一种基于多仓库协同的智能库存调拨系统的制作方法

本发明属于仓管系统，具体为一种基于多仓库协同的智能库存调拨系统。

背景技术：

1、现有库存调拨系统在架构层面普遍采用集中式调度模式，所有调拨决策依赖单一中央服务器完成，一旦该服务器发生故障，整个调度系统即陷入瘫痪；同时，集中式架构在处理高并发实时数据时面临严重的扩容瓶颈和通信负载压力，且多个仓库节点之间的协作依赖中心节点进行协调，在多主体（如多品牌、多商家、多物流服务商）协作场景中缺乏有效的互信机制和透明的交易记录，跨主体调拨的信任成本居高不下。在数据感知与预测层面，现有系统主要依赖历史销售数据和库存数据进行需求预测，未能深度融合社交媒体趋势、天气季节变化、宏观经济指标、竞品动态及供应链上游信息等多维度数据；此外，库存感知多停留在定时批量采集层面，缺乏基于物联网和射频识别技术的实时库存感知能力，调拨决策仍然以固定时间窗口批量触发为主，无法实现事件驱动的动态响应。在跨主体数据协作方面，不同品牌方、商家及物流服务商之间的库存数据和销售数据因数据隐私和商业机密保护要求而形成严重的数据孤岛，现有系统缺乏能够在保护各方数据隐私前提下实现全局库存优化的技术手段。在决策优化层面，现有调拨模型多为分步优化的局部决策模式，未能将调拨成本、销售利润、动态变化的油价与仓储费、预测性运输损耗与暂存损耗、缺货机会成本等全部纳入统一的利润导向优化框架，导致决策结果往往是局部最优而非全局最优；且多数优化模型为“黑盒”模型，决策过程难以解释，管理者无法理解调拨建议的生成逻辑，严重影响了管理者的信任度和采纳意愿；同时，现有系统缺乏有效的人机协同机制，在异常场景下无法提供人工干预和反馈优化的闭环通道。上述缺陷共同制约了库存调拨系统在动态复杂供应链环境下的决策质量与运行效率。

技术实现思路

1、本发明采用的技术方案如下：一种基于多仓库协同的智能库存调拨系统，包括：

2、去中心化调拨管理模块、多源异构数据融合模块、联邦学习驱动模块、实时感知与动态响应模块、人机交互与可解释性模块、利润导向端到端综合成本优化模块、数字孪生仿真模块以及区块链智能合约执行模块。

3、所述去中心化调拨管理模块分别与所述多源异构数据融合模块、所述联邦学习驱动模块、所述实时感知与动态响应模块、所述利润导向端到端综合成本优化模块、所述数字孪生仿真模块以及所述区块链智能合约执行模块通信连接，用于接收各模块输出的数据并生成全局调拨决策。

4、所述多源异构数据融合模块的输出端连接至所述联邦学习驱动模块的输入端，用于向所述联邦学习驱动模块提供融合后的多维度训练数据。

5、所述联邦学习驱动模块的输出端连接至所述利润导向端到端综合成本优化模块的输入端，用于向所述利润导向端到端综合成本优化模块提供跨主体协同优化后的全局库存状态数据。

6、所述实时感知与动态响应模块的输出端分别连接至所述去中心化调拨管理模块的输入端和所述数字孪生仿真模块的输入端，用于向所述去中心化调拨管理模块提供实时库存感知数据，并向所述数字孪生仿真模块提供实时状态数据以驱动仿真推演。

