CN117670154A - 一种基于决策大模型的供应链管理方法、系统及设备 - Google Patents
一种基于决策大模型的供应链管理方法、系统及设备 Download PDFInfo
- Publication number
- CN117670154A CN117670154A CN202410129360.5A CN202410129360A CN117670154A CN 117670154 A CN117670154 A CN 117670154A CN 202410129360 A CN202410129360 A CN 202410129360A CN 117670154 A CN117670154 A CN 117670154A
- Authority
- CN
- China
- Prior art keywords
- decision
- data
- model
- supply chain
- execution
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000013068 supply chain management Methods 0.000 title claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 85
- 238000007726 management method Methods 0.000 claims abstract description 79
- 238000011156 evaluation Methods 0.000 claims abstract description 60
- 230000008901 benefit Effects 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000004519 manufacturing process Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 6
- 238000012384 transportation and delivery Methods 0.000 claims description 6
- 238000003908 quality control method Methods 0.000 claims description 4
- 238000013439 planning Methods 0.000 claims description 3
- 239000002994 raw material Substances 0.000 claims description 3
- 239000000463 material Substances 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 16
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000013136 deep learning model Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000013179 statistical model Methods 0.000 description 3
- 230000001364 causal effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012896 Statistical algorithm Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
本发明提供了一种基于决策大模型的供应链管理方法、系统及设备,包括:根据决策场景在预设的决策大模型中匹配相应的决策算法模型;基于决策场景获取该决策场景所需的决策数据;基于与所述决策数据相关联的数据标签,配置决策数据至相应的数据标签内;对所述决策数据进行可计算数据参数转换,并根据第一预设规则计算所述数据参数,生成至少一个评估分数,一个决策算法模型具有一个评估分数;根据所述第二预设规则计算所述评估分数,生成评估结果,进而生成决策备选方案;基于决策备选方案获取决策方案,实现对供应链的管理。本发明提供的方法,大大减少供应链管理所需的人力及物力,保证决策和管理的精确性和效率性。
Description
技术领域
本发明涉及供应链智能管理技术领域,尤其是涉及一种基于决策大模型的供应链管理方法、系统及设备。
背景技术
供应链是由供应商、制造商、仓库、配送中心和渠道商等构成的物流网络。同一企业可能构成该物流网络的不同组成节点,但更多的情况下是由不同的企业构成这个网络中的不同节点。供应链实际上是由所有加盟的节点企业(或企业单位)组成,其中一般有一个核心企业,节点企业(或企业单位)在需求信息的驱动下,通过供应链的职能(制造、转运、分销、零售等)分工与合作实现整个供应链的不断增值。因而,所谓供应链管理,就是指在满足一定的客户服务水平的条件下,为了使整个供应链系统成本达到最小而把供应商、制造商、仓库、配送中心和渠道商等有效地组织在一起来进行的产品制造、转运、分销及销售的管理方法。
现有供应链管理所面临的决策问题包括但不限于:库存管理、成本核算、质量控制和设备维护等,其是市场分析和趋势预测、需求预测、缺陷检测、员工绩效与培训等多方面数据的综合决策问题。在现有技术中,这些问题往往通过人工决策,具体由老板直接解决、或由各部门之间相互配合间接解决。现有人工决策可全面解决上述业务问题但是在处理这些问题时需要大量的人力、物力、缺乏足够的精确性和效率。
发明内容
本发明旨在提供一种基于决策大模型的供应链管理方法、系统及设备,以解决上述技术问题,通过决策大模型实现对供应链的智能管理,大大减少管理所需的人力及物力,保证决策和管理的精确性和效率性。
为了解决上述技术问题,本发明提供了一种基于决策大模型的供应链管理方法,包括以下步骤:
响应于用于调用供应链管理决策场景的用户指令,调用决策场景;
根据决策场景在预设的决策大模型中匹配相应的决策算法模型;所述决策算法模型具有至少一个与决策数据相关联的数据标签;
