【技术实现步骤摘要】
本专利技术涉及人工智能，具体是指一种航空器材库存与调配优化方法。
技术介绍
1、现有的航空器材库存与调配方法中，存在单一值评价局限、不同决策者主观偏见、难以进行标准化处理和比较的问题，使用传统的单一值评价方法无法有效地捕捉到决策标准中存在的不确定性和模糊性，导致决策结果的主观性和偏差增加，难以应对决策过程中的不确定性，缺乏标准化的决策流程和评估方法的局限性等问题，从而影响航空器材库存与调配优化方法的效果和效率；一般的航空器材调配方法中，存在预测精度下降、难以应对复杂的需求模式和决策效率低下的问题，传统的统计方法或简单的机器学习模型难以处理非线性、非平稳或具有季节性的航材需求数据，导致预测精度下降，同时模型无法适应需求的快速变化和复杂的季节性变动，没有准确的预测模型支持，决策者难以基于科学的数据分析做出有效的库存管理决策，这些问题将直接影响到航空器材库存与调配优化方法的效果和成效。
技术实现思路
1、针对上述情况，为克服现有技术的缺陷，本专利技术提供了一种航空器材库存与调配优化方法， 针对现有的航空器材库存与调配方法中存在的单一值评价局限、不同决策者主观偏见、难以进行标准化处理和比较的问题，本专利技术通过建立ivn决策矩阵，有效处理决策过程中存在的不确定性和模糊性，通过引入真值、假值和不确定性，全面地表示每个决策标准的实际情况，避免了传统单值评价方法的局限性，通过赋予每个决策者权重，并计算加权平均ivnn决策矩阵，可以综合多个决策者的意见，使得最终决策更加公平和合理，避免了单一决策者
2、本专利技术采取的技术方案如下：本专利技术提供的一种航空器材库存与调配优化方法，该方法包括以下步骤：
3、步骤s1：数据收集与分析，收集航材库存管理数据并进行数据预处理，包括历史需求数据、订货成本、持有成本、可修复效率数据、交货时间、库存水平数据和周转率数据，得到需求模式和库存周转率，对航材库存管理数据进行清洗和标准化，得到预处理后的航材库存管理数据；
4、步骤s2：确定决策标准，确定决策标准并明确效益型和成本型，效益型包括关键性、需求频率和供应商可靠性，成本型包括成本和交货时间；
5、步骤s3：确定标准权重，设置决策者，决策者使用层次分析法确定每个决策标准的权重；
6、步骤s4：建立ivn决策矩阵，使用区间值中性数表示每个决策标准的评价值，每个区间值中性数包括真值、假值和不确定性，经过计算得到组合的ivn决策矩阵；
7、步骤s5：决策矩阵标准化，使用向量归一化将ivn决策矩阵标准化，得到标准化后的决策矩阵；
8、步骤s6：需求预测和优化，使用小波分解和bilstm深度学习网络构建航材预测模型，使用强化学习进行优化；
9、步骤s7：计算正负理想解距离，正理想解为每个决策标准的最优值，负理想解为每个决策标准的最差值，计算每个备件与正理想解和负理想解的距离；
10、步骤s8：计算归一化距离和评价分数，对每个备件与正理想解和负理想解的距离，进行归一化处理，得到归一化的正负理想解距离，计算每个备件的综合评价分数；
11、步骤s9：备件分类，根据每个备件的评价分数得到备件分类结果，分为关键备件、重要备件和一般备件，关键备件为评价分数最高的备件，重要备件类为评价分数中等的备件，一般备件为评价分数最低的备件；
12、步骤s10：动态库存控制和调配优化，基于备件分类结果制定动态库存控制策略，基于航材预测模型，使用遗传算法优化库存位置和运输路线，预测高需求区域的库存位置，优先分配关键备件库存。
13、进一步的，在步骤s4中，建立ivn决策矩阵，具体包括以下步骤：
14、步骤s41：定义ivnn，ivnn为区间值中性数，表示每个决策标准的评价值，在ivnn中，每个评价值由三个部分组成，具体包括以下内容：
15、真值：表示某个决策标准完全满足的程度，取值范围为[tl,tu]；
16、假值：表示某个决策标准完全不满足的程度，取值范围为[fl,fu]；
17、不确定性：表示对某个决策标准的不确定性程度，取值范围为[il,iu]；
18、步骤s42：定义决策者权重，决策者的权重向量为，是第个决策者的权重，同时满足，是参与评价和决策过程的决策者总数；
19、步骤s43：分配ivnn，每个决策者根据决策标准，为每个备件分配一个ivnn，得到所有决策者为每个备件分配的ivnn；
20、步骤s44：构建ivn决策矩阵，设置备选方案，根据备选方案和决策标准的评价值构建ivn决策矩阵，ivn决策矩阵里的每个元素都是一个ivnn，表示对应决策标准的评价；
21、步骤s45：计算加权平均ivn决策矩阵，对于每个备选方案和每个评价标准，计算决策者为每个备件分配的ivnn的加权算术平均值，所用公式如下：
22、；
23、其中，为第个决策者为每个备件分配的ivnn的真值，为第个决策者为每个备件分配的ivnn的假值，为第个决策者为每个备件分配的ivnn的不确定性；
24、步骤s46：形成组合的ivn决策矩阵，根据决策者为每个备件分配的ivnn的加权算术平均值作为组合的ivn决策矩阵的元素；
25、进一步的，在步骤s6中，使用小波分解和bilstm深度学习网络构建航材预测模型，具体包括以下步骤：
26、步骤s61：数据收集与预处理，收集航材数据，包括航材的历史需求数据、季节性因素和市场趋势，并进行数据清洗和标准化，得到处理后的航材数据；
27、步骤s62：小波分解，选择daubechies小波db4用于小波分解，对处理后的航材数据进行多尺度小波分解，得到多个小波分解细节分量和一个近似分量；
28、步骤s62：构建航材预测模型，对于所有小波分解细节分量和一个近似分量，构建独立的多个的bilstm模型来处理，每个bilstm模型接收一个分量的输入；
29、步骤s63：模型训练，将个小波分解细节分量和一个近似分量分成训练集和测试集，使用训练集训练每个bilstm模型，得到训练后本文档来自技高网...
【技术保护点】
1.一种航空器材库存与调配优化方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的一种航空器材库存与调配优化方法，其特征在于：在步骤S4中，建立IVN决策矩阵，具体包括以下步骤：
3.根据权利要求2所述的一种航空器材库存与调配优化方法，其特征在于：在步骤S6中，使用小波分解和BiLSTM深度学习网络构建航材预测模型，具体包括以下步骤：
4.根据权利要求3所述的一种航空器材库存与调配优化方法，其特征在于：在步骤S7中，计算每个备件与正理想解和负理想解的距离，具体包括以下内容：
【技术特征摘要】
1.一种航空器材库存与调配优化方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的一种航空器材库存与调配优化方法，其特征在于：在步骤s4中，建立ivn决策矩阵，具体包括以下步骤：
3.根据权利要求2所述的一种航空器材库存与调配优...
【专利技术属性】
技术研发人员：李龙，尹恒，郭佳，曾友彬，李冉，陈呈，
申请(专利权)人：四川航空股份有限公司，
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。