CN117114577B - 一种自适应库存成本管理方法及系统 - Google Patents

一种自适应库存成本管理方法及系统 Download PDF

Info

Publication number
CN117114577B
CN117114577B CN202311153482.XA CN202311153482A CN117114577B CN 117114577 B CN117114577 B CN 117114577B CN 202311153482 A CN202311153482 A CN 202311153482A CN 117114577 B CN117114577 B CN 117114577B
Authority
CN
China
Prior art keywords
cost
order
stage
magnitude
inventory
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
Application number
CN202311153482.XA
Other languages
English (en)
Other versions
CN117114577A (zh
Inventor
谢文渊
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.)
Shenzhen Yuanyitong Technology Co ltd
Original Assignee
Shenzhen Yuanyitong Technology Co 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 Shenzhen Yuanyitong Technology Co ltd filed Critical Shenzhen Yuanyitong Technology Co ltd
Priority to CN202311153482.XA priority Critical patent/CN117114577B/zh
Publication of CN117114577A publication Critical patent/CN117114577A/zh
Application granted granted Critical
Publication of CN117114577B publication Critical patent/CN117114577B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/08—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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Data Mining & Analysis (AREA)
  • General Factory Administration (AREA)

Abstract

本发明公开了一种自适应库存成本管理方法及系统，方法包括步骤：利用订货提前期、单位时间产品需求量、再订货点以及订货量构建阶段管理成本模型；对输入库存管理系统的订单需求信号进行柔性处理，以限制订单需求信号中的震荡干扰对动态参数造成影响；对t订货阶段的动态参数进行补偿，获取t订货阶段的动态参数的第一量值；根据阶段管理成本模型，利用最优迭代算法对第一量值进行更新，以使阶段管理成本最小，获取动态参数t+1订货阶段的第二量值：通过对动态参数状态进行及时补偿调整，降低了外部干扰对阶段管理成本的影响，通过利用最优迭代算法对动态参数的第一量值进行更新，使得阶段管理成本最小化，降低了企业库存管理成本。