7、所述数字孪生仿真模块的输出端连接至所述利润导向端到端综合成本优化模块的输入端，用于向所述利润导向端到端综合成本优化模块提供候选调拨策略的仿真评估结果。

8、所述利润导向端到端综合成本优化模块的输出端连接至所述去中心化调拨管理模块的输入端，用于向所述去中心化调拨管理模块提供利润最优的调拨方案。

9、所述去中心化调拨管理模块的输出端连接至所述区块链智能合约执行模块的输入端，用于将所述调拨方案发送至所述区块链智能合约执行模块。

10、所述区块链智能合约执行模块的输出端连接至各仓库节点的执行终端，用于将调拨指令下发至各仓库节点执行。

11、所述人机交互与可解释性模块分别与所述去中心化调拨管理模块和所述利润导向端到端综合成本优化模块双向通信连接，用于接收用户的自然语言查询并向用户展示调拨决策的可解释性报告。

12、进一步的，所述去中心化调拨管理模块包括分布于各仓库节点的区块链共识子模块和智能合约执行子模块。

13、所述区块链共识子模块用于在各仓库节点之间通过拜占庭容错共识机制对调拨方案进行验证和确认，各仓库节点基于所述共识机制自主达成调拨协议，无需中央调度服务器。

14、所述智能合约执行子模块用于在所述调拨方案经所述区块链共识子模块确认后，自动执行调拨条件检查、调拨优先级排序和调拨指令下发操作。

15、进一步的，所述多源异构数据融合模块包括社交媒体数据采集子模块、天气与季节数据采集子模块、宏观经济指标采集子模块、竞品动态采集子模块、供应链上游信息采集子模块以及多模态融合子模块。

16、所述社交媒体数据采集子模块、所述天气与季节数据采集子模块、所述宏观经济指标采集子模块、所述竞品动态采集子模块和所述供应链上游信息采集子模块的输出端分别连接至所述多模态融合子模块的输入端。

17、所述多模态融合子模块用于将文本数据、图像数据和结构化数据进行统一建模，生成多维度融合后的需求预测输入数据。

18、进一步的，所述实时感知与动态响应模块包括物联网感知子模块、射频识别标签读取子模块和边缘计算子模块。

19、所述物联网感知子模块和所述射频识别标签读取子模块分别部署于各仓库节点，用于采集仓库内的库存变动数据、设备状态数据和人员效率数据。

20、所述边缘计算子模块部署于各仓库节点的本地边缘服务器，用于对所述库存变动数据、所述设备状态数据和所述人员效率数据进行毫秒级实时处理，生成事件驱动的调拨触发信号，并将所述调拨触发信号发送至所述去中心化调拨管理模块。

21、进一步的，所述联邦学习驱动模块包括分布于各参与方的本地训练子模块、加密梯度生成子模块、梯度聚合子模块和全局模型更新子模块。

22、各参与方的所述本地训练子模块用于基于本地库存数据训练本地预测模型。

23、所述加密梯度生成子模块用于对所述本地预测模型的训练梯度进行加密，生成加密梯度参数。

24、所述梯度聚合子模块用于聚合各参与方上传的所述加密梯度参数，生成聚合梯度。

25、所述全局模型更新子模块用于基于所述聚合梯度更新全局库存预测模型，并将更新后的全局模型参数分发给各参与方用于下一轮本地训练。

26、进一步的，所述利润导向端到端综合成本优化模块包括统一利润目标函数构建子模块、动态成本计算子模块、预测性损耗计算子模块、机会成本量化子模块、多目标优化子模块和深度强化学习子模块。

27、所述统一利润目标函数构建子模块用于构建以最大化总利润为单一核心目标的数学模型。

28、所述动态成本计算子模块用于基于实时获取的油价数据、仓储费数据和商品价格数据计算动态成本参数。

29、所述预测性损耗计算子模块用于基于实时环境温度数据、实时环境湿度数据、运输距离数据和包装方式数据预测运输损耗率和暂存损耗率。

30、所述机会成本量化子模块用于量化因调拨延误或调拨失败导致的缺货成本。

31、所述多目标优化子模块用于采用多目标遗传算法求解帕累托最优解集。

32、所述深度强化学习子模块用于通过与供应链环境的持续交互学习最优调拨策略。

33、所述统一利润目标函数构建子模块分别与所述动态成本计算子模块、所述预测性损耗计算子模块和所述机会成本量化子模块连接，用于接收所述动态成本参数、所述预测性损耗率和所述缺货成本作为目标函数的输入参数。

