面向流程企业的原料供应规划模型智能决策及其应用

《面向流程企业的原料供应规划模型智能决策及其应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、摘要流程生产企业原料供应的可靠性对于企业保持生产连续极为重要，而原料供应所占用的资金又十分庞大，所以原料供应环节的优化决策能够为企业带来显著的经济效益。因此，建立一个以流程生产企业为核心的原料供应规划模型，对不确定性进行评估，对库存和采购环节建模和优化决策进行研究，是有现实经济和科学意义的。针对分散控制模式供应链中的生产商原料供应问题，提出了RMSP原料供应规划的概念和模型。RMSP模型是通过运用智能优化方法解决原料库存一采购关键问题的综合性技术方案，是针对连续不断和并发的原料供应——消耗过程设计的决策模式。借鉴预测控制理论提出了预备供应的思想和一系列概念，其实质是由被供应者提供给供应者

2、的一个供应预判信息，使供应方不需要再进行需求预测和判断，从而降低供应过程中的不确定性。基于信息熵理论和集对分析理论，本文提出了一种集对信息熵(SPIE)不确定性度量方法，该方法将目前对研究对象的已知信息用集对论中的同异反联系度来描述，并根据认识空间可定数区间分布的离散信息熵以及差异度信息对不确定性进行定量描述。进一步的，还在集对信息熵基础上引入效用系数提出了集对风险熵(SPRE)的概念及其计算方法。RMSP的核心是库存控制策略，本文提出了一种基于遗传规划的RMSP库存优化控制策略。库存决策模型以库存综合成本和SPRE风险函数为目标，以最优库存控制方案为决策变量，其形式为维数不确定的一系列

3、订货总量和订货时问。在遗传规划算法中，个体为时序关系符和库存控制脉冲组成的不确定长度链式结构。这一形式不仅满足决策变量维数不确定的要求，而且简化了GP的求解过程。仿真算例的结果表明，基于GP的库存决策方法不仅优化了运行成本，而且减少了供应风险。论文给出了平稳运行和突发事件状态下的三种滚动运行模式，在连续优化过程中既保证了预备供应信息的有效性，又保持了对突发事件的快速反应能力。在库存决策给出订货总量的基础上，基于作业成本分析建立了一个具有原料品位和杂质含量等约束条件的采购模型。该模型从实际出发考虑了原料的最小订货批量约束以及采购作业的固定成本，为求解这一解空间不连续的问题，提出了一种基于约

4、束的混沌迁移并行遗传算法对订货量进行优化决策。该算法的特点一是通过高斯映射用边界条件约束染色体的各基因；二是改进自适应罚函数使惩罚度与种群对该约束条件的平均违反量有关；三是通过对种群的分割保持搜索空间的独立性和模式多样性，在并行进化种群问进行混沌异步迁移，从而保证信息交换的效率，抑制了早熟收敛现象的产生。最后，根据提出的模型和算法研究了原料供应优化管理系统的软件设计与开发，并通过应用对模型的实用性进行了验证，这一系统实现了流程企业原料库存决策、采购优化、量价预警和原料供应管理的功能。关键词：流程企业，原料供应规划，预备供应，不确定性，集对分析，信息熵，遗传规划，遗传算法，库存控制，滚动优

5、化，采购优化ABSTRACTTheresearchofrawmaterialsupplyisverysignificantforprocessplantsbecauseofthevitalimportanceofsupplyreliabilityforcontinuousproductionandtheenormousfinancialcostonrawmaterialsupplyactivity．Theoptimaldecisionintheactivitywillbringobviousbenefitandsavegreatcostforprocessplants．However,t

6、hedecisionmakingforrawmaterialsupplyingactivityischallengedby,thefirst，varioussupplysourcesofdiversedistributionsanddifferentqualitiesandthesecond，therisksofuncertaintyintheenvironmentwhichisnotveryappropriateforagilemanufacturepatterneffectiveindiscretemanufacturingindustry．Thisthesisfocusesonmo

7、delingandoptimaldecision．makingininventoryandpurchasingprocessofrawmaterialsupplyforprocessplants，dealingwiththeuncertaintyinsupplyingactivityandstudyingonnewandefficientoptimizationalgorithms．A1lofthisarecontributedto