CN116911574B - 基于鲸鱼算法与随机森林的三级供应链优化方法及装置 - Google Patents
基于鲸鱼算法与随机森林的三级供应链优化方法及装置 Download PDFInfo
- Publication number
- CN116911574B CN116911574B CN202311168407.0A CN202311168407A CN116911574B CN 116911574 B CN116911574 B CN 116911574B CN 202311168407 A CN202311168407 A CN 202311168407A CN 116911574 B CN116911574 B CN 116911574B
- Authority
- CN
- China
- Prior art keywords
- representing
- warehouse
- time
- random forest
- product
- 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
- 238000007637 random forest analysis Methods 0.000 title claims abstract description 128
- 241000283153 Cetacea Species 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 47
- 238000005457 optimization Methods 0.000 title claims abstract description 33
- 238000003066 decision tree Methods 0.000 claims abstract description 74
- 238000012549 training Methods 0.000 claims abstract description 50
- 230000008569 process Effects 0.000 claims abstract description 17
- 238000004519 manufacturing process Methods 0.000 claims description 112
- 238000012384 transportation and delivery Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 206010012186 Delayed delivery Diseases 0.000 claims description 4
- 238000011056 performance test Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims description 3
- 230000001934 delay Effects 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000013068 supply chain management Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 24
- 230000032258 transport Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 244000309464 bull Species 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 210000003899 penis Anatomy 0.000 description 1
- 238000011144 upstream manufacturing 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
-
- 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
- G06Q50/00—Systems or methods specially adapted for 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
Abstract
本发明公开了一种基于鲸鱼算法与随机森林的三级供应链优化方法及装置,涉及供应链管理领域,包括:构建多产品三级供应链网络以其目标函数和约束条件;构建随机森林模型,通过鲸鱼算法对随机森林模型进行优化,确定决策树数量与各决策树叶节点上所需的最小样本数,得到优化后的随机森林模型;对优化后的随机森林模型进行训练,得到经训练的随机森林模型,获取多产品三级供应链网络中的不确定性因素的特征,将不确定性因素的特征输入经训练的随机森林模型,得到对应的权重值;根据该权重值计算得到不确定性概率,将不确定性概率代入约束条件中,并求取目标函数在约束条件下的最优解,得到最优的供应链方案,可解决供应链过程中不确定性的问题。
Description
技术领域
本发明涉及供应链管理领域,具体涉及一种基于鲸鱼算法与随机森林的三级供应链优化方法及装置。
背景技术
随着经济全球化和科技的迅速发展,供应链管理已经在企业中迅速的发展和应用。越来越多的企业通过优化供应链各环节的关系和流程,实现成本最小化或利益最大化。供应链也开始往供应商、制造工厂、仓库、施工现场等参与者的复杂供应链网络。
随着参与者之间存在复杂关联,供应链中各环节的不确定性也随之增大,不确定性会沿着供应链向上游传播,放大系统的“牛鞭效应”,造成额外的成本损失等,给企业的供应链优化决策带来许多难度。因此如何在解决供应链过程中不确定性的问题成为亟待解决的重要问题之一。
发明内容
针对上述提到针对三级供应链不确定性造成供应链中断的问题。本申请的实施例的目的在于提出了一种基于鲸鱼算法与随机森林的三级供应链优化方法及装置,来解决以上背景技术部分提到的技术问题。
第一方面,本发明提供了一种基于鲸鱼算法与随机森林的三级供应链优化方法,包括以下步骤:
构建由多个制造工厂、多个仓库和多个装配现场构成的多产品三级供应链网络,建立多产品三级供应链网络的目标函数和约束条件;
构建随机森林模型,通过鲸鱼算法对随机森林模型进行优化,确定随机森林模型中的决策树数量与各决策树叶节点上所需的最小样本数,得到优化后的随机森林模型;
对优化后的随机森林模型进行训练,得到经训练的随机森林模型,获取多产品三级供应链网络中的不确定性因素的特征,将不确定性因素的特征输入经训练的随机森林模型,得到不确定性因素的特征的权重值;
根据不确定性因素的特征的权重值计算得到不确定性概率,将不确定性概率代入约束条件中,并求取目标函数在约束条件下的最优解,得到最优的供应链方案。
作为优选,多产品三级供应链网络的目标函数为最小化三级供应链的期望总成本,期望总成本包括建立仓库成本、生产环节需要的成本、运输成本、存货成本、需求无法达成而导致的成本、工程因为延期而导致的成本,如下式所示:
其中,F为总期望成本,J为仓库的总数量,M为制造工厂的总数量,T为总时间,K为产品的总数量,I为装配现场的总数量,hj表示建一个仓库j所需要的固定成本,Aj表示仓库j的建立,如果建立则为1,否则为0,表示在t时间内制造工厂m生产产品k所需要的单位成本,/>表示装配现场i在t时间向制造工厂m下的生产订单中产品k的数量,/>表示产品k从制造工厂m运输到仓库j的单位运输成本,/>表示在t时间内从制造工厂m运输到仓库j的产品k的数量,/>表示产品k从仓库j运输到装配现场i的单位运输成本,/>表示t时间内产品k从仓库j运输到装配现场i的数量,/>表示在t时间内制造工厂m生产多余产品k所需要的单位库存成本,/>表示制造工厂m在t时间内没有运输到仓库的产品k的数量,/>表示在t时间内存放在仓库j的剩下的产品k所需要的单位库存成本,/>表示仓库j在t时间内出库后剩余的产品k的数量,/>表示装配现场i在t时间内没有在规定的时间内完成订单产品k的数量,/>表示在t时间内装配现场i因为产品k没能及时送到造成的成本,Dtl表示工程延期的单位成本,tl表示工程延期的天数。
作为优选,约束条件包括制造工厂容量约束、交付数量约束、运输车辆容量约束、仓库容量约束、调度约束和需求约束,其中,制造工厂容量约束如下式所示:
其中,表示制造工厂m在t时间内是否具有生产产品k的能力,如果有则1,否则为0,f表示不确定性概率;/>表示制造工厂m同时生产产品k的数量;/>表示制造工厂m生产产品k的规定时间,/>是平均值,/>表示制造工厂m生产产品k的周期,/>是平均值,tzmt表示t时间内制造工厂m的总可用时间,μtzmt是平均值,tvmt表示制造工厂m在t时间里的总可用容量,Sk表示产品k的占地面积;
交付数量约束如下式所示:
其中,表示制造工厂m在t时间内完成订单产品k的总数量;
运输车辆容量约束如下式所示:
其中,Vk表示产品k的体积,单位是m3,E表示物流运输车的总容量,表示t时间内是否有物流运输车将产品k从制造工厂m运输到仓库j,如果有则为1,否则为0;
仓库容量约束如下式所示:
其中,wk表示产品k的重量,wsjt表示t时间内仓库j的剩余堆货面积,wnjt表示t时间内仓库j的剩余货架的个数,表示在t时间段内仓库j中产品k的剩余库存的存量;
调度约束如下式所示:
其中,Yij表示仓库j是否存在能够给装配现场i提供的产品,仓库有相应产品为1,否则为0;
需求约束如下式所示:
其中,表示t时间内装配现场i下的装配订单中产品k的数量,/>为平均值,为标准差,Ej表示仓库j的物流运输车的总容量。
作为优选,制造工厂m在t时间内运输产品k到仓库j的数量和t时间内产品k从仓库j运输到装配现场i的数量受到不确定性因素的影响,如下式所示:
导致装配现场i在t时间内没有在规定的时间内完成订单产品k的数量如下式所示:
作为优选,通过鲸鱼算法对随机森林模型进行优化,确定随机森林模型中的决策树数量与各决策树叶节点上所需的最小样本数,具体包括:
S21,将训练数据交叉验证所得出的最小误差值作为鲸鱼算法优化的目标函数,随机森林模型中的决策树数量I’与各决策树叶节点上所需的最小样本数M’为待优化的参数,I’与M’的范围分别为[1,n1]、[1,n2];
S22,初始化鲸鱼算法的参数、鲸鱼种群数量NIND和最大迭代次数T'max;
S23,初始化鲸鱼位置,将鲸鱼的初始位置坐标随机分布在I’与M’的范围内;
S24,鲸鱼种群在寻优过程中,选取当前最优个体位置,使鲸鱼种群的其他个体向其靠近,通过调节系数向量和/>的值来调节其他个体在最优解周围的位置,如下式所示:
其中,a为迭代过程中的系数,在迭代中a由2呈线性减小到0,为0到1的随机向量,t’表示迭代次数;
S25,通过生成范围在0到1之间的随机数p判断是否进入螺旋气泡网攻击机制;响应于确定p≥0.5,则鲸鱼采用螺旋气泡网的方式更新位置;
S26,响应于确定p<0.5,且则鲸鱼包围猎物;响应于确定p<0.5,且则鲸鱼随机搜索猎物;
S27,计算鲸鱼位置,判断是否迭代至最大迭代次数T'max;
S28,若不满足终止条件,则重复步骤S25-D27;
S29,若满足终止条件,则输出最优的I’值与M’值。
作为优选,对优化后的随机森林模型进行训练,得到经训练的随机森林模型,获取多产品三级供应链网络中的不确定性因素的特征,将不确定性因素的特征输入经训练的随机森林模型,得到不确定性因素的特征的权重值,具体包括:
S31,获取天气条件、交通情况、运输距离、淡旺季影响、交通工具、其他条件作为训练样本中的不确定性因素的特征,训练样本中的进度作为标签,其中,进度的值为-1、0、1,分别表示推迟送达、准时送达、提前送达;
S32,采用有抽样放回的方式从训练样本中选取n个样本作为一个训练集;
S33,采用抽样得到的训练集生成一棵决策树,在生成的每一个节点的过程中,随机不重复地选择6个特征,利用6个特征分别对训练集进行划分,找到最佳的划分特征,其中,使用基尼系数衡量决策树的纯度,如下式所示:
Gini(D)=1-∑(i'=1)k·p(i')2;
其中,D表示训练集,k表示训练集中的类别数,p(i’)表示训练集中属于第i’棵决策树的比例;
S34,重复步骤S32到步骤S33共I’次,I’即为优化后的随机森林模型中决策树的个数,在训练样本中划分出测试集,采用测试集对训练的随机森林模型进行性能测试,得到经训练的随机森林模型;
S35,获取不确定性因素的特征X,不确定性因素的特征X包括天气条件、交通情况、运输距离、淡旺季影响、交通工具、其他条件,将不确定性因素的特征X输入经训练的随机森林模型;
计算第i’棵决策树的节点q的Gini指数,如下式所示:
其中,C0表示有C0个类别,c0’和c0是从q节点中随机抽取的两个样本,表示节点q中第c0个类别所占的比例;
计算第j’个特征Xj’在经训练的随机森林模型中的第i’棵决策树中节点q的重要性,即节点q在分枝前后的Gini指数变化量;
其中,和/>分别表示分枝后两个新节点的Gini指数;
如果第j’个特征Xj’在第i’棵决策树中出现的节点为集合Q,那么第j’个特征Xj’在第i’棵决策树的重要性特征为:
如果随机森林模型中有I’棵决策树,第j’个特征Xj’在所有决策树的重要性特征为:
将每个不确定性因素的特征在所有决策树的重要性特征进行归一化处理,得到不确定性因素的特征的权重值:
作为优选,根据不确定性因素的特征的权重值计算得到不确定性概率,具体包括:
将不确定性因素的特征的权重值与该时段不确定性发生的随机概率相乘得到不确定性概率,如下式所示:
其中,rqt为t时间内不确定性发生的随机概率。
第二方面,本发明提供了一种基于鲸鱼算法与随机森林的三级供应链优化装置,包括:
网络构建模块,被配置为构建由多个制造工厂、多个仓库和多个装配现场构成的多产品三级供应链网络,建立多产品三级供应链网络的目标函数和约束条件;
模型优化模块,被配置为构建随机森林模型,通过鲸鱼算法对随机森林模型进行优化,确定随机森林模型中的决策树数量与各决策树叶节点上所需的最小样本数,得到优化后的随机森林模型;
权重计算模块,被配置为对优化后的随机森林模型进行训练,得到经训练的随机森林模型,获取多产品三级供应链网络中的不确定性因素的特征,将不确定性因素的特征输入经训练的随机森林模型,得到不确定性因素的特征的权重值;
求解模块,被配置为根据不确定性因素的特征的权重值计算得到不确定性概率,将不确定性概率代入约束条件中,并求取目标函数在约束条件下的最优解,得到最优的供应链方案。
第三方面,本发明提供了一种电子设备,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,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本发明提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
相比于现有技术,本发明具有以下有益效果:
(1)本发明提出的基于鲸鱼算法与随机森林的三级供应链优化方法通过构建多产品三级供应链网络及其目标函数和约束条件,以最小化三级供应链的期望总成本,求解出最优的供应链方案,实现仓库的定位,并使得总成本最低。
(2)本发明提出的基于鲸鱼算法与随机森林的三级供应链优化方法确定供应链中所有组成部分中可能出现的不同类型的不确定性因素,通过鲸鱼算法求解随机森林模型中决策树的数量和各决策树叶节点上所需的最小样本数,提高随机森林模型的精确度。
(3)本发明提出的基于鲸鱼算法与随机森林的三级供应链优化方法过随机森林模型求出各个不确定因素的特征的权重值,优化多产品三级供应链网络中不确定性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,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,对于本领域的普通技术人员来讲,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是本申请的一个实施例可以应用于其中的示例性装置架构图;
图2为本申请的实施例的基于鲸鱼算法与随机森林的三级供应链优化方法的流程示意图;
图3为本申请的实施例的基于鲸鱼算法与随机森林的三级供应链优化方法的多产品三级供应链网络的节点分布示意图;
图4为本申请的实施例的基于鲸鱼算法与随机森林的三级供应链优化方法的多产品三级供应链网络的运输流程示意图;
图5为本申请的实施例的基于鲸鱼算法与随机森林的三级供应链优化方法的鲸鱼算法的流程示意图;
图6为本申请的实施例的基于鲸鱼算法与随机森林的三级供应链优化装置的示意图;
图7是适于用来实现本申请实施例的电子设备的计算机装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅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,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
图1示出了可以应用本申请实施例的基于鲸鱼算法与随机森林的三级供应链优化方法或基于鲸鱼算法与随机森林的三级供应链优化装置的示例性装置架构100。
如图1所示,装置架构100可以包括终端设备一101、终端设备二102、终端设备三103,网络104和服务器105。网络104用以在终端设备一101、终端设备二102、终端设备三103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备一101、终端设备二102、终端设备三103通过网络104与服务器105交互,以接收或发送消息等。终端设备一101、终端设备二102、终端设备三103上可以安装有各种应用,例如数据处理类应用、文件处理类应用等。
终端设备一101、终端设备二102、终端设备三103可以是硬件,也可以是软件。当终端设备一101、终端设备二102、终端设备三103为硬件时,可以是各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备一101、终端设备二102、终端设备三103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如对终端设备一101、终端设备二102、终端设备三103上传的文件或数据进行处理的后台数据处理服务器。后台数据处理服务器可以对获取的文件或数据进行处理,生成处理结果。
需要说明的是,本申请实施例所提供的基于鲸鱼算法与随机森林的三级供应链优化方法可以由服务器105执行,也可以由终端设备一101、终端设备二102、终端设备三103执行,相应地,基于鲸鱼算法与随机森林的三级供应链优化装置可以设置于服务器105中,也可以设置于终端设备一101、终端设备二102、终端设备三103中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。在所处理的数据不需要从远程获取的情况下,上述装置架构可以不包括网络,而只需服务器或终端设备。
图2示出了本申请的实施例提供的一种基于鲸鱼算法与随机森林的三级供应链优化方法,包括以下步骤:
S1,构建由多个制造工厂、多个仓库和多个装配现场构成的多产品三级供应链网络,建立多产品三级供应链网络的目标函数和约束条件。
在具体的实施例中,多产品三级供应链网络的目标函数为最小化三级供应链的期望总成本,期望总成本包括建立仓库成本、生产环节需要的成本、运输成本、存货成本、需求无法达成而导致的成本、工程因为延期而导致的成本,如下式所示:
其中,F为总期望成本,J为仓库的总数量,M为制造工厂的总数量,T为总时间,K为产品的总数量,I为装配现场的总数量,hj表示建一个仓库j所需要的固定成本,Aj表示仓库j的建立,如果建立则为1,否则为0,表示在t时间内制造工厂m生产产品k所需要的单位成本,/>表示装配现场i在t时间向制造工厂m下的生产订单中产品k的数量,/>表示产品k从制造工厂m运输到仓库j的单位运输成本,/>表示在t时间内从制造工厂m运输到仓库j的产品k的数量,/>表示产品k从仓库j运输到装配现场i的单位运输成本,/>表示t时间内产品k从仓库j运输到装配现场i的数量,/>表示在t时间内制造工厂m生产多余产品k所需要的单位库存成本,/>表示制造工厂m在t时间内没有运输到仓库的产品k的数量,/>表示在t时间内存放在仓库j的剩下的产品k所需要的单位库存成本,/>表示仓库j在t时间内出库后剩余的产品k的数量,/>表示装配现场i在t时间内没有在规定的时间内完成订单产品k的数量,/>表示在t时间内装配现场i因为产品k没能及时送到造成的成本,Dtl表示工程延期的单位成本,tl表示工程延期的天数。
在具体的实施例中,约束条件包括制造工厂容量约束、交付数量约束、运输车辆容量约束、仓库容量约束、调度约束和需求约束,其中,制造工厂容量约束如下式所示:
其中,表示制造工厂m在t时间内是否具有生产产品k的能力,如果有则1,否则为0,f表示不确定性概率;/>表示制造工厂m同时生产产品k的数量;/>表示制造工厂m生产产品k的规定时间,/>是平均值,/>表示制造工厂m生产产品k的周期,/>是平均值,tzmt表示t时间内制造工厂m的总可用时间,μtzmt是平均值,tvmt表示制造工厂m在t时间里的总可用容量,Sk表示产品k的占地面积;
交付数量约束如下式所示:
其中,表示制造工厂m在t时间内完成订单产品k的总数量;
运输车辆容量约束如下式所示:
其中,Vk表示产品k的体积,单位是m3,E表示物流运输车的总容量,表示t时间内是否有物流运输车将产品k从制造工厂m运输到仓库j,如果有则为1,否则为0;
仓库容量约束如下式所示:
其中,wk表示产品k的重量,wsjt表示t时间内仓库j的剩余堆货面积,wnjt表示t时间内仓库j的剩余货架的个数,表示在t时间段内仓库j中产品k的剩余库存的存量;
调度约束如下式所示:
其中,Yij表示仓库j是否存在能够给装配现场i提供的产品,仓库有相应产品为1,否则为0;
需求约束如下式所示:
其中,表示t时间内装配现场i下的装配订单中产品k的数量,/>为平均值,为标准差,Ej表示仓库j的物流运输车的总容量。
在具体的实施例中,制造工厂m在t时间内运输产品k到仓库j的数量和t时间内产品k从仓库j运输到装配现场i的数量受到不确定性因素的影响,如下式所示:
导致装配现场i在t时间内没有在规定的时间内完成订单产品k的数量如下式所示:
具体的,参考图3和图4,建立一个由M个制造工厂,J个仓库和I个装配现场构成的运输K种产品的多产品三级供应链网络,多个产品从制造工厂到仓库,再从仓库里的产品分发到指定的施工现场进行装配的过程,一个制造工厂可生产多种类型的产品,一种产品可以分配到多个仓库。通过以上多产品三级供应链网络描述三层模块化结构的配置供应链,通过建立相关约束条件来赋予制造工厂、仓库容量限制和严格时间约束,通过目标函数来最小化成本,实现仓库的定位,并使得总成本最低。本申请的实施例中所使用的参数的定义和变量符号的定义参见表1和表2。
表1参数定义
表2变量符号的定义
/>
/>
进一步的,建立多产品三级供应链网络优化的目标函数,该目标函数表示最小化多产品三级供应链网络的期望总成本,包括建立仓库成本、生产环节需要的成本、运输成本、存货成本、需求无法达成而导致的成本、工程因为延期而导致的成本
建立多产品三级供应链网络的约束条件
1、制造工厂
不等式(2)表示制造工厂存在容量限制,约束了每个时间段下单的订单容量。因为每个制造工厂生产产品是个周期性,制造工厂一个周期同时生产产品的数量是随机的,一个阶段的总可用生产时间是随机的,因此通过f产生一个合理的随机数。不等式(3)约束了生产产品时所用的总时间不能超过这个制造工厂的总可用时间的平均值。不等式(4)是约束了制造工厂的产品装运的总数量不超过该工厂这个时间段交付的总数量。等式(5)是指每个时间段,制造工厂还有多少库存。
2、仓库环节
/>
不等式(6)限制了在一个时间段内制造工厂所生产的产品的容量不能超过运输车辆的最大容量;不等式(7)、(8)是通过生产出来的产品的重量对仓库的容量进行了约束,同时也对运输到仓库的设备数量进行了限制;等式(9)表示的是每个时间段库存的总量。
不等式(10)表示一个装配现场可以从多个仓库进行所需产品的调度,即约束了装配现场和仓库的关系,这个将装配现场和仓库的分配变量进行了约束,这里的取值要么是0,要么是1。
3、装配现场
不等式(11)表示在一个时间段内装配现场的产品需求数量不能大于仓库的最大容量;不等式(12)表示装配现场的产品需求量要大于等于0;不等式(13)表示的是在一个时间段内仓库送出产品的数量不能超过装配订单的需求量;这里的f是考虑到装配现场在施工的时候可能会受到很多不确定性因素的干扰以及需求的不确定性。
等式(14)是指制造工厂的实际交付的产品数量,等式(15)是指装配现场的实际交付的产品数量。因为在施工中,可能会在物流运输途中出现各种不确定性因素导致设备在运输过程发生损坏、故障等;等式(16)是表示当前时间段内产品交付数量和产品缺货的数量两者之间的联系。
S2,构建随机森林模型,通过鲸鱼算法对随机森林模型进行优化,确定随机森林模型中的决策树数量与各决策树叶节点上所需的最小样本数,得到优化后的随机森林模型。
在具体的实施例中,参考图5,步骤S2中通过鲸鱼算法对随机森林模型进行优化,确定随机森林模型中的决策树数量与各决策树叶节点上所需的最小样本数,具体包括:
S21,将训练数据交叉验证所得出的最小误差值作为鲸鱼算法优化的目标函数,随机森林模型中的决策树数量I’与各决策树叶节点上所需的最小样本数M’为待优化的参数,I’与M’的范围分别为[1,n1]、[1,n2];
S22,初始化鲸鱼算法的参数、鲸鱼种群数量NIND和最大迭代次数T'max;
S23,初始化鲸鱼位置,将鲸鱼的初始位置坐标随机分布在I’与M’的范围内;
S24,鲸鱼种群在寻优过程中,选取当前最优个体位置,使鲸鱼种群的其他个体向其靠近,通过调节系数向量和/>的值来调节其他个体在最优解周围的位置,如下式所示:
其中,a为迭代过程中的系数,在迭代中a由2呈线性减小到0,为0到1的随机向量,t’表示迭代次数;
S25,通过生成范围在0到1之间的随机数p判断是否进入螺旋气泡网攻击机制;响应于确定p≥0.5,则鲸鱼采用螺旋气泡网的方式更新位置;
S26,响应于确定p<0.5,且则鲸鱼包围猎物;响应于确定p<0.5,且则鲸鱼随机搜索猎物;
S27,计算鲸鱼位置,判断是否迭代至最大迭代次数T'max;
S28,若不满足终止条件,则重复步骤S25-D27;
S29,若满足终止条件,则输出最优的I’值与M’值。
具体的,确定供应链中所有组成部分中可能出现的不同类型的不确定性因素,采用随机森林模型确定不同类型的不确定性因素对应的权重值。由于随机森林模型中可能出现的两个影响结果的原因:1.决策树的数量越小,模型可能无法收敛,导则其泛化能力弱,而决策树的数量如果过大,可能导致模型容易出现过拟合。2.各决策树叶节点上所需的最小样本数主要影响模型的泛化能力。因此,本申请的实施例通过引入鲸鱼算法来确定随机森林模型中的决策树数量I’与各决策树叶节点上所需的最小样本数M’。
S3,对优化后的随机森林模型进行训练,得到经训练的随机森林模型,获取多产品三级供应链网络中的不确定性因素的特征,将不确定性因素的特征输入经训练的随机森林模型,得到不确定性因素的特征的权重值。
在具体的实施例中,步骤S3具体包括:
S31,获取天气条件、交通情况、运输距离、淡旺季影响、交通工具、其他条件作为训练样本中的不确定性因素的特征,训练样本中的进度作为标签,其中,进度的值为-1、0、1,分别表示推迟送达、准时送达、提前送达;
S32,采用有抽样放回的方式从训练样本中选取n个样本作为一个训练集;
S33,采用抽样得到的训练集生成一棵决策树,在生成的每一个节点的过程中,随机不重复地选择6个特征,利用6个特征分别对训练集进行划分,找到最佳的划分特征,其中,使用基尼系数衡量决策树的纯度,如下式所示:
Gini(D)=1-∑(i'=1)k·p(i')2;
其中,D表示训练集,k表示训练集中的类别数,p(i’)表示训练集中属于第i’棵决策树的比例;
S34,重复步骤S32到步骤S33共I’次,I’即为优化后的随机森林模型中决策树的个数,在训练样本中划分出测试集,采用测试集对训练的随机森林模型进行性能测试,得到经训练的随机森林模型;
S35,获取不确定性因素的特征X,不确定性因素的特征X包括天气条件、交通情况、运输距离、淡旺季影响、交通工具、其他条件,将不确定性因素的特征X输入经训练的随机森林模型;
计算第i’棵决策树的节点q的Gini指数,如下式所示:
其中,C0表示有C0个类别,c0’和c0是从q节点中随机抽取的两个样本,表示节点q中第c0个类别所占的比例;
计算第j’个特征X在经训练的随机森林模型中的第i’棵决策树中节点q的重要性,即节点q在分枝前后的Gini指数变化量;
其中,和/>分别表示分枝后两个新节点的Gini指数;
如果第j’个特征Xj’在第i’棵决策树中出现的节点为集合Q,那么第j’个特征Xj’在第i’棵决策树的重要性特征为:
如果随机森林模型中有I’棵决策树,第j’个特征Xj’在所有决策树的重要性特征为:
将每个不确定性因素的特征在所有决策树的重要性特征进行归一化处理,得到不确定性因素的特征的权重值:
具体的,通过将训练样本里的天气条件、交通情况、运输距离、淡旺季影响、交通工具、其他条件作为特征输入,进度作为标签,该进度是判断是否影响供应链的进度,用来判断正确率,随机森林模型会输出正确率、精确率、各不确定性因素的特征的权重值,该权重值即可反映不确定性因素的特征对供应链各环节的进度造成不同程度的影响。
S4,根据不确定性因素的特征的权重值计算得到不确定性概率,将不确定性概率代入约束条件中,并求取目标函数在约束条件下的最优解,得到最优的供应链方案。
在具体的实施例中,根据不确定性因素的特征的权重值计算得到不确定性概率,具体包括:
将不确定性因素的特征的权重值与该时段不确定性发生的随机概率相乘得到不确定性概率,如下式所示:
其中,rqt为t时间内不确定性发生的随机概率。