Description

一种自适应库存成本管理方法及系统
技术领域
本发明涉及库存管理技术领域，特别涉及一种自适应库存成本管理方法及系统。
背景技术
库存管理是企业生产运营管理的重要组成部分，也是供应链管理领域研究的重要议题。近年来自然灾害、重大公共卫生等大规模突发事件的频繁发生，使企业意识到传统的库存管理已不足以应对现代突变的市场环境给企业库存系统带来的巨大威胁。尤其是在激烈的市场竞争下，企业面临着缩短交货期、提高产品质量、降低成本和改进服务的多重压力。科学和准确的库存管理决策数据将为企业提升竞争力，获得更多利益，进而提升整个供应链系统的整体利益提供依据和保障。
为了使需求预测量、订货量、库存量等参数达到理想状态，库存管理需要将企业进销存中主要动态变量转换成控制信号、将基本微分方程转换为状态控制，合理设计自主反馈控制算法。
但是，现有的库存管理方案没有对随机需求、随机提前期、临时性追加和撤销订单等随机扰动深入研究，导致企业库存管理在遇到上述随机扰动时，无法准确应对，库存成本较高。
发明内容
现有的库存管理方案在遇到随机扰动时，无法准确应对，从而导致企业库存管理成本升高。
针对上述问题，提出一种自适应库存成本管理方法及系统，通过对下游订单的需求订单信号进行跟踪检测，并对输入库存管理系统的所述订单需求信号进行柔性处理，限制了震荡干扰对动态参数造成影响，通过对动态参数状态进行及时补偿调整，降低了外部干扰对阶段管理成本的影响，通过利用最优迭代算法对动态参数的第一量值进行更新，使得阶段管理成本最小化，降低了企业库存管理成本。
第一方面，一种自适应库存成本管理方法，包括：
步骤100、利用订货提前期、单位时间产品需求量、再订货点以及订货量构建阶段管理成本模型，其中，所述订货提前期、单位时间产品需求量为动态参数；
步骤200、对下游的订单需求信号进行跟踪检测，并对输入库存管理系统的所述订单需求信号进行柔性处理，以限制所述订单需求信号中的震荡干扰对所述动态参数造成影响；
步骤300、对t订货阶段的所述动态参数进行补偿，获取t订货阶段的所述动态参数的第一量值；
步骤400、根据所述阶段管理成本模型，利用最优迭代算法对所述第一量值进行更新，以使阶段管理成本最小，获取所述动态参数t+1订货阶段的第二量值：
利用所述第一量值第n次迭代的惯性增量、单独最优增量、整体最优增量计算第n+1次迭代的迭代增量；
利用所述迭代增量更新第n+1次迭代的预期增量；
迭代完成后，利用最终的预期增量及所述第一量值获取所述第二量值；
其中，所述单独最优增量为某一所述动态参数第n次迭代的初始量值与该动态参数的个体最优值之间的差值，所述个体最优值为该动态参数在第n次迭代中使阶段管理成本最小的量值，每次迭代后对所述个体最优值进行更新，参与下次迭代；所述整体最优增量为某一所述动态参数第n次迭代的初始量值与整体最优值之间的差值，所述整体最优值为所有动态参数在第n次迭代中使阶段管理成本最小的量值，每次迭代后对所述整体最优值进行更新，参与下次迭代。
结合本发明第一方面第一种可能的实施方式，第二种可能的实施方式中，所述步骤200包括：
步骤210、对输入的外界市场的需求信号进行微分，获取第一需求信号。
结合本发明第一方面第一种可能的实施方式，第三种可能的实施方式中，所述步骤300包括：
步骤310、对库存管理系统的空间状态进行监测，并根据监测结果利用状态补偿因子对所述企业库存管理系统中的所述动态参数进行补偿。
结合本发明第一方面所述的自适应库存成本管理方法，第四种可能的实施方式中，所述步骤400包括：
步骤410、利用所述整体最优值对所述动态参数的适应程度进行评估。
结合本发明第一方面第四种可能的实施方式，第五种可能的实施方式中，所述步骤410包括：
步骤411、对某一动态参数n-1次迭代中个体最优值与整体最优值之间的差值小于规定阈值的次数是否达到第一规定次数进行判断。
步骤412、若达到或者超过第一规定次数，则确定动态参数的适应程度为优等级。