基于决策场景获取该决策场景所需的决策数据;
基于与所述决策数据相关联的数据标签,配置决策数据至相应的数据标签内;每项决策数据配置至至少一个决策算法模型的数据标签中;
对所述决策数据进行可计算数据参数转换,并根据第一预设规则计算所述数据参数,生成至少一个评估分数,一个决策算法模型具有一个评估分数;
根据第二预设规则计算所述评估分数,生成评估结果,进而生成决策备选方案;
基于决策备选方案获取决策方案,实现对供应链的管理。
上述方案中,通过在决策大模型内设置具有数据标签的决策算法模型,同时,基于决策场景获取对应的决策数据并进行可计算数据参数转换,最后基于第一预设规则和第二预设规则获取评估结果,生成决策备选方案,进而得到最终的决策方案,可以实现对供应链的管理。该方法通过决策大模型实现对供应链的智能管理,大大减少管理所需的人力及物力,保证决策和管理的精确性和效率性。
进一步地,所述决策场景包括库存管理场景、需求预测场景、质量控制场景、利润核算场景、生产规划场景和成本控制场景等;所述决策数据包括采购数据、生产制作数据、库存管理数据、订单管理数据、仓库管理数据、物流数据和包含从原材料到交付消费者的所有数据。
进一步地,所述决策大模型预设过程包括:
获取各决策场景下的历史决策数据及各类决策问题对应的多种基础决策模型;
基于基础决策模型从历史决策数据中确定各类决策问题的最相关数据集及该最相关数据集的多个数据标签;
搜索与各数据标签相关的若干个决策算法模型,并结合最相关数据集和预设的性能指标对决策算法模型进行参数调整,使每个决策算法模型具有至少一个与决策数据相关联的数据标签;所述性能指标包括模型执行速度、模型结果的准确率和模型的泛化能力中的一种或多种;
将若干个决策算法模型预设为决策大模型。
进一步地,所述第一预设规则为预设的函数公式,其用于根据数据标签内不同决策数据的重要性和关联性程度对相应的变量进行设置,并对不同决策数据转换得到的可计算数据参数进行计算,生成至少一个评估分数,以对决策数据重要性和关联性程度进行评估。
上述方案中,第一预设规则用于对决策数据的重要性和关联性程度的评估,其可以设置为相似度计算模型或距离计算模型等计算模型,以确定在某一决策场景下,该决策数据与最终决策方案的重要程度和关联程度。
进一步地,所述第二预设规则为根据不同决策算法模型的重要性和关联性程度设置不同的模型权重,并将相应的模型权重导入预设的评估函数公式中进行计算,以输出不同决策算法模型的评估分数,进而得到评估结果。
上述方案中,第二预设规则用于对不同决策算法模型的重要性和关联性程度的评估,不同决策算法模型具备的优势不同,如知识推理模型、马尔科夫决策模型、贝叶斯网络决策模型或因果学习决策模型,每种模型有其自身的技术优势且应用场景,因而通过预先训练、学习便可以设置相应的模型权重,以在实际应用过程中,针对具体决策场景下的决策问题,令重要性和关联性更高的决策算法模型评估结果更占据主导地位,有效提高最终的决策准确度。
进一步地,所述基于决策备选方案获取决策方案,实现对供应链的管理,具体为:
将所有决策备选方案整理成执行步骤;
分别逐步模拟执行每个决策备选方案下每个执行步骤,得到所有决策备选方案每个执行步骤需要花费的成本、时间和收益;
基于所有决策备选方案每个执行步骤需要花费的成本、时间和收益,计算每个决策备选方案执行完成的总成本、总时间和总收益;
设定成本、时间和收益的权重系数,基于每个决策备选方案执行完成的总成本、总时间和总收益计算每个决策备选方案的总执行分数;
将总执行分数最高的决策备选方案作为决策方案,实现对供应链的管理。
上述方案中,通过对每个决策备选方案进行总执行分数评估,可以筛选出该决策场景下的最优决策方案,可以在保障供应链有效管理的情况下,提高管理的水平和质量。
进一步地,所述基于决策备选方案获取决策方案,实现对供应链的管理,还包括:
基于设定成本、时间和收益的权重系数,分别计算决策方案的每个执行步骤的子执行分数和其余决策备选方案的对应执行步骤的子执行分数;
若其余决策备选方案存在执行步骤对应的子执行分数高于决策方案对应执行步骤的子执行分数,则将该执行分数对应的其余决策备选方案执行步骤与决策方案对应执行步骤进行替换;直至决策方案每个执行步骤的子执行分数均最高,获取决策方案,实现对供应链的管理;
所述其余决策备选方案为决策备选方案中除决策方案外的决策备选方案。
上述方案中,通过对决策备选方案中每个步骤进行执行分数的评估,可以实现对决策方案进行更新与优化,保证决策方案每个步骤实现的成本、时间及收益都是最优选择,提高了供应链管理的质量。
本发明还提供一种基于决策大模型的供应链管理系统,包括:
决策场景调用模块,用于响应于用于调用供应链管理决策场景的用户指令,调用决策场景;
模型匹配模块,用于根据决策场景在预设的决策大模型中匹配相应的决策算法模型;所述决策算法模型具有一个以上数据标签,所述数据标签与决策数据相关联;
决策数据获取模块,用于基于决策场景获取该决策场景所需的决策数据;
标签配置模块,用于基于与所述决策数据相关联的数据标签,配置决策数据至相应的数据标签内;每项所述决策数据配置至一个以上所述决策算法模型的所述数据标签内;
单模型评估分数生成模块,用于转换所述决策数据成可计算的数据参数,并根据第一预设规则计算所述数据参数,生成一个以上评估分数,一个决策算法模型具有一个评估分数;
备选方案生成模块,用于根据第二预设规则计算所述评估分数,生成评估结果,进而生成决策备选方案;
决策方案获取模块,用于基于决策备选方案获取决策方案,实现对供应链的管理。
上述方案提供的系统结构简单,构建方便,可以很好地实现一种基于决策大模型的供应链管理方法,其通过在决策大模型内设置具有数据标签的决策算法模型,同时,基于决策场景获取对应的决策数据并进行可计算数据参数转换,最后基于第一预设规则和第二预设规则获取评估结果,生成决策备选方案,进而得到最终的决策方案,可以实现对供应链的管理。该方法通过决策大模型实现对供应链的智能管理,大大减少管理所需的人力及物力,保证决策和管理的精确性和效率性。
本发明还提供一种基于决策大模型的供应链管理设备,该设备用于实现上述的一种基于决策大模型的供应链管理方法。
本发明还提供一种计算机存储介质,所述计算机存储介质存储有计算机指令,所述计算机指令用于实现上述的一种基于决策大模型的供应链管理方法。
