[发明专利]一种基于多目标粒子群优化算法的乙醇库存补货策略

权利要求书

1.一种基于多目标粒子群优化算法的乙醇库存补货方法，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)，支配关系计算公式是：

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。