结合本发明第一方面第四种可能的实施方式，第六种可能的实施方式中，所述步骤400还包括：
步骤420、对某一动态参数n-1次迭代中个体最优值小于整体平均最优值的次数是否达到第二规定次数进行判断；
步骤430、若达到或超过第二规定次数，则确定该动态参数适应程度为劣等级。
结合本发明第一方面第六种可能的实施方式，第七种可能的实施方式中，所述步骤400还包括：
步骤440、淘汰适应度被确定为劣等级的动态参数，以使其不参与阶段管理成本控制。
第二方面，一种自适应库存成本管理系统，采用第一方面所述的管理方法，其中，包括：
阶段管理成本模块；
跟踪检测模块；
动态补偿模块；
所述阶段管理成本模块包括最优更新单元；
所述跟踪检测模块用于对下游的订单需求信号进行跟踪检测，并对输入库存管理系统的所述订单需求信号进行柔性处理，以限制所述订单需求信号中的震荡干扰对所述动态参数造成影响；
所述动态补偿模块用于对t订货阶段的所述动态参数进行补偿，获取t订货阶段的所述动态参数的第一量值；
所述最优更新单元用于根据阶段管理成本模型，利用最优迭代算法对所述第一量值进行更新，以使阶段管理成本最小，获取所述动态参数t+1订货阶段的第二量值。
实施本发明所述的一种自适应库存成本管理方法及系统，通过对下游订单的需求订单信号进行跟踪检测，并对输入库存管理系统的所述订单需求信号进行柔性处理，限制了震荡干扰对动态参数造成影响，通过对动态参数状态进行及时补偿调整，降低了外部干扰对阶段管理成本的影响，通过利用最优迭代算法对动态参数的第一量值进行更新，使得阶段管理成本最小化，降低了企业库存管理成本。
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单地介绍，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为本发明自适应库存成本管理方法步骤第一示意图；
图2为本发明自适应库存成本管理方法步骤第二示意图；
图3为本发明自适应库存成本管理方法步骤第三示意图；
图4为本发明自适应库存成本管理系统逻辑组成示意图；
附图中各数字所指代的部位名称为：10——阶段成本管理模块、11——最优更新单元、20——跟踪检测模块、30——动态补偿模块。
具体实施方式
下面将结合发明中的附图，对本发明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发明的一部分实施例，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付出创造性劳动前提下所获得的其他实施例，都属于本发明保护的范围。
现有的库存管理方案在遇到随机扰动时，无法准确应对，从而导致企业库存管理成本升高。
针对上述问题，提出一种随机扰动库存自动管理方法及系统。
实施例1
第一方面，一种自适应库存成本管理方法，如图1，图1为本发明自适应库存成本管理方法步骤第一示意图，包括：
步骤100、利用订货提前期、单位时间产品需求量、再订货点以及订货量构建阶段管理成本模型，其中，订货提前期、单位时间产品需求量为动态参数。
在企业库存管理系统可分为多个阶段来订购商品，增加库存，由于外部市场需求、供应方及内部计划随机变化，需要对各个订货阶段的库存成本进行阶段性控制，以每个阶段的库存成本最小。
优选地，步骤100包括：
步骤110、阶段管理成本模型为：
其中，V为总时间阶段成本，F1 t(mt,nt)为t阶段订货成本控制函数，为t阶段在不缺货时的库存成本控制函数，/>为t阶段缺货时的库存成本控制函数，/>为t阶段缺货成本控制函数，m为单位时间产品需求量，n为订货量，q为订货点，w为订货提前期。
为了获得Vmin，需要对各个阶段的阶段管理成本进行控制，从而使总时间成本最小。
在阶段管理成本模型中，订货提前期w、单位时间产品需求量m为动态参数，在最优迭代更新算法，通过控制订货提前期w、单位时间产品需求量m来使阶段管理成本达到最低的目的。
