CN114819714B - 面向个性化定制的全域价值链生态资源配置优化方法 - Google Patents
面向个性化定制的全域价值链生态资源配置优化方法 Download PDFInfo
- Publication number
- CN114819714B CN114819714B CN202210546495.2A CN202210546495A CN114819714B CN 114819714 B CN114819714 B CN 114819714B CN 202210546495 A CN202210546495 A CN 202210546495A CN 114819714 B CN114819714 B CN 114819714B
- Authority
- CN
- China
- Prior art keywords
- resource allocation
- index
- value chain
- ecological resource
- global value
- 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
Links
- 238000013468 resource allocation Methods 0.000 title claims abstract description 77
- 238000005457 optimization Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000004519 manufacturing process Methods 0.000 claims abstract description 51
- 230000000739 chaotic effect Effects 0.000 claims abstract description 37
- 238000012423 maintenance Methods 0.000 claims abstract description 23
- 238000013461 design Methods 0.000 claims abstract description 19
- 238000012827 research and development Methods 0.000 claims abstract description 13
- 230000002068 genetic effect Effects 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 31
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000013507 mapping Methods 0.000 claims description 12
- 238000011161 development Methods 0.000 claims description 10
- 230000035772 mutation Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 239000013256 coordination polymer Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/08—Computing arrangements based on specific mathematical models using chaos models or non-linear system models
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
Abstract
本发明公开了一种面向个性化定制的全域价值链生态资源配置优化方法,包括:将全域价值链生态资源划分为四个子环节;设置约束条件;建立全域价值链生态资源配置目标函数;通过模糊层次分析法与群决策理论计算得出时间指标、成本指标和质量指标各自对应的权重系数;采用混沌遗传优化算法从多组候选解中选取最优生态资源配置结果。将时间指标、成本指标、质量指标作为求解的优化目标,结合个性化定制全域价值链生态资源配置在研发设计、生产制造、运维服务、配套设备供应四个环节上的约束信息,针对不同优化目标,得到不同的模糊判断矩阵,使用群决策加权的形式得出最终的评价指标权重值,通过混沌遗传优化算法,迭代得出最终优化方案。
Description
技术领域
本发明涉及资源配置技术领域,具体涉及一种面向个性化定制的全域价值链生态资源配置优化方法。
背景技术
