一种面向需求不确定供应链的多目标仿真优化方法技术

本发明专利技术公开了一种面向需求不确定供应链的多目标仿真优化方法，属于多目标仿真优化方法技术领域，建立的供应链优化模型表明制造企业总利润最大化和一般产品订单满足率最大化2个目标之间存在冲突，在生产资源有限的情况下，为了获取更高利润，需要将更多资源用于生产利润更高的高需求产品，其他产品的订单满足率将因此下降，如果其他产品订单满足率过低，会影响企业声誉和产品市场占有率，这样的实验结果说明了本发明专利技术构建的多目标供应链优化模型的必要性和有效性。型的必要性和有效性。型的必要性和有效性。

【技术实现步骤摘要】
一种面向需求不确定供应链的多目标仿真优化方法


[0001]本专利技术涉及一种多目标仿真优化方法，特别是涉及一种面向需 求不确定供应链的多目标仿真优化方法，属于多目标仿真优化方法


技术介绍

[0002]供应链系统产生的需求不确定性会沿着供应链向上游传播，放大系统的“牛 鞭效应”，造成更多的成本损失以及中断风险，给制造企业的供应链优化决策带 来难度。
[0003][0004]在大流行期间，制造企业供应链出现了“涟漪效应”，表现为 市场对某类产品需求激增，原材料供应普遍困难，这种影响会沿着 供应链向上游和下游同时传播。
[0005]在实际生产中，需要考虑的目标往往有多个，为了实现这种具 有多种需求不确定性的供应链优化，构建多目标优化问题的数学模 型，考虑制造供应链在各个环节能力受限的情况，以应对多种需求 不确定性对供应链优化决策带来的挑战。
[0006]解决多目标优化问题的关键技术之一是多目标进化算法，其中 NSGA
‑
II算法得到了学术界的广泛认可。
[0007]由于随机多目标问题中存在多种随机性，需要结合仿真优化方 法来处理模型中的随机变量。
[0008]现有的进化算法与仿真优化方法的结合策略主要是将进化算法(即优化器)每一代种群中的个体(即候选解集)直接传递给仿真优化 方法(即仿真器)，仿真器通过根据分配的仿真计算资源对当前的仿 真解进行随机仿真，将仿真结果返回给优化器用于评估个体的适应 值，进化算法与仿真方法独立运行，相互之间往往没有有效配合， 因此，将两者结合，在仿真计算资源分配过程中同时对仿真次数进 行寻优显得尤为重要。
[0009]现有的进化算法与仿真优化方法的结合策略中优化器和仿真器 多为分别独立运行，优化器仅负责对问题的最优解寻优，仿真器仅 能采用简单的仿真计算资源分配策略(比如平均分配法、方差比例 法、模拟预算最优分配法等)对问题的候选解进行随机仿真，现有方 法的缺陷在于，进化算法与仿真方法独立运行，相互之间没有有效 配合，进而影响了算法性能，为此设计一种面向需求不确定供应链 的多目标仿真优化方法来解决上述问题。

