(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210751540.8 (22)申请日 2022.06.28 (71)申请人 之江实验室 地址 310023 浙江省杭州市余杭区文一西 路1818号人工智能小镇10号楼 (72)发明人 隆清琦　陈颖妮　王永恒　 (74)专利代理 机构 杭州求是专利事务所有限公 司 33200 专利代理师 邱启旺 (51)Int.Cl. G06F 30/20(2020.01) G06Q 10/06(2012.01) G06F 17/16(2006.01) G06F 119/02(2020.01) (54)发明名称 一种计算实验支持的复杂供应链多目标决 策方法 (57)摘要 本发明公开了一种计算实验支持的复杂供 应链多目标决策方法， 可以探索和预测方案在复 杂供应链中的多元涌现， 并基于涌现结果对 方案 进行多目标优化与排序得到决策建议。 首先设计 计算实验以构建供应链模型； 在计算实验模型设 计完成后， 通过将计算实验与多目标进化算法 NSGA‑II以闭环形式集成， 实现方案多元演化与 优化； 方案多目标优 化完成后， 通过熵权 ‑TOPSIS 法对帕累托优化方案进行排序选择。 本发明首次 在复杂系统理论背景下提供了一个供应链多目 标规范性决策方法， 所提出的决策方法能弥补管 理者基于主观偏好下决策缺陷， 增加管理者决策 备选空间， 提高决策效果。 权利要求书3页 说明书11页 附图2页 CN 115146455 A 2022.10.04 CN 115146455 A 1.一种计算实验支持的复杂供应链多目标决策 方法， 其特 征在于， 包括如下步骤： (1)设计计算实验以构建供应链模型： 通过设计计算实验模型以描述供应链， 并通过计 算实验开发与参数验证， 建立模型决策变量与决策目标之间的映射关系， 实现对方案的多 元评价； 供应链的描述内容包括： 供应链结构与内部实体、 供应链实体的决策机制、 供应链 实体间的交 互方式以及模型的决策变量与决策目标； (2)供应链多目标优化： 在基于步骤( 1)建立计算实验模型后， 通过多目标进化算法 NSGA‑II生成方案， 并部署 计算实验从供应链绩效目标与稳定性目标视角评估方案， 方案评 估的结果作为NSGA ‑II进行精英保留并生成新方案以实现进一步演化优化的依据； 基于计 算实验的方案评估包括情境建立、 多元涌现现象的探索和预测以及方案评价三部分； 重复 步骤(2)， 直到满足 终止条件； 满足 终止条件后所 得到的方案集即为帕累托优化方案集； (3)帕累托优化方案排序： 在完成步骤(2)实现方案多目标优化后， 通过熵权法计算多 目标权重， 并基于熵权计算帕累托优化方案的TOPSIS得分进行排序， 以实现帕累 托优化方 案排序选择。 2.根据权利要求1所述计算实验支持的复杂供应链多目标 决策方法， 其特征在于， 步骤 (1)包括如下子步骤： (1.1)界定供应链边界与主体： 明确供应链的边界与内在组成； 内在组成包括供应链主 体与主体决策机制， 以及供应链各主体间的交 互机制； (1.2)计算模型开发： 基于现实供应链SC， 建立供应链模型ASC， 并设计程序模块以实现 供应链模型的构建； 供应链模型 作为现实供应链SC的逼近， 即ASC ≈SC， 主要由静态的反映供应链结构的有向图 和反映供应链演化趋势的函 数DF组成； 在 供应链的结构有向图 中， V表示供应链中的节点， 节点V具有其 个体属性特质C、 其决策机制D与约束R； E表示供应链主体间的交互方式与联系； 基于有向图 建立一个静态的供应链模型； 而供应链模型的演化趋势DF， 则表示为有向 图 中节点与节点间联系的演化趋势， 在对供应链模型的定量化描述后， 需要开发计算实验 系统以在计算机程序中对供应链系统演化进行实现； (1.3)计算实验模型实现： 