附图说明
图1为本发明一实施例提供的一种基于决策大模型的供应链管理方法流程示意图;
图2为本发明一实施例提供的一种基于决策大模型的供应链管理系统架构图示意图。
具体实施方式
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、完整的描述,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。
请参见图1,本实施例提供一种基于决策大模型的供应链管理方法,包括以下步骤:
S1:响应于用于调用供应链管理决策场景的用户指令,调用决策场景;
S2:根据决策场景在预设的决策大模型中匹配相应的决策算法模型;所述决策算法模型具有至少一个与决策数据相关联的数据标签;
S3:基于决策场景获取该决策场景所需的决策数据;
S4:基于与所述决策数据相关联的数据标签,配置决策数据至相应的数据标签内;每项决策数据配置至至少一个决策算法模型的数据标签中;
S5:对所述决策数据进行可计算数据参数转换,并根据第一预设规则计算所述数据参数,生成至少一个评估分数,一个决策算法模型具有一个评估分数;
不同的决策算法模型其计算所需的数据形式可能不同,因而对于不同数据标签中的决策数据需要根据决策算法模型的类型,转化为该决策算法模型中可计算的数据参数,以方便决策算法模型进行运算;
S6:根据所述第二预设规则计算所述评估分数,生成评估结果,进而生成决策备选方案;
S7:基于决策备选方案获取决策方案,实现对供应链的管理。
在本实施例中,通过在决策大模型内设置具有数据标签的决策算法模型,同时,基于决策场景获取对应的决策数据并进行可计算数据参数转换,最后基于第一预设规则和第二预设规则获取评估结果,生成决策备选方案,进而得到最终的决策方案,可以实现对供应链的管理。该方法通过决策大模型实现对供应链的智能管理,大大减少管理所需的人力及物力,保证决策和管理的精确性和效率性。
进一步地,所述决策场景包括库存管理场景、需求预测场景、质量控制场景、利润核算场景、生产规划场景和成本控制场景;所述决策数据包括采购数据、生产制作数据、库存管理数据、订单管理数据、仓库管理数据、物流数据和包含从原材料到交付消费者的所有数据。
在本实施例中,决策场景涵盖了供应链各个环节的管理场景,在实际应用过程中其决策场景是可以预先构建的,如在一般情况下依据经济批量的订货周期是长于送货提前期的,并且经济批量也大于重新订货量,所以一般的库存,补货优化是在一个订货周期内发生一次补货,这时重新订货量一般总是小于现有库存量,即在这种场景假设下缺货的可能性很小,对重新订货量的警戒监控也不是很强,但也有很多时候依据经济批量的订货周期是短于送货提前期的,这会导致一个订货周期内必须有多次补货或者一次补货量要比原计划量加倍,不然会发生缺货,此时便需要对供应链进行有效的管理。通过预设该决策场景并同时将以上相关的参数作为决策数据,并根据决策数据得到最终的决策方案,比如可以通过调整库存订单量的大小或通过调整高额订单成本以及交货时间等解决方案实现不同场景下的最优决策。
需要说明的是,所述决策场景可通过现有场景设置模块实现,场景设置模块可以提供可视化的供应链管理模型编辑功能,模型用户可在基础流程模型、智能体组件模型和状态机组件的支持下,利用标准的组件图标,根据决策需求进行模型的配置、确定不同需求环境下的状态时间、动作参数以及场景显示元素(图片、GIS、基本的点、线、面)等信息,以及提供统计分析指标设计、统计结果展示样式设计。
进一步地,所述决策大模型预设过程包括:
获取各决策场景下的历史决策数据及各类决策问题对应的多种基础决策模型;
基于基础决策模型从历史决策数据中确定各类决策问题的最相关数据集及该最相关数据集的多个数据标签;
搜索与各数据标签相关的若干个决策算法模型,并结合最相关数据集和预设的性能指标对决策算法模型进行参数调整,使每个决策算法模型具有至少一个与决策数据相关联的数据标签;所述性能指标包括模型执行速度、模型结果的准确率和模型的泛化能力中的一种或多种;
将若干个决策算法模型预设为决策大模型。
在本实施例中,所述决策算法模型可以包括机器学习模型、统计模型和深度学习模型;机器学习模型用于根据决策数据在决策场景中进行决策备选方案预测,其经过训练可以根据输入的决策数据预测出符合该决策场景的若干个备选方案;统计模型用于对决策数据进行分类和统计,实际的决策场景往往是复杂的,完成一次决策需要海量的决策数据,因而需要对决策数据进行统计,且决策数据类型并不单一,因而在数据统计前需进行分类;深度学习模型以机器学习模型为基础,可以更深层次地在决策场景中挖掘出决策数据间地联系,实现更高级别的抽象表达和预测。机器学习模型、统计模型和深度学习模型可以通过有效的评估指标,确保所选定的决策算法模型能够提供更加准确和可靠的决策结果。
进一步地,所述第一预设规则为预设的函数公式,其用于根据数据标签内不同决策数据的重要性和关联性程度对相应的变量进行设置,并对不同决策数据转换得到的可计算数据参数进行计算,生成至少一个评估分数,以对决策数据重要性和关联性程度进行评估。
在本实施例中,第一预设规则用于对决策数据的重要性和关联性程度的评估,其可以设置为相似度计算模型或距离计算模型等计算模型,以确定在某一决策场景下,该决策数据与最终决策方案的重要程度和关联程度。
进一步地,所述第二预设规则为根据不同决策算法模型的重要性和关联性程度设置不同的模型权重,并将相应的模型权重导入预设的评估函数公式中进行计算,以输出不同决策算法模型的评估分数,进而得到评估结果。
在本实施例中,第二预设规则用于对不同决策算法模型的重要性和关联性程度的评估,不同决策算法模型具备的优势不同,如知识推理模型、马尔科夫决策模型、贝叶斯网络决策模型或因果学习决策模型,每种模型有其自身的技术优势且应用场景,因而通过预先训练、学习便可以设置相应的模型权重,以在实际应用过程中,针对具体决策场景下的决策问题,令重要性和关联性更高的决策算法模型评估结果更占据主导地位,有效提高最终的决策准确度。
在本实施例中,可以通过判断的得到的评估结果所处阈值范围,输出该阈值对应的若干可能处理方案作为决策备选方案;不同决策场景下的一般处理方案的文本存储于数据库中,通过本方案可以对输入的决策数据进行评估,以筛选符合决策数据的决策备选方案。
