CN110046761A - 一种基于多目标粒子群优化算法的乙醇库存补货策略 - Google Patents

Abstract

本发明提出了一种基于多目标粒子群优化算法的乙醇库存补货策略，针对乙醇库存量难以优化确定的问题，实现对乙醇库存补货量的合理规划，降低乙醇库存总成本。该乙醇库存补货策略通过建立仓储成本模型和采购成本模型，获取成本与补货批量、启动补货策略库存余量和送达时间的关系；利用多目标粒子群优化算法优化仓储成本模型和采购成本模型，得到单个周期每次补货时固定的补货批量、启动补货策略库存余量和送达时间的最优设定值，从而使乙醇库存量保持在一个合理的水平，促进库存优化控制，保证工业过程稳定运行。

Description

一种基于多目标粒子群优化算法的乙醇库存补货策略

技术领域

本发明利用多目标粒子群优化算法实现对乙醇库存补货量的合理规划，获取单个周期每次补货时固定的补货批量、启动补货策略库存余量和送达时间的最优设定值，基于多目标粒子群优化算法的乙醇库存补货策略不仅可以降低库存总成本，而且能够提高库存周转效率。将多目标粒子群优化算法应用于乙醇库存补货策略，对乙醇库存补货量进行合理规划，促进库存优化控制，是工业过程运行的重要组成部分，属于过程控制领域。

背景技术

库存补货策略对乙醇的库存量水平有着重要的影响，如果策略不当容易造成乙醇的囤积或短缺。乙醇使用的随机性、交货时间的延迟性，使企业必须持有一定量的库存以满足实验需求，且由于乙醇化学性质的特殊性，仓库内乙醇存储数量有规定的上限值，但库存量并不是越小越好。库存量过小，会因供应不足、加急配送而增大采购成本；库存量过大，会增加管理成本同时增大危险事故发生的可能性。采用优化后的乙醇库存补货策略进行补货，可以使乙醇库存量保持在一个合理的水平，从而降低库存总成本，促进库存优化控制。因此，本发明的研究成果具有广阔的应用前景。

如今化学品都是依靠管理员的经验补货，对人依赖性很大，不能很好的控制补货的数量，容易造成资源的浪费。因此，选择最优的乙醇库存补货策略，对降低库存总成本、促进库存优化控制具有重要的意义。补货批量、启动补货策略库存余量、送达时间的设定值，不仅决定仓储成本，而且对乙醇的采购成本也有着重要的影响。乙醇仓储成本和采购成本之间相互关联、此消彼长，为降低库存总成本，需要在两者之间进行权衡使两个目标函数尽可能都达到最优。因此，必须寻求合适的优化方法，建立乙醇仓储成本模型和乙醇采购成本模型，在考虑减少库存量以降低仓储成本的同时也要适当的增加库存量来降低采购成本。此时，通过合理的优化方法便可以得到单个周期每次补货时固定的补货批量、启动补货策略库存余量和送达时间的最优设定值，使乙醇库存量保持在一个合理的水平，避免超储积压和物资短缺，最终实现库存总成本最小化的目标。

本发明设计了一种基于多目标粒子群优化算法的乙醇库存补货策略，通过多目标粒子群优化算法获得单个周期每次补货时固定的补货批量、启动补货策略库存余量和送达时间的最优设定值。

发明内容

本发明获得了一种基于多目标粒子群优化算法的乙醇库存补货策略，通过多目标粒子群优化算法得到单个周期每次补货时固定的补货批量、启动补货策略库存余量和送达时间的最优设定值，使乙醇仓储成本和采购成本尽可能都达到最优，实现库存总成本最小化的目标；