34、所述多目标优化子模块和所述深度强化学习子模块分别与所述统一利润目标函数构建子模块连接，用于基于所述目标函数求解最优调拨方案。

35、进一步的，所述统一利润目标函数构建子模块构建的所述数学模型为：

36、

37、其中，表示总利润，n表示仓库节点总数，t表示决策周期总数，

38、和表示仓库节点编号，表示决策周期。

39、表示仓库节点在决策周期的单位商品销售价格。

40、表示仓库节点在决策周期的商品销售量。

41、表示仓库节点在决策周期的单位商品库存持有成本。

42、表示仓库节点i在决策周期t的期末库存量。

43、表示仓库节点在决策周期的单位商品缺货成本。

44、表示仓库节点在决策周期的缺货量。

45、表示在决策周期t从仓库节点i调拨单位商品至仓库节点

46、j的调拨成本。

47、表示在决策周期t从仓库节点i调拨至仓库节点j的商品数量。

48、表示在决策周期t从仓库节点i发出的单位商品在运输过程中的预测损耗率。

49、表示仓库节点i在决策周期t的单位商品暂存预测损耗率。

50、所述数学模型满足如下约束条件：

51、

52、

53、

54、其中，表示决策周期t的总调拨运力上限。

55、进一步的，所述多目标优化子模块采用非支配排序遗传算法求解所述帕累托最优解集，所述非支配排序遗传算法包括种群初始化单元、非支配排序单元、拥挤度计算单元、选择单元、交叉单元、变异单元和迭代终止判定单元。

56、所述种群初始化单元用于生成包含多个调拨方案个体的初始种群。

57、所述非支配排序单元用于对种群中的个体进行帕累托非支配层级排序。

58、所述拥挤度计算单元用于计算同一非支配层级内个体的拥挤度距离。

59、所述选择单元用于基于所述非支配层级和所述拥挤度距离选择父代个体。

60、所述交叉单元和所述变异单元用于对所述父代个体执行交叉操作和变异操作生成子代个体。

61、所述迭代终止判定单元用于在达到预设最大迭代次数时输出所述帕累托最优解集。

62、进一步的，所述人机交互与可解释性模块包括大语言模型交互子模块、可解释人工智能子模块和人机协同决策子模块。

63、所述大语言模型交互子模块用于接收用户输入的自然语言查询语句，对所述自然语言查询语句进行意图识别和语义解析，生成查询意图向量，并将所述查询意图向量发送至所述去中心化调拨管理模块和所述利润导向端到端综合成本优化模块。

64、所述可解释人工智能子模块用于通过注意力可视化方法、反事实解释方法和shap值分析方法生成调拨决策的关键影响因素列表和置信度评分，并将所述关键影响因素列表和所述置信度评分发送至所述大语言模型交互子模块。

65、所述大语言模型交互子模块还用于基于所述关键影响因素列表和所述置信度评分生成自然语言可解释性报告并向用户展示。

66、所述人机协同决策子模块用于接收用户对所述调拨方案的调整指令，并将调整后的调拨方案作为反馈信号发送至所述利润导向端到端综合成本优化模块进行模型优化。

67、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述中任一项所述的基于多仓库协同的智能库存调拨系统的运行方法。

68、一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述中任一项所述的基于多仓库协同的智能库存调拨系统的运行方法。