全球一体化的到来以及订单的个性化与多样化需求对船舶、核电以及新能源汽车等制造企业的信息化与智能化要求越来越高,推动着行业内制造企业的制造模式由传统的“生产型”向“服务型”转变以更好地适应市场需求。面向个性化定制的全域价值链生态资源的配置需要用到各种制造资源,包括物料、设备、硬件、软件等在内的物理资源,以及如人力、技术、知识、设计能力、生产能力、管理能力等在内的制造能力资源,本文统称这些资源为“生态资源”。
面对个性化定制在产品质量、价格和交付周期等方面的不同需求,如何更合理有效为包括订单研发设计、生产制造、运维服务、配套设备供应在内的“全域价值链”制造全生命周期过程选择高品质、低消耗的生态资源,完成全域价值链生态资源的优化配置,对提高制造企业竞争力、提升客户满意度有着重要的意义。
发明内容
有鉴于此,本发明实施例提供了一种面向个性化定制的全域价值链生态资源配置优化方法,在满足不同环节约束的前提下,实现面向个性化定制的全域价值链中的生态资源合理优化配置的问题。
本发明实施例提供了一种面向个性化定制的全域价值链生态资源配置优化方法,包括:
将全域价值链生态资源划分为四个子环节;四个子环节包括研发设计环节、生产制造环节、运维服务环节和配套设备供应环节;
设置约束条件;约束条件包括研发约束条件、生产约束条件、运维约束条件和设备约束条件;
建立全域价值链生态资源配置目标函数;全域价值链生态资源配置目标函数包括时间指标、成本指标、质量指标和约束条件;
通过模糊层次分析法与群决策理论计算得出时间指标、成本指标和质量指标各自对应的权重系数;
采用混沌遗传优化算法从多组候选解中选取最优生态资源配置结果。
可选地,在将全域价值链生态资源划分为四个子环节之前,还包括:
建立全域价值链生态资源配置优化模型;全域价值链生态资源配置优化模型以子环节的生态资源选择作为决策变量。
可选地,建立全域价值链生态资源配置优化模型的过程包括:
配置研发设计环节的个数、生产制造环节的个数、运维服务环节的个数和配套设备供应环节的个数;
获取每个子环节可供选择的生态资源以及对应的候选生态资源集合;
从候选生态资源集合中选取同时满足时间指标、成本指标和质量指标的全域价值链生态资源配置结果。
可选地,还包括:
通过惩罚函数实现约束条件。
可选地,建立全域价值链生态资源配置目标函数包括:
对时间指标、成本指标和质量指标在各自对应的权重系数下进行求和运算,得到第一求和结果;
将第一求和结果与惩罚函数相加,得到第二求和结果;
对第二求和结果取最小值。
可选地,通过模糊层次分析法与群决策理论计算得出时间指标、成本指标和质量指标各自对应的权重系数包括:
建立层次分析模型;
建立模糊判断矩阵;
对模糊判断矩阵求解;
计算指标权重。
可选地,采用混沌遗传优化算法从多组候选解中选取最优生态资源配置结果包括:
生成一组n维向量作为混沌向量初值;
采取整数规划的方式对混沌向量初值进行映射,得到候选解初始种群;
采取主动调度的方式对候选解初始种群进行解码,并结合全域价值链生态资源配置目标函数计算得到目标函数值;
选取目标函数值中最小的若干个解对应的编码放入精英库中,更新精英库;
根据交叉概率选择用于进行交叉操作的父代,产生一组二维初始混沌向量;
根据二维初始混沌向量的值映射得到第一交叉节点和第二交叉节点;
交换第一交叉节点和第二交叉节点的值,得到子代种群;
根据变异概率选择用于进行变异操作的父代,产生两个随机数分别作为第一混沌变量和第二混沌变量;
将第一混沌变量进行映射得到变异节点;
将变异节点处的生态资源更改为由第二混沌变量映射对应的生态资源,得到子代种群;
将父代种群和子代种群进行合并,选取目标函数值较优的多个解组成新父代种群;
在执行到最大迭代次数、且得到的解同时满足时间指标、成本指标和质量指标时,算法终止。
可选地,层次分析模型包括目标层、准则层和结果层;其中,
目标层为全域价值链生态资源配置优化过程所需达到的总目标;
准则层包括时间指标、成本指标和质量指标;
结果层为所有满足条件的全域价值链生态资源配置结果。
可选地,建立模糊判断矩阵包括:
通过打分的方式两两比较时间指标、成本指标和质量指标之间的重要性,得到第一模糊判断矩阵和第二模糊判断矩阵。
可选地,还包括:
计算第一模糊判断矩阵的第一最大特征值和第一最大特征向量;
计算第二模糊判断矩阵的第二最大特征值和第二最大特征向量;
分别对第一最大特征向量和第二最大特征向量作归一化处理;
基于时间指标、成本指标和质量指标的重要性排序,对归一化处理后的第一最大特征向量和第二最大特征向量进行计算,得到指标权重。
本发明实施例的有益效果:
