申请/专利权人：北京航天智造科技发展有限公司

申请日：2018-11-12

公开（公告）日：2024-04-02

公开（公告）号：CN109460957B

主分类号：G06Q10/087

分类号：G06Q10/087;G06N3/006;G06N3/126;G06N10/60

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2021.02.23#实质审查的生效;2019.03.12#公开

摘要：本发明涉及一种基于量子遗传模拟退火算法的仓储补货方法。该方法包括以下步骤：1根据每种零部件的补货方式，计算整个供应链的产品销售收入和各项成本构成，进而得到计算整个供应链的总利润的利润函数；2以整个供应链的总利润最大化为目标，建立供应链中的零部件补货策略优化的数学模型；3根据建立的零部件补货策略优化的数学模型，采用量子遗传模拟退火算法计算各种补货方式共存下整个供应链的零部件补货策略。本发明能够获取考虑多种约束的有限补货策略的排程方案，依靠量子遗传模拟退火算法，可有效降低订货商的库存量和缺货概率，从而降低库存成本和因缺货造成的运营成本。

主权项：1.一种基于量子遗传模拟退火算法的仓储补货方法，其特征在于，包括以下步骤：1根据每种零部件的补货方式，计算整个供应链的产品销售收入和各项成本构成，进而得到计算整个供应链的总利润的利润函数；2以整个供应链的总利润最大化为目标，建立供应链中的零部件补货策略优化的数学模型；3根据建立的零部件补货策略优化的数学模型，采用量子遗传模拟退火算法计算各种补货方式共存下整个供应链的零部件补货策略；所述利润函数为：π＝SR-Cm-Cs其中，π表示总利润，SR表示制造商的销售收入，Cm表示ATO制造商的总成本，Cs表示零部件供应商的总成本；所述供应链中的零部件补货策略优化的数学模型为：Maxπm≥k≥0Dj≥Qj≥0s.t.Dj≥rj≥0其中，j＝k+1,k+2,...,m，前k种零部件采用准时制补货方式进行补货，后m-k种零部件采用经济订货批量方式进行补货，第j种零部件的年期望需求量为Dj，第j种零部件的采购批量为Qj，再订货点为rj；所述量子遗传模拟退火算法利用模拟退火算法能够概率性跳出局部最优的优点，将模拟退火的思想引入到量子遗传算法中，首先初始化一个种群Qt,种群中各染色体的基因均被初始化为一个染色体所表达的是其全部可能状态的叠加；Sk为该染色体的第k种状态，对于n种零部件的补货问题，其表示为一个长度为n的二进制串x1,x2,...,xn，其中xi的值为0或1，i＝1,2,...,n；然后通过对种群测量来获取一组确定的解其中为第t代种群中第j个解；所述是一个长度为n值为0或1的二进制串，其值根据量子比特概率或来确定，其过程是，产生一个0到1的随机数，如果随机数是大于或者那么测量值为1，否则为0；所述量子遗传模拟退火算法选择量子旋转门来对染色体进行调整，调整策略为：比较个体的当前测量值的适应度值Fitx与目标值的适应度值Fitb，若Fitxi＞Fitbi，则调整相应的量子比特位的几率幅对αi,βi往利于xi的方向发展，反之则往利于bi的方向发展。