本发明采用了如下的技术方案及实现步骤：

1.一种基于多目标粒子群优化算法的乙醇库存补货策略，其特征在于，包括以下步骤：

(1)选择与乙醇仓储成本和采购成本都相关的变量为：补货批量Q(t)、启动补货策略库存余量R(t)、送达时间L(t)；

(2)建立乙醇仓储成本和采购成本模型：

其中，f₁(t)为第t个周期的乙醇仓储成本模型，包含管理成本、事故风险成本、变质损失成本；f₂(t)为第t个周期的乙醇采购成本模型，包含订货成本、运输成本、加急配送应变成本；以一年为一个周期，Q(t)为第t个周期每次补货时的固定补货批量；R(t)为第t个周期每次启动补货策略库存余量；L(t)为第t个周期的每次送达时间；m为乙醇日需求量的期望值；M为单个周期内乙醇需求总量的期望值；A为每瓶乙醇的在单个周期内的仓储成本；a为每瓶乙醇的订货成本；b为每瓶乙醇的运输成本；CT₀为每次运输固定成本；L₂为物流配送的最长时间间隔；n为缩短物流配送时间需要增加的应变成本；

(3)设计乙醇库存补货策略优化方法：

①初始化优化迭代步数K；

②将建立的乙醇仓储成本和采购成本模型作为多目标粒子群算法的优化目标函数；

③第k步迭代计算时，将粒子的位置x_t(k)＝[Q_t(k)，R_t(k)，L_t(k)]代入目标函数，计算出目标函数值；其中，k为当前迭代步数，x_t(k)为第t个周期第k步迭代的粒子位置；Q_t(k)为第t个周期第k步迭代的补货批量；R_t(k)为第t个周期第k步迭代的启动补货策略库存余量；L_t(k)为第t个周期第k步迭代的送达时间；获得进化计算过程中第t个周期第k步的个体最优位置p_t(k)，将第t个周期第k步的个体最优位置p_t(k)与第t个周期第k-1步知识库的解H_t(k-1)进行比较，H_t(k-1)＝[h_1,t(k-1)，h_2,t(k-1)，…，h_ι,t(k-1)]，h_ι,t(k-1)为第t个周期第k-1步知识库中第ι个最优解，通过支配关系更新第t个周期第k步的知识库H_t(k)，支配关系计算功能是：

H_t(k)＝H_t(k-1)∪p_t(k-1),若f₁(h_ι,t(k-1))≥f₁(p_t(k-1))且f₂(h_ι,t(k-1))≥f₂(p_t(k-1)) (4)

其中，∪是关系并，将第t个周期第k-1步的个体最优位置p_t(k-1)和h_ι,t(k-1)对应的目标函数值进行比较，如果p_t(k-1)的目标函数值小于h_ι,t(k-1)的目标函数值，则将p_t(k-1)作为第t个周期的个体最优解保存在知识库中，否则保存h_ι,t(k-1)为第t个周期个体最优解，f₁(·)为乙醇仓储成本模型，f₂(·)为乙醇采购成本模型，根据密度法从知识库H_t(k)中选择全局最优解g_t(k)；

④通过第t个周期第k步的个体最优解p_t(k)和第t个周期第k步的全局最优解g_t(k)更新k+1步的粒子位置和速度，粒子速度和位置更新公式为：

v_i,j,t(k+1)＝ω·v_i,j,t(k)+c₁r₁(p_i,j,t(k)-x_i,j,t(k))+c₂r₂(g_j,t(k)-x_i,j,t(k))；(5)

x_i,j,t(k+1)＝x_i,j,t(k)+v_i,j,t(k+1)； (6)

其中，v_i,j,t(k)是第t个周期第k步迭代的第i个粒子在j维搜索空间上的速度，x_i,j,t(k)是第t个周期第k步迭代的第i个粒子在j维搜索空间上的位置，i的取值范围是[1,100]，j＝5，ω是惯性权重，ω＝0.5，c₁是个体最优位置加速因子，c₁＝0.4，c₂是全局最优位置加速因子，c₂＝0.3，r₁是个体最优位置系数，r₁＝0.5，r₂是全局最优位置系数，r₂＝0.6，p_i,j,t(k)是第t个周期第k步迭代的第i个粒子在j维搜索空间上的个体最优解，g_j,t(k)是第t个周期第k步迭代时在j维搜索空间上的全局最优解；