通过将时间指标、成本指标、质量指标作为求解的优化目标,结合个性化定制全域价值链生态资源配置在研发设计、生产制造、运维服务、配套设备供应四个环节上的约束信息,得到了生态资源配置问题的目标函数,针对不同的优化目标,个性化定制需求方与相关专家从各自利益与实际情况出发,根据各自的判断信息,得到不同的模糊判断矩阵。对矩阵进行求解得出代表两方不同需求的权重系数,通过群决策加权的形式得出最终的评价指标权重值,将对目标优化问题转变成为了单目标优化问题。随后以子环节的生态资源选择作为决策变量,使用改进混沌遗传优化算法获得最优生态资源配置方案,包括研发设计配置结果、生产制造配置结果、运维服务配置结果、配套设备供应配置结果。该方法通过对个性化定制全域价值链中的生态资源进行合理优化配置,得到了同时满足时间指标、成本指标、质量指标的最优生态资源配置优化决策。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点,附图是示意性的而不应理解为对本发明进行任何限制,在附图中:
图1示出了本发明实施例中一种面向个性化定制的全域价值链生态资源配置优化方法的流程图;
图2示出了本发明实施例中一种层次分析模型示意图;
图3示出了本发明实施例中一种改进混沌遗传优化算法示意图;
图4示出了本发明实施例中一种混沌向量与生态资源之间对比关系示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供了一种面向个性化定制的全域价值链生态资源配置优化方法,如图1所示,包括:
步骤S1,将全域价值链生态资源划分为四个子环节。四个子环节包括研发设计环节、生产制造环节、运维服务环节和配套设备供应环节;
在本实施例中,为了实现个性化定制,将全域价值链生态资源配置划分为研发设计环节(D)、生产制造环节(P)、运维服务环节(O)、配套设备供应环节(S)四个环节。
步骤S2,设置约束条件。约束条件包括研发约束条件、生产约束条件、运维约束条件和设备约束条件。
在本实施例中,获取四个环节上对应的约束CI,CI包括在研发设计环节上的研发时间约束研发成本约束研发质量约束在生产制造环节上的生产时间约束生产成本约束生产质量约束在运维服务环节上的维护时间约束维护成本约束维护质量约束在配套设备供应环节上的设备供应时间约束设备成本约束设备质量约束
步骤S3,建立全域价值链生态资源配置目标函数。全域价值链生态资源配置目标函数包括时间指标、成本指标、质量指标和约束条件。
在本实施例中,三个不同指标间的权重系数与个性化定制需求相关,需要根据个性化定制需求方提供的判断信息实时调整生态资源配置策略,因此需要得到生态资源配置问题在研发设计环节、生产制造环节、运维服务环节、配套设备供应环节上的具体约束,根据约束建立目标函数。在具体实施例中,建立全域价值链生态资源配置目标函数MinF,包括时间指标T、成本指标C、质量指标Q以及四个环节上对应的约束CI。
步骤S4,通过模糊层次分析法与群决策理论计算得出时间指标、成本指标和质量指标各自对应的权重系数。
在本实施例中,利用模糊层次分析法与群决策理论计算得到上述目标函数中三个不同指标的权重系数集WS=[w1,w2,w3],其中w1、w2、w3分别为时间指标、成本指标、质量指标的权重系数值。且w1+w2+w3=1。
在本实施例中,采用模糊层次分析法与群决策理论相结合的形式确定三个不同指标的权重值,该方法以个性化定制需求方的判断信息与专家评分作为数据来源,最终的结果为需求方与专家两方判断信息的加权综合,因此得到的权重结果能在最大程度的满足个性化定制需求方的主观喜好的同时兼顾客观事实,提高最终生态资源配置优化决策的可行性与可靠性。
步骤S5,采用混沌遗传优化算法从多组候选解中选取最优生态资源配置结果。
在本实施例中,为了实现全域价值链生态资源的配置,利用改进混沌遗传优化算法(ICGA)从多组候选解中选取最优生态资源配置结果opbest,包括研发设计配置结果、生产制造配置结果、运维服务配置结果、配套设备供应配置结果。在具体实施例中,在满足全域价值链生态资源配置在不同环节上约束的前提下,对个性化定制全域价值链中的生态资源进行合理优化配置,得到了同时满足时间指标、成本指标、质量指标的最优生态资源配置优化决策。
作为可选的实施方式,在步骤S1之前,还包括:
建立全域价值链生态资源配置优化模型;全域价值链生态资源配置优化模型以子环节的生态资源选择作为决策变量。
在本实施例中,将面向个性化定制的全域价值链生态资源配置划分为研发设计环节、生产制造环节、运维服务环节、配套设备供应环节四个环节,对订单在每个环节上的子环节及子环节对应的可选生态资源进行定义以及统计。根据步骤S4求得的性能指标权重参数与对应环节上的约束CI得到全域价值链生态资源配置问题的目标函数,目标函数中包含一个惩罚函数以满足不同环节上约束信息,惩罚函数中惩罚因子的大小对应了对相关约束的严格程度。
作为可选的实施方式,建立全域价值链生态资源配置优化模型的过程包括:
配置研发设计环节的个数、生产制造环节的个数、运维服务环节的个数和配套设备供应环节的个数;
获取每个子环节可供选择的生态资源以及对应的候选生态资源集合;