全文数据：一种基于量子遗传模拟退火算法的仓储补货方法技术领域本发明属于信息技术、零部件补货技术领域，具体涉及一种基于量子遗传模拟退火算法的仓储补货方法。背景技术量子遗传算法是把量子进化算法应用到遗传算法中，使得其同时拥有量子进化算法QuantumEvolutionaryAlgorithm，QEA的种群多样性和遗传算法GeneticAlgorithm，GA的选优能力等两个优点，故其能快速收敛和进行全局寻优。而模拟退火算法在理论上具有一定能找到真正全局最优解的性能，在生产调度、控制工程等生产管理及工程领域到广泛应用。在生产过程中，按订单装配Assemble-to-Order，ATO是缩短交货期、减少成品库存的一种相对先进的生产组织方式，而为了使整个供应链系统的总利润最大化，及时的零部件补充是按订单装配供应链成功运行的关键要素之一。经济订货批量EconomicOrderQuantity，EOQ和准时制补货Just-in-Time，JIT是当前两种主要的零部件补货方式。经济订货批量所要求的供应商供货能力较低，但其带给制造商的库存量及保管成本却相对较高；准时制补货方式可以降低订货商的库存量和缺货概率，但却要求供应商拥有较高的供货能力，同时，随着补货次数的增加，可能会导致补货成本和总成本也随之上升。因此，企业需要对不同零部件采用不同补货方式，而确定补货方式的方法需要结合量子遗传算法和模拟退火算法，以及事先构建预测模型，计算出最优补货策略。量子遗传算法QuantumGeneticAlgorithm，QGA善于跳出局部最优从而获取全局最优解，但运行时间较长，而模拟退火算法Simulated-AnnealingAlgorithm，SAA善于局部搜索，搜索时间较短，在求解准确性和运行时效上，两者可以相互弥补，但两种算法极易受到参数的影响，对参数的质量要求较高，前期的试错成本较高。发明内容供应链环节中，绝大部分企业的补货策略是依靠过往的运营经验，很难有效降低供应链运作的成本，本发明提供一种基于量子遗传模拟退火算法的仓储补货方法，依靠量子遗传模拟退火算法，可有效降低订货商的库存量和缺货概率，从而降低库存成本和因缺货造成的运营成本。本发明采用的技术方案如下：一种基于量子遗传模拟退火算法的仓储补货方法，其特征在于，包括以下步骤：1根据每种零部件的补货方式，计算整个供应链的产品销售收入和各项成本构成，进而得到计算整个供应链的总利润的利润函数；2以整个供应链的总利润最大化为目标，建立供应链中的零部件补货策略优化的数学模型；3根据建立的零部件补货策略优化的数学模型，采用量子遗传模拟退火算法计算各种补货方式共存下整个供应链的零部件补货策略。进一步地，所述补货方式包括：准时制补货方式、经济订货批量方式。进一步地，所述利润函数为π＝SR-Cm-Cs其中，π表示总利润，SR表示制造商的销售收入，Cm表示ATO制造商的总成本，Cs表示零部件供应商的总成本。进一步地，所述供应链中的零部件补货策略优化的数学模型为：Maxπm≥k≥0Dj≥Qj≥0s.t.Dj≥rj≥0其中，j＝k+1,k+2,...,m，前k种零部件采用准时制补货方式进行补货，后m-k种零部件采用经济订货批量方式进行补货，第j种零部件的年期望需求量为Dj，第j种零部件的采购批量为Qj，再订货点为rj。进一步地，所述量子遗传模拟退火算法选择量子旋转门来对染色体进行调整，调整策略为：比较个体的当前测量值的适应度值Fitx与目标值的适应度值Fitb，若Fitxi＞Fitbi，则调整相应的量子比特位的几率幅对αi,βi往利于xi的方向发展，反之则往利于bi的方向发展。进一步地，将补货策略的适应度函数定义为Fitk,Qj,rj＝πk,Qj,rj，式中：k,Qj,rj表示各个零部件补货策略的组合，πk,Qj,rj表示在该补货策略下ATO供应链的总利润。进一步地，所述量子遗传模拟退火算法通过交叉和变异操作产生新种群，然后进行模拟退化操作，判断是否满足终止条件，如果满足则终止算法并输出结果，如果不满足，则通过量子门旋转产生新的种群，然后重复以上操作，直到满足终止条件。本发明的有益效果如下：本发明关键在于可将不同企业、不同行业的补货策略考虑进来，使用该方法进行排程计算，获取考虑多种约束的有限补货策略的排程方案，依靠量子遗传模拟退火算法，可有效降低订货商的库存量和缺货概率，从而降低库存成本和因缺货造成的运营成本。附图说明图1是本发明的量子遗传模拟退火算法的步骤流程图。具体实施方式为使本发明的上述目的、特征和优点能够更加明显易懂，下面通过具体实施例和附图，对本发明做进一步详细说明。1模型建立在一个ATO供应链中存在一个ATO制造商与m个零部件供应商，制造商从m个零部件供应商处采购m种不可相互替代的零部件，并将这些零部件组装成n种产品。第ii＝1,2,…,n种产品的年期望需求量为Di，销售价格为Si，单位组装成本为Ai，缺货概率为αi。将制造商从零部件供应商处采购的m种零部件按补货方式进行排序，前k种零部件采用准时制补货方式进行补货，而后m-k种零部件采用经济订货批量方式进行补货。其中，第jj＝1,2,…,m种零部件的年期望需求量为Dj，采购价格为Pj，单位时间保管费率HATO制造商总成本中的数值，生产率为cj，单位时间保管费率hj零部件供应商总成本中的数值，生产准备成本为sj，生产制造成本为pj；采用经济订货批量方式进行补货的第jj＝k+1,k+2,…,m种零部件的采购批量为Qj，单位补货成本为Cj，再订货点为rj，在提前期内的需求为dj；采用准时制补货方式的第jj＝1,2,…,k种零部件的单位补货成本为C’j，且有C’jpm，则对选中位进行量子非门操作，即0变成1，或1变成0。3模拟退火操作父代染色体p1和p2在经过交叉变异操作获得子代个体c1和c2后，分别计算其个体适应度Fitp和Fitc，以概率P接受子代为下一代种群中的个体，其中，量子遗传模拟退火算法的具体框架结构如图1所示，包括以下步骤：1设置算法参数T＝T0，其中T表示种群的代数，T0表示第某代种群。2随机产生初始量子比特种群Qt。3根据解码变换将Qt转换为补货方式种群pt即上文提到的通过种群测量来获取的确定的解。具体转换方法是可采用公知的方法。4计算种群pt中染色体的适应度。5进行选择、交叉和变异操作，产生新种群pt。选择、交叉和变异是针对原染色体进行再适应的操作过程。6评价pt的适应度，并进行模拟退化操作。7判断是否满足终止条件，如果满足则终止算法并输出结果，如果不满足，则通过量子门旋转产生新的种群，得到T＝μT，并加入Qt中，然后重复上述步骤，直到满足终止条件。其中，“终止条件”是指当适应度达到要求方可终止；T＝μT表示旋转后获得新的参数，μ表示一种系数，属于公知数据，是渺子的符号标识。以上实施例仅用以说明本发明的技术方案而非对其进行限制，本领域的普通技术人员可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明的精神和范围，本发明的保护范围应以权利要求书所述为准。