技术实现思路

[0010]本专利技术的主要目的是为了提供一种面向需求不确定供应链的多 目标仿真优化方法，建立的供应链优化模型表明制造企业总利润最 大化和一般产品订单满足率最大化2个目标之间存在冲突，在生产 资源有限的情况下，为了获取更高利润，需要将更多资源用于生产 利润更高的高需求产品，其他产品的订单满足率将因此下降，如果 其他产品订单满足率过低，会影响企业声誉和产品市场占有率，这 样的实验结果说明了本专利技术构建的多目标供应链优化模型的必要性 和有效性。
[0011]提出的在多目标仿真优化算法中加入自适应解码器的策略，能 够实现在NSGA
‑
II框架内对多目标优化和仿真优化的协同寻优，与 现有的平均分配法、方差比例法、和模拟预算最优分配法三种仿真 方法和进化算法结合的方法相比，求解多目标随机规划问题时有更 好的非支配解集质量和仿真效率。
[0012]本专利技术的目的可以通过采用如下技术方案达到：
[0013]一种面向需求不确定供应链的多目标仿真优化方法，包括如下 步骤：
[0014]步骤1：随机产生初始种群，对种群中每个个体均执行初始数量 的随机仿真，将仿真解的目标函数均值作为初始个体的函数值，构 建初始的非支配解集；
[0015]步骤2：根据NSGA
‑
II算法择优策略选择父代个体执行交叉变异 操作，产生子代个体；
[0016]步骤3：利用自适应解码器对新产生的子代个体进行解析，获得 个体对应的仿真解与仿真次数，根据获得的仿真次数进行随机仿真， 统计所有新仿真解的均值和方差特征值，更新当前的非支配解集；
[0017]步骤4：若达到停止条件，则输出所获得的非支配解集；否则再 次进行进行步骤2循环上述操作。
[0018]优选的，在步骤1中对个体的编码方式采用整数编码，其中前k 位表示个体对应的候选解，最后1位表示候选解的仿真次数指标；
[0019]其中在产生随机个体时，候选解编码部分根据对应基本决策变 量的取值范围生成一个随机整数，仿真次数指标部分生成一个 [n0,n1]之间的随机整数；
[0020]初始个体根据编码直接解析获得仿真解和仿真次数，通过对仿 真解执行初始次数的随机仿真后，将在每个目标函数上获得的仿真 解均值作为该个体的目标函数值；
[0021]根据上述过程产生一个初始种群后，利用所有初始个体的仿真 目标函数值向量就可以构建一个初始的非支配解集。
[0022]优选的，其中步骤2中还包括如下步骤：
[0023]步骤1：利用快速非支配排序策略对当前种群中所有个体进行排 序获得每个个体的非支配等级，利用仿真目标函数值计算每个个体 在其非支配等级上拥挤度；
[0024]步骤2：选择运算采用锦标赛选择策略，从当前种群中随机选择 2个个体，若他们的非支配等级相同，则选择拥挤度大的个体执行后 续的交叉变异运算；否则选择非支配等级高的个体；
[0025]步骤3：交叉运算采用均匀交叉策略，对每一对选择出的父代个 体的每一位根据交叉率判断是否执行交叉操作，若执行交叉，则相 互替换相应位置的父代编码；否则不替换；
[0026]步骤4：变异运算采用位变异策略，对新产生的子代个体的每一 位根据变异率判断是否执行变异操作，若执行变异，则根据相应位 置编码的取值范围生成一个随机整数替换当前位置的编码。
[0027]优选的，其中步骤3中采用NSGA
‑
II遗传运算产生一个新的子 代种群后，对子代个体的编码进行解码以获得该子代个体对应的仿 真方案和仿真次数；
[0028]当前仿真解是一个支配集，即被当前非支配解集中某一个解 Pareto支配，则其仿真次数最大可达到n1；
[0029]若当前仿真解是一个非支配解，即不被当前非支配解集中任何 一个解Pareto支配，则其仿真次数最大可达到n2并记录整个算法 运行过程中所有仿真解的仿真结果。
[0030]优选的，利用仿真解在不同目标函数上的均值和方差来构建和 更新非支配解集，通过仿真求得第i个仿真解中第l目标函数值的 均值和方差根据不等式：
[0031][0032]判断解空间S中每一个解k判断是否为支配解，若满足不等式， 则此个体为支配解，否则为非支配解。
[0033]优选的，计算I型错误率e1和II型错误率e2来对上述观测到 的Pareto解的质量进行评估，计算最大化正确选择的概率P{CS}， 判断该Pareto解是否满足P{CS}>P*{CS}，若满足不等式，则为非支 配解。
[0034]本专利技术的有益技术效果：
[0035]本专利技术提供的一种面向需求不确定供应链的多目标仿真优化方 法，建立的供应链优化模型表明制造企业总利润最大化和一般产品 订单满足率最大化2个目标之间存本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向需求不确定供应链的多目标仿真优化方法，其特征在于：包括如下步骤：步骤1：随机产生初始种群，对种群中每个个体均执行初始数量的随机仿真，将仿真解的目标函数均值作为初始个体的函数值，构建初始的非支配解集；步骤2：根据NSGA
‑
II算法择优策略选择父代个体执行交叉变异操作，产生子代个体；步骤3：利用自适应解码器对新产生的子代个体进行解析，获得个体对应的仿真解与仿真次数，根据获得的仿真次数进行随机仿真，统计所有新仿真解的均值和方差特征值，更新当前的非支配解集；步骤4：若达到停止条件，则输出所获得的非支配解集；否则再次进行进行步骤2循环上述操作。2.根据权利要求1所述的一种面向需求不确定供应链的多目标仿真优化方法，其特征在于：在步骤1中对个体的编码方式采用整数编码，其中前k位表示个体对应的候选解，最后1位表示候选解的仿真次数指标；其中在产生随机个体时，候选解编码部分根据对应基本决策变量的取值范围生成一个随机整数，仿真次数指标部分生成一个[n0,n1]之间的随机整数；初始个体根据编码直接解析获得仿真解和仿真次数，通过对仿真解执行初始次数的随机仿真后，将在每个目标函数上获得的仿真解均值作为该个体的目标函数值；根据上述过程产生一个初始种群后，利用所有初始个体的仿真目标函数值向量就可以构建一个初始的非支配解集。3.根据权利要求1所述的一种面向需求不确定供应链的多目标仿真优化方法，其特征在于：其中步骤2中还包括如下步骤：步骤1：利用快速非支配排序策略对当前种群中所有个体进行排序获得每个个体的非支配等级，利用仿真目标函数值计算每个个体在其非支配等级上拥挤度；步骤2：选择运算采用锦标赛选择策略，从当前种群中随机选择2个个体，若他们的非支配等级相同，则选择...

【专利技术属性】
技术研发人员：王洪峰，陈景泽，张翼天，吴晓铭，
申请(专利权)人：东北大学，
类型：发明
国别省市：