一种计算实验支持的复杂供应链多目标决策方法技术

本发明专利技术公开了一种计算实验支持的复杂供应链多目标决策方法，可以探索和预测方案在复杂供应链中的多元涌现，并基于涌现结果对方案进行多目标优化与排序得到决策建议。首先设计计算实验以构建供应链模型；在计算实验模型设计完成后，通过将计算实验与多目标进化算法NSGA

【技术实现步骤摘要】
optimization approach for inventory replenishment problem with premium freights in convergent supply chains.Omega,80,153
‑
165.)讨论了不同库存原则下的最优库存策略，发现NSGA
‑
II在寻找最优解时优于MOEA/D。将仿真与多目标进化算法NSGA
‑
II相结合是处理多目标规范性决策问题的有效方法。
[0004]由于计算实验是仿真的进一步发展，因此结合了多目标进化算法NSGA
‑
II的计算实验支持的多目标决策方法应该会表现良好。虽然少有文章提出了计算实验支持的多目标决策方法以用于复杂供应链演化领域，但一些研究者已经在计算实验中利用单目标进化算法进行方案结果的预测和分析，如对实验中供应链路径进行优化(X.Xue,Y.M.Kou,S.F.Wang,Z.Z.Liu.2018.Computational experiment research on the equalization
‑
oriented service strategy in collaborative manufacturing.IEEE Transactions on Services Computing,11(2),369
‑
383.)，或在计算实验中用单目标进化算法来刻画供应链个体的演化过程(X.Xue,S.F.Wang,L.J.Zhang,Z.Y.Feng,Y.D.Guo.2019.Social learning evolution(SLE)：Computational experiment
‑
based modeling framework of social manufacturing.IEEE Transactions on Industrial Informatics,15(6),3343
‑
3355.)。Xue等(X.Xue,Y.M.Kou,S.F.Wang,Z.Z.Liu.2018.Computational experiment research on the equalization
‑
oriented service strategy in collaborative manufacturing.IEEE Transactions on Services Computing,11(2),369
‑
383.)，使用计算实验来评估不同的服务策略，并在实验中使用遗传算法来处理制造服务组合问题。采用计算实验从社会学习进化的角度对社会制造框架进行建模，利用遗传算法描述个体企业的演化(X.Xue,S.F.Wang,L.J.Zhang,Z.Y.Feng,Y.D.Guo.2019.Social learning evolution(SLE)：Computational experiment
‑
based modeling framework of social manufacturing.IEEE Transactions on Industrial Informatics,15(6),3343
‑
3355.)。这两篇文章证明了计算实验与进化算法结合的有效性。然而，仍然存在进一步探索的空间：
[0005](1)由于这两篇文章都集中在复杂供应链中的多目标预测或分析决策上，没有解决如何将预测或分析性决策扩展到多目标规范性决策的问题；
[0006](2)由于单目标优化算法无法实现方案的多目标优化，供应链绩效目标和附加的稳定性目标不能实现同时优化，可能导致实际的优化方案表现欠佳，因此，有必要使用多目标进化算法NSGA
‑
II对方案进行优化。
[0007]在多目标规范性决策方法中，管理者在采用多目标进化算法NSGA
‑
II实现多目标优化后，应采用多目标决策分析方法对帕累托最优方案进行排序筛选。作为经典的TOPSIS方法在客观偏好方面的扩展，TOPSIS与熵权法的融合(即熵权
‑
TOPSIS法)已成功用于解决绿色供应商选择(B.M.dos Santos,L.P.Godoy,L.M.S.Campos.2019.Performance evaluation of green suppliers using Entropy
‑
TOPSIS
‑
F.Journal of Cleaner Production,207,498
‑
509.)和公众评价区块链(H.M.Tang,Y.Shi,P.W.Dong.2019.Public blockchain evaluation using entropy and TOPSIS.Expert Systems with Applications,117,204
‑
210.)等问题。这些研究表明，熵权
‑
TOPSIS法可以在框架内对方案优化后所获得的帕累托最优方案进行排序以支持多目标决策。但在计算实验支持的方案演化优化结束后，采用熵权
‑
TOPSIS方法对获得的帕累托最优方案进行排序的文章还较少。
[0008]通过总结上述研究，可以发现，多目标进化算法NSGA
‑
II是目前流行的优化方法，
并广泛应用于供应链的优化问题，已有一些文章集成了仿真和多目标算法NSGA
‑
II以支持供应链多目标决策。在这些研究中，仿真优化的成功应用表明，计算实验支持的多目标决策方法可以在复杂系统演化的视角，帮助解决复杂的决策问题，然而相关研究较少。
[0009]此外，为了弥补管理者主观偏好的缺陷，需要基于客观偏好进行帕累托最优方案的选择以进一步完善多目标决策方法。然而，很少有文章将熵权
‑
TOPSIS法与仿真优化或计算实验支持的多目标决策方法相结合。

技术实现思路

[0010]本专利技术的目的在于针对现有技术的不足，提供计算实验支持的复杂供应链多目标决策方法。本专利技术可以探索和预测方案在复杂供应链中的多元涌现，基于涌现结果对方案进行多目标优化，并在客观偏好下对优化方案进行排序以得到决策建议。
[0011]本专利技术的目的是通过以下技术方案来实现的：一种计算实验支持的复杂供应链多目标决策方法，包括如下步骤：
[0012](1)设计计算实验以构建供应链模型：通过设计计算实验模型以描述供应链，并通过计算实验开发与参数验证，建立模型决策变量与决策目标之间的映射关系，实现对方案的多元评价。供应链的描述内容包括：供应链结构与内部实体、供应链实体的决策机制、供应链实体间的交互方式以及模型的决策变量与决策目标。
[0013](2)供应链多目标优化：在基于步骤(1)建立计算实验模型后，通过多目标进化算法NSGA
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种计算实验支持的复杂供应链多目标决策方法，其特征在于，包括如下步骤：(1)设计计算实验以构建供应链模型：通过设计计算实验模型以描述供应链，并通过计算实验开发与参数验证，建立模型决策变量与决策目标之间的映射关系，实现对方案的多元评价；供应链的描述内容包括：供应链结构与内部实体、供应链实体的决策机制、供应链实体间的交互方式以及模型的决策变量与决策目标；(2)供应链多目标优化：在基于步骤(1)建立计算实验模型后，通过多目标进化算法NSGA
‑
II生成方案，并部署计算实验从供应链绩效目标与稳定性目标视角评估方案，方案评估的结果作为NSGA
‑
II进行精英保留并生成新方案以实现进一步演化优化的依据；基于计算实验的方案评估包括情境建立、多元涌现现象的探索和预测以及方案评价三部分；重复步骤(2)，直到满足终止条件；满足终止条件后所得到的方案集即为帕累托优化方案集；(3)帕累托优化方案排序：在完成步骤(2)实现方案多目标优化后，通过熵权法计算多目标权重，并基于熵权计算帕累托优化方案的TOPSIS得分进行排序，以实现帕累托优化方案排序选择。2.根据权利要求1所述计算实验支持的复杂供应链多目标决策方法，其特征在于，步骤(1)包括如下子步骤：(1.1)界定供应链边界与主体：明确供应链的边界与内在组成；内在组成包括供应链主体与主体决策机制，以及供应链各主体间的交互机制；(1.2)计算模型开发：基于现实供应链SC，建立供应链模型ASC，并设计程序模块以实现供应链模型的构建；供应链模型作为现实供应链SC的逼近，即ASC≈SC，主要由静态的反映供应链结构的有向图和反映供应链演化趋势的函数DF组成；在供应链的结构有向图中，V表示供应链中的节点，节点V具有其个体属性特质C、其决策机制D与约束R；E表示供应链主体间的交互方式与联系；基于有向图建立一个静态的供应链模型；而供应链模型的演化趋势DF，则表示为有向图中节点与节点间联系的演化趋势，在对供应链模型的定量化描述后，需要开发计算实验系统以在计算机程序中对供应链系统演化进行实现；(1.3)计算实验模型实现：在计算实验模型开发完成后，需要通过计算机程序对其加以实现；实验参数模块主要包括系统环境变量World与决策变量Solution的设置，一组决策变量记为Solution
i
,i＝1,2,
…
,I；I为方案总数；在每次实验执行开始时，输入参数并完成系统的初始化与情境的建立，部署计算实验并进行实验，获得在方案Solution
i
下第j次宏观涌现的结果J为方案重复次数；输入的参数包括系统环境变量与决策变量；用向量从M个指标维度去描述宏观涌现现象，在环境变量World、决策变量Solution
i
下的供应链第m个决策目标在单次试验中的值记为重复进行多次实验，获得在方案Solution
i
下的实验结果基于所获得的宏观涌现现象，计算关于供应链的M个绩效指标的绩效值，表示为绩效值在多元宏观涌现中的均值，
(1.4)参数敏感度验证：对计算实验模型中的相关参数进行敏感度验证，包括系统环境变量World与决策变量Solution；(1.5)实验结果评价：在验证计算实验模型参数合理性后，主要从供应链M个绩效指标和1个稳定性目标两方面对方案及其实验结果进行评价；每个绩效指标KPI
m
的取值是多次重复实验中对应目标的平均值；稳定性目标反映了重复实验中所有绩效指标的波动情况，因此用标准差函数表示方案Solution
i
结果的稳定性；标准差的值越小，表示方案的稳定性越高；3.根据权利要求2所述计算实验支持的复杂供应链多目标决策方法，其特征在于...

【专利技术属性】
技术研发人员：隆清琦，陈颖妮，王永恒，
申请(专利权)人：之江实验室，
类型：发明
国别省市：