[发明专利]确定最优解的方法、补货方法、装置、设备及介质

说明书

本发明提供确定最优解的方法、补货方法、装置、设备及介质，方法包括：根据贪心算法和事件目标对第k个事件状态向后模拟n步得到向后模拟第n步时的若干个局部解，补全向后模拟第n步时得到的局部解得到对应的完整解；根据事件目标确定所有完整解中的最优完整解；根据最优完整解回溯至向后模拟第1步时得到的对应的局部解，在第k个事件状态下执行所回溯的局部解；其中，k满足0≤k≤p，n满足n≥1，k和n还满足n+k＜p。方法基于贪心算法进行改进，弥补了贪心算法只注重当前最优的短视缺陷，实现整体利益最大化，避免局部利益与整体利益相冲突的情况，使在每个事件状态执行的局部解都充分考虑了对后一事件状态的影响，具备了考虑整体最优的特性。

技术领域

本发明涉及领域，更具体地，涉及确定最优解的方法、补货方法、装置、设备及介质。

背景技术

补货问题是组合优化领域的其中一个经典问题，所谓组合优化是指在离散的、有限的数学结构上寻找一个满足给定条件，并使其目标函数值达到最大或最小的解。经典问题还包括装箱问题、装包问题等等。其中，补货问题是指在满足给定约束的情况下制定补货策略，以达到某种补货目的(如补货成本最低，周期最短等)，补货策略有很多种，例如指在某时为某仓库补某个数量的货品。装箱问题与装包问题类似，是指要求把一定数量的物品放入容量相同的一些箱子中,使得每个箱子中的物品大小之和不超过箱子容量并使所用的箱子数目最少。

对于组合优化的经典问题有过很多求解方法，以补货问题为例，现有的求解方法中，首先有利用遗传算法进行补货策略的计算，但该由于遗传算法在交叉、变异过程中的随机性，导致其在处理复杂约束问题时，进行交叉和变异后会产生大量不符合约束的解，需要花费大量的时间对这些不合符约束进行修复，最终导致算法的收敛速度慢，因此利用该方法求解很难在短时间内得到高质量的解。

其次，现有的求解方法还利用多目标粒子群优化算法进行求解，该算法在求解的过程中存在的问题是容易产生早熟收敛(尤其是在处理复杂的多峰搜索问题中)、局部寻优能力较差等，算法陷入局部最优，主要归咎于种群在搜索空间中多样性的丢失。

常见的求解方法还有利用经济批量模型以及整数规划的方法，但两个方法同样存在缺点，分别为经济批量模型难以增加其他约束，该模型只是根据出货节奏、库存费用等信息计算最优的订购批量，但企业在生产运营过程中还面临许多其他约束，该模型难以对其进行考量；经济批量模型难以处理需求波动的情况，该模型基于需求已知的情况，出货稳定的情况进行求解，假设过于理想化，不适用于当今复杂的商业情况；整数规划方法过于精准，导致求解规模非常小，求解时间比较长，很难应用到实际生产运营过程中。

最后，贪心算法也是用于解决组合优化的常用方法，贪心算法是指在对问题求解时，总是做出在当前看来是最好的选择。但贪心算法的缺点也十分明显，即无法顾及补货的全过程，只顾及当前状态的局部最优解，导致贪心算法基于每个状态的局部最优解得出的全局最优解并非方案下的最优解。

发明内容

本发明旨在克服上述现有技术的至少一种缺陷，提供确定最优解的方法、补货方法、装置、设备及介质，用于解决利用现有的算法对组合优化等经典问题进行求解时出现的求解时长过长、难以求出高质量最优解等缺陷和不足。

本发明采用的技术方案包括：

一种确定最优解的方法，包括：根据贪心算法和事件目标对第k个事件状态向后模拟n步得到向后模拟第n步时的若干个局部解，补全所述向后模拟第n步时得到的局部解得到对应的完整解；根据所述事件目标确定所有所述完整解中的最优完整解；根据所述最优完整解回溯至向后模拟第1步时得到的对应的局部解作为最优局部解，在所述第k个事件状态下执行所述最优局部解；其中，所述k满足0≤k≤p，所述p为所述事件状态的总数，所述n的值为向后模拟的模拟步数的总数，所述n满足n≥1，所述k和所述n还满足n+k＜p。