步骤200、对下游的订单需求信号进行跟踪检测，并对输入库存管理系统的订单需求信号进行柔性处理，以限制订单需求信号中的震荡干扰对动态参数造成影响。
优选地，步骤200可以包括：
步骤210、对需求信号进行微分，对外部震荡干扰进行弱化，获取第一需求信号。
对需求信号求微分，可以使得信号变得平滑，进而减轻外部震荡干扰对企业库存管理系统响应的影响，需求信号的微分信号可以按照式子(2)进行更新：
其中，
其中，为检测信号/>的微分信号，检测信号/>对输入的外部市场需求信号Di进行跟踪检测，/>为非线性函数，e加速常数，v为采样时间。
利用微分信号代替输入的外部市场需求信号Di，使得信号更加柔性，有利于降低外部震荡干扰对动态参数响应的影响。
步骤300、对t订货阶段的动态参数进行补偿，获取t订货阶段的动态参数的第一量值。
为了降低了外部需求随机的震荡干扰对动态参数的影响，在t订货阶段需要对动态参数中的订货提前期w、单位时间产品需求量m进行参数补偿，从而尽可能的降低t订货阶段的库存管理成本，优选地的，包括：
步骤310、对库存管理系统空间状态进行监测，并根据监测结果利用状态补偿因子对动态参数进行补偿。
构建非线性补偿函数对动态参数进行补偿，非线性补偿函数为：
其中，
其中，η为监测误差，γ为限制因子，防止补偿过大造成企业库存管理系统震荡，其取值范围为[-γ，γ]，g为状态补偿因子，N为监测到的震荡干扰，φ为分段函数F1(η,φ,γ)中函数γ1-φ和函数ηφ的幂变量。
第一量值为动态参数订货提前期w/单位时间产品需求量m，采用最优迭代算法，再获取t订货阶段迭代的预期增量，就可以获取t订货阶段使得阶段管理成本最小的第二量值。
步骤400、根据阶段管理成本模型，利用最优迭代算法对第一量值进行更新，以使阶段管理成本最小，获取动态参数t+1订货阶段的第二量值：
由阶段管理成本模型可知，其为非线性动态问题，采用最优迭代算法有利于获得该阶段管理成本的最优解。
利用最优迭代算法对每一动态参数订货提前期w/单位时间产品需求量m的预期增量进行计算，根据迭代优化规则，初始增量始终跟踪其个体最优值和整体最优值，并根据个体最优值和整体最优值进行更新。
利用第一量值第n次迭代的惯性增量、单独最优增量、整体最优增量计算第n+1次迭代的迭代增量；
在迭代过程中，迭代增量按照如下规则进行更新：
其中，为惯性增量，其主要用于对n-1次的增量进行参考，/>为第l个动态参数的个体最优值，/>为第l个动态参数的初始增量，/>为所有动态参数的整体最优值，表示单独最优增量，/>表示整体最优增量。
利用迭代增量更新第n+1次迭代的预期增量
迭代完成后，利用最终的预期增量及第一量值获取第二量值；
其中，单独最优增量为某一动态参数第n次迭代的初始量值与该动态参数的个体最优值之间的差值，个体最优值为该动态参数在第n次迭代中使阶段管理成本最小的量值，每次迭代后对个体最优值进行更新，参与下次迭代；整体最优增量为某一动态参数第n次迭代的初始量值与整体最优值之间的差值，整体最优值为所有动态参数在第n次迭代中使阶段管理成本最小的量值，每次迭代后对整体最优值进行更新，参与下次迭代。
在对个体最优值进行更新时，若当前迭代的个体最优值的阶段管理成本比历史迭代的个体最优值的阶段管理成本小，则将以当前迭代的个体最优值进行更新，反之，若当前迭代的个体最优值的阶段管理成本比历史迭代的个体最优值的阶段管理成本大，则不对个体最优值进行更新。
同理，若当前迭代的整体最优值的阶段管理成本比历史迭代的整体最优值的阶段管理成本小，则将以当前迭代的整体最优值进行更新，反之，若当前迭代的整体最优值的阶段管理成本比历史迭代的整体最优值的阶段管理成本大，则不对整体最优值进行更新。
进一步地，步骤400包括：步骤410、利用整体最优值对动态参数的适应程度进行评估。
优选地，如图2，图2为本发明自适应库存成本管理方法步骤第二示意图；步骤410包括：