在一实施例中,针对于库存管理场景,对于不同阈值可分为库存不足、库存过剩、库存合理或评估误差;针对库存不足的问题,其输出的决策备选方案主要为补货的若干个方案;针对库存过剩的问题,其输出的决策备选方案主要为货品交易、销售的若干个方案;针对库存合理的问题,其输出的决策备选方案主要为提高交易、销售量的同时,保证货源充足的若干个方案;针对评估误差的问题,其需要人工进行复核,再重新进行评估。在库存管理场景中,其所需的决策数据包括但不仅限于成品库存数据、历史交易数据、原件补货记录和原件的商业属性信息。
在具体实现过程中,可以根据决策场景的不同,基于历史决策数据制定一系列常规的决策方案,可以输入的决策数据进行分类统计,再对决策大模型进行训练与学习,以获取不同决策数据的权重及不同决策算法模型权重进行设置,进而针对输入的决策数据,可以计算出一个评估结果,基于该评估结果可以在数据库中搜索相应的决策方案作为决策备选方案,从而对供应链的各种决策场景提供指导。
进一步地,所述基于决策备选方案获取决策方案,实现对供应链的管理,具体为:
将所有决策备选方案整理成执行步骤;
分别逐步模拟执行每个决策备选方案下每个执行步骤,得到所有决策备选方案每个执行步骤需要花费的成本、时间和收益;
基于所有决策备选方案每个执行步骤需要花费的成本、时间和收益,计算每个决策备选方案执行完成的总成本、总时间和总收益;
设定成本、时间和收益的权重系数,基于每个决策备选方案执行完成的总成本、总时间和总收益计算每个决策备选方案的总执行分数;
将总执行分数最高的决策备选方案作为决策方案,实现对供应链的管理。
在本实施例中,通过对每个决策备选方案进行总执行分数评估,可以筛选出该决策场景下的最优决策方案,可以在保障供应链有效管理的情况下,提高管理的水平和质量。
进一步地,所述基于决策备选方案获取决策方案,实现对供应链的管理,还包括:
基于设定成本、时间和收益的权重系数,分别计算决策方案的每个执行步骤的子执行分数和其余决策备选方案的对应执行步骤的子执行分数;
若其余决策备选方案存在执行步骤对应的子执行分数高于决策方案对应执行步骤的子执行分数,则将该执行分数对应的其余决策备选方案执行步骤与决策方案对应执行步骤进行替换;直至决策方案每个执行步骤的子执行分数均最高,获取决策方案,实现对供应链的管理;
所述其余决策备选方案为决策备选方案中除决策方案外的决策备选方案。
在本实施例中,通过对决策备选方案中每个步骤进行执行分数的评估,可以实现对决策方案进行更新与优化,保证决策方案每个步骤实现的成本、时间及收益都是最优选择,提高了供应链管理的质量。
需要说明的是,在供应链管理的决策场景下,不同的决策备选方案基本是并列关系,即基于最终的评估结果下,可以得到很多执行步骤不同,但执行结果类似的决策备选方案,因而每种决策备选方案便可能存在某些执行步骤存在优势,因而可以将其筛选出来。而获益于执行方案的执行步骤一般都是比较近似的,仅是具体的调控时间节点或价格高低等参数不同,故其执行步骤是可以进行适当的替换的。为保障执行步骤的替换不会影响决策方案的实现,在替换后可以进行人工审核或调参。
请参见图2,本实施例提供一种基于决策大模型的供应链管理系统,包括:
决策场景调用模块,用于响应于用于调用供应链管理决策场景的用户指令,调用决策场景;
模型匹配模块,用于根据决策场景在预设的决策大模型中匹配相应的决策算法模型;所述决策算法模型具有一个以上数据标签,所述数据标签与决策数据相关联;
决策数据获取模块,用于基于决策场景获取该决策场景所需的决策数据;
标签配置模块,用于基于与所述决策数据相关联的数据标签,配置决策数据至相应的数据标签内;每项所述决策数据配置至一个以上所述决策算法模型的所述数据标签内;
单模型评估分数生成模块,用于转换所述决策数据成可计算的数据参数,并根据第一预设规则计算所述数据参数,生成一个以上评估分数,一个决策算法模型具有一个评估分数;
备选方案生成模块,用于根据第二预设规则计算所述评估分数,生成评估结果,进而生成决策备选方案;
决策方案获取模块,用于基于决策备选方案获取决策方案,实现对供应链的管理。
本实施例提供的系统结构简单,构建方便,可以很好地实现一种基于决策大模型的供应链管理方法,其通过在决策大模型内设置具有数据标签的决策算法模型,同时,基于决策场景获取对应的决策数据并进行可计算数据参数转换,最后基于第一预设规则和第二预设规则获取评估结果,生成决策备选方案,进而得到最终的决策方案,可以实现对供应链的管理。该系统通过决策大模型实现对供应链的智能管理,大大减少管理所需的人力及物力,保证决策和管理的精确性和效率性。
本实施例提供一种基于决策大模型的供应链管理设备,该设备用于实现上述的一种基于决策大模型的供应链管理方法。
本实施例提供一种计算机存储介质,所述计算机存储介质存储有计算机指令,所述计算机指令用于实现上述的一种基于决策大模型的供应链管理方法。
进一步地,为了更清楚地说明本发明的应用过程,本实施例以库存管理场景为例进行具体的说明。
首先,由用户输入“库存管理场景”的相关关键字,由处理器/计算机等智能设备将相关关键字转化为用户指令,以在供应链管理决策场景调用出“库存管理场景”的决策场景。
需要说明的是,决策场景可通过Drools规则引擎进行搭建,库存管理场景的决策场景可以为仓库、供应方、管理方、订货方等多方构成的闭环场景,其中涉及的决策问题包括:当前仓库是否需要补货;某种商品的补货选择应当选择哪个供应方;选择哪个订货方的利润最高;如何减少仓库管理成本等。
第二,根据“库存管理场景”的决策场景在预设的决策大模型中匹配相应的决策算法模型,根据“库存管理场景”的决策场景可以在预设的决策大模型中匹配到补货决策模型、供应方决策模型、利润最优模型和仓库管理模型。
决策大模型包括若干个可以解决不同决策场景不同决策问题的决策算法模型的综合,如针对“当前仓库是否需要补货”的决策问题,可以采用补货决策模型进行决策,其通过定义具体的目标函数,以避免某个商品在不同仓库之间的失衡、避免某个仓库中不同商品数量之间的失衡及避免某个商品补货量不足以使仓库达到调整前的目标库存量的问题,再通过定义相应的约束函数,最后通过商业求解器进行求解,如Gurobi,Cplex,Copt等,便可以得到“当前仓库是否需要补货”的决策问题的决策结果。而针对“某种商品的补货选择应当选择哪个供应方”的决策问题,可以采用供应方决策模型进行决策,类似地,可以以某种商品的利润作为目标函数,将供应方的传输距离、单价、服务成本、优惠策略等作为约束条件,最后再对目标函数进行求解,以得到“某种商品的补货选择应当选择哪个供应方”的决策结果。