具体的,将不确定性因素的特征的权重值与该时段不确定性发生的随机概率的乘积作为f,用以描述在某时段物流过程发生的不确定性概率。它会影响运输时间、交付的产品数量等,进而对仓库库存管理以及下游施工现场装配进度可能造成各种预期外的影响,从而增加一些缺货成本或工程延期成本。
具体的,多产品三级供应链网络的目标函数在约束条件下的求解过程如下:
步骤1:初始化下游施工现场装配订单的产品数量;
步骤2:生产节点
步骤2.1:根据公式(2)和(3)确定哪些制造工厂有生产能力
步骤2.2:启动生产根据本申请的实施例提出的经训练的随机森林模型预测生产完成时间;
步骤3:物流节点
步骤3.1:根据公式(3)得到该时段生产产品的数量;
步骤3.2:根据公式(4)、(6)、(7)得到实际的运输量;
步骤3.3:开始运输时,根据公式(5)实时更新制造工厂产品剩余量;
步骤3.4:物流启动后,经训练的随机森林模型预测产品入库时间;
步骤4:产品入库操作
步骤4.1:根据公式(10)确定能够给装配现场的提供的产品Yij;
步骤4.2:产品入库后,根据公式(9)更新仓库库存;
步骤5:装配现场节点
步骤5.1:根据Yij、公式(11)和(13)确定装配订单的需求数量;
步骤5.2:产品出库后,根据(9)更新仓库库存;
步骤5.3:启动装配,根据经训练的随机森林模型计算工程实际完成的时间;
以上步骤是一个订单在一个时间段内的供应过程,循环并行执行步骤2-5直到完成整个供应链操作。
以上步骤S1-S4并不仅仅代表步骤之间的顺序,而是步骤符号表示。
进一步参考图6,作为对上述各图所示方法的实现,本申请提供了一种基于鲸鱼算法与随机森林的三级供应链优化装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
本申请实施例提供了一种基于鲸鱼算法与随机森林的三级供应链优化装置,包括:
网络构建模块1,被配置为构建由多个制造工厂、多个仓库和多个装配现场构成的多产品三级供应链网络,建立多产品三级供应链网络的目标函数和约束条件;
模型优化模块2,被配置为构建随机森林模型,通过鲸鱼算法对随机森林模型进行优化,确定随机森林模型中的决策树数量与各决策树叶节点上所需的最小样本数,得到优化后的随机森林模型;
权重计算模块3,被配置为对优化后的随机森林模型进行训练,得到经训练的随机森林模型,获取多产品三级供应链网络中的不确定性因素的特征,将不确定性因素的特征输入经训练的随机森林模型,得到不确定性因素的特征的权重值;
求解模块4,被配置为根据不确定性因素的特征的权重值计算得到不确定性概率,将不确定性概率代入约束条件中,并求取目标函数在约束条件下的最优解,得到最优的供应链方案。
下面参考图7,其示出了适于用来实现本申请实施例的电子设备(例如图1所示的服务器或终端设备)的计算机装置700的结构示意图。图7示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示,计算机装置700包括中央处理单元(CPU)701和图形处理器(GPU)702,其可以根据存储在只读存储器(ROM)703中的程序或者从存储部分709加载到随机访问存储器(RAM)704中的程序而执行各种适当的动作和处理。在RAM 704中,还存储有装置700操作所需的各种程序和数据。CPU 701、GPU702、ROM 703以及RAM 704通过总线705彼此相连。输入/输出(I/O)接口706也连接至总线705。
以下部件连接至I/O接口706:包括键盘、鼠标等的输入部分707;包括诸如、液晶显示器(LCD)等以及扬声器等的输出部分708;包括硬盘等的存储部分709;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分710。通信部分710经由诸如因特网的网络执行通信处理。驱动器711也可以根据需要连接至I/O接口706。可拆卸介质712,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器711上,以便于从其上读出的计算机程序根据需要被安装入存储部分709。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分710从网络上被下载和安装,和/或从可拆卸介质712被安装。在该计算机程序被中央处理单元(CPU)701和图形处理器(GPU)702执行时,执行本申请的方法中限定的上述功能。
需要说明的是,本申请所述的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介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线或半导体的装置、装置或器件,或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(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。在本申请中,计算机可读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装置、装置或者器件使用或者与其结合使用。而在本申请中,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装置、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申请的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,也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)。
附图中的流程图和框图,图示了按照本申请各种实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,该模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的装置来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:构建由多个制造工厂、多个仓库和多个装配现场构成的多产品三级供应链网络,建立多产品三级供应链网络的目标函数和约束条件;构建随机森林模型,通过鲸鱼算法对随机森林模型进行优化,确定随机森林模型中的决策树数量与各决策树叶节点上所需的最小样本数,得到优化后的随机森林模型;对优化后的随机森林模型进行训练,得到经训练的随机森林模型,获取多产品三级供应链网络中的不确定性因素的特征,将不确定性因素的特征输入经训练的随机森林模型,得到不确定性因素的特征的权重值;根据不确定性因素的特征的权重值计算得到不确定性概率,将不确定性概率代入约束条件中,并求取目标函数在约束条件下的最优解,得到最优的供应链方案。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (7)
1.一种基于鲸鱼算法与随机森林的三级供应链优化方法,其特征在于,包括以下步骤:
构建由多个制造工厂、多个仓库和多个装配现场构成的多产品三级供应链网络,建立所述多产品三级供应链网络的目标函数和约束条件,所述多产品三级供应链网络的目标函数为最小化三级供应链的期望总成本,所述期望总成本包括建立仓库成本、生产环节需要的成本、运输成本、存货成本、需求无法达成而导致的成本、工程因为延期而导致的成本,如下式所示:
其中,F为总期望成本,J为仓库的总数量,M为制造工厂的总数量,T为总时间,K为产品的总数量,I为装配现场的总数量,hj表示建一个仓库j所需要的固定成本,Aj表示仓库j的建立,如果建立则为1,否则为0,表示在t时间内制造工厂m生产产品k所需要的单位成本,表示装配现场i在t时间向制造工厂m下的生产订单中产品k的数量,/>表示产品k从制造工厂m运输到仓库j的单位运输成本,/>表示在t时间内从制造工厂m运输到仓库j的产品k的数量,/>表示产品k从仓库j运输到装配现场i的单位运输成本,/>表示t时间内产品k从仓库j运输到装配现场i的数量,/>表示在t时间内制造工厂m生产多余产品k所需要的单位库存成本,/>表示制造工厂m在t时间内没有运输到仓库的产品k的数量,/>表示在t时间内存放在仓库j的剩下的产品k所需要的单位库存成本,/>表示仓库j在t时间内出库后剩余的产品k的数量,/>表示装配现场i在t时间内没有在规定的时间内完成订单产品k的数量,/>表示在t时间内装配现场i因为产品k没能及时送到造成的成本,Dtl表示工程延期的单位成本,tl表示工程延期的天数,所述约束条件包括制造工厂容量约束、交付数量约束、运输车辆容量约束、仓库容量约束、调度约束和需求约束,其中,所述制造工厂容量约束如下式所示:
其中,表示制造工厂m在t时间内是否具有生产产品k的能力,如果有则1,否则为0,f表示不确定性概率;/>表示制造工厂m同时生产产品k的数量;/>表示制造工厂m生产产品k的规定时间,/>是平均值,/>表示制造工厂m生产产品k的周期,/>是平均值,tzmt表示t时间内制造工厂m的总可用时间,μtzmt是平均值,tvmt表示制造工厂m在t时间里的总可用容量,Sk表示产品k的占地面积;
所述交付数量约束如下式所示:
其中,表示制造工厂m在t时间内完成订单产品k的总数量;
所述仓库容量约束如下式所示:
其中,wk表示产品k的重量,wsjt表示t时间内仓库j的剩余堆货面积,wnjt表示t时间内仓库j的剩余货架的个数,表示在t时间段内仓库j中产品k的剩余库存的存量;
所述调度约束如下式所示:
其中,Yij表示仓库j是否存在能够给装配现场i提供的产品,仓库有相应产品为1,否则为0;
所述需求约束如下式所示:
其中,表示t时间内装配现场i下的装配订单中产品k的数量,/>为平均值,/>为标准差,Ej表示仓库j的物流运输车的总容量;
构建随机森林模型,通过鲸鱼算法对随机森林模型进行优化,确定所述随机森林模型中的决策树数量与各决策树叶节点上所需的最小样本数,得到优化后的随机森林模型;
对所述优化后的随机森林模型进行训练,得到经训练的随机森林模型,获取所述多产品三级供应链网络中的不确定性因素的特征,将不确定性因素的特征输入所述经训练的随机森林模型,得到不确定性因素的特征的权重值,具体包括:
S31,获取天气条件、交通情况、运输距离、淡旺季影响、交通工具、其他条件作为训练样本中的不确定性因素的特征,训练样本中的进度作为标签,其中,进度的值为-1、0、1,分别表示推迟送达、准时送达、提前送达;
S32,采用有抽样放回的方式从训练样本中选取n个样本作为一个训练集;
S33,采用抽样得到的训练集生成一棵决策树,在生成的每一个节点的过程中,随机不重复地选择6个特征,利用6个特征分别对训练集进行划分,找到最佳的划分特征,其中,使用基尼系数衡量决策树的纯度,如下式所示:
Gini(D)=1-∑(i'=1)k·p(i')2;
其中,D表示训练集,k表示训练集中的类别数,p(i’)表示训练集中属于第i’棵决策树的比例;
S34,重复步骤S32到步骤S33共I’次,I’即为优化后的随机森林模型中决策树的个数,在训练样本中划分出测试集,采用测试集对训练的随机森林模型进行性能测试,得到经训练的随机森林模型;
S35,获取不确定性因素的特征X,所述不确定性因素的特征X包括天气条件、交通情况、运输距离、淡旺季影响、交通工具、其他条件,将不确定性因素的特征X输入所述经训练的随机森林模型;
计算第i’棵决策树的节点q的Gini指数,如下式所示:
其中,C0表示有C0个类别,c0’和c0是从q节点中随机抽取的两个样本,表示节点q中第c0个类别所占的比例;
计算第j’个特征Xj’在经训练的随机森林模型中的第i’棵决策树中节点q的重要性,即节点q在分枝前后的Gini指数变化量;
其中,和/>分别表示分枝后两个新节点的Gini指数;
如果第j’个特征Xj’在第i’棵决策树中出现的节点为集合Q,那么第j’个特征Xj’在第i’棵决策树的重要性特征为:
如果随机森林模型中有I’棵决策树,第j’个特征Xj’在所有决策树的重要性特征为:
将每个不确定性因素的特征在所有决策树的重要性特征进行归一化处理,得到不确定性因素的特征的权重值:
根据所述不确定性因素的特征的权重值计算得到不确定性概率,将所述不确定性概率代入所述约束条件中,并求取所述目标函数在所述约束条件下的最优解,得到最优的供应链方案。
2.根据权利要求1所述的基于鲸鱼算法与随机森林的三级供应链优化方法,其特征在于,所述制造工厂m在t时间内运输产品k到仓库j的数量和t时间内产品k从仓库j运输到装配现场i的数量受到不确定性因素的影响,如下式所示:
导致所述装配现场i在t时间内没有在规定的时间内完成订单产品k的数量如下式所示:
3.根据权利要求1所述的基于鲸鱼算法与随机森林的三级供应链优化方法,其特征在于,所述通过鲸鱼算法对随机森林模型进行优化,确定所述随机森林模型中的决策树数量与各决策树叶节点上所需的最小样本数,具体包括:
S21,将训练数据交叉验证所得出的最小误差值作为所述鲸鱼算法优化的目标函数,所述随机森林模型中的决策树数量I’与各决策树叶节点上所需的最小样本数M’为待优化的参数,I’与M’的范围分别为[1,n1]、[1,n2];
S22,初始化所述鲸鱼算法的参数、鲸鱼种群数量NIND和最大迭代次数T'max;
S23,初始化鲸鱼位置,将鲸鱼的初始位置坐标随机分布在I’与M’的范围内;
S24,鲸鱼种群在寻优过程中,选取当前最优个体位置,使鲸鱼种群的其他个体向其靠近,通过调节系数向量和/>的值来调节其他个体在最优解周围的位置,如下式所示:
其中,a为迭代过程中的系数,在迭代中a由2呈线性减小到0,为0到1的随机向量,t’表示迭代次数;
S25,通过生成范围在0到1之间的随机数p判断是否进入螺旋气泡网攻击机制;响应于确定p≥0.5,则鲸鱼采用螺旋气泡网的方式更新位置;
S26,响应于确定p<0.5,且则鲸鱼包围猎物;响应于确定p<0.5,且/> 则鲸鱼随机搜索猎物;
S27,计算鲸鱼位置,判断是否迭代至最大迭代次数T'max;
S28,若不满足终止条件,则重复步骤S25-D27;
S29,若满足终止条件,则输出最优的I’值与M’值。
4.根据权利要求1所述的基于鲸鱼算法与随机森林的三级供应链优化方法,其特征在于,根据所述不确定性因素的特征的权重值计算得到不确定性概率,具体包括:
将所述不确定性因素的特征的权重值与该时段不确定性发生的随机概率相乘得到不确定性概率,如下式所示:
其中,rqt为t时间内不确定性发生的随机概率。
5.一种基于鲸鱼算法与随机森林的三级供应链优化装置,其特征在于,包括:
网络构建模块,被配置为构建由多个制造工厂、多个仓库和多个装配现场构成的多产品三级供应链网络,建立所述多产品三级供应链网络的目标函数和约束条件,所述多产品三级供应链网络的目标函数为最小化三级供应链的期望总成本,所述期望总成本包括建立仓库成本、生产环节需要的成本、运输成本、存货成本、需求无法达成而导致的成本、工程因为延期而导致的成本,如下式所示:
其中,F为总期望成本,J为仓库的总数量,M为制造工厂的总数量,T为总时间,K为产品的总数量,I为装配现场的总数量,hj表示建一个仓库j所需要的固定成本,Aj表示仓库j的建立,如果建立则为1,否则为0,表示在t时间内制造工厂m生产产品k所需要的单位成本,表示装配现场i在t时间向制造工厂m下的生产订单中产品k的数量,/>表示产品k从制造工厂m运输到仓库j的单位运输成本,/>表示在t时间内从制造工厂m运输到仓库j的产品k的数量,/>表示产品k从仓库j运输到装配现场i的单位运输成本,/>表示t时间内产品k从仓库j运输到装配现场i的数量,/>表示在t时间内制造工厂m生产多余产品k所需要的单位库存成本,/>表示制造工厂m在t时间内没有运输到仓库的产品k的数量,/>表示在t时间内存放在仓库j的剩下的产品k所需要的单位库存成本,/>表示仓库j在t时间内出库后剩余的产品k的数量,/>表示装配现场i在t时间内没有在规定的时间内完成订单产品k的数量,/>表示在t时间内装配现场i因为产品k没能及时送到造成的成本,Dtl表示工程延期的单位成本,tl表示工程延期的天数,所述约束条件包括制造工厂容量约束、交付数量约束、运输车辆容量约束、仓库容量约束、调度约束和需求约束,其中,所述制造工厂容量约束如下式所示:
其中,表示制造工厂m在t时间内是否具有生产产品k的能力,如果有则1,否则为0,f表示不确定性概率;/>表示制造工厂m同时生产产品k的数量;/>表示制造工厂m生产产品k的规定时间,/>是平均值,/>表示制造工厂m生产产品k的周期,/>是平均值,tzmt表示t时间内制造工厂m的总可用时间,μtzmt是平均值,tvmt表示制造工厂m在t时间里的总可用容量,Sk表示产品k的占地面积;
所述交付数量约束如下式所示:
其中,表示制造工厂m在t时间内完成订单产品k的总数量;
E表示物流运输车的总容量;
所述仓库容量约束如下式所示:
其中,wk表示产品k的重量,wsjt表示t时间内仓库j的剩余堆货面积,wnjt表示t时间内仓库j的剩余货架的个数,表示在t时间段内仓库j中产品k的剩余库存的存量;
所述调度约束如下式所示:
其中,Yij表示仓库j是否存在能够给装配现场i提供的产品,仓库有相应产品为1,否则为0;
所述需求约束如下式所示:
其中,表示t时间内装配现场i下的装配订单中产品k的数量,/>为平均值,/>为标准差,Ej表示仓库j的物流运输车的总容量;
模型优化模块,被配置为构建随机森林模型,通过鲸鱼算法对随机森林模型进行优化,确定所述随机森林模型中的决策树数量与各决策树叶节点上所需的最小样本数,得到优化后的随机森林模型;
权重计算模块,被配置为对所述优化后的随机森林模型进行训练,得到经训练的随机森林模型,获取所述多产品三级供应链网络中的不确定性因素的特征,将不确定性因素的特征输入所述经训练的随机森林模型,得到不确定性因素的特征的权重值,具体包括:
S31,获取天气条件、交通情况、运输距离、淡旺季影响、交通工具、其他条件作为训练样本中的不确定性因素的特征,训练样本中的进度作为标签,其中,进度的值为-1、0、1,分别表示推迟送达、准时送达、提前送达;
S32,采用有抽样放回的方式从训练样本中选取n个样本作为一个训练集;
S33,采用抽样得到的训练集生成一棵决策树,在生成的每一个节点的过程中,随机不重复地选择6个特征,利用6个特征分别对训练集进行划分,找到最佳的划分特征,其中,使用基尼系数衡量决策树的纯度,如下式所示:
Gini(D)=1-∑(i'=1)k·p(i')2;
其中,D表示训练集,k表示训练集中的类别数,p(i’)表示训练集中属于第i’棵决策树的比例;
S34,重复步骤S32到步骤S33共I’次,I’即为优化后的随机森林模型中决策树的个数,在训练样本中划分出测试集,采用测试集对训练的随机森林模型进行性能测试,得到经训练的随机森林模型;
S35,获取不确定性因素的特征X,所述不确定性因素的特征X包括天气条件、交通情况、运输距离、淡旺季影响、交通工具、其他条件,将不确定性因素的特征X输入所述经训练的随机森林模型;
计算第i’棵决策树的节点q的Gini指数,如下式所示:
其中,C0表示有C0个类别,c0’和c0是从q节点中随机抽取的两个样本,表示节点q中第c0个类别所占的比例;
计算第j’个特征Xj’在经训练的随机森林模型中的第i’棵决策树中节点q的重要性,即节点q在分枝前后的Gini指数变化量;
其中,和/>分别表示分枝后两个新节点的Gini指数;
如果第j’个特征Xj’在第i’棵决策树中出现的节点为集合Q,那么第j’个特征Xj’在第i’棵决策树的重要性特征为:
如果随机森林模型中有I’棵决策树,第j’个特征Xj’在所有决策树的重要性特征为:
将每个不确定性因素的特征在所有决策树的重要性特征进行归一化处理,得到不确定性因素的特征的权重值:
求解模块,被配置为根据所述不确定性因素的特征的权重值计算得到不确定性概率,将所述不确定性概率代入所述约束条件中,并求取所述目标函数在所述约束条件下的最优解,得到最优的供应链方案。
6.一种电子设备,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权利要求1-4中任一所述的方法。
7.一种计算机可读存储介质,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1-4中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311168407.0A CN116911574B (zh) | 2023-09-12 | 2023-09-12 | 基于鲸鱼算法与随机森林的三级供应链优化方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311168407.0A CN116911574B (zh) | 2023-09-12 | 2023-09-12 | 基于鲸鱼算法与随机森林的三级供应链优化方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116911574A CN116911574A (zh) | 2023-10-20 |
CN116911574B true CN116911574B (zh) | 2024-02-02 |
Family
ID=88351417
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311168407.0A Active CN116911574B (zh) | 2023-09-12 | 2023-09-12 | 基于鲸鱼算法与随机森林的三级供应链优化方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116911574B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117688501A (zh) * | 2024-02-03 | 2024-03-12 | 南京创蓝科技有限公司 | 一种矫正空气质量预报系统的误差方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10061300B1 (en) * | 2017-09-29 | 2018-08-28 | Xometry, Inc. | Methods and apparatus for machine learning predictions and multi-objective optimization of manufacturing processes |
CN110046861A (zh) * | 2019-04-24 | 2019-07-23 | 北京百度网讯科技有限公司 | 库存管理方法和装置、电子设备、计算机可读介质 |
CN110378577A (zh) * | 2019-07-02 | 2019-10-25 | 武汉理工大学 | 一种基于Supply-Hub的供应商管理库存运作方法 |
CN110888059A (zh) * | 2019-12-03 | 2020-03-17 | 西安科技大学 | 一种基于改进随机森林联合容积卡尔曼动力电池荷电状态估计的算法 |
CN112396374A (zh) * | 2020-11-17 | 2021-02-23 | 山东财经大学 | 不确定环境下乳制品供应链系统库存优化管理系统及方法 |
CN113128761A (zh) * | 2021-04-19 | 2021-07-16 | 天津大学 | 一种基于遗传算法的弹性供应链网络优化方法 |
JP2021163244A (ja) * | 2020-03-31 | 2021-10-11 | 三菱重工業株式会社 | 計画システム、計画方法およびプログラム |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IN2014MU00735A (zh) * | 2014-03-04 | 2015-09-25 | Tata Consultancy Services Ltd | |
US20210256443A1 (en) * | 2019-11-19 | 2021-08-19 | Shashank Srivastava | Methods and systems for supply chain network optimization |
-
2023
- 2023-09-12 CN CN202311168407.0A patent/CN116911574B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10061300B1 (en) * | 2017-09-29 | 2018-08-28 | Xometry, Inc. | Methods and apparatus for machine learning predictions and multi-objective optimization of manufacturing processes |
CN110046861A (zh) * | 2019-04-24 | 2019-07-23 | 北京百度网讯科技有限公司 | 库存管理方法和装置、电子设备、计算机可读介质 |
CN110378577A (zh) * | 2019-07-02 | 2019-10-25 | 武汉理工大学 | 一种基于Supply-Hub的供应商管理库存运作方法 |
CN110888059A (zh) * | 2019-12-03 | 2020-03-17 | 西安科技大学 | 一种基于改进随机森林联合容积卡尔曼动力电池荷电状态估计的算法 |
JP2021163244A (ja) * | 2020-03-31 | 2021-10-11 | 三菱重工業株式会社 | 計画システム、計画方法およびプログラム |
CN112396374A (zh) * | 2020-11-17 | 2021-02-23 | 山东财经大学 | 不确定环境下乳制品供应链系统库存优化管理系统及方法 |
CN113128761A (zh) * | 2021-04-19 | 2021-07-16 | 天津大学 | 一种基于遗传算法的弹性供应链网络优化方法 |
Non-Patent Citations (1)
Title |
---|
电网物资仓储调配及品控策略研究;代洲;博士数据库;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116911574A (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10719803B2 (en) | Automatic learning of weight settings for multi-objective models | |
CN113239317B (zh) | 确定订单履约仓库的方法和装置 | |
CN110555640B (zh) | 路由规划的方法和装置 | |
CN116911574B (zh) | 基于鲸鱼算法与随机森林的三级供应链优化方法及装置 | |
CN109544076B (zh) | 用于生成信息的方法和装置 | |
EP4242955A1 (en) | User profile-based object recommendation method and device | |
US20130238530A1 (en) | Systems and methods for generating wind power scenarios for wind-power-integrated stochastic unit commitment problems | |
CN113159835A (zh) | 基于人工智能的发电侧电价报价方法、装置、存储介质及电子设备 | |
WO2023124363A1 (zh) | 库存的确定方法和装置 | |
CN112200489B (zh) | 有色金属冶炼产供销一体优化系统、方法、装置 | |
CN109684624A (zh) | 一种自动识别订单地址路区的方法和装置 | |
CN116684330A (zh) | 基于人工智能的流量预测方法、装置、设备及存储介质 | |
CN113283222B (zh) | 自动化报表生成方法、装置、计算机设备及存储介质 | |
Chen et al. | Stochastic configuration network based on improved whale optimization algorithm for nonstationary time series prediction | |
US20100287167A1 (en) | Adaptive random trees integer non-linear programming | |
CN112434872A (zh) | 酒店产量预测方法、系统、设备及存储介质 | |
US11256748B2 (en) | Complex modeling computational engine optimized to reduce redundant calculations | |
CN116865254A (zh) | 一种电力负荷指标预测方法、系统、设备及介质 | |
CN116777324A (zh) | 一种物流网络调度的方法和装置 | |
CN111325401B (zh) | 一种路径规划模型的训练方法、装置及计算机系统 | |
CN112231299B (zh) | 一种特征库动态调整的方法和装置 | |
CN114677183A (zh) | 一种新品销量预测方法、装置、计算机设备及存储介质 | |
CN114049162A (zh) | 模型训练方法、需求量预测方法、装置、设备和存储介质 | |
CN113095745A (zh) | 补货决策模型训练和补货决策方法、系统、设备及介质 | |
CN113256192A (zh) | 一种仓储物品规划方法和装置 |
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 |