步骤411、对某一动态参数n-1次迭代中个体最优值与整体最优值之间的差值小于规定阈值的次数是否达到第一规定次数进行判断。
在迭代过程中，可能出现使算法逐渐趋于收敛的多个个体最优值以及多个整体最优值，若个体最优值与整体最优值之间差距小于给定的规定阈值，则说明该动态参数订货提前期w/单位时间产品需求量m性能较好。达到一定的次数，则说明该动态参数的适应度较高。
步骤412、若达到或者超过第一规定次数，则确定动态参数的适应程度为优等级。
另一个实施方式中，如图3，图3为本发明自适应库存成本管理方法步骤第三示意图；步骤400还包括：步骤420、对某一动态参数n-1次迭代中所有的个体最优值小于整体平均最优值的次数是否达到第二规定次数进行判断；步骤430、若达到或超过第二规定次数，则确定该动态参数适应程度为劣等级。
整体平均最优值，指迭代过程中出现的所有的整体最优值的平均值。
在迭代过程中，可能出现使算法逐渐趋于收敛的多个个体最优值，若个体最优值小于整体平均最优值，则说明该动态参数订货提前期w/单位时间产品需求量m性能较差。若多次迭代的个体最优值小于整体平均最优值，并达到一定的次数，则说明该动态参数的适应度较差，则在控制阶段管理成本时，需要淘汰该动态参数，具体的，步骤400还包括：步骤440、淘汰适应度被确定为劣等级的动态参数，以使其不参与阶段管理成本控制。通过对下游订单的需求订单信号进行跟踪检测，并对输入库存管理系统的订单需求信号进行柔性处理，限制了震荡干扰对动态参数造成影响，通过对动态参数状态进行及时补偿调整，降低了外部干扰对阶段管理成本的影响，通过利用最优迭代算法对动态参数的第一量值进行更新，使得阶段管理成本最小化，降低了企业库存管理成本。
实施例2
第二方面，如图4，图4为本发明自适应库存成本管理系统逻辑组成示意图；一种自适应库存成本管理系统，采用第一方面的管理方法，其中，包括阶段管理成本模块10、跟踪检测模块20、动态补偿模块30；其中，阶段管理成本模块10包括最优更新单元11；跟踪检测模块20用于对下游的订单需求信号进行跟踪检测，并对输入库存管理系统的订单需求信号进行柔性处理，以限制订单需求信号中的震荡干扰对动态参数造成影响；动态补偿模块30用于对t订货阶段的动态参数进行补偿，获取t订货阶段的动态参数的第一量值；最优更新单元11用于根据阶段管理成本模型，利用最优迭代算法对第一量值进行更新，以使阶段管理成本最小，获取动态参数t+1订货阶段的第二量值。
实施本发明的一种自适应库存成本管理方法及系统，通过对下游订单的需求订单信号进行跟踪检测，并对输入库存管理系统的订单需求信号进行柔性处理，限制了震荡干扰对动态参数造成影响，通过对动态参数状态进行及时补偿调整，降低了外部干扰对阶段管理成本的影响，通过利用最优迭代算法对动态参数的第一量值进行更新，使得阶段管理成本最小化，降低了企业库存管理成本。
以上仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种自适应库存成本管理方法，其特征在于，包括：
步骤100、利用订货提前期、单位时间产品需求量、再订货点以及订货量构建阶段管理成本模型，其中，所述订货提前期、单位时间产品需求量为动态参数；
步骤200、对下游的订单需求信号进行跟踪检测，并对输入库存管理系统的所述订单需求信号进行柔性处理，以限制所述订单需求信号中的震荡干扰对所述动态参数造成影响；
步骤300、对t订货阶段的所述动态参数进行补偿，获取t订货阶段的所述动态参数的第一量值；
步骤400、根据所述阶段管理成本模型，利用最优迭代算法对所述第一量值进行更新，以使阶段管理成本最小，获取所述动态参数t+1订货阶段的第二量值：
利用所述第一量值第n次迭代的惯性增量、单独最优增量、整体最优增量计算第n+1次迭代的迭代增量；
利用所述迭代增量更新第n+1次迭代的预期增量；
迭代完成后，利用最终的预期增量及所述第一量值获取所述第二量值；