从候选生态资源集合中选取同时满足时间指标、成本指标和质量指标的全域价值链生态资源配置结果。
假设生态资源配置问题包括不同的环节I={ID,IP,IO,IS},ID,IP,IO,IS分别表示生态资源配置问题中的研发设计环节、生产制造环节、运维服务环节、配套设备供应四个环节。其中 n1,n2,n3,n4分别表示研发设计、生产制造、运维服务、配套设备供应四个环节所包含的子环节个数,n=n1+n2+n3+n4为全域价值链生态资源配置中包含的总子环节数。
对于子环节si|i=1,2,...,n存在mi个可供选择的生态资源,对应的候选生态资源集合为其中为子环节si的第j项生态资源。通过为全域价值链生态资源配置问题四个环节的不同子环节选择合适的生态资源,从而得到同时满足时间指标、成本指标、质量指标的最优全域价值链生态资源配置结果opbest。记:TD、TP、TO、TS分别为生态资源配置结果在研发设计、生产制造、运维服务、配套设备供应四个环节上完成对应环节所有子环节的时间。CD、CP、CO、CS为完成对应四个环节上所有子环节的成本。T表示根据当前生态资源配置结果完成四个环节所有子环节所需总时间,C表示完成所有子环节所需总成本,Q为完成所有子环节时的总质量。则:
T=TD+TP+TO+TS (9)
C=CD+CP+CO+CS (10)
其中,为0-1决策变量,如果子环节si交给第j项生态资源则等于1,否则等于0。为生态资源完成子环节si所需时间,ti为子环节si与子环节si+1之间的运输时间,t′i为配套供应设备子环节si的运输时间,为生态资源完成子环节si所需成本,ci为子环节si与子环节si+1之间的运输成本,c′i为配套设备供应子环节si的运输成本,为生态资源完成子环节si时的完成质量。penalty(F)为问题的惩罚函数,用来表示四个环节上对应的约束CI。T0、C0、Q0分别表示生态资源配置结果所能接受的最长完成时间、最大耗费成本与最低完成质量。β1,β2,β3为控制约束相对显著性的惩罚因子,因子值越大,代表约束越严格。
作为可选的实施方式,建立全域价值链生态资源配置目标函数包括:
对时间指标、成本指标和质量指标在各自对应的权重系数下进行求和运算,得到第一求和结果;
将第一求和结果与惩罚函数相加,得到第二求和结果;
对第二求和结果取最小值。
在本实施例中,全域价值链生态资源配置目标函数MinF建立过程为:
min F=w1(T/T0)+w2(C/C0)+w3(1-Q/Q0)+penalty(F) (13)
其中,
w1,w2,w3为步骤S4中通过模糊层次分析法与群决策理论计算得到的性能指标权重系数。
作为可选的实施方式,步骤S4包括:
S41、建立层次分析模型:模型包括目标层、准则层、结果层三层结构,其中目标层为此次全域价值链生态资源配置优化过程所需达到的总目标,即得到最优的全域价值链生态资源配置结果。准则层为具体的指标,包括时间指标T、成本指标C、质量指标Q。结果层为{op1,op2,...,opk}k组不同的全域价值链生态资源配置结果。
如图2所示,层次分析结构模型中结果层为n组不同的生态资源配置优化结果,中间层是由不同的中间环节组成的三个性能指标,结果层中的生态资源配置优化结果通过计算性能指标得出目标函数值从而综合评价不同结果之间的优劣关系。
S42、建立模糊判断矩阵:通过打分的方式两两比较时间指标、成本指标和质量指标之间的重要性,得到第一模糊判断矩阵和第二模糊判断矩阵;其中,第一模糊判断矩阵根据时间指标的重要性高于成本指标的重要性得出;第二模糊判断矩阵根据成本指标的重要性高于时间指标的重要性得出。
在具体实施例中,计算第一模糊判断矩阵的第一最大特征值和第一最大特征向量;
计算第二模糊判断矩阵的第二最大特征值和第二最大特征向量;
分别对第一最大特征向量和第二最大特征向量作归一化处理;
基于时间指标和成本指标的重要度,对归一化处理后的第一最大特征向量和第二最大特征向量进行计算,得到指标权重。
在具体的实施方式中,个性化定制需求方与相关领域专家从各自利益与实际情况出发,通过打分的方式两两比较时间指标T、成本指标C、质量指标Q之间的重要性,得到两个不同的模糊判断矩阵:
其中r(T,C)、r′(T,C)表示分别由需求方与专家给出的时间指标T与成本指标C二者之间的重要性评分,且0<r(T,C)<1,其他重要性评分还包括时间指标与质量指标之间的比较、成本指标与质量指标之间的比较等等,重要性评分取值范围均在0~1之间。
表1
表2
如表1所示为本文指标间的相对重要度关系,表中qij(i=1,2,3;j=1,2,3)代表由个性化定制需求方或相关专家确定的不同指标之间的重要程度取值,不同数值代表的重要程度可以参考表2进行确定。根据重要度关系取值表中数据计算即可得到相应的模糊判断矩阵。