进一步地,为了提高决策的精确度,可以将机器学习算法、统计算法和深度学习算法应用到相应的决策模型中。针对每一种决策场景下的具体决策算法模型的选择可以有多种,且均是现有技术的基本应用,并非本方案的重点也无法穷举,不能解释为其无法实现。
在补货决策模型中,其相应的约束函数对应的数据即为与决策数据相关联的数据标签,包括现库存量、出货量和进货量等。其中,与“现库存量”数据标签相关的决策数据包括商品编号、商品最后更新时间和商品库存量等;与“出货量”数据标签相关的决策数据包括商品编号、历史订单量、已出单订单量和商品库存量等;与“进货量”数据标签相关的决策数据包括商品编号、已下单量、已签收未入库量等。类似的,供应方决策模型、利润最优模型和仓库管理模型均有对应的与决策数据相关联的数据标签。
需要说明的是,决策算法模型在预设过程中,对于不同约束函数具备不同的权重参数,而基于预设的性能指标对决策算法模型进行权重参数的调整,一方面可以贴合实际的需求,另一方面可以筛选出与决策问题最相关的决策数据,保证筛选出的决策算法模型的性能。
第三,在确定出补货决策模型、供应方决策模型、利润最优模型和仓库管理模型后,便可以根据每个模型对应的数据标签获取决策所需的决策数据。此处需要说明的是,在决策算法模型预设过程中,获取各决策场景下的历史决策数据及各类决策问题对应的多种基础决策模型,再基于基础决策模型从历史决策数据中确定各类决策问题的最相关数据集及该最相关数据集的多个数据标签,即通过决策数据确定数据标签的过程;而在决策算法模型应用过程中,是通过确定的数据标签获取所需的决策数据,提高数据获取的针对性和效率性。
第四,将获得的决策数据配置到相应的数据标签中,即为不同的决策算法模型匹配对应的决策数据。
第五,对决策数据进行可计算数据参数转换。此处设置的目的在于,将所有决策数据统一为决策算法模型可以计算的形式。如涉及“在某时段是否存在订单”问题时,其决策数据包括“是”或“否”,则可以将其转化为“1”或“0”;涉及“商品库存量”问题时,其决策数据为一个常数,而该常数在约束函数中一般体现为大于某个阈值,则满足条件,否则不满足,此时可以将其转化为“1”或“0”;也可能存在该常数在约束函数中体现为分值的情况,如商品库存量为0-100时标记为严重缺货,商品库存量为100-200时标记为缺货,商品库存量为200-300时标记为充足,商品库存量为300-400时标记为饱和,商品库存量为500-600时标记为过饱和,此时可以将其转化为用“0~4”以表示商品库存量状态。部分可计算的决策数据则无需进行数据参数转换,且具体转换规则可以依据实际的情况进行变化,基于上述参数转换过程,可以将决策数据均转换为可计算的计算机数据参数。
第六,根据第一预设规则计算数据参数,一个决策算法模型具有一个评估分数。在“库存管理场景”中确定“选择哪个订货方的利润最高”的决策问题中,其决策算法模型可以简化为:
式中,表示净利润,其为一种评估分数;/>表示毛利润,/>表示运输成本,/>表示损耗成本,/>表示进货成本,/>表示其它成本。其中毛利润计算问题、运输成本计算问题、损耗成本成本计算问题和进货成本计算问题可以应用具体的数学模型进行获取,其计算所需的数据即为决策数据。
在上述决策算法模型中,其包含多项约束函数,而针对于不同的的商品,可以设置第一预设规则对不同约束函数进行主次排序,即上述决策算法模型可以转化为:
式中,表示运输成本系数,/>表示损耗成本系数,/>表示进货成本系数,/>表示其它成本系数,这四个系数组成第一预设规则。
此时,当面临的商品为水果时,其净利润影响因素排序由大至小应当为、/>、/>、/>;当面临的商品为稀有金属物时,其净利润影响因素排序由大至小应当为/>、/>、/>、。即第一预设规则用于评估决策数据对决策结果的重要性和关联性程度,其可以与商品属性挂钩,也可以与当地的市场行情挂钩。在实际设置时,可以通过大量数据的统计计算,并采用相似度计算模型或距离计算模型等计算模型,以确定在某一决策场景下,不同决策数据与最终决策方案的重要程度和关联程度。
需要说明的时,在智能实现过程中,可以将商品属性作为决策数据并进行数据参数转化,并通过查表的方式调用不同的系数组合为所选取的决策算法模型进行计算。
进一步地,本实施例中第一预设规则所涉及的系数组合不同于决策算法模型预设过程中的权重参数,决策算法模型预设过程中的权重参数的确定标准为性能指标,在同一个决策问题的情况下,其可以确定当哪个参数占比最大时,其算法性能最佳;而第一预设规则所涉及的系数组合用于用于评估决策数据对决策结果的重要性和关联性程度。
第七,根据第二预设规则计算所述评估分数,可以表示为:
一个决策场景可能涉及多个相互关联的决策问题,如“库存管理场景”下的“M商品选择哪个订货方的利润最高”“当前仓库M商品是否需要补货”“M商品的补货选择应当选择哪个供应方”和“M商品如何管理可以减少仓库管理成本”等决策问题是相互关联的,此时可以定义利润最大化的库存管理方案,其简化表达为:
式中,为一个数值,该数值对应若干个决策备选方案;参数/>组成第二预设规则,该规则用于根据不同决策算法模型的重要性和关联性程度设置不同的模型权重,在决策场景中对相关联决策问题的重要性进行区分,其设置可以与商品属性挂钩,也可以与当地的市场行情挂钩;/>表示净利润,用于表示M商品每个订货方的利润;/>表示补货成本;/>表示进货节省成本;/>表示仓库管理成本。
最后,根据数值生成决策备选方案,并从决策备选方案获取决策方案,实现对供应链的管理。此处可以通过查表的方式获取数值/>对应的决策备选方案,再通过将所有决策备选方案整理成执行步骤,分别逐步模拟执行每个决策备选方案下每个执行步骤,得到所有决策备选方案每个执行步骤需要花费的成本、时间和收益;基于所有决策备选方案每个执行步骤需要花费的成本、时间和收益,计算每个决策备选方案执行完成的总成本、总时间和总收益;设定成本、时间和收益的权重系数,基于每个决策备选方案执行完成的总成本、总时间和总收益计算每个决策备选方案的总执行分数;将总执行分数最高的决策备选方案作为决策方案,实现对供应链的管理。
