[发明专利]基于ALC及Kriging模型的分布式供应链优化设计方法

权利要求书

1.基于ALC及Kriging模型的分布式供应链优化设计方法，其特征在于，包括以下步骤：

S1.基于供应链系统，建立分布式有限产能供应链优化设计问题AIO模型，所述分布式有限产能供应链优化设计问题AIO模型为具有统一决策权的保证服务模型的分布式有限产能供应链AIO模型；

S2.分析供应链系统各阶段间的耦合关联，应用ALC多耦合子问题协调方法将分布式有限产能供应链优化设计问题分解成多个子问题；

S3.选择耦合数最多的子问题为协调主体，负责协调其它子问题，建立基于Kriging模型的子问题模型并协调求解，获得整个供应链系统的优化设计。

2.根据权利要求1所述的分布式供应链优化设计方法，其特征在于，所述步骤S3具体为：

S31.设置参数的初始值；

S32.基于Kriging模型求解子问题P_k；

S33.将所述ALC多耦合子问题P_k求解得到的相关变量结果传递给其他子问题P_i，i≠k；

S34.基于Kriging模型求解所述其他子问题P_i，i≠k；

S35.判断循环条件是否满足，若满足则输出步骤S32和S34得到的优化结果并结束，获得分布式有限产能供应链的优化设计；否则，更新罚参数，返回步骤S32。

3.根据权利要求2所述的分布式供应链优化设计方法，其特征在于，步骤S32或及骤S34中所述的基于Kriging模型协调求解子问题具体为：

Step I.根据子问题的变量，采样变量的样本；

Step II.计算子问题约束函数或目标函数值，获取样本在子问题中的观测响应值；

Step III.根据Step I的采样点和Step II的观测响应值，建立Kriging近似模型；

Step IV.评估Kriging近似模型是否满足预设的精确度标准，若不满足则返回Step I，增加新的采样点从而重建Kriging模型；若满足则进行下一步；

Step V.设置变量值，传递相应变量值给子问题作为耦合目标和参数，应用步骤StepIII所建立的Kriging近似模型引入子问题代替原有的隐式目标函数和隐式约束条件，进行子问题优化，获取子问题的最优解。

4.根据权利要求3所述的分布式供应链优化设计方法，其特征在于，步骤Step I所述进行采样变量的样本使用的是拉丁超立方采样方法。

5.根据权利要求1所述的分布式供应链优化设计方法，其特征在于，所述具有统一决策权的保证服务模型的分布式有限产能供应链优化设计AIO模型中，决策权属于专门的有限产能供应商，供应链包括上游原材料采购阶段、连接上下游的产品装配阶段、下游产品市场需求配送阶段；其中该供应链的服务时间及成本作为阶段间的耦合连接变量。

6.根据权利要求5所述的分布式供应链优化设计方法，其特征在于，所述上游原材料采购阶段的最小化目标为其总成本和服务时间；所述产品装配阶段的最小化目标为协调上游原材料采购阶段及下游产品市场需求配送阶段间的总成本、服务时间和累积成本；所述下游产品市场需求配送阶段的最小化目标为来自上游原材料采购阶段及其下游产品市场需求配送阶段间的总成本、服务时间和累积成本。