其中，所述单独最优增量为某一所述动态参数第n次迭代的初始量值与该动态参数的个体最优值之间的差值，所述个体最优值为该动态参数在第n次迭代中使阶段管理成本最小的量值，每次迭代后对所述个体最优值进行更新，参与下次迭代；所述整体最优增量为某一所述动态参数第n次迭代的初始量值与整体最优值之间的差值，所述整体最优值为所有动态参数在第n次迭代中使阶段管理成本最小的量值，每次迭代后对所述整体最优值进行更新，参与下次迭代；
所述阶段管理成本模型为：
其中，V为总时间阶段成本，F1 t(mt,nt)为t阶段订货成本控制函数，为t阶段在不缺货时的库存成本控制函数，F3 t(mt,nt,qt,wt)为t阶段缺货时的库存成本控制函数，为t阶段缺货成本控制函数，m为单位时间产品需求量，n为订货量，q为订货点，w为订货提前期；
所述步骤200包括：
步骤210、对输入的外界市场的需求信号进行微分，获取第一需求信号；
所述步骤300包括：
步骤310、对库存管理系统的空间状态进行监测，并根据监测结果利用状态补偿因子对所述企业库存管理系统中的所述动态参数进行补偿；
所述步骤310包括：
构建非线性补偿函数对动态参数进行补偿，非线性补偿函数为；
其中，
其中，η为监测误差，γ为限制因子，防止补偿过大造成企业库存管理系统震荡，其取值范围为[-γ，γ]，g为状态补偿因子，N为监测到的震荡干扰，φ为分段函数F1(η,φ,γ)中函数γ1-φ和函数|η|φ的幂变量。
2.根据权利要求1所述的自适应库存成本管理方法，其特征在于，所述步骤400包括：
步骤410、利用所述整体最优值对所述动态参数的适应程度进行评估。
3.根据权利要求2所述的自适应库存成本管理方法，其特征在于，所述步骤410包括：
步骤411、对某一动态参数n-1次迭代中个体最优值与整体最优值之间的差值小于规定阈值的次数是否达到第一规定次数进行判断；
步骤412、若达到或者超过第一规定次数，则确定动态参数的适应程度为优等级。
4.根据权利要求2所述的自适应库存成本管理方法，其特征在于，所述步骤400还包括：
步骤420、对某一动态参数n-1次迭代中个体最优值小于整体平均最优值的次数是否达到第二规定次数进行判断；
步骤430、若达到或超过第二规定次数，则确定该动态参数适应程度为劣等级。
5.根据权利要求4所述的自适应库存成本管理方法，其特征在于，所述步骤400还包括：
步骤440、淘汰适应度被确定为劣等级的动态参数，以使其不参与阶段管理成本控制。
6.一种自适应库存成本管理系统，采用权利要求1-5任一所述的管理方法，其特征在于，包括：
阶段管理成本模块；
跟踪检测模块；
动态补偿模块；
所述阶段管理成本模块包括最优更新单元；
所述跟踪检测模块用于对下游的订单需求信号进行跟踪检测，并对输入库存管理系统的所述订单需求信号进行柔性处理，以限制所述订单需求信号中的震荡干扰对所述动态参数造成影响；
所述动态补偿模块用于对t订货阶段的所述动态参数进行补偿，获取t订货阶段的所述动态参数的第一量值；
所述最优更新单元用于根据阶段管理成本模型，利用最优迭代算法对所述第一量值进行更新，以使阶段管理成本最小，获取所述动态参数t+1订货阶段的第二量值。
CN202311153482.XA 2023-09-08 2023-09-08 一种自适应库存成本管理方法及系统 Active CN117114577B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311153482.XA CN117114577B (zh) 2023-09-08 2023-09-08 一种自适应库存成本管理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311153482.XA CN117114577B (zh) 2023-09-08 2023-09-08 一种自适应库存成本管理方法及系统