权利要求：1.一种基于量子遗传模拟退火算法的仓储补货方法，其特征在于，包括以下步骤：1根据每种零部件的补货方式，计算整个供应链的产品销售收入和各项成本构成，进而得到计算整个供应链的总利润的利润函数；2以整个供应链的总利润最大化为目标，建立供应链中的零部件补货策略优化的数学模型；3根据建立的零部件补货策略优化的数学模型，采用量子遗传模拟退火算法计算各种补货方式共存下整个供应链的零部件补货策略。2.根据权利要求1所述的方法，其特征在于，所述补货方式包括：准时制补货方式、经济订货批量方式。3.根据权利要求1所述的方法，其特征在于，所述利润函数为：π＝SR-Cm-Cs其中，π表示总利润，SR表示制造商的销售收入，Cm表示ATO制造商的总成本，Cs表示零部件供应商的总成本。4.根据权利要求3所述的方法，其特征在于，所述供应链中的零部件补货策略优化的数学模型为：Maxπm≥k≥0Dj≥Qj≥0s.t.Dj≥rj≥0其中，j＝k+1,k+2,...,m，前k种零部件采用准时制补货方式进行补货，后m-k种零部件采用经济订货批量方式进行补货，第j种零部件的年期望需求量为Dj，第j种零部件的采购批量为Qj，再订货点为rj。5.根据权利要求4所述的方法，其特征在于，所述量子遗传模拟退火算法首先初始化一个种群Qt,种群中个染色体的基因均被初始化为一个染色体所表达的是其全部可能状态的叠加；Sk为该染色体的第k种状态，对于n种零部件的补货问题，其表示为一个长度为n的二进制串x1,x2,,...,xn，其中，xii＝1,2,...,n的值为0或1；然后通过对种群测量来获取一组确定的解其中为第t代种群中第j个解。6.根据权利要求5所述的方法，其特征在于，所述是一个长度为n值为0或1的二进制串，其值根据量子比特概率或来确定，其过程是，产生一个0到1的随机数，如果随机数是大于或者那么测量值为1，否则为0。7.根据权利要求6所述的方法，其特征在于，所述量子遗传模拟退火算法选择量子旋转门来对染色体进行调整，调整策略为：比较个体的当前测量值的适应度值Fitx与目标值的适应度值Fitb，若Fitxi＞Fitbi，则调整相应的量子比特位的几率幅对αi,βi往利于xi的方向发展，反之则往利于bi的方向发展。8.根据权利要求7所述的方法，其特征在于，将补货策略的适应度函数定义为Fitk,Qj,rj＝πk,Qj,rj，式中：k,Qj,rj表示各个零部件补货策略的组合，πk,Qj,rj表示在该补货策略下ATO供应链的总利润。9.根据权利要求1或8所述的方法，其特征在于，所述量子遗传模拟退火算法通过交叉和变异操作产生新种群，然后进行模拟退化操作，判断是否满足终止条件，如果满足则终止算法并输出结果，如果不满足，则通过量子门旋转产生新的种群，然后重复以上操作，直到满足终止条件。10.根据权利要求9所述的方法，其特征在于，所述量子遗传模拟退火算法包括以下步骤：1设置算法参数T＝T0，其中T表示种群的代数，T0表示第某代种群；2随机产生初始量子比特种群Qt；3根据解码变换将Qt转换为补货方式种群pt；4计算种群pt中染色体的适应度；5进行选择、交叉和变异操作，产生新种群pt；6评价pt的适应度，并进行模拟退化操作；7判断是否满足终止条件，如果满足则终止算法并输出结果，如果不满足，则通过量子门旋转产生新的种群，得到T＝μT，并加入Qt中，然后重复上述步骤，直到满足终止条件；其中T＝μT表示旋转后获得新的参数。

百度查询： 北京航天智造科技发展有限公司 一种基于量子遗传模拟退火算法的仓储补货方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD