一种基于图网络的可持续供应链设计方法

摘要

本发明提供一种基于图网络的可持续供应链设计方法，首先建立基于供应商、制造商、分销商的可持续供应链数学模型，然后根据可持续供应链数学模型设计无向无环连通图结构，最后设计一种算法对可持续供应链的选址、生产安排和物流规划进行最优值求解，本发明将企业信息透明度指数、污染物的排放与转移数据、企业环境保护数据整合在一起，通过将多个目标整合及统一的方法提出了制造业创新供应链的综合化目标，并在此基础上利用遗传算法对可持续供应链的选址、生产安排和物流规划进行最优解求解，为大型制造业供应链提供了一种优化求解方案。

说明书

技术领域

本发明涉及供应链网络设计技术领域，具体涉及一种基于图网络的可持续供应链设计方法。

背景技术

制造业供应链是将供应商、制造商、分销商、直到最终客户连接成一个整体的功能网链结构，是围绕核心企业，从原材料的选购，制成生产到分销出去的全部过程。可持续供应链设计更多考虑到环境因素、社会因素，确保最终得到高效全面的技术方案，因此设计一个可持续供应链网络需要考虑到各层次参与者的数量、选址、以及各个节点间的物流计划，同时也考虑相应的环境因素、社会因素，目前缺乏该种供应链的有效设计方法，来解决供应链由于限制因素多出现的求解时间长、求解结果与实际偏差大的问题。

发明内容

针对现有技术的不足，本发明提出一种基于图网络的可持续供应链设计方法，包括：

步骤1：建立基于供应商、制造商、分销商的可持续供应链数学模型；

步骤2：根据可持续供应链数学模型设计无向无环连通图结构；

步骤3：对可持续供应链中的选址、生产安排和物流规划进行优化求解。

所述步骤2包括：

步骤2.1：以点Top作为无向无环连通图的顶点，长度设置为h，除顶点外的其余节点可分为nl个互不相交的有限集PU

步骤2.2：构建元素个数N_W

步骤2.3：构建元素个数N_X

步骤2.4：构建元素个数N_Y

所述步骤3包括：

步骤3.1：构建无向无环连通图的初始解图集，初始解图集中a％数量的图集利用比例选择法生成，c％数量的图集利用随机取点法生成，其中a％+c％＝100％；

步骤3.2：对初始解图集中的每个无向无环连通图进行扫描交叉重组操作，依据每层生成的随机数与该层的扫描交叉重组概率进行比较，判断是否再次执行扫描交叉重组操作；

步骤3.3：交叉重组操作后，如果被交换后的节点能提供给父节点的供货量小于父节点的需求量，则说明供不应求，需要对无向无环连通图进行再次调整，包括如下步骤：

步骤3.3.1：选择第二层中的一个节点U

步骤3.3.2：根据父代DP

如果ps＜pt，则调整后的子代表示为

式中，SP

如果ps≥pt，则调整后的子代表示为

步骤3.3.3：选择第三层中的一个节点W

如果ps＜pt，则调整后的子代表示为

如果ps≥pt，则调整后的子代表示为

步骤3.3.4：调整后采用迭代法对无向无环连通图进行再分配调整供求关系；

步骤3.4：采用节点随机替换防止种群过于单一和过早收敛，利用生成的随机数与节点随机替换概率比较，来确定是否执行替换操作，具体步骤如下：

步骤3.4.1：从第二层开始依次选择每层中节点r

步骤3.4.2：替换第二层时，在该层选择一个节点W

步骤3.4.3：当置换层为第三层，在此层选择一个节点X

步骤3.4.4：当替换层为第四层，在此层选择一个节点Y

步骤3.5：随机节点替换之后，如果被替换的节点r

步骤3.5.1：替换第二层时，在该层中选择一个节点W

步骤3.5.2：替换第三层时，在该层中选择一个节点X

步骤3.5.3：替换第四层时，在该层中选择一个节点Y

步骤3.6：构建无向无环连通图中的动态调整机制，根据差异度大小调整扫描交叉重组、节点随机替换的概率。

所述步骤3.1包括：

步骤3.1.1：利用比例选择法生成a％的初始解图集，包括：

S1：建立每层候选节点r被选中的概率p

式中，N表示每层潜在节点总数，F

其中，供应商层中候选供应商节点的适应度表示为q

式中，M表示产品类型集合，I表示供应商集合，J表示制造商集合，D

制造商层中候选制造商节点的适应度表示为q

式中，I表示供应商集合，i表示供应商编号，i∈I，J表示制造商集合，j表示制造商编号，j∈J，E表示能源类型集合，e表示能源类型编号，e∈E，K表示分销商集合，k表示分销商编号，k∈K，L表示客户集合，l表示客户编号，l∈L，M表示产品类型集合，m表示产品类型编号，m∈M，MCS

分销商层中候选分销商节点的适应度表示为q

式中，CCS

S2：根据每一层中相应节点被选择的概率计算得到每个供应链节点x的累计概率sum

式中，x表示供应链上的节点序号；

S3：根据每层候选节点被选中的概率与其适应度大小的正比例关系确定出初始解图集中的节点；

步骤3.1.2：利用简单随机抽取法生成c％的初始解图集，包括：

步骤I：随机选取顶点客户U

步骤II：随机选取U

步骤III：对每个节点W

步骤IV：对每个节点X

步骤V：随机选取其他的顶点客户，重复步骤I～步骤IV生成每个客户的无向无环连通图。

所述步骤3.2包括：

步骤3.2.1：计算每个无向无环连通图中每个节点的适应度，将适应度值大于等于设定阈值的个体作为父代；

步骤3.2.2：选择一个相同节点U

式中，P

步骤3.2.3：根据父代DP

如果ps＜pt，则父代DP

式中，P

如果ps≥pt，则父代DP

式中，P

步骤3.2.4：以第二层分销商节点作为相同节点W

式中，P

如果ps＜pt，则父代DP

式中，P

如果ps≥pt，则父代DP

式中，P

步骤3.2.5：选择一个相同节点X

式中，

如果ps＜pt，则父代DP

式中，P

如果ps≥pt，则父代DP

式中，P

所述步骤3.6包括：

步骤3.6.1：将无向无环连通图进行实数化表示，包括：

步骤6-1：将父代DP

步骤6-2：将子图PUW

步骤6-3：将每个无向无环连通图的相邻两层中相关联的两节点表示为二维数组(x,y)形式，将相邻两层中所有节点的二维数组表示在同一个序列Sq中；

步骤3.6.2：将每两个无向无环连通图相应层所在的序列通过空缺位置补0的方式扩充为等长序列，将扩充后的序列进行实数化表示得到实数化序列；

步骤3.6.3：将实数化后的序列按照数组的比较方式进行对比，计算解图集中两个实数化后序列的差异度De，

解图集的平均差异度

其中，ML表示两个无向无环连通图个体实数化数组序列的最大长度，ml表示两个无向无环连通图个体实数化数组序列的最小长度，z

步骤3.6.4：根据De的大小通过自适应调整定点扫描交叉重组概率或节点随机替换概率，

式中，p表示新一代的扫描交叉重组概率或者节点随机替换概率；p'表示上一代定点扫描交叉重组概率或者节点随机替换概率；λ表示变化因子；v

本发明的有益效果是：

本发明提出了一种基于图网络的可持续供应链设计方法，将企业信息透明度指数、污染物的排放与转移数据、企业环境保护数据整合在一起，通过将多个目标整合及统一的方法提出了制造业创新供应链的综合化目标，并在此基础上设计一种算法对可持续供应链的选址、生产安排和物流规划求解最优值，为大型制造业供应链提供一种优化求解方案。

附图说明

图1为本发明中基于图网络的可持续供应链设计方法流程图。

图2为本发明实施例中构建的无向无环连通图。

图3为本发明中对选址、生产安排和物流规划进行最优值求解的流程图。

具体实施方式

下面结合附图和具体实施实例对发明做进一步说明。使用有向图G＝模拟一个四级可持续供应链网络，其中顶点集V包含四个子集，分别为供应商候选集、制造商候选集、分销商候选集、和客户候选集。集合中的每个顶点V为上述类型之一的候选节点。供应链描述的是只有相邻层中的节点可以相互连接，其目标是在满足客户需求的基础上，同时考虑环境因素、社会因素，同时根据生产限度、存储限度和连续性限制确定每条边(v

如图1所示，一种基于图网络的可持续供应链设计方法，包括：

步骤1：建立基于供应商、制造商、分销商的可持续供应链数学模型；

在满足客户需求的基础上选择一定数量的供应商、制造商、分销商，同时考虑经济效益原则、环境保护原则、社会责任原则，建造四级创新供应链模型，所述数学模型包括目标函数和限制条件。

该目标函数公式如下：

在统一权重的基础上，将多目标函数转化为单目标函数

Y＝min(m

其中，目标函数Y1的建立考虑了限制经济指标中采购资金、生产资金、运输资金、运营资金的和与最大限制花费Maxcost之比；目标函数Y2的建立考虑了限制环境指标中碳排放量与最大限制碳排放量Maxemission之比、废气排放量与最大限制废气排放量Maxgas之比、噪声分贝与最大限制噪声分贝Maxnoise之比、废热排放量与最大限制废热排放量Maxheat之比；目标函数Y3的建立考虑了限制社会责任指标中提供就业数量的倒数与提供最大就业数量倒数Maxwork之比、贡献社会公益次数的倒数与最大贡献公益次数Maxwelfare之比、企业事故次数与最大限制事故次数Maxa之比。三个目标函数通过调和性系数m

该限制条件如下：

C

C

C

C

C

INT

INT

C

C

TrQ

TrQ

TrQ

MQ

D

式中，i表示供应商编号，i∈I，j表示制造商编号，j∈J；k表示分销商编号，k∈K；l表示客户编号，l∈L；m表示产品种类编号，m∈M；PCS

步骤2：根据可持续供应链数学模型设计无向无环连通图结构，包括：

步骤2.1：以点Top作为无向无环连通图的顶点，长度设置为h，除顶点外的其余节点可分为nl个互不相交的有限集PU

步骤2.2：构建元素个数N_W

步骤2.3：构建元素个数N_X

步骤2.4：构建元素个数N_Y

无向无环连通图结构示意图如图2所示，无向无环连通图个体中，每个客户节点的下层有若干个分销商节点，每个分销商节点下层有若干个制造商节点，每个制造商下层有若干个供应商节点，其中每层节点的个数根据客户所需的供应商、制造商的数量确定。

步骤3：对可持续供应链中的选址、生产安排和物流规划进行优化求解，如图3所示，包括：

步骤3.1：构建无向无环连通图的初始解图集，初始解图集中a％数量的图集利用比例选择法生成，c％数量的图集利用随机取点法生成，其中a％+c％＝100％，包括：

步骤3.1.1：利用比例选择法生成a％的初始解图集，包括：

S1：建立每层候选节点r被选中的概率p

式中，N表示每层潜在节点总数，F

其中，供应商层中候选供应商节点的适应度表示为q

式中，M表示产品类型集合，I表示供应商集合，J表示制造商集合，D

制造商层中候选制造商节点的适应度表示为q

式中，I表示供应商集合，i表示供应商编号，i∈I，J表示制造商集合，j表示制造商编号，j∈J，E表示能源类型集合，e表示能源类型编号，e∈E，K表示分销商集合，k表示分销商编号，k∈K，L表示客户集合，l表示客户编号，l∈L，M表示产品类型集合，m表示产品类型编号，m∈M，MCS