Publications (2)

Publication Number Publication Date
CN117114577A CN117114577A (zh) 2023-11-24
CN117114577B true CN117114577B (zh) 2024-05-24

Family

ID=88802081

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311153482.XA Active CN117114577B (zh) 2023-09-08 2023-09-08 一种自适应库存成本管理方法及系统

Country Status (1)

Country Link
CN (1) CN117114577B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107563705A (zh) * 2017-09-25 2018-01-09 四川长虹电器股份有限公司 利用大数据分析家电产品安全库存及再订货的系统和方法
CN109242396A (zh) * 2018-09-30 2019-01-18 合肥工业大学 面向医用耗材库存与补货协同优化过程的调度方法及系统
CN110046865A (zh) * 2019-05-20 2019-07-23 重庆大学 分布式库存调度方法
CN110046761A (zh) * 2019-04-11 2019-07-23 北京工业大学 一种基于多目标粒子群优化算法的乙醇库存补货策略
CN112561414A (zh) * 2019-09-25 2021-03-26 顺丰科技有限公司 库存管理方法、装置及计算机可读存储介质
CN115034419A (zh) * 2021-03-03 2022-09-09 广州视源电子科技股份有限公司 多物料库存优化方法、装置、设备和存储介质
CN115966293A (zh) * 2023-02-02 2023-04-14 辉岭加拿大有限公司 一种实现体外诊断试剂vmi自动补货的软硬件协同算法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107563705A (zh) * 2017-09-25 2018-01-09 四川长虹电器股份有限公司 利用大数据分析家电产品安全库存及再订货的系统和方法
CN109242396A (zh) * 2018-09-30 2019-01-18 合肥工业大学 面向医用耗材库存与补货协同优化过程的调度方法及系统
CN110046761A (zh) * 2019-04-11 2019-07-23 北京工业大学 一种基于多目标粒子群优化算法的乙醇库存补货策略
CN110046865A (zh) * 2019-05-20 2019-07-23 重庆大学 分布式库存调度方法
CN112561414A (zh) * 2019-09-25 2021-03-26 顺丰科技有限公司 库存管理方法、装置及计算机可读存储介质
CN115034419A (zh) * 2021-03-03 2022-09-09 广州视源电子科技股份有限公司 多物料库存优化方法、装置、设备和存储介质
CN115966293A (zh) * 2023-02-02 2023-04-14 辉岭加拿大有限公司 一种实现体外诊断试剂vmi自动补货的软硬件协同算法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
不确定环境下的一种动态响应库存优化方法;阴艳超;郭成;;计算机工程与应用;20120611(17);全文 *
多种不确定因素环境下的最优产能决策研究;程亮;周昌林;汪小京;;武汉理工大学学报(信息与管理工程版);20110415(02);全文 *
数量折扣条件下的动态订货批量优化;田俊峰, 杨梅;西南交通大学学报;20041028(05);全文 *

Also Published As

Publication number Publication date
CN117114577A (zh) 2023-11-24

Similar Documents

Publication Publication Date Title
Peng et al. Adaptive event-triggering ${H} _ {\infty} $ load frequency control for network-based power systems
US8825185B2 (en) Delay compensation for feedback controllers
CN109946979B (zh) 一种伺服系统灵敏度函数的自适应调整方法
US8682454B2 (en) Method and system for controlling a multivariable system with limits
CN108900363B (zh) 调整局域网工作状态的方法、装置及系统
CN107203135B (zh) 一种基于动态反馈-前馈的自适应控制系统
CN117114577B (zh) 一种自适应库存成本管理方法及系统
Shi et al. Two-layer structure strategy for large-scale systems integrating online adaptive constraints adjustment method and cooperative distributed DMC algorithm
CN110209122B (zh) 一种多轴运动平台的控制方法、装置、介质及设备
EP3324542B1 (en) Adaptive filter with manageable resource sharing
US20180150037A1 (en) System and method for superior performance with respect to best performance values in model predictive control applications
CN112132471A (zh) 基于模拟退火粒子群算法的梯级水电站调度方法及系统
Yu et al. Event-triggered tracking control with filtered outputs and impulsive observers
CN114428460A (zh) 一种数据驱动的动态内模控制技术
Stoica et al. Application of robustified model predictive control to a production-inventory system
CN113238854A (zh) 一种线程数自动调节的方法、装置、设备及可读介质
Ryabchikov et al. Self-tuning of a neural network controller with an integral estimate of contradictions between the commands of the learning algorithm and memory
Rice et al. An advanced predictive control approach to the ALSTOM gasifier problem
CN116669212B (zh) 面向时变噪声功率的最优DoS能量调度方法及系统
Al-Duwaish et al. A robust controller for non-linear MIMO systems using radial basis function neural network
CN117784606A (zh) 一种供应链优化方法、系统及电子设备
EP4155533A1 (en) Damping mechanical oscillations related to a wind turbine
Chen et al. The improved Fuzzy-Smith compensator based on modeling error for network control system
Hudaya A Reference-Model Controller to Mitigate the Effect of Time Delay Change in a Networked Control Systems
Luo et al. Research on PDCA Optimization Model Based on PID Control Theory

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