⑤如果当前的迭代步数k大于等于优化迭代步数K，转到步骤⑥；如果当前的迭代步数k小于最大迭代步数K，迭代步数k加1，转到步骤③；

⑥从知识库H_t(K)中随机选择一个全局最优解g_j,t ^*(K)，保存全局最优解g_j,t ^*(K)，其中g_j,t ^*(K)＝[Q_t ^*(K)，R_t ^*(K)，L_t ^*(K)]为步骤③中定义的最优乙醇库存补货策略，Q_t ^*(K)为最优乙醇补货批量，R_t ^*(K)为启动补货策略最优乙醇库存余量，L_t ^*(K)为最优乙醇送达时间；

(4)基于多目标粒子群优化算法得到单个周期每次补货时固定的补货批量、启动补货策略库存余量和送达时间的最优设定值。

本发明的创造性主要体现在：

(1)本发明对乙醇库存补货策略进行了研究，为使乙醇库存量保持在一个合理的水平，降低超储风险、避免缺货损失，在允许缩短物流配送时间的前提下，建立了乙醇仓储成本模型和采购成本模型，获取成本与补货批量、启动补货策略库存余量和送达时间的关系；

(2)仓储成本和采购成本之间相互关联、此消彼长，为降低库存总成本，需要在两者之间进行权衡使两个目标函数尽可能都达到最优，但计算复杂度较高，依靠人工很难得到最优解，本发明采用了多目标粒子群算法对模型进行优化，从而能够快速准确的获取单个周期每次补货时固定的补货批量、启动补货策略库存余量和送达时间的最优设定值；

附图说明

图1是本发明乙醇库存补货策略的Pareto最优解集结果图

具体实施方式

(1)选择与乙醇仓储成本和采购成本都相关的变量为：补货批量Q(t)、启动补货策略库存余量R(t)、送达时间L(t)；

(2)建立乙醇仓储成本和采购成本模型：

其中，f₁(t)为第t个周期的乙醇仓储成本模型，包含管理成本、事故风险成本、变质损失成本；f₂(t)为第t个周期的乙醇采购成本模型，包含订货成本、运输成本、加急配送应变成本；以一年为一个周期，Q(t)为第t个周期每次补货时的固定补货批量；R(t)为第t个周期每次启动补货策略库存余量；L(t)为第t个周期的每次送达时间；m为乙醇日需求量的期望值，m＝5瓶；M为单个周期内乙醇需求总量的期望值，M＝2000瓶；A为每瓶乙醇的在单个周期内的仓储成本，A＝200元；a为每瓶乙醇的订货成本，a＝8元；b为每瓶乙醇的运输成本，b＝1元；CT₀为每次运输固定成本，CT₀＝20元；L₂为物流配送的最长时间间隔，L₂＝6天；n为缩短物流配送时间需要增加的应变成本，n＝60元/天；

(3)设计乙醇库存补货策略优化方法：

①初始化优化迭代步数K，K＝100；

②将建立的乙醇仓储成本和采购成本模型作为多目标粒子群算法的优化目标函数；

③第k步迭代计算时，将粒子的位置x_t(k)＝[Q_t(k)，R_t(k)，L_t(k)]代入目标函数，计算出目标函数值；其中，k为当前迭代步数，x_t(k)为第t个周期第k步迭代的粒子位置；Q_t(k)为第t个周期第k步迭代的补货批量；R_t(k)为第t个周期第k步迭代的启动补货策略库存余量；L_t(k)为第t个周期第k步迭代的送达时间；获得进化计算过程中第t个周期第k步的个体最优位置p_t(k)，将第t个周期第k步的个体最优位置p_t(k)与第t个周期第k-1步知识库的解H_t(k-1)进行比较，H_t(k-1)＝[h_1,t(k-1)，h_2,t(k-1)，…，h_ι,t(k-1)]，h_ι,t(k-1)为第t个周期第k-1步知识库中第ι个最优解，通过支配关系更新第t个周期第k步的知识库H_t(k)，支配关系计算功能是：

H_t(k)＝H_t(k-1)∪p_t(k-1),若f₁(h_ι,t(k-1))≥f₁(p_t(k-1))且f₂(h_ι,t(k-1))≥f₂(p_t(k-1)) (4)

其中，∪是关系并，将第t个周期第k-1步的个体最优位置p_t(k-1)和h_ι,t(k-1)对应的目标函数值进行比较，如果p_t(k-1)的目标函数值小于h_ι,t(k-1)的目标函数值，则将p_t(k-1)作为第t个周期的个体最优解保存在知识库中，否则保存h_ι,t(k-1)为第t个周期个体最优解，f₁(·)为乙醇仓储成本模型，f₂(·)为乙醇采购成本模型，根据密度法从知识库H_t(k)中选择全局最优解g_t(k)；

④通过第t个周期第k步的个体最优解p_t(k)和第t个周期第k步的全局最优解g_t(k)更新k+1步的粒子位置和速度，粒子速度和位置更新公式为：

v_i,j,t(k+1)＝ω·v_i,j,t(k)+c₁r₁(p_i,j,t(k)-x_i,j,t(k))+c₂r₂(g_j,t(k)-x_i,j,t(k))；(5)

x_i,j,t(k+1)＝x_i,j,t(k)+v_i,j,t(k+1)； (6)

其中，v_i,j,t(k)是第t个周期第k步迭代的第i个粒子在j维搜索空间上的速度，x_i,j,t(k)是第t个周期第k步迭代的第i个粒子在j维搜索空间上的位置，i的取值范围是[1,100]，j＝5，ω是惯性权重，ω＝0.5，c₁是个体最优位置加速因子，c₁＝0.4，c₂是全局最优位置加速因子，c₂＝0.3，r₁是个体最优位置系数，r₁＝0.5，r₂是全局最优位置系数，r₂＝0.6，p_i,j,t(k)是第t个周期第k步迭代的第i个粒子在j维搜索空间上的个体最优解，g_j,t(k)是第t个周期第k步迭代时在j维搜索空间上的全局最优解；

⑤如果当前的迭代步数k大于等于优化迭代步数K，转到步骤⑥；如果当前的迭代步数k小于最大迭代步数K，迭代步数k加1，转到步骤③；

⑥从知识库H_t(K)中随机选择一个全局最优解g_j,t ^*(K)，保存全局最优解g_j,t ^*(K)，其中g_j,t ^*(K)＝[Q_t ^*(K)，R_t ^*(K)，L_t ^*(K)]为步骤③中定义的最优乙醇库存补货策略，Q_t ^*(K)为最优乙醇补货批量，R_t ^*(K)为启动补货策略最优乙醇库存余量，L_t ^*(K)为最优乙醇送达时间；

(4)基于多目标粒子群优化算法得到单个周期每次补货时固定的补货批量、启动补货策略库存余量和送达时间的最优设定值。

一种基于多目标粒子群优化算法的乙醇库存补货策略，通过多目标粒子群优化算法得到单个周期每次补货时固定的补货批量、启动补货策略库存余量和送达时间的最优设定值，使乙醇仓储成本模型的目标函数和采购成本模型的目标函数尽可能都达到最优；图中显示乙醇库存补货策略的Pareto最优解集，X轴：年仓储成本，单位是元，Y轴：年采购成本，单位是元，其中每一个散点都代表一种乙醇库存补货策略的Pareto最优解。

Claims (1)

1.一种基于多目标粒子群优化算法的乙醇库存补货策略，其特征在于，包括以下步骤：

(1)选择与乙醇仓储成本和采购成本都相关的变量为：补货批量Q(t)、启动补货策略库存余量R(t)、送达时间L(t)；

(2)建立乙醇仓储成本和采购成本模型：

其中，f₁(t)为第t个周期的乙醇仓储成本模型，包含管理成本、事故风险成本、变质损失成本；f₂(t)为第t个周期的乙醇采购成本模型，包含订货成本、运输成本、加急配送应变成本；以一年为一个周期，Q(t)为第t个周期每次补货时的固定补货批量；R(t)为第t个周期每次启动补货策略库存余量；L(t)为第t个周期的每次送达时间；m为乙醇日需求量的期望值；M为单个周期内乙醇需求总量的期望值；A为每瓶乙醇的在单个周期内的仓储成本；a为每瓶乙醇的订货成本；b为每瓶乙醇的运输成本；CT₀为每次运输固定成本；L₂为物流配送的最长时间间隔；n为缩短物流配送时间需要增加的应变成本；

(3)设计乙醇库存补货策略优化方法：

①初始化优化迭代步数K；

②将建立的乙醇仓储成本和采购成本模型作为多目标粒子群算法的优化目标函数；

③第k步迭代计算时，将粒子的位置x_t(k)＝[Q_t(k)，R_t(k)，L_t(k)]代入目标函数，计算出目标函数值；其中，k为当前迭代步数，x_t(k)为第t个周期第k步迭代的粒子位置；Q_t(k)为第t个周期第k步迭代的补货批量；R_t(k)为第t个周期第k步迭代的启动补货策略库存余量；L_t(k)为第t个周期第k步迭代的送达时间；获得进化计算过程中第t个周期第k步的个体最优位置p_t(k)，将第t个周期第k步的个体最优位置p_t(k)与第t个周期第k-1步知识库的解H_t(k-1)进行比较，H_t(k-1)＝[h_1,t(k-1)，h_2,t(k-1)，…，h_ι,t(k-1)]，h_ι,t(k-1)为第t个周期第k-1步知识库中第ι个最优解，通过支配关系更新第t个周期第k步的知识库H_t(k)，支配关系计算功能是：

H_t(k)＝H_t(k-1)∪p_t(k-1),若f₁(h_ι,t(k-1))≥f₁(p_t(k-1))且f₂(h_ι,t(k-1))≥f₂(p_t(k-1)) (4)

其中，∪是关系并，将第t个周期第k-1步的个体最优位置p_t(k-1)和h_ι,t(k-1)对应的目标函数值进行比较，如果p_t(k-1)的目标函数值小于h_ι,t(k-1)的目标函数值，则将p_t(k-1)作为第t个周期的个体最优解保存在知识库中，否则保存h_ι,t(k-1)为第t个周期个体最优解，f₁(·)为乙醇仓储成本模型，f₂(·)为乙醇采购成本模型，根据密度法从知识库H_t(k)中选择全局最优解g_t(k)；

④通过第t个周期第k步的个体最优解p_t(k)和第t个周期第k步的全局最优解g_t(k)更新k+1步的粒子位置和速度，粒子速度和位置更新公式为：

v_i,j,t(k+1)＝ω·v_i,j,t(k)+c₁r₁(p_i,j,t(k)-x_i,j,t(k))+c₂r₂(g_j,t(k)-x_i,j,t(k))； (5)

x_i,j,t(k+1)＝x_i,j,t(k)+v_i,j,t(k+1)； (6)

其中，v_i,j,t(k)是第t个周期第k步迭代的第i个粒子在j维搜索空间上的速度，x_i,j,t(k)是第t个周期第k步迭代的第i个粒子在j维搜索空间上的位置，i的取值范围是[1,100]，j＝5，ω是惯性权重，ω＝0.5，c₁是个体最优位置加速因子，c₁＝0.4，c₂是全局最优位置加速因子，c₂＝0.3，r₁是个体最优位置系数，r₁＝0.5，r₂是全局最优位置系数，r₂＝0.6，p_i,j,t(k)是第t个周期第k步迭代的第i个粒子在j维搜索空间上的个体最优解，g_j,t(k)是第t个周期第k步迭代时在j维搜索空间上的全局最优解；

⑤如果当前的迭代步数k大于等于优化迭代步数K，转到步骤⑥；如果当前的迭代步数k小于最大迭代步数K，迭代步数k加1，转到步骤③；

⑥从知识库H_t(K)中随机选择一个全局最优解g_j,t ^*(K)，保存全局最优解g_j,t ^*(K)，其中g_j,t ^*(K)＝[Q_t ^*(K)，R_t ^*(K)，L_t ^*(K)]为步骤③中定义的最优乙醇库存补货策略，Q_t ^*(K)为最优乙醇补货批量，R_t ^*(K)为启动补货策略最优乙醇库存余量，L_t ^*(K)为最优乙醇送达时间；

(4)基于多目标粒子群优化算法得到单个周期每次补货时固定的补货批量、启动补货策略库存余量和送达时间的最优设定值。