分销商层中候选分销商节点的适应度表示为q

式中，CCS

S2：根据每一层中相应节点被选择的概率计算得到每个供应链节点x的累计概率sum

式中，x表示供应链上的节点序号；

S3：根据每层候选节点被选中的概率与其适应度大小的正比例关系确定出初始解图集中的节点；

步骤3.1.2：利用简单随机抽取法生成c％的初始解图集，包括：

步骤I：随机选取顶点客户U

步骤II：随机选取U

步骤III：对每个节点W

步骤IV：对每个节点X

步骤V：随机选取其他的顶点客户，重复步骤I～步骤IV生成每个客户的无向无环连通图。

扫描交叉重组：选择适应度好的无向无环连通图个体作为父代DP

步骤3.2：对初始解图集中的每个无向无环连通图进行扫描交叉重组操作，依据每层生成的随机数与该层的扫描交叉重组概率进行比较，判断是否再次执行扫描交叉重组操作，包括：

步骤3.2.1：计算每个无向无环连通图中每个节点的适应度，将适应度值大于等于设定阈值的个体作为父代；

步骤3.2.2：选择一个相同节点U

式中，P

步骤3.2.3：根据父代DP

如果ps＜pt，则父代DP

式中，P

如果ps≥pt，则父代DP

式中，P

步骤3.2.4：以第二层分销商节点作为相同节点W

式中，P

如果ps＜pt，则父代DP

式中，P

如果ps≥pt，则父代DP

式中，P

步骤3.2.5：选择一个相同节点X

式中，

如果ps＜pt，则父代DP

式中，P

如果ps≥pt，则父代DP

式中，P

步骤3.3：交叉重组操作后，如果被交换后的节点r

步骤3.3.1：选择第二层中的一个节点U

步骤3.3.2：根据父代DP

如果ps＜pt，则调整后的子代表示为

式中，SP

如果ps≥pt，则调整后的子代表示为

步骤3.3.3：选择第三层中的一个节点W

如果ps＜pt，则调整后的子代表示为

如果ps≥pt，则调整后的子代表示为

步骤3.3.4：调整后采用迭代法对无向无环连通图进行再分配调整供求关系；

步骤3.4：采用节点随机替换防止种群过于单一和过早收敛，利用生成的随机数与节点随机替换概率比较，来确定是否执行替换操作，具体步骤如下：

步骤3.4.1：从第二层开始依次选择每层中节点r

步骤3.4.2：替换第二层时，在该层选择一个节点W

步骤3.4.3：当置换层为第三层，在此层选择一个节点X

步骤3.4.4：当替换层为第四层，在此层选择一个节点Y

步骤3.5：随机节点替换之后，如果被替换的节点r

步骤3.5.1：替换第二层时，在该层中选择一个节点W

步骤3.5.2：替换第三层时，在该层中选择一个节点X

步骤3.5.3：替换第四层时，在该层中选择一个节点Y

步骤3.6：构建无向无环连通图中的动态调整机制，根据差异度大小调整扫描交叉重组、节点随机替换的概率，当个体间相似性高时需降低扫描交叉重组的概率，提高节点随机替换的概率，包括：

步骤3.6.1：将无向无环连通图进行实数化表示，包括：

步骤6-1：将父代DP

步骤6-2：将子图PUW

步骤6-3：将每个无向无环连通图的相邻两层中相关联的两节点表示为二维数组(x,y)形式，将相邻两层中所有节点的二维数组表示在同一个序列Sq中；

步骤3.6.2：将每两个无向无环连通图相应层所在的序列通过空缺位置补0的方式扩充为等长序列，将扩充后的序列进行实数化表示得到实数化序列；

步骤3.6.3：将实数化后的序列按照数组的比较方式进行对比，计算解图集中两个实数化后序列的差异度De，

解图集的平均差异度

其中，ML表示两个无向无环连通图个体实数化数组序列的最大长度，ml表示两个无向无环连通图个体实数化数组序列的最小长度，z

步骤3.6.4：根据De的大小通过自适应调整定点扫描交叉重组概率或节点随机替换概率，

式中，p表示新一代的扫描交叉重组概率或者节点随机替换概率；p'表示上一代定点扫描交叉重组概率或者节点随机替换概率；λ表示变化因子；v

本实施例中部分参数设置如表1所示。

表1 部分参数表

步骤三求解最优值的部分伪代码如下：