需要说明的是,本实施例的技术重点在于,通过在决策大模型内设置具有数据标签的决策算法模型,并基于第一预设规则和第二预设规则获取评估结果,生成决策备选方案,进而得到最终的决策方案,可以实现对供应链的管理。对于具体决策问题的决策算法模型是本领域的常规设计,本方案的重点为通过设置第一预设规则可以基于决策问题确定最优的决策数据排序,通过设置第二预设规则可以基于决策问题选取最优的决策算法模型排序,进而提高决策和管理的精确性和效率性,大大减少管理所需的人力及物力。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (9)
1.一种基于决策大模型的供应链管理方法,其特征在于,包括以下步骤:
响应于用于调用供应链管理决策场景的用户指令,调用决策场景;
根据决策场景在预设的决策大模型中匹配相应的决策算法模型;所述决策算法模型具有至少一个与决策数据相关联的数据标签;
基于决策场景获取该决策场景所需的决策数据;
基于与所述决策数据相关联的数据标签,配置决策数据至相应的数据标签内;每项决策数据配置至至少一个决策算法模型的数据标签中;
对所述决策数据进行可计算数据参数转换,并根据第一预设规则计算所述数据参数,生成至少一个评估分数,一个决策算法模型具有一个评估分数;
根据第二预设规则计算所述评估分数,生成评估结果,进而生成决策备选方案;
基于决策备选方案获取决策方案,实现对供应链的管理。
2.根据权利要求1所述的一种基于决策大模型的供应链管理方法,其特征在于,所述决策场景包括库存管理场景、需求预测场景、质量控制场景、利润核算场景、生产规划场景和成本控制场景;所述决策数据包括采购数据、生产制作数据、库存管理数据、订单管理数据、仓库管理数据、物流数据和包含从原材料到交付消费者的所有数据。
3.根据权利要求1所述的一种基于决策大模型的供应链管理方法,其特征在于,所述决策大模型预设过程包括:
获取各决策场景下的历史决策数据及各类决策问题对应的多种基础决策模型;
基于基础决策模型从历史决策数据中确定各类决策问题的最相关数据集及该最相关数据集的多个数据标签;
搜索与各数据标签相关的若干个决策算法模型,并结合最相关数据集和预设的性能指标对决策算法模型进行参数调整,使每个决策算法模型具有至少一个与决策数据相关联的数据标签;所述性能指标包括模型执行速度、模型结果的准确率和模型的泛化能力中的一种或多种;
将若干个决策算法模型预设为决策大模型。
4.根据权利要求1所述的一种基于决策大模型的供应链管理方法,其特征在于,所述第一预设规则为预设的函数公式,其用于根据数据标签内不同决策数据的重要性和关联性程度对相应的变量进行设置,并对不同决策数据转换得到的可计算数据参数进行计算,生成至少一个评估分数,以对决策数据重要性和关联性程度进行评估。
5.根据权利要求1所述的一种基于决策大模型的供应链管理方法,其特征在于,所述第二预设规则为根据不同决策算法模型的重要性和关联性程度设置不同的模型权重,并将相应的模型权重导入预设的评估函数公式中进行计算,以输出不同决策算法模型的评估分数,进而得到评估结果。
6.根据权利要求1~5任一项所述的一种基于决策大模型的供应链管理方法,其特征在于,所述基于决策备选方案获取决策方案,实现对供应链的管理,具体为:
将所有决策备选方案整理成执行步骤;
分别逐步模拟执行每个决策备选方案下每个执行步骤,得到所有决策备选方案每个执行步骤需要花费的成本、时间和收益;
基于所有决策备选方案每个执行步骤需要花费的成本、时间和收益,计算每个决策备选方案执行完成的总成本、总时间和总收益;
设定成本、时间和收益的权重系数,基于每个决策备选方案执行完成的总成本、总时间和总收益计算每个决策备选方案的总执行分数;
将总执行分数最高的决策备选方案作为决策方案,实现对供应链的管理。
7.根据权利要求6所述的一种基于决策大模型的供应链管理方法,其特征在于,所述基于决策备选方案获取决策方案,实现对供应链的管理,还包括:
基于设定成本、时间和收益的权重系数,分别计算决策方案的每个执行步骤的子执行分数和其余决策备选方案的对应执行步骤的子执行分数;
若其余决策备选方案存在执行步骤对应的子执行分数高于决策方案对应执行步骤的子执行分数,则将该执行分数对应的其余决策备选方案执行步骤与决策方案对应执行步骤进行替换;直至决策方案每个执行步骤的子执行分数均最高,获取决策方案,实现对供应链的管理;
所述其余决策备选方案为决策备选方案中除决策方案外的决策备选方案。
8.一种基于决策大模型的供应链管理系统,其特征在于,包括:
决策场景调用模块,用于响应于用于调用供应链管理决策场景的用户指令,调用决策场景;
模型匹配模块,用于根据决策场景在预设的决策大模型中匹配相应的决策算法模型;所述决策算法模型具有一个以上数据标签,所述数据标签与决策数据相关联;
决策数据获取模块,用于基于决策场景获取该决策场景所需的决策数据;
标签配置模块,用于基于与所述决策数据相关联的数据标签,配置决策数据至相应的数据标签内;每项所述决策数据配置至一个以上所述决策算法模型的所述数据标签内;
单模型评估分数生成模块,用于转换所述决策数据成可计算的数据参数,并根据第一预设规则计算所述数据参数,生成一个以上评估分数,一个决策算法模型具有一个评估分数;
备选方案生成模块,用于根据第二预设规则计算所述评估分数,生成评估结果,进而生成决策备选方案;
决策方案获取模块,用于基于决策备选方案获取决策方案,实现对供应链的管理。
9.一种基于决策大模型的供应链管理设备,其特征在于,该设备用于执行如权利要求1~7任一项所述的一种基于决策大模型的供应链管理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410129360.5A CN117670154A (zh) | 2024-01-31 | 2024-01-31 | 一种基于决策大模型的供应链管理方法、系统及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410129360.5A CN117670154A (zh) | 2024-01-31 | 2024-01-31 | 一种基于决策大模型的供应链管理方法、系统及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117670154A true CN117670154A (zh) | 2024-03-08 |
Family
ID=90064442
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410129360.5A Pending CN117670154A (zh) | 2024-01-31 | 2024-01-31 | 一种基于决策大模型的供应链管理方法、系统及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117670154A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5953707A (en) * | 1995-10-26 | 1999-09-14 | Philips Electronics North America Corporation | Decision support system for the management of an agile supply chain |
CN106169112A (zh) * | 2015-05-18 | 2016-11-30 | 埃森哲环球服务有限公司 | 用于供应链的策略决策支持 |
CN113222493A (zh) * | 2021-03-30 | 2021-08-06 | 上海画龙信息科技有限公司 | 一种供应链库存管理方法、装置和电子设备 |
CN113592207A (zh) * | 2020-04-30 | 2021-11-02 | 炬星科技(深圳)有限公司 | 基于机器人的网状供应链决策方法、设备及存储介质 |
CN114742492A (zh) * | 2022-03-09 | 2022-07-12 | 深圳市天人供应链管理有限公司 | 一种供应链上下级库存决策的方法及系统 |
CN115375149A (zh) * | 2022-08-25 | 2022-11-22 | 杭州网易再顾科技有限公司 | 供应链策略确定方法、介质、装置和计算设备 |
CN116611610A (zh) * | 2023-04-24 | 2023-08-18 | 国网江苏省电力有限公司经济技术研究院 | 计及多属性群体决策的园区综合能源系统调度评价方法 |
CN116737129A (zh) * | 2023-08-08 | 2023-09-12 | 杭州比智科技有限公司 | 一种供应链控制塔生成式大语言模型及其构建方法 |
CN116976564A (zh) * | 2023-08-18 | 2023-10-31 | 哈尔滨工业大学 | 基于大模型的智能企业决策方法 |
CN117196787A (zh) * | 2023-10-08 | 2023-12-08 | 深圳市童牛科技有限公司 | 一种基于人工智能的智能决策优化方法及系统 |
CN117290462A (zh) * | 2023-11-27 | 2023-12-26 | 北京滴普科技有限公司 | 一种数据大模型的智能决策系统及方法 |
-
2024
- 2024-01-31 CN CN202410129360.5A patent/CN117670154A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5953707A (en) * | 1995-10-26 | 1999-09-14 | Philips Electronics North America Corporation | Decision support system for the management of an agile supply chain |
CN106169112A (zh) * | 2015-05-18 | 2016-11-30 | 埃森哲环球服务有限公司 | 用于供应链的策略决策支持 |
CN113592207A (zh) * | 2020-04-30 | 2021-11-02 | 炬星科技(深圳)有限公司 | 基于机器人的网状供应链决策方法、设备及存储介质 |
CN113222493A (zh) * | 2021-03-30 | 2021-08-06 | 上海画龙信息科技有限公司 | 一种供应链库存管理方法、装置和电子设备 |
CN114742492A (zh) * | 2022-03-09 | 2022-07-12 | 深圳市天人供应链管理有限公司 | 一种供应链上下级库存决策的方法及系统 |
CN115375149A (zh) * | 2022-08-25 | 2022-11-22 | 杭州网易再顾科技有限公司 | 供应链策略确定方法、介质、装置和计算设备 |
CN116611610A (zh) * | 2023-04-24 | 2023-08-18 | 国网江苏省电力有限公司经济技术研究院 | 计及多属性群体决策的园区综合能源系统调度评价方法 |
CN116737129A (zh) * | 2023-08-08 | 2023-09-12 | 杭州比智科技有限公司 | 一种供应链控制塔生成式大语言模型及其构建方法 |
CN116976564A (zh) * | 2023-08-18 | 2023-10-31 | 哈尔滨工业大学 | 基于大模型的智能企业决策方法 |
CN117196787A (zh) * | 2023-10-08 | 2023-12-08 | 深圳市童牛科技有限公司 | 一种基于人工智能的智能决策优化方法及系统 |
CN117290462A (zh) * | 2023-11-27 | 2023-12-26 | 北京滴普科技有限公司 | 一种数据大模型的智能决策系统及方法 |
Non-Patent Citations (2)
Title |
---|
ILONA JACYNA-GOŁDA 等: "Decision-making model for supporting supply chain efficiency evaluation", 《ARCHIVES OF TRANSPORT》, 31 March 2015 (2015-03-31), pages 17 - 31 * |
