面向采购计划优化的多重自适应计算方法与装置

1.本发明涉及物料采购技术领域，具体涉及一种面向采购计划优化的多重自适应计算方法与装置。


背景技术：

2.随着制造企业国际化水平的提高与行业竞争的加剧，越来越多的制造企业在海外设立生产基地，为海外客户提供更好的产品服务。在海外基地经营过程中，合理选择供应商及确定采购批量直接影响企业的运营与效益。
3.海外生产基地的采购综合成本不仅可以是包括物料成本(散件采购成本与原材料采购成本)、海运成本、清关成本、本土库存成本以及本土加工成本等常规采购成本，还可以是在采购常规成本的基础上，进一步涵盖税收优惠成本、供应商均衡等因素的综合采购成本。
4.以综合采购成本为目标的采购计划优化是一个典型的组合优化问题，属于np-hard问题。鉴于此，有必要提供一种面向采购计划优化的多重自适应计算方案，为制造企业海外基地制定合理的采购计划并进行供应商选择。


技术实现要素：

5.(一)解决的技术问题
6.针对现有技术的不足，本发明提供了一种面向采购计划优化的多重自适应计算方法与装置，解决了现有技术无法为制造企业海外基地制定合理的采购计划并进行供应商选择的技术问题。
7.(二)技术方案
8.为实现以上目的，本发明通过以下技术方案予以实现：
9.一种面向采购计划优化的多重自适应计算方法，包括：
10.s1、获取海外基地运营过程中需采购的产品生产所需物料；
11.s2、根据所述产品生产所需物料的数量，以综合采购成本最小为目标获取多个可行的采购计划方案；
12.s3、根据多个可行的采购计划方案，设计多重自适应机制的遗传算法获取全局最优解，所述全局最优解用于确定海外基地在一个采购周期内每种物料的供应商选择及其采购数量。
13.优选的，所述s3具体包括：
14.s31、将每个可行的采购计划方案对应编码成一条染色体放入初始种群中，并初始选择策略；
15.s32、计算当前种群的每一条染色体的适应度值，所述适应度值为各个可行的采购计划方案的综合采购成本；
16.s33、若当前种群早熟，或者当前选择策略的连续迭代次数大于预设迭代次数，则
按顺序切换选择下一策略，否则保留当前选择策略，进行选择操作；
17.s34、执行自适应交叉策略；
18.s35、执行自适应变异策略；
19.s36、执行变异操作后，计算当前种群中每一条染色体的适应度值，若种群适应度值重复度大于预设重复度，则采用精英保留的自适应重启机制更新当前种群，否则保留当前种群；
20.s37、判断是否达到最大迭代次数，若是，选择当前种群中适应度值最大的染色体并解码，获取全局最优解；否则，转入s33。
21.优选的，所述s31中将每个解对应编码成一条染色体，包括：
22.采用实数编码方式构建染色体结构，染色体由一个(i+m)
×
j的二维矩阵表示，染色体个体适应度值为综合采购成本数值；其中，矩阵的行表示不同种类的物料，前i行表示不同种类的散件，后m行表示不同种类的原材料；矩阵的列表示不同供应商。
23.优选的，所述s33具体包括
24.首先计算最优个体适应度值与次优个体适应度值的差距f
diff
，确定所求差距f
diff
对最优个体适应度值f
sub
的占比，当该占比不小于某一预设阈值ε
max
，即判断当前种群处于早熟状态；同时，判断使用同一种选择策略的重复迭代次数是否达到阈值；当满足上述条件中的任意一个时，则更换新的选择方式，所述选择方式包括轮盘赌选择、精英选择或者种马选择方式。
25.优选的，所述s34包括：
26.s341、根据当前种群中每一条染色体的适应度值，确定种群适应度的平均值、最大值和最小值；
27.s342、根据个体适应度值与种群适应度的平均值大小关系，以及最大值和最小值，确定交叉率；
[0028][0029]
p
cross
为交叉率，f表示当前染色体的适应度值，f
avg
、f
max
和f
min
分别表示执行交叉操作之前种群适应度的平均值、最大值和最小值，ω1、μ1和μ2均为范围在(0,1)之间的常数；
[0030]
s343、随机生成一个数r∈(0,1)，若r≤p
cross
，针对当前染色体执行交叉操作，具体的交叉方式按照最优概率选择的线性重组或者两点交叉。
[0031]
优选的，所述s35包括：
[0032]
s351、执行交叉操作后，根据当前种群中每一条染色体的适应度值，确定种群适应度的平均值、最大值和最小值；
[0033]
s352、根据个体适应度值与种群适应度的平均值大小关系，以及最大值和最小值，确定变异率；
[0034][0035]
p
mut
为变异率，f
′
表示当前染色体的适应度值，f
avg
′
、f
max
′
和f
min
′
分别表示执行交叉操作后种群适应度的平均值、最大值和最小值，ω2、μ3和μ4均为范围在(0,1)之间的常数；
[0036]
s353、随机生成一个数r
′
∈(0,1)，若r≤p
mut
，继续比较f
′
与f
avg
′
的大小，
[0037]
若f
′
《f
avg
′
，则选择两列随机变异方式执行变异操作；
[0038]
若f
′
≥f
avg
′
，则选择逆转变异方式执行变异操作。
[0039]
优选的，所述s36的精英保留的自适应重启机制，具体是指：
[0040]
假设当前种群中共有m个个体，保留当前种群中的最优个体，随后调用种群初始化操作，重新生成m-1个新的个体，将上述m个染色体作为当前子代继续迭代；同时，在算法迭代过程中，当累计重启次数大于一定阈值时，将当前变异率基础上增加预设数值。
[0041]
一种面向采购计划优化的多重自适应计算装置，包括：
[0042]
数据获取模块，用于获取海外基地运营过程中需采购的产品生产所需物料；
[0043]
方案求解模块，用于根据所述产品生产所需物料的数量，以综合采购成本最小为目标获取多个可行的采购计划方案；
[0044]
方案优化模块，用于根据多个可行的采购计划方案，设计多重自适应机制的遗传算法获取全局最优解，所述全局最优解用于确定海外基地在一个采购周期内每种物料的供应商选择及其采购数量。
[0045]
优选的，所述方案优化模块具体用于：
[0046]
s31、将每个可行的采购计划方案对应编码成一条染色体放入初始种群中，并初始选择策略；
[0047]
s32、计算当前种群的每一条染色体的适应度值，所述适应度值为各个可行的采购计划方案的综合采购成本；
[0048]
s33、若当前种群早熟，或者当前选择策略的连续迭代次数大于预设迭代次数，则按顺序切换选择下一策略，否则保留当前选择策略，进行选择操作；
[0049]
s34、执行自适应交叉策略；
[0050]
s35、执行自适应变异策略；
[0051]
s36、执行变异操作后，计算当前种群中每一条染色体的适应度值，若种群适应度值重复度大于预设重复度，则采用精英保留的自适应重启机制更新当前种群，否则保留当前种群；
[0052]
s37、判断是否达到最大迭代次数，若是，选择当前种群中适应度值最大的染色体并解码，获取全局最优解；否则，转入s33。
[0053]
(三)有益效果
[0054]
本发明提供了一种面向采购计划优化的多重自适应计算方法与装置。与现有技术相比，具备以下有益效果：
[0055]
本发明，包括获取海外基地运营过程中需采购的产品生产所需物料；根据所述产
品生产所需物料的数量，以综合采购成本最小为目标获取多个可行的采购计划方案；根据多个可行的采购计划方案，设计多重自适应机制的遗传算法获取全局最优解，所述全局最优解用于确定海外基地在一个采购周期内每种物料的供应商选择及其采购数量。设计基于多重自适应机制的遗传算法进行求解，实现对海外基地采购计划的优化。
附图说明
[0056]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0057]
图1为本发明实施例提供的一种面向采购计划优化的多重自适应计算方法的流程示意图；
[0058]
图2为本发明实施例提供一种ma-ga算法流程示意图；
[0059]
图3为本发明实施例提供的一种ma-ga染色体编码方式示意图；
[0060]
图4为本发明实施例提供的一种两点交叉方式示意图；
[0061]
图5为本发明实施例提供的一种两列随机变异方式示意图；
[0062]
图6为本发明实施例提供的一种逆转变异方式示意图。
具体实施方式
[0063]
为使本发明实施例的目的、技术方案和优点更加清楚，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0064]
本技术实施例通过提供一种面向采购计划优化的多重自适应计算方法和装置，现有技术无法为制造企业海外基地制定合理的采购计划并进行供应商选择的技术问题。
[0065]
本技术实施例中的技术方案为解决上述技术问题，总体思路如下：
[0066]
正如背景技术提出的一样，以综合采购成本为目标的采购计划优化是一个典型的组合优化问题，属于np-hard问题。证明如下：
[0067]
假设本发明实施例研究的采购计划问题为q，考虑q的一个特殊情况q1，其中散件及原材料的种类为1，在考虑q1的一个特殊情况q2，其中除了常规成本的总和f1以外的成本均为0。则问题q2可看作为，假设有i个散件，j个供应商，每个散件的采购分配空间为每个散件的采购分配空间为其中s
i1
是散件i的供应商采购可选空间，对于每个ri，可以分成若干个ri＝(s
i1
,s
i2
,s
i3
,...,s
ij
)。目标为找出使f1最小的集合ri。又因为，集合覆盖问题可以表述为，给定全集u，及集合并集为全集u的集合s，目标为找到的一个最小的子集，使得他们的并集等于全集。
[0068]
因此，问题q2等价于集合覆盖问题。集合覆盖问题是经典的np
‑ꢀ
hard问题，故q2为np-hard问题。又因为问题q2是问题q的退化，计算问题复杂度q2∝
q1∝
q，故问题q是np-hard问题。
[0069]
基于此，本技术提供了一种面向采购计划优化的多重自适应计算方法，包括获取海外基地运营过程中需采购的产品生产所需物料；根据所述产品生产所需物料的数量，以综合采购成本最小为目标获取多个可行的采购计划方案；根据多个可行的采购计划方案，设计多重自适应机制的遗传算法获取全局最优解，所述全局最优解用于确定海外基地在一个采购周期内每种物料的供应商选择及其采购数量。设计基于多重自适应机制的遗传算法进行求解，实现对海外基地采购计划的优化。
[0070]
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
[0071]
实施例：
[0072]
如图1所示，本发明实施例提供了一种面向采购计划优化的多重自适应计算方法，包括：
[0073]
s1、获取海外基地运营过程中需采购的产品生产所需物料；
[0074]
s2、根据所述产品生产所需物料的数量，以综合采购成本最小为目标获取多个可行的采购计划方案；
[0075]
s3、根据多个可行的采购计划方案，设计多重自适应机制的遗传算法获取全局最优解，所述全局最优解用于确定海外基地在一个采购周期内每种物料的供应商选择及其采购数量。
[0076]
本发明实施例设计基于多重自适应机制的遗传算法进行求解，实现对海外基地采购计划的优化。
[0077]
下面将详细介绍上述技术方案：
[0078]
在步骤s1中，获取海外基地运营过程中需采购的产品生产所需物料。
[0079]
本发明实施例中的物料包括散件和原材料，且散件可由原材料按一定比例二次加工制成。如表1所示，所需物料对应的参数合集为：
[0080]
表1
[0081]
i指计划采购的散件种类,i∈(1,2,3,...,i)m指计划采购的原材料种类,m∈(1,2,3,...,m)j指供应商,j∈(0,1,2,...,j)x
ij
指从供应商j处购买散件i的数量y
mj
指从供应商j处购买原材料i的数量
[0082]
在步骤s2中，根据所述产品生产所需物料的数量，以综合采购成本最小为目标获取多个可行的采购计划方案。
[0083]
本步骤中综合成本除了包括物料成本(散件采购成本与原材料采购成本)、海运成本、清关成本、本土库存成本以及本土加工成本等常规采购成本，还包括税收优惠成本、供应商均衡等因素引起的成本变化。由于本步骤仅强调根据上述表格，求取用于后续算法部分中的多个可行解及其对应的适应度值，因此在此不限定具体的求解方式，本领域技术人员根据实际需要选择。
[0084]
在步骤s3中，根据多个可行的采购计划方案，设计多重自适应机制的遗传算法获取全局最优解，所述全局最优解用于确定海外基地在一个采购周期内每种物料的供应商选择及其采购数量。
[0085]
本发明实施例提出基于多重自适应机制的遗传算法(multipleadaptive genetic algorithm，ma-ga)，算法流程如图2所示。首先，提出多种选择方式组合使用的选择策略；其次，设计基于种群适应度值的自适应交叉、变异策略，提高算法后期局部搜索能力；最后，采用基于精英保留的自适应重启机制，及时跳出局部最优。
[0086]
所述s3具体包括：
[0087]
s31、将每个可行的采购计划方案对应编码成一条染色体放入初始种群中，并初始选择策略；
[0088]
其中将每个解对应编码成一条染色体，包括：
[0089]
采用实数编码方式构建染色体结构，染色体由一个(i+m)
×
j的二维矩阵表示，染色体个体适应度值为综合采购成本数值；其中，矩阵的行表示不同种类的物料，前i行表示不同种类的散件，后m行表示不同种类的原材料；矩阵的列表示不同供应商。矩阵中的元素表示制造企业海外基地向j个供应商采购散件i以及原材料m的数量。例如，x
11
指计划在供应商1处采购散件1的数量。
[0090]
本发明实施例采用一种组合选择策略，通过计算染色体个体适应度值判断当前种群是否处于早熟状态，进而在不同选择方式中动态切换。与步骤s32～s33对应，具体如下：
[0091]
s32、计算当前种群的每一条染色体的适应度值，所述适应度值为各个可行的采购计划方案的综合采购成本。
[0092]
s33、若当前种群早熟，或者当前选择策略的连续迭代次数大于预设迭代次数，则按顺序切换选择下一策略，否则保留当前选择策略，进行选择操作；具体包括
[0093]
首先计算最优个体适应度值与次优个体适应度值的差距f
diff
，确定所求差距f
diff
对最优个体适应度值f
sub
的占比，当该占比不小于某一预设阈值ε
max
，即判断当前种群处于早熟状态；同时，判断使用同一种选择策略的重复迭代次数是否达到阈值；当满足上述条件中的任意一个时，则更换新的选择方式，所述选择方式包括轮盘赌选择、精英选择或者种马选择方式。
[0094]
s34、执行自适应交叉策略；包括：
[0095]
s341、根据当前种群中每一条染色体的适应度值，确定种群适应度的平均值、最大值和最小值；
[0096]
s342、根据个体适应度值与种群适应度的平均值大小关系，以及最大值和最小值，确定交叉率；
[0097][0098]
p
cross
为交叉率，f表示当前染色体的适应度值，f
avg
、f
max
和f
min
分别表示执行交叉操作之前种群适应度的平均值、最大值和最小值，ω1、μ1和μ2均为范围在(0,1)之间的常数；本发明实施例示例性的选择μ1＝0.65，μ2＝0.9，ω1＝0.05；当前个体的交叉率将随着上述参数的变化不断调整，以保证父代优良染色体更好的保留到子代中。
[0099]
s343、随机生成一个数r∈(0,1)，若r≤p
cross
，针对当前染色体执行交叉操作，具体的交叉方式按照最优概率选择的线性重组或者两点交叉。
[0100]
(1)线性重组指在父代变量区间上根据一定比例组合计算得到子代个体变量值。生成子代个体的计算方式如下所示：
[0101][0102]
α是一个随机均匀选择的比例因子，前人的研究表明其取值范围在 [-0.25,1.25]时，可以在统计学上保证后代变量值的范围不会缩小，发明实施例示例的选择α＝0.25；
[0103]
(2)两点交叉指在染色体中随机设置两个交叉点，随后交换两个染色体在所设定的两个交叉点之间的部分染色体。由于本文模型中包含整数约束，直接进行两点交叉后的子染色体并不总是满足约束的，因此在进行两点交叉后须对子染色体进行修复，具体操作如图4所示。
[0104]
s35、执行自适应变异策略；包括：
[0105]
s351、执行交叉操作后，根据当前种群中每一条染色体的适应度值，确定种群适应度的平均值、最大值和最小值；
[0106]
s352、根据个体适应度值与种群适应度的平均值大小关系，以及最大值和最小值，确定变异率；
[0107][0108]
p
mut
为变异率，f
′
表示当前染色体的适应度值，f
avg
′
、f
max
′
和f
min
′
分别表示执行交叉操作后种群适应度的平均值、最大值和最小值，ω2、μ3和μ4均为范围在(0,1)之间的常数；本发明实施例示例性的选择μ3＝ 0.0095，μ4＝0.015，ω2＝0.0005。由于ω2的存在，当f
′
等于f
max
′
时， p
mut
不为零，以降低迭代初期产生伪优良个体而陷入局部最优解的概率。
[0109]
s353、随机生成一个数r
′
∈(0,1)，若r≤p
mut
，继续比较f
′
与f
avg
′
的大小，
[0110]
若f
′
《f
avg
′
，则选择两列随机变异方式执行变异操作；
[0111]
如图5所示，随机变异指在染色体上随机选择两个基因片段进行互换，染色体变化程度较小。当该个体适应度值小于种群均值时，说明该染色体相对来说较优，则降低当前变异率，因此选择两列随机变异方式，减少变异程度。
[0112]
若f
′
≥f
avg
′
，则选择逆转变异方式执行变异操作；
[0113]
如图6所示，逆转变异指将整条染色体进行翻转，染色体变化程度较大。当该个体适应度值不小于种群均值时，说明该个体适应度值相对较差，则提高当前变异率，因此选择逆转变异方式，增大染色体变化程度。
[0114]
s36、执行变异操作后，计算当前种群中每一条染色体的适应度值，若种群适应度值重复度大于预设重复度，则采用精英保留的自适应重启机制更新当前种群，否则保留当前种群。
[0115]
在种群进化过程中，当种群多样性下降到一定程度时，对算法流程进行重启操作，
具体过程为：假设当前种群中共有m个个体，保留当前种群中的最优个体，随后调用种群初始化操作，重新生成m-1个新的个体，将上述m个染色体作为当前子代继续迭代。同时，在算法迭代过程中，当累计重启次数大于一定阈值时，将当前变异率基础上增加 0.01，用于在重启过程中进一步增强种群多样性，避免陷入局部最优。
[0116]
s37、判断是否达到最大迭代次数，若是，选择当前种群中适应度值最大的染色体并解码，获取全局最优解；否则，转入s33。
[0117]
本发明实施例提供了一种面向采购计划优化的多重自适应计算装置，包括：
[0118]
数据获取模块，用于获取海外基地运营过程中需采购的产品生产所需物料；
[0119]
方案求解模块，用于根据所述产品生产所需物料的数量，以综合采购成本最小为目标获取多个可行的采购计划方案；
[0120]
方案优化模块，用于根据多个可行的采购计划方案，设计多重自适应机制的遗传算法获取全局最优解，所述全局最优解用于确定海外基地在一个采购周期内每种物料的供应商选择及其采购数量。
[0121]
其中，所述方案优化模块具体用于：
[0122]
s31、将每个可行的采购计划方案对应编码成一条染色体放入初始种群中，并初始选择策略；
[0123]
s32、计算当前种群的每一条染色体的适应度值，所述适应度值为各个可行的采购计划方案的综合采购成本；
[0124]
s33、若当前种群早熟，或者当前选择策略的连续迭代次数大于预设迭代次数，则按顺序切换选择下一策略，否则保留当前选择策略，进行选择操作；
[0125]
s34、执行自适应交叉策略；
[0126]
s35、执行自适应变异策略；
[0127]
s36、执行变异操作后，计算当前种群中每一条染色体的适应度值，若种群适应度值重复度大于预设重复度，则采用精英保留的自适应重启机制更新当前种群，否则保留当前种群；
[0128]
s37、判断是否达到最大迭代次数，若是，选择当前种群中适应度值最大的染色体并解码，获取全局最优解；否则，转入s33。
[0129]
可理解的是，本发明实施例提供的面向采购计划优化的多重自适应计算装置与本发明实施例提供的面向采购计划优化的多重自适应计算方法相对应，其有关内容的解释、举例和有益效果等部分可以参考面向多重自适应计算方法中的相应部分，此处不再赘述。
[0130]
综上所述，与现有技术相比，具备以下有益效果：
[0131]
本发明实施例包括，获取海外基地运营过程中需采购的产品生产所需物料及其相关变量；根据所述产品生产所需物料的数量，构建以综合采购成本最小为目标的线性整数规划模型；设计多重自适应机制的遗传算法求解所述线性整数规划模型，获取海外基地在一个采购周期内每种物料的供应商选择及其采购数量。针对制造企业海外生产基地采购计划优化问题，将税收优惠政策与供应商均衡因素引入优化模型中，提出由多种成本因素构成的综合采购总成本，建立混合整数线性规划模型，并设计基于多重自适应机制的遗传算法进行求解，实现对海外基地采购计划的优化。
[0132]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实
体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0133]
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。