S43、模糊判断矩阵求解:求解得到模糊判断矩阵R1(3×3)的最大特征值λ1与最大特征向量α1(1×3)、模糊判断矩阵R2(3×3)的最大特征值λ2与最大特征向量α2(1×3),对特征向量做归一化处理得到新向量α′1(1×3)={μ1,μ2,μ3}、α′2(1×3)={δ1,δ2,δ3}。其中,μ1,μ2,μ3为根据需求方判断信息得到的时间T、成本C、质量Q三个指标的权重值。δ1,δ2,δ3为根据专家判断信息得到的时间T、成本C、质量Q指标的权重值。
S44、指标权重计算:由需求方个性化定制给出自己与专家在最终指标权重计算中所占重要度其中根据重要度信息计算得到最终的指标权重系数为:
作为可选的实施方式,如图3和图4所示,步骤S5包括:
S51、产生一组n维向量作为混沌向量初值,混沌向量由与子环节个数n相等的[0,1]之间随机数组成,利用Logistic混沌序列计算由初始混沌向量计算得到的剩余P-1组混沌向量的值,其中P表示种群大小。
S52、采取整数规划的方式对混沌向量进行映射得到P组以整数编码形式表示的候选解组成初始种群OPf。
S53、采取主动调度的方式对P组可行解进行解码,结合目标函数计算公式(13)计算得到不同生态资源配置结果的目标函数值。
S54、更新种群精英库,如果精英库为空,则选取种群中目标函数值最小的e个解对应的编码放入精英库中,否则选取种群中最优的前e个解与精英库中解进行比较,选取最优的e个解更新精英库。
S55、根据交叉概率Pc选择用于进行交叉操作的父代,产生一组二维初始混沌向量,根据混沌向量的值映射得到两个交叉节点,交换交叉节点处的值得到子代种群OPc,后续二维混沌向量的值根据混沌序列计算得到。
S56、根据变异概率Pm选择用于进行变异操作的父代,产生两个[0,1]之间随机数作为混沌变量,将第一个混沌变量进行映射得到变异节点,将节点处的生态资源更改为由第二个混沌变量映射对应的生态资源以得到子代种群OPm。后续混沌变量的值根据混沌序列计算得到。
S57、将父代种群OPf与子代种群OPc、OPm进行合并,选取目标函数值较优的前P个解组成新的父代种群。
S58、当算法执行到最大迭代次数时,算法终止,此时优化算法得到的解即是同时满足时间指标、成本指标、质量指标的最优全域价值链生态资源配置结果opbest。否则继续步骤S53进行循环迭代。
在本实施例中,通过整数规划的方式表示离散组合优化调度问题的解,通过对种群中的P组解进行循环迭代,迭代过程中不断更新全局最优目标函数值及其对应的解,直到达到最大迭代次数,此时得到的解即为改进混沌遗传优化算法求得的最优解。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (9)
1.一种面向个性化定制的全域价值链生态资源配置优化方法,其特征在于,包括:
将全域价值链生态资源划分为四个子环节;四个所述子环节包括研发设计环节、生产制造环节、运维服务环节和配套设备供应环节;
设置约束条件;所述约束条件包括研发约束条件、生产约束条件、运维约束条件和设备约束条件;
建立全域价值链生态资源配置目标函数;所述全域价值链生态资源配置目标函数包括时间指标、成本指标、质量指标和所述约束条件;
通过模糊层次分析法与群决策理论计算得出所述时间指标、所述成本指标和所述质量指标各自对应的权重系数;
采用混沌遗传优化算法从多组候选解中选取最优生态资源配置结果,包括:生成一组n维向量作为混沌向量初值;采取整数规划的方式对所述混沌向量初值进行映射,得到候选解初始种群;采取主动调度的方式对所述候选解初始种群进行解码,并结合所述全域价值链生态资源配置目标函数计算得到目标函数值;选取所述目标函数值中最小的若干个解对应的编码放入精英库中,更新所述精英库;根据交叉概率选择用于进行交叉操作的父代,产生一组二维初始混沌向量;根据所述二维初始混沌向量的值映射得到第一交叉节点和第二交叉节点;交换所述第一交叉节点和所述第二交叉节点的值,得到子代种群;根据变异概率选择用于进行变异操作的父代,产生两个随机数分别作为第一混沌变量和第二混沌变量;将所述第一混沌变量进行映射得到变异节点;将所述变异节点处的生态资源更改为由所述第二混沌变量映射对应的生态资源,得到子代种群;将父代种群和所述子代种群进行合并,选取目标函数值较优的多个解组成新父代种群;在执行到最大迭代次数、且得到的解同时满足所述时间指标、所述成本指标和所述质量指标时,算法终止。
2.根据权利要求1所述的面向个性化定制的全域价值链生态资源配置优化方法,其特征在于,在将全域价值链生态资源划分为四个子环节之前,还包括:
建立全域价值链生态资源配置优化模型;所述全域价值链生态资源配置优化模型以所述子环节的生态资源选择作为决策变量。
3.根据权利要求2所述的面向个性化定制的全域价值链生态资源配置优化方法,其特征在于,建立全域价值链生态资源配置优化模型的过程包括:
配置所述研发设计环节的个数、所述生产制造环节的个数、所述运维服务环节的个数和所述配套设备供应环节的个数;
获取每个所述子环节可供选择的生态资源以及对应的候选生态资源集合;
从所述候选生态资源集合中选取同时满足所述时间指标、所述成本指标和所述质量指标的全域价值链生态资源配置结果。
4.根据权利要求3所述的面向个性化定制的全域价值链生态资源配置优化方法,其特征在于,还包括:
通过惩罚函数实现所述约束条件。
5.根据权利要求4所述的面向个性化定制的全域价值链生态资源配置优化方法,其特征在于,建立全域价值链生态资源配置目标函数包括:
对所述时间指标、所述成本指标和所述质量指标在各自对应的所述权重系数下进行求和运算,得到第一求和结果;
将所述第一求和结果与所述惩罚函数相加,得到第二求和结果;
对所述第二求和结果取最小值。
6.根据权利要求1所述的面向个性化定制的全域价值链生态资源配置优化方法,其特征在于,通过模糊层次分析法与群决策理论计算得出所述时间指标、所述成本指标和所述质量指标各自对应的权重系数包括:
建立层次分析模型;
建立模糊判断矩阵;
对所述模糊判断矩阵求解;
计算指标权重。
7.根据权利要求6所述的面向个性化定制的全域价值链生态资源配置优化方法,其特征在于,所述层次分析模型包括目标层、准则层和结果层;其中,
所述目标层为全域价值链生态资源配置优化过程所需达到的总目标;
所述准则层包括所述时间指标、所述成本指标和所述质量指标;
所述结果层为所有满足条件的全域价值链生态资源配置结果。
8.根据权利要求6所述的面向个性化定制的全域价值链生态资源配置优化方法,其特征在于,建立模糊判断矩阵包括:
通过打分的方式两两比较所述时间指标、所述成本指标和所述质量指标之间的重要性,得到第一模糊判断矩阵和第二模糊判断矩阵。
9.根据权利要求8所述的面向个性化定制的全域价值链生态资源配置优化方法,其特征在于,还包括:
计算所述第一模糊判断矩阵的第一最大特征值和第一最大特征向量;
计算所述第二模糊判断矩阵的第二最大特征值和第二最大特征向量;
分别对所述第一最大特征向量和所述第二最大特征向量作归一化处理;
基于所述时间指标、所述成本指标和所述质量指标的重要性排序,对归一化处理后的所述第一最大特征向量和所述第二最大特征向量进行计算,得到所述指标权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210546495.2A CN114819714B (zh) | 2022-05-18 | 2022-05-18 | 面向个性化定制的全域价值链生态资源配置优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210546495.2A CN114819714B (zh) | 2022-05-18 | 2022-05-18 | 面向个性化定制的全域价值链生态资源配置优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114819714A CN114819714A (zh) | 2022-07-29 |
CN114819714B true CN114819714B (zh) | 2024-07-19 |
Family
ID=82515339
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210546495.2A Active CN114819714B (zh) | 2022-05-18 | 2022-05-18 | 面向个性化定制的全域价值链生态资源配置优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114819714B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116820110B (zh) * | 2023-08-28 | 2023-11-28 | 武汉市自然资源保护利用中心 | 基于智能优化算法的生态环境监测任务规划方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107527119A (zh) * | 2017-09-06 | 2017-12-29 | 河海大学 | 基于改进的多目标量子遗传算法的水资源优化调度方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6988076B2 (en) * | 1997-05-21 | 2006-01-17 | Khimetrics, Inc. | Strategic planning and optimization system |