雷蓓蓓;杨春节;曹柬;: "基于模型预测控制的供应链操作优化仿真方案", 系统仿真学报, no. 16, 20 August 2008 (2008-08-20), pages 18 - 23 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gholizadeh et al. | A robust fuzzy stochastic programming for sustainable procurement and logistics under hybrid uncertainty using big data | |
Vernadat et al. | VR-PMS: a new approach for performance measurement and management of industrial systems | |
US10467550B1 (en) | Operational business intelligence measurement and learning system | |
US20020072956A1 (en) | System and method for determining the optimum configuration strategy for systems with multiple decision options | |
Choy et al. | Design of an intelligent supplier relationship management system for new product development | |
Dev et al. | A hybrid adaptive decision system for supply chain reconfiguration | |
JP7105336B2 (ja) | スマートサプライチェーンシステム | |
Ali et al. | Multi-objective linear fractional inventory problem under intuitionistic fuzzy environment | |
CN112581182B (zh) | 自动售货设备的销售管理方法及系统 | |
JP2004021364A (ja) | 経営意思決定支援システム | |
Liu et al. | Integrating IVFRN-BWM and goal programming to allocate the order quantity considering discount for green supplier | |
JP2007323680A (ja) | 経営意思決定支援システム | |
Mohamed-Iliasse et al. | Is machine learning revolutionizing supply chain? | |
CN116739217A (zh) | 一种基于供应链大数据平台的零售管理方法及系统 | |
Jafari Nozar et al. | Hyper-heuristic for integrated due-window scheduling and vehicle routing problem for perishable products considering production quality | |
CN113469595A (zh) | 智慧供应链系统及服务器平台 | |
Li et al. | Machine learning algorithm generated sales prediction for inventory optimization in cross-border E-commerce | |
Wofuru-Nyenke et al. | Advancements in sustainable manufacturing supply chain modelling: a review | |
Borajee et al. | A chance-constraint optimization model for a multi-echelon multi-product closed-loop supply chain considering brand diversity: An accelerated Benders decomposition algorithm | |
Davari et al. | An integrated simulation-fuzzy model for preventive maintenance optimisation in multi-product production firms | |
Zhang et al. | Big data-enabled intelligent synchronisation for the complex production logistics system under the opti-state control strategy | |
Finco et al. | Applying the zero-inflated Poisson regression in the inventory management of irregular demand items | |
CN113469598A (zh) | 智慧供应链系统及服务器平台 | |
CN117670154A (zh) | 一种基于决策大模型的供应链管理方法、系统及设备 | |
Chan et al. | Knowledge-based simulation and analysis of supply chain performance |
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 |