在计算实验模型开发完成后， 需要通过计算机程序对其加以 实现； 实验参数模块主要包括系统环 境变量Wor ld与决策变量Solution的设置， 一组决策变 量记为Solutioni,i＝1,2, …,I； I为方案总数； 在 每次实验执行开始时， 输入参数并完成系 统的初始化与情境 的建立， 部署计算实验并进行实验， 获得在方案Solutioni下第j次宏观 涌现的结果 J为方案重复次数； 输入的参 数包括系统环境变量与决策变量； 用向量 从M个指标维度 去描述宏观涌现现象， 在环境变量World、 决策变量Solutioni下的供应链第m个决策目标在 单次试验中的值记为 重复进行多次实验， 获得在方案Solutioni下的实 验结果 基于所获得的宏观涌现现象， 计算 关于供应链的M个绩效指标的绩效值， 表示为绩效值在多元宏观涌现中的均值，权　利　要　求　书 1/3 页 2 CN 115146455 A 2(1.4)参数敏感度验证： 对计算实验模型中的相关参数进行敏感度验证， 包括系统环境 变量World与决策变量So lution； (1.5)实验结果评价： 在验证计算实验模型参数合理性后， 主要从供应链M个绩效指标 和1个稳定性目标两方面对方案及其实验结果进行评价； 每个绩效指标KPIm的取值是多次 重复实验中对应目标 的平均值； 稳定性 目标反映了重复实验中所有绩效指标 的波动情况， 因此用标准差函数表示方案Solutioni结果的稳定性； 标准差的值越小， 表示方案的稳定性 越高； 3.根据权利要求2所述计算实验支持的复杂供应链多目标 决策方法， 其特征在于， 供应 链中的节点V为供应链主体， 包括企业、 个人。 4.根据权利要求1所述计算实验支持的复杂供应链多目标 决策方法， 其特征在于， 步骤 (2)包括如下子步骤： (2.1)初始化： 初始化决策变量信息， 并设置进化代数为1； (2.2)生成新 一代种群： 在变量取值范围内， 随机生成一个种群， 进化代数增 加一代； (2.3)选择种群中的一个成员： 依次选择种群中的一个成员， 进行 下一步方案评价； (2.4)方案评价： 对于在步骤(2.3)中选择的成员， 即一组决策变量， 将其输入计算实验 模型中， 建立情境， 部署并实施计算 实验； 多次重复实验以探索和预测方案在供应链中的多 元涌现， 在达到重复次数要求后， 多元涌现探索完成， 计算实验结果， 得到供应链绩效目标 值和稳定性目标值， 完成多目标评价， 并将其作为方案在步骤(2.5)中排序的依据； 重复这 一步骤， 直到 完成种群中所有成员的评价； (2.5)方案排序： 在种群中所有成员评价完成后， 依据各方案在步骤(2.4)中的评估结 果进行非支配排序； 若此时进化代数为1， 则对整个种群进行排序， 若此时进化代数大于1， 则合并父代种群和新生成的子代种群， 进 行排序； 在排序过程中， 进 行非支配排序并计算方 案在各层的拥挤度； (2.6)精英保留： 根据非支配层次序， 依次将整层非支配层加入下一代父代种群中， 直 到出现无法将某一非支配层全部加入下一代种群的情况； 对于位于该非支配层的方案， 基 于拥挤度对其进行排序， 拥挤度越大， 进入下一代父代种群的可能越高； (2.7)若满足退出条件， 则方案优化结束， 得到帕累托优化方案集； 否则， 进行锦标赛制 选择， 以及种群的交叉、 变异， 生成新 一代种群， 重复步骤(2.2)～(2.6)。 5.根据权利要求4所述计算实验支持的复杂供应链多目标 决策方法， 其特征在于， 步骤 (2.6)中， 无法将某一非支配层 全部加入 下一代种群的情况是指： 若将该支配层加入下一代 父代种群， 则会造成下一代父代种群数量的溢出。 6.根据权利要求1所述计算实验支持的复杂供应链多目标 决策方法， 其特征在于， 步骤权　利　要　求　书 2/3 页 3 CN 115146455 A 3