【技术实现步骤摘要】
本专利技术涉及库存调配技术，尤其涉及一种基于遗传算法的库存调配优化方法及系统。
技术介绍
1、随着现代物流行业的快速发展，企业面临着日益激烈的市场竞争和客户需求的快速变化。为了提高供应链的响应速度和服务水平，企业需要对库存进行高效、合理的调配。传统的库存调配方法主要依赖人工经验和简单的数学模型，难以适应复杂多变的市场环境，导致库存积压或短缺，降低了企业的运营效率和盈利能力。目前，国内外已有一些研究针对库存调配问题进行了探索。一些学者采用数学规划方法，如线性规划、整数规划等，建立库存调配优化模型，求解最优的库存调配策略。然而，现有的库存调配优化方法仍然存在一些不足。一方面，大多数方法针对单一品种或单一仓库的库存调配，难以满足实际供应链中多品种、多仓库协同调配的需求。另一方面，现有方法对需求预测、库存状态等输入参数的不确定性考虑不足，优化结果的鲁棒性和适应性有待提高。此外，库存调配涉及多个业务部门和环节，需要一个集成化的优化系统，支持数据采集、方案生成、优化求解、调配执行等全流程管理，而现有的研究主要集中在算法层面，缺乏系统化的解决方案。
2、因此，亟需一种面向多品种、多仓库协同调配，适应需求不确定性，集成化优化的库存调配方法和系统，提高库存调配的效率和精准性，增强企业的市场响应能力和竞争力。
技术实现思路
1、本专利技术实施例提供一种基于遗传算法的库存调配优化方法及系统，能够解决现有技术中的问题。
2、本专利技术实施例的第一方面，
3、提供一种基于
4、获取商品的销售数据、库存数据、市场数据和客户数据并进行归一化处理，得到标准数据集，提取标准数据集中的关键特征，输入预先训练的库存需求预测模型中，得到未来一段时间内各个库存单位的需求预测结果；
5、根据需求预测结果和预设的服务水平，采用安全库存公式计算各个库存单位的安全库存水平，同时，设置最小化总库存成本、最大化客户满意度和最小化缺货率为优化目标，以各个仓库单位的安全库存水平和服务水平为约束条件，构建多目标库存调配优化模型；
6、通过基于遗传算法的多目标求解方法，求解所述多目标库存调配优化模型，得到最优解集，在最优解集中选取综合评价指标最优的解作为最优库存分配方案，基于得到的最优库存分配方案，结合各个库存单位的品类属性和配送优先级，生成库存调配计划和配送路径，并通过传感器实时采集各个库存单位的实时库存状态和销量数据，根据实际库存状态与库存调配计划的比较结果，结合需求预测结果和补货策略，实现库存调配的动态优化。
7、在一种可选的实施例中，
8、提取标准数据集中的关键特征，输入预先训练的库存需求预测模型中，得到未来一段时间内各个库存单位的需求预测结果包括：
9、根据标准数据集构建一个属性加权的异构商品关联图，其中节点表示商品实体，边表示商品之间的多维关联关系，并结合商品属性对边权重进行赋值；
10、基于异构商品关联图设计图注意网络，通过嵌入层将每个节点的原始特征映射为低维特征向量，并通过多头注意力机制聚合邻居节点信息，更新节点隐藏表示，所述多头注意力机制中，每个注意力头通过注意力向量和权重矩阵计算节点之间的注意力权重，根据各个注意力头的输出经前馈神经网络得到节点隐藏表示；
11、将历史需求序列输入预先训练的库存需求预测模型中，利用长短期记忆网络，通过门控机制捕获需求序列的长短期依赖关系，输出历史需求序列的隐藏状态；
12、将所述历史需求序列的隐藏状态与节点隐藏表示进行拼接，通过多层感知机计算因果注意力得分，利用所述因果注意力得分对节点隐藏表示进行加权求和，得到需求的解释向量；
13、基于得到的历史需求序列的隐藏状态和需求的解释向量，通过前馈神经网络解码得到未来一段时间内各个库存单位的需求预测结果。
14、在一种可选的实施例中，
15、根据需求预测结果和预设的服务水平，采用安全库存公式计算各个库存单位的安全库存水平包括：
16、
17、其中，ssi表示安全库存，i表示库存单位，zαi(vi，ci)表示服务水平αi对应的标准正态分位数，αi表示服务水平，vi表示需求变异系数，ci表示缺货损失，表示未来时间段的特征向量，μi表示库存单位i的需求均值向量，t表示转置，σi表示库存单位i的协方差矩阵，li表示提前期。
18、在一种可选的实施例中，
19、通过基于遗传算法的多目标求解方法，求解所述多目标库存调配优化模型，得到最优解集，在最优解集中选取综合评价指标最优的解作为最优库存分配方案包括：
20、随机生成一定数量的初始个体，每个个体表示一种可行的库存分配方案，由各仓库单位的安全库存水平和服务水平组成；
21、对于每个个体，计算其在多目标库存调配优化模型的各个优化目标下的适应度值，并利用非支配排序遗传算法对种群进行非支配排序，结合进化算法计算个体的拥挤距离，根据得到的非支配排序结果和拥挤距离选择目标个体；
