[发明专利]一种备件转运网络的库存配置解析优化方法

说明书

本发明提供一种备件转运网络的库存配置解析优化方法，步骤实施如下；步骤一：构建备件转运网络模型；步骤二：确定优化目标函数与约束条件；步骤三：确定备件优化配置规则；步骤四：根据特征值进行站点归并；步骤五：备件转运网络配置优化流程；通过以上步骤，制定配置优化规则，归并站点，建立了模型系数矩阵特征值和优化配置方案之间的关联关系，解决了备件转运网络的站点内备件库存配置的优化问题，具有普遍适用性；本发明所述的解析优化方法科学，工艺性好，具有广阔的推广应用前景。

技术领域

本发明提供一种备件转运网络的库存配置解析优化方法，属于工程应用领域中的创新性方法。

背景技术

如果在备件转运过程中只强调转运成本与转运效果(提升备件保障效能)，而不拘泥于站点级别限制，那么站点间的转运关系就构成了备件转运网络，目前常用解析法、启发式算法和仿真模拟对转运网络的备件配置方案进行分析和确定。对于复杂备件转运网络，由于转运网络中的站点数量众多、转运关系多样，同时需要兼顾考虑申领顺序、运输占用、缺货等待等因素，使得在针对复杂备件转运网络进行建模、分析及优化时，上述方法的应用仍面临极大的挑战。在应用解析法时，为了降低建模及求解难度，通常会对转运网络中的转运关系进行限定并辅以多种假设以降低建模和求解的难度。例如，适用于处理多级库存优化问题的METRIC模型，它只能处理纵向金字塔型转运网络，而现有解析方法在处理横向转运问题时又在转运时间和转运关系等方面做了限定。由于这类模型的应用场景过于单一，多种限定及假设与现实场景不符，因而不具备普遍适用性。启发式算法是根据经验或者某些规则来进行求解的方法，主要有遗传算法、粒子群算法、人工神经网络等。其中遗传算法可以避免陷于局部最优，而且对于优化函数没有约束限制，而且遗传算法有较强的自适应学习能力，可以适用于很多情景中。但是在使用遗传算法进行优化求解时，需要设置参数交叉率，变异率，惯性权重等，这些参数的选取没有统一的标准可供参考，往往需要根据经验来确定，不具备普遍适用性。与遗传算法类似，粒子群算法也是基于进化的优化算法。相比于遗传算法，粒子群算法不需要很多参数调节，因此，粒子群算法被广泛应用于工程实际当中。但是粒子群算法对于离散的优化问题处理不佳，容易陷入局部最优。人工神经网络源于对神经元网络的模拟，是一个高度的非线性、自适应的系统。准确地说，神经网络算法进行优化的步骤一般为：数据预处理→网络结构和参数选取→模型建立→训练模型→使用模型。神经网络法本身并不具备优化的功能。但是在使用过程中，随着反馈数据的不断增加，神经网络算法可以根据反馈的数据不断进行方案的调整，逐步达到优化。在对备件库存进行配置优化的过程中，神经网络算法的最大缺点在于无法解释推理过程和推理依据。此外，神经网络算法的开发成本较高，在处理复杂备件转运网络库存优化问题时所需时间较长，效率低下。仿真模拟是近似转运网络运行过程的一种方法，它可以很容易实现对转运网络中的站点状态进行分析，但是由于转运网络中站点间的转运关系复杂且作用关系多是非线性的，因而很难单独依靠仿真实现转运网络的备件库存方案优化。很多学者通过在仿真模型上建立优化器实现对备件库存方案的优化，但是由于缺少系统性的理论支撑，这类不完全枚举方法很难保证获得全局最优的备件库存方案，且在循序获得相对较优库存方案时的效率也较解析方法低。因此，研究备件转运网络模型的解析优化方法是非常必要的。

发明内容

(1)本发明的目的

本发明的目的是提供一种备件转运网络的库存配置解析优化方法，它针对一般性的备件转运网络给出一种具有普遍适用性的解析优化方法，能够为工程应用领域中的备件库存优化问题提供解决方案。

(2)本发明的技术方案