特征属性信息，所述各产品的物料清单结构数据中包括制造对应产品所需的物料间的层级产出关系、替代关系和物料单位用量；
对所述各物料节点相关的特征属性信息进行预处理，构造所述物料清单结构数据中各物料节点的特征组信息。
3.根据权利要求1所述的方法，其特征在于，所述根据优先级分值对同一产品的各物料替代组执行节点的剪枝处理，包括：
根据各物料替代组内各节点的优先级分值，删除优先级分值低于第一阈值的组内节点；或者，
按各物料替代组内各节点的优先级分值从低到高的顺序，删除第一比例或第一数量的低优先级分值的组内节点；或者，
按各物料替代组内各节点的优先级分值从高到低的顺序，保留第二比例或第二数量的高优先级分值的组内节点。
4.根据权利要求1所述的方法，其特征在于，所述对剪枝处理后的物料清单图结构进行展开处理，获得产品对应的至少一项物料组合方式，包括：
按所述剪枝处理后的物料清单图结构中产品对应节点的层级产出关系、替代关系，对所述物料清单图结构进行节点展开并生成对应产品的至少一项物料组合方式。
5.根据权利要求1所述的方法，其特征在于，所述基于执行完节点信息逐层传递的物料清单图结构，计算同一产品的各物料替代组内各节点的优先级分值，包括：
基于所述执行完节点信息逐层传递的物料清单图结构，对同一产品的同一物料替代组内各节点分别进行优先级分值计算，所述优先级分值计算基于各节点的特征组信息内各特征属性信息的加权求和结果生成。
6.根据权利要求1至5任一项所述的方法，其特征在于，在所述获得产品对应的至少一项物料组合方式后，所述方法还包括：
分别对各项物料组合方式中所有节点的优先级分值进行加权求和，获得各项物料组合方式分别对应的加权求和结果，并根据所述加权求和结果从所述各项物料组合方式中确定最优物料组合方式。
7.根据权利要求6所述的方法，其特征在于，在所述确定最优物料组合方式后，所述方法还包括：
根据物料消耗量预估策略，对所述最优物料组合方式中各物料的消耗量进行预估；所述根据物料消耗量预估策略，对最优物料组合方式中各物料的消耗量进行预估，包括：
根据第一预估规则，对所述最优物料组合方式中各物料的消耗量进行预估，获得第一预估结果；
根据第二预估规则，对所述最优物料组合方式中各物料的消耗量进行预估，获得第二预估结果；
根据第三预估规则，对所述最优物料组合方式中各物料的消耗量进行预估，获得第三预估结果；
对所述第一预估结果、第二预估结果和第三预估结果进行加权求和，获得最终预估结果。
8.根据权利要求7所述的方法，其特征在于，
所述根据第一预估规则，对最优物料组合方式中各物料的消耗量进行预估，获得第一预估结果，包括：
获得物料的历史消耗量时间序列；根据所述历史消耗量时间序列，用插值法估算相应物料的终止时间；根据差分整合移动平均自回归模型和克罗斯顿模型对所述终止时间之前的物料消耗量进行预测，获得第一预估值；根据第一调整因子对所述第一预估值进行调整，获得所述第一预估结果；
或者，所述根据第二预估规则，对最优物料组合方式中各物料的消耗量进行预估，获得第二预估结果，包括：
根据影响物料消耗量的多个因素构建卷积神经网络模型；根据所述卷积神经网络模型预测物料的消耗量，获得第二预估值；根据第三调整因子对所述第二预估值进行调整，获得所述第二预估结果；
或者，所述根据第三预估规则，对最优物料组合方式中各物料的消耗量进行预估，获得第三预估结果，包括：
筛选与待估物料所属产品的历史出货量满足目标条件的参考产品；从所述参考产品的物料中确定与所述待估物料属性满足相似度条件的参考物料；根据所述参考物料的消耗量估算所述待估物料的消耗量，并作为所述待估物料的第三预估结果。
9.一种物料组合选取装置，包括：
获取模块，用于获取各产品的物料清单结构数据、及物料清单结构中各物料节点的特征组信息；
图结构生成模块，用于根据至少一个产品的所述物料清单结构数据、及物料清单结构中各物料节点的特征组信息，按所述产品中各物料节点间的层级产出关系和替代关系构造物料清单图结构；
信息传递模块，用于执行所述物料清单图结构中的节点信息逐层传递，将同一产品内存在上下层级关系的下层节点的特征组信息、及子物料清单图结构信息发送至关联的上层节点进行保存；
剪枝模块，用于基于执行完节点信息逐层传递的所述物料清单图结构，计算同一产品的各物料替代组内各节点的优先级分值，并根据所述优先级分值对同一产品的各物料替代组执行节点的剪枝处理；
输出模块，用于对剪枝处理后的物料清单图结构进行展开处理，获得产品对应的至少一项物料组合方式。
10.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。
CN202111162048.9A 2021-09-30 2021-09-30 一种物料组合选取方法、装置和电子设备 Pending CN114021776A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111162048.9A CN114021776A (zh) 2021-09-30 2021-09-30 一种物料组合选取方法、装置和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111162048.9A CN114021776A (zh) 2021-09-30 2021-09-30 一种物料组合选取方法、装置和电子设备

Publications (1)

Publication Number Publication Date
CN114021776A true CN114021776A (zh) 2022-02-08

Family

ID=80055470

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111162048.9A Pending CN114021776A (zh) 2021-09-30 2021-09-30 一种物料组合选取方法、装置和电子设备

Country Status (1)

Country Link
CN (1) CN114021776A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115905895A (zh) * 2023-03-08 2023-04-04 云加速(北京)科技有限公司 一种基于区块链的sbom标识聚类模型实现方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102646137A (zh) * 2012-04-19 2012-08-22 中国人民解放军总参谋部第六十三研究所 一种基于Markov模型的实体基本信息自动生成系统及方法
CN105303359A (zh) * 2015-12-09 2016-02-03 金蝶软件（中国）有限公司 一种确定物料需求计划的方法及装置
US20160321606A1 (en) * 2015-04-28 2016-11-03 Accenture Global Services Limited Automated, new spare parts forecasting and demand planning system
CN108537399A (zh) * 2017-03-02 2018-09-14 华为技术有限公司 一种物料需求量的预测方法及装置
CN111489046A (zh) * 2019-01-29 2020-08-04 广东省公共卫生研究院 一种基于供应链和bp神经网络的区域性食品安全评价模型
CN112801448A (zh) * 2020-12-24 2021-05-14 苏州慧工云信息科技有限公司 物料需求分配方法、装置、系统及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102646137A (zh) * 2012-04-19 2012-08-22 中国人民解放军总参谋部第六十三研究所 一种基于Markov模型的实体基本信息自动生成系统及方法
US20160321606A1 (en) * 2015-04-28 2016-11-03 Accenture Global Services Limited Automated, new spare parts forecasting and demand planning system
CN105303359A (zh) * 2015-12-09 2016-02-03 金蝶软件（中国）有限公司 一种确定物料需求计划的方法及装置
CN108537399A (zh) * 2017-03-02 2018-09-14 华为技术有限公司 一种物料需求量的预测方法及装置
CN111489046A (zh) * 2019-01-29 2020-08-04 广东省公共卫生研究院 一种基于供应链和bp神经网络的区域性食品安全评价模型
CN112801448A (zh) * 2020-12-24 2021-05-14 苏州慧工云信息科技有限公司 物料需求分配方法、装置、系统及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨朦: "结合提前经济指标的间歇性需求的库存管理", 《中国优秀硕士学位论文全文数据库（电子期刊）经济与管理科学辑》, no. 3, 15 March 2017 (2017-03-15), pages 152 - 2852 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115905895A (zh) * 2023-03-08 2023-04-04 云加速(北京)科技有限公司 一种基于区块链的sbom标识聚类模型实现方法

Similar Documents

Publication Publication Date Title
Taskin et al. Inventory decisions for emergency supplies based on hurricane count predictions
Rivero et al. Energy associated tuning method for short-term series forecasting by complete and incomplete datasets
CN115686846B (zh) 边缘计算中融合图神经网络和强化学习的容器集群在线部署方法
CN112929215A (zh) 一种网络流量预测方法、系统、计算机设备及存储介质
Yang et al. A novel deep learning approach for short and medium-term electrical load forecasting based on pooling LSTM-CNN model
CN113283671A (zh) 一种预测补货量的方法、装置、计算机设备及存储介质
Hogade et al. A survey on machine learning for geo-distributed cloud data center management
CN116562514A (zh) 基于神经网络的企业生产状况即时分析方法及系统
CN114021776A (zh) 一种物料组合选取方法、装置和电子设备
CN115222046A (zh) 神经网络结构搜索方法、装置、电子设备及存储介质
US20220269835A1 (en) Resource prediction system for executing machine learning models
JP2021012439A (ja) 気象数値解析システム、予測対象データ生成システムおよび気象数値解析方法
CN117060408A (zh) 新能源发电预测方法及系统
Munkelt et al. Agent-based self-organization versus central production planning
CN116032020A (zh) 一种新能源电站智能监盘方法及系统
US20230177117A1 (en) Enhanced Reinforcement Learning Algorithms Using Future State Prediction
CN115202847A (zh) 任务的调度方法和装置
Paranou et al. Forecasting resource demand for dynamic datacenter sizing in telco infrastructures
CN114611609A (zh) 一种图网络模型节点分类方法、装置、设备及存储介质
CN114329231A (zh) 对象特征处理方法、装置、电子设备及存储介质
US20230297948A1 (en) Predicting Supply Chain Policies Using Machine Learning
Maknickiene et al. Investigation of Prediction Capabilities using RNN Ensembles.
US20220066802A1 (en) System and method to simulate demand and optimize control parameters for a technology platform
CN116594358B (zh) 基于强化学习的多层工厂车间调度方法
CN112769942B (zh) 一种基于QoS的微服务动态编排方法

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