22、对选择的目标个体进行交叉和变异操作，并根据种群多样性和收敛状态自适应调整交叉概率和变异概率，生成新个体；
23、将种群划分为多个子种群，定期执行种群间迁移操作，将各子种群的目标个体复制到其他子种群中；
24、引入偏好贝叶斯优化算法，构建高斯过程模型预测解空间的优劣区域，结合决策者偏好信息构建偏好函数，计算候选解的期望改进值，将期望改进值最高的候选解加入下一代种群，重复迭代直到满足预设的终止条件，得到目标最优解集；
25、从最终得到的目标最优解集中选取综合评价指标最优的解作为最优库存分配方案。
26、在一种可选的实施例中，
27、引入偏好贝叶斯优化算法，构建高斯过程模型预测解空间的优劣区域，结合决策者偏好信息构建偏好函数，计算候选解的期望改进值的公式如下：
28、
29、其中，ei(a)表示候选解a的期望改进值，表示候选解目标函数值的预测函数，a*表示当前最优解，a表示候选解，φ(·)表示累计分布函数，表示候选解目标函数值的预测标准差，φ(·)表示核密度函数，λ表示权重系数，d(a，r)表示候选解a与参考点r之间的距离度量，用于引入决策者偏好信息。
30、在一种可选的实施例中，
31、基于得到的最优库存分配方案，结合各个库存单位的品类属性和配送优先级，生成库存调配计划和配送路径，并通过传感器实时采集各个库存单位的实时库存状态和销量数据，根据实际库存状态与库存调配计划的比较结果，结合需求预测结果和补货策略，实现库存调配的动态优化包括：
32、基于得到的最优库存分配方案，结合各个库存单位的品类属性，建立品类属性矩阵，对每个库存单位的品类属性进行量化评估，将库存单位划分为不同的品类属性组合，其中，库存单位的品类属性包括商品生命周期、需求波动性和商品重要性；
33、根本文档来自技高网...
【技术保护点】
1.一种基于遗传算法的库存调配优化方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，提取标准数据集中的关键特征，输入预先训练的库存需求预测模型中，得到未来一段时间内各个库存单位的需求预测结果包括：
3.根据权利要求1所述的方法，其特征在于，根据需求预测结果和预设的服务水平，采用安全库存公式计算各个库存单位的安全库存水平包括：
4.根据权利要求1所述的方法，其特征在于，通过基于遗传算法的多目标求解方法，求解所述多目标库存调配优化模型，得到最优解集，在最优解集中选取综合评价指标最优的解作为最优库存分配方案包括：
5.根据权利要求4所述的方法，其特征在于，引入偏好贝叶斯优化算法，构建高斯过程模型预测解空间的优劣区域，结合决策者偏好信息构建偏好函数，计算候选解的期望改进值的公式如下：
6.根据权利要求1所述的方法，其特征在于，基于得到的最优库存分配方案，结合各个库存单位的品类属性和配送优先级，生成库存调配计划和配送路径，并通过传感器实时采集各个库存单位的实时库存状态和销量数据，根据实际库存状态与库存调配计划的比
7.根据权利要求6所述的方法，其特征在于，根据输出的收货库存单位信息输入预先构建的车辆路径问题模型中，同时获取实时路况信息，采用优化算法求解所述车辆路径问题模型，得到优化的配送路径方案包括：
8.一种基于遗传算法的库存调配优化系统，用于实现前述权利要求1-7中任一项所述的方法，其特征在于，包括：
9.一种电子设备，其特征在于，包括：
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
...【技术特征摘要】
1.一种基于遗传算法的库存调配优化方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，提取标准数据集中的关键特征，输入预先训练的库存需求预测模型中，得到未来一段时间内各个库存单位的需求预测结果包括：
3.根据权利要求1所述的方法，其特征在于，根据需求预测结果和预设的服务水平，采用安全库存公式计算各个库存单位的安全库存水平包括：
4.根据权利要求1所述的方法，其特征在于，通过基于遗传算法的多目标求解方法，求解所述多目标库存调配优化模型，得到最优解集，在最优解集中选取综合评价指标最优的解作为最优库存分配方案包括：
5.根据权利要求4所述的方法，其特征在于，引入偏好贝叶斯优化算法，构建高斯过程模型预测解空间的优劣区域，结合决策者偏好信息构建偏好函数，计算候选解的期望改进值的公式如下：
6.根据权利要求1所述的方法...
【专利技术属性】
技术研发人员：刘勇，
申请(专利权)人：深圳市秦丝科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。