【技术实现步骤摘要】
本专利技术属于优化算法，具体涉及应用于考虑容量限制的联合补货与配送的优化方法和系统。
技术介绍
1、联合补货问题(joint replenishment problem,jrp)是指多种产品通过分组采购策略分担订货费用来降低总成本。近年来一些学者在jrp基础上考虑供应链上的配送、选址等环节进行集成优化研究。联合补货与配送(joint replenishment-delivery,jrd)集成优化模型已被验证为np-hard问题，考虑容量限制的jrd模型更加复杂。目前常用的求解方法为遗传算法、差分进化算法以及一些启发式方法。但随着问题规模增加，求解效率也需要随之提升，有必要设计新的高效求解方法。
2、元启发式算法是一种模仿自然界中各类运行机制的算法，广泛应用于工程、计算机科学、经济学等领域。目前，越来越多的元启发式算法被提出，主要可以分为5大类：基于群体的算法、基于进化的算法、基于物理的算法、基于人类社会的算法以及其他算法。基于群体的算法主要模拟动物等生物的行为，例如海马算法(sea-horse optimizer,sho)模仿了海马的运动与捕食机制。基于进化的算法受到“适者生存”的自然选择机制和生物进化过程中基因传递规律的启发，主要包括差分进化算法(differential evolution,de)等。基于物理的算法主要根据物理学中的各种现象、概念和定律建立数学模型，例如hashim et al.根据菲克第一定律提出了菲克定律算法(fick’s lawalgorithm,fla)。基于人类社会的算法主要模拟人类在社
3、首先，现有元启发式算法缺少理论依据。现有元启发式算法通常从自然界的某些现象中汲取灵感，尤其是从动物的行为模式中提炼策略，例如蚁群算法模拟蚂蚁寻找食物的行为、粒子群优化算法模拟鸟群的觅食行为等。这种方法确实为解决复杂的优化问题提供了一种直观且有效的途径，但这类算法往往缺少科学基础和理论支持。
4、其次是全局搜索和局部搜索之间的平衡不佳。传统的元启发式算法通常没有引入贪婪策略，拥有强大的全局搜索能力，但是也导致其所获得的最优解的精确度不高。相反，最近提出的一些元启发式算法引入了贪婪策略，加强了局部搜索能力，但是也显著降低了全局搜索能力。贪婪策略的简单添加或删除并不一定能提高算法性能，甚至可能导致性能下降。
5、最后是易于陷入局部最优。当前许多元启发式算法算法缺乏逃离局部最优的有效机制，这导致它们往往陷入局部最优，无法获得全局最优解。产生这一问题的主要原因是元启发式算法往往依赖于随机搜索和启发式规则，这些方法虽然能在一定程度上探索解空间，但在面对复杂或多峰的优化问题时，算法可能会过早地收敛于一个局部最优解。联合补货与配送集成优化是一个复杂难题，需要针对性的设计求解方法。
技术实现思路
1、本专利技术旨在解决现有技术的不足，提出一种应用于考虑容量限制的联合补货与配送的优化方法，针对考虑容量限制的jrd模型，借鉴机器学习中的boosting思想，提出了一种自适应boosting优化算法(aboa)，通过不断降低搜索个体与最优值(目标)之间的距离(误差)来寻找近似最优解；同时通过引入随机性帮助搜索个体在迭代前期进行广泛探索，在迭代后期减少目标数量以及利用贪心思想增强搜索个体的开发能力，从而提高最优解的精确度；最后设计了一种自适应贪心因子，使其拥有接受差解的可能性，保证其跳出局部最优解的能力。
2、为实现上述目的，本专利技术提供了如下方案：应用于考虑容量限制的联合补货与配送的优化方法，包括以下步骤：
3、s1、构建联合补货阶段与配送阶段运输时的考虑容量限制的jrd模型；
4、s2、对所述考虑容量限制的jrd模型进行优化操作，得到所述考虑容量限制的jrd模型的当前最优解；并基于所述当前最优解进行补货及配送。
5、优选地，所述考虑容量限制的jrd模型包括：
6、
7、
8、
9、式中，tc表示总成本；cs,w表示订货成本；ch,w表示中心仓库库存成本；co,w表示配送成本；ch,r表示零售商库存成本；sw表示主要订货成本；表示配送成本；t表示商品补货的单位时间；n表示商品数量；i表示商品编号；表示次要订货成本；ki表示商品i的补货周期乘子；fi表示商品i的配送频率；di表示商品i的需求率；表示中心仓库物品i的单位库存维持成本；表示商品i在零售商处的单位库存维持成本；bi表示商品i的单位质量；bw表示联合补货阶段对商品的最大运载能力；表示配送阶段对商品i的最大运载能力。
10、优选地，基于所述考虑容量限制的jrd模型，得到最优ki、fi以及t，其中，t表示如下：
11、
12、优选地，s2中，采用自适应boosting优化算法对所述考虑容量限制的jrd模型进行优化操作；
13、所述自适应boosting优化算法包括：
14、步骤1、设置超参数并生成初始个体；其中，初始化个体的维度，对应待优化的决策变量ki以及fi；
15、步骤2、计算个体的目标数量；当前迭代次数为1时，根据适应度值对种群中的个体进行排序，保留前tar_num个个体作为目标；当迭代次数大于1时，将上一代种群和当代种群合并，根据适应度值对种群中的个体进行排序，保留前tar_num个个体作为目标；
16、步骤3、计算下一代种群的潜在位置；并判断潜在位置是否优于当前位置；优于当前位置时，将当前位置更新为潜在位置；否则，计算贪心因子以及概率阈值，并基于所述概率阈值判断是否进行位置更新；
17、步骤4、计算更新后种群中每个个体的适应度值，得到当前最优个体；更新后的适应度值为总成本值；
18、步骤5、判断是否达到最大迭代次数，达到最大迭代次数时，得到总成本值和当前最优的ki、fi和t值。
19、优选地，所述目标数量的计算方法包括：
20、
21、式中，iter表示当前迭代次数；np表示个体数量；floor表示向下取整函数；miter表示最大迭代次数。
22、优选地，当或且rand≥0.6，种群潜在位置的计算方法包括：
23、
24、distancei，j＝abs(sorte本文档来自技高网...
【技术保护点】
1.应用于考虑容量限制的联合补货与配送的优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述应用于考虑容量限制的联合补货与配送的优化方法，其特征在于，所述考虑容量限制的JRD模型包括：
3.根据权利要求2所述应用于考虑容量限制的联合补货与配送的优化方法，其特征在于，基于所述考虑容量限制的JRD模型，得到最优ki、fi以及T，其中，T表示如下：
4.根据权利要求3所述应用于考虑容量限制的联合补货与配送的优化方法，其特征在于，S2中，采用自适应Boosting优化算法对所述考虑容量限制的JRD模型进行优化操作；
5.根据权利要求4所述应用于考虑容量限制的联合补货与配送的优化方法，其特征在于，所述目标数量的计算方法包括：
6.根据权利要求4所述应用于考虑容量限制的联合补货与配送的优化方法，其特征在于，当或且rand≥0.6，种群潜在位置的计算方法包括：
7.根据权利要求4所述应用于考虑容量限制的联合补货与配送的优化方法，其特征在于，当且rand<0.6，种群的潜在位置的计算方法包括：
8.
9.应用于考虑容量限制的联合补货与配送的优化系统，所述系统用于应用权利要求1-8任一项所述的方法，其特征在于，包括：构建模块以及优化模块；
...【技术特征摘要】
1.应用于考虑容量限制的联合补货与配送的优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述应用于考虑容量限制的联合补货与配送的优化方法，其特征在于，所述考虑容量限制的jrd模型包括：
3.根据权利要求2所述应用于考虑容量限制的联合补货与配送的优化方法，其特征在于，基于所述考虑容量限制的jrd模型，得到最优ki、fi以及t，其中，t表示如下：
4.根据权利要求3所述应用于考虑容量限制的联合补货与配送的优化方法，其特征在于，s2中，采用自适应boosting优化算法对所述考虑容量限制的jrd模型进行优化操作；
5.根据权利要求4所述应用于考虑容量限制的联合补货与配送的优化...
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。