69、综上所述，由于采用了上述技术方案，本发明的有益效果是：

70、（1）本发明通过设置去中心化调拨管理模块结合区块链智能合约执行模块，在各仓库节点之间部署区块链共识子模块和智能合约执行子模块，使各仓库节点基于拜占庭容错共识机制自主达成调拨协议，无需依赖中央调度服务器，从架构层面彻底消除了传统集中式调度固有的单点故障风险，显著提高了系统在复杂网络环境下的运行鲁棒性和容灾能力；同时，智能合约执行子模块在调拨方案经共识确认后自动执行调拨条件检查、优先级排序和指令下发操作，将商业规则以不可篡改的代码形式固化于区块链上，有效增强了跨主体协作过程中的交易透明度、数据不可篡改性和多方互信程度，为多仓库、多所有权的复杂供应链协同提供了安全可信的底层基础设施。

71、（2）本发明通过多源异构数据融合模块深度融合社交媒体趋势数据、天气与季节数据、宏观经济指标、竞品动态及供应链上游信息，并借助多模态融合子模块将文本、图像和结构化数据进行统一建模，大幅提升了需求预测的数据维度和精准度，克服了传统预测模型仅依赖历史销售数据和库存数据的局限性；同时，配合实时感知与动态响应模块中的物联网感知子模块和射频识别标签读取子模块对仓库内库存变动、设备状态和人员效率进行实时采集，并利用部署于本地边缘服务器的边缘计算子模块进行毫秒级实时处理，使系统能够自动生成事件驱动的调拨触发信号，实现了从传统的定时批量调拨向实时动态响应的根本性转变，显著增强了系统对市场突发波动和供应链异常事件的敏捷感知与快速反应能力。

72、（3）本发明通过引入联邦学习驱动模块，使各参与方仅在本地训练子模块中基于各自的本地库存数据独立训练预测模型，并通过加密梯度生成子模块对训练梯度进行加密后上传至梯度聚合子模块，梯度聚合子模块聚合各参与方的加密梯度参数后由全局模型更新子模块更新全局库存预测模型，整个过程各参与方的原始商业数据均不离开本地，在充分保护各品牌方、商家及物流服务商数据隐私和商业机密的前提下，有效破解了多主体协作场景中的数据孤岛难题，实现了跨主体的全局库存状态协同优化，既满足了数据安全合规的刚性要求，又达成了超越单一主体能力的全局库存调配性能。

73、（4）本发明通过利润导向端到端综合成本优化模块构建以最大化总利润为单一核心目标的统一数学模型，将调拨成本、销售利润、动态变化的油价与仓储费、预测性运输损耗率与暂存损耗率、以及因调拨延误或失败导致的缺货机会成本全部纳入同一优化框架，避免了传统分步优化方法因割裂各成本要素而导致的局部最优缺陷，确保系统输出的调拨方案具有严格的全局经济最优性；同时，借助数字孪生仿真模块构建包含所有成本要素的虚拟供应链网络，能够对候选调拨策略进行全链路“what-if”成本仿真与利润影响评估，并可追溯和可视化每一个调拨决策的完整成本构成，使管理者在决策前即可直观预判不同策略的经济后果，从而大幅提升了复杂供应链决策的科学性和可靠性。

74、（5）本发明通过人机交互与可解释性模块中的大语言模型交互子模块接收用户自然语言查询并生成可解释性报告，配合可解释人工智能子模块利用注意力可视化方法、反事实解释方法和shap值分析方法生成调拨决策的关键影响因素列表和置信度评分，使管理者能够清晰理解“为何建议从特定仓库调拨”等深层决策逻辑，有效克服了传统黑盒模型决策过程难以解释的缺陷，显著增强了管理者对智能系统的信任度和采纳意愿；同时，人机协同决策子模块构建了自动推荐、人工审核与反馈学习的闭环决策机制，管理者在异常场景下可对系统生成的调拨建议进行调整或否决，调整结果作为反馈信号持续发送至利润导向端到端综合成本优化模块进行模型迭代优化，结合多目标优化子模块求解帕累托最优解集以及深度强化学习子模块通过与供应链环境的持续交互自主学习最优策略，使系统具备在高度动态市场环境中自适应进化的能力，在极端异常场景下依然保有稳健的人工干预和决策保障通道。