US20060010067A1 (en) * | 2004-07-08 | 2006-01-12 | Ranjit Notani | Real-time planning and execution with minimum perturbation |
-
2022
- 2022-05-18 CN CN202210546495.2A patent/CN114819714B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107527119A (zh) * | 2017-09-06 | 2017-12-29 | 河海大学 | 基于改进的多目标量子遗传算法的水资源优化调度方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114819714A (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108880663A (zh) | 基于改进遗传算法的天地一体化网络资源分配方法 | |
CN113191484A (zh) | 基于深度强化学习的联邦学习客户端智能选取方法及系统 | |
CN113792924A (zh) | 一种基于Deep Q-network深度强化学习的单件作业车间调度方法 | |
CN106484512B (zh) | 计算单元的调度方法 | |
CN111222665B (zh) | 基于偏好nsga-ⅲ算法的云制造服务组合优化选择方法 | |
CN112001506B (zh) | 一种装备自主保障的供应链成本优化方法 | |
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 | |
CN114819714B (zh) | 面向个性化定制的全域价值链生态资源配置优化方法 | |
CN114897379A (zh) | 一种基于信息反馈的动态生产计划排程系统及方法 | |
CN115271130B (zh) | 面向船舶主动力设备维修订单的动态调度方法及系统 | |
CN112036651A (zh) | 基于量子免疫优化bp神经网络算法的电价预测方法 | |
Gruber et al. | Efficient Bayesian network learning for system optimization in reliability engineering | |
CN114298423A (zh) | Aps动态生产计划排程算法 | |
Shukla et al. | Fuzzy reliability redundancy allocation problem using multi-factorial evolutionary algorithm | |
CN116128247A (zh) | 一种排产前生产设备资源配置优化方法及系统 | |
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 | |
CN114330891A (zh) | 一种面向云计算的多目标资源调度方法 | |
CN113743784A (zh) | 一种基于深度强化学习的生产时序表智能生成方法 | |
Zhou et al. | Redesigning a supply chain distribution network: formulation and genetic algorithm-based solution procedure | |
CN112101406A (zh) | 一种多智能体网络的智能水平量化方法 | |
CN115587765B (zh) | 一种齐套数浮动的物料齐套方法 | |
CN114581058B (zh) | 一种基于业务流程的人员组织结构优化方法 | |
Witkowski et al. | Multi-objective decision making and search space for the evaluation of production process scheduling | |
Cao et al. | An Adaptive Multi-population Artificial Bee Colony Algorithm for Multi-objective Flexible Job Shop Scheduling Problem | |
Xue et al. | Application of genetic algorithm to middle-long term optimal combination power load forecast |
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 |