一种集群式供应链下的混合合约设计方法和系统与流程

1.本技术属于供应链合约优化技术领域，具体涉及一种集群式供应链下的混合合约设计方法和系统。


背景技术：

2.中国在每一个产业链的节点上都拥有无数的中小微企业，各行业中的中小企业可以便捷高效进行生产资源共享及生产能力重组。这一特点直接造就了国内明显的产业集聚效应，尤其是在面临严峻的市场竞争、剧烈的市场需求波动时，集中化资源集群凸显规模优势，通过联盟中心的集中决策、动态调配、统一协调，帮助中小企业应对复杂多变的市场需求，提高上下游的交易效率。
3.在实际应用过程中，作为供应链上下游合作的关键，供需双方的合约选择及优化问题十分重要。目前有关供应链合约的技术多强调智能合约的概念，主要涉及区块链在供应链金融领域的流程或表层创新，没有在交易匹配环节深入地考虑合约的底层设计和优化问题；另外，现有技术针对集群式供应链的思考较为匮乏，少数技术虽然考虑了多对多需求匹配方法，但没有考虑国内突出的产业集聚特点。因此，如何针对集群式供应链的产业特点、需求端各企业需求数量以及供给端的可供给数量，将供应链上常用的五大合约作为基础合约(批发价合同、数量折扣合同、收入共享合同、数量柔性合同、回购合同)，同时考虑混合多种合约模式对上下游交易进行撮合，选择最优的混合合约实现供给和需求的高效匹配，提高供应链整体利润和匹配率，成为供应链领域研究重点。


技术实现要素：

4.本技术提出了一种集群式供应链下的混合合约设计方法和系统，根据目标最大化和供应链上的关键参数约束，得出最优的运输方案，进而匹配出最优的混合合约方案。
5.为实现上述目的，本技术提供了如下方案：
6.一种集群式供应链下的混合合约设计方法，包括如下步骤：
7.根据目标函数和关键参数，构建若干个规划合约，每个所述规划合约均包括所述目标函数和所述规划合约中各自的关键参数约束；
8.根据所述规划合约中各自的所述关键参数，构建与每个所述规划合约对应的运输方案组合；
9.基于适应度函数和改进的遗传算法，分别对每个所述规划合约的所述运输方案组合进行筛选更新，得到所述规划合约各自的最优匹配方案，基于所述最优匹配方案，得到最优合约和次优合约；
10.基于所述适应度函数和所述改进的遗传算法，对所述最优合约和所述次优合约进行匹配更新，得到最优合约匹配方案和次优合约匹配方案；
11.基于所述最优合约匹配方案和所述次优合约匹配方案，得到混合合约方案。
12.可选的，所述目标函数为产业集群整体利润最大化；
13.得到所述目标函数的方法包括：
14.设定所述规划合约的所述关键参数，所述关键参数包括运量和运价；
15.根据所述运量和所述运价，得到供应链交易整体利润和交易物流成本；
16.根据所述供应链交易整体利润和所述交易物流成本的差值，得到所述产业集群整体利润。
17.可选的，得到所述运输方案组合的方法包括：
18.基于所述关键参数，将所有的运输方案分类整合，得到所述运输方案组合。
19.可选的，所述运输方案组合采用染色体编码格式表示。
20.可选的，所述适应度函数为：
21.π-c-kq
22.其中，π-c为所述目标函数，k为惩罚因子，q为如果所述关键参数约束不满足时，所述关键参数约束与所述关键参数的实际值之间的差值。
23.可选的，得到所述最优合约匹配方案和所述次优合约匹配方案的方法包括：
24.基于所述适应度函数和改进的遗传算法，更新所述最优合约中的的所述目标函数的值，当所述目标函数的值最大且满足所述关键参数约束时，得到所述最优合约匹配方案；
25.基于所述适应度函数和改进的遗传算法，对所述最优合约中未匹配的部分，使用所述次优合约进行二次匹配，当所述目标函数的值最大且满足所述关键参数约束时，得到所述次优合约匹配方案。
26.本技术还公开了一种集群式供应链下的混合合约设计系统，包括合约规划模块、方案组合模块、最优合约模块、最优方案模块和混合合约模块；
27.所述合约规划模块用于根据目标函数和关键参数，构建若干个规划合约，每个所述规划合约均包括所述目标函数和所述规划合约中各自的关键参数约束；
28.所述方案组合模块用于根据所述规划合约中各自的所述关键参数，构建与每个所述规划合约对应的运输方案组合；
29.所述最优合约模块用于根据适应度函数和改进的遗传算法，分别对每个所述规划合约的所述运输方案组合进行筛选更新，得到所述规划合约各自的最优匹配方案，基于所述最优匹配方案，得到最优合约和次优合约；
30.所述最优方案模块用于根据所述适应度函数和所述改进的遗传算法，对所述最优合约和所述次优合约进行匹配更新，得到最优合约匹配方案和次优合约匹配方案；
31.所述混合合约模块用于根据所述最优合约匹配方案和所述次优合约匹配方案，生成混合合约方案。
32.可选的，所述最优合约模块和所述最优方案模块均包括适应度单元；
33.所述适应度单元用于根据所述目标函数和所述关键参数约束，生成适应度函数，所述适应度函数用于分别对所述运输方案组合、所述最优合约和所述次优合约进行所述目标函数的值的更新。
34.本技术的有益效果为：
35.本技术公开了一种集群式供应链下的混合合约设计方法和系统，根据目标最大化和供应链上的关键参数约束，得出最优的运输方案，进而匹配出最优的混合合约方案，本技术深入考虑了集群式供应链的特点和供应链上企业数量，构建了针对不同用途的规划合
约，混合多种合约模式对上下游交易进行撮合，选择最优的混合合约实现供给和需求的高效匹配，同时提高供应链整体利润和匹配率。本技术具有广阔的推广空间和使用价值。
附图说明
36.为了更清楚地说明本技术的技术方案，下面对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
37.图1为本技术实施例一所针对的集群式供应链的示意图；
38.图2为本技术实施例一的集群式供应链下的混合合约设计方法流程示意图；
39.图3为本技术实施例一的合约约束匹配流程示意图；
40.图4为本技术实施例一的初始种群分支组成示意图；
41.图5为本技术实施例一的染色体交叉原理示意图；
42.图6为本技术实施例一的染色体变异原理示意图；
43.图7为本技术实施例一的遗传算法流程示意图；
44.图8为本技术实施例一的供需合约整体设计流程示意图；
45.图9为采用本技术实施例一的设计方法得到的数量柔性合约匹配方案示意图；
46.图10为采用本技术实施例一的设计方法得到的批发价合约匹配方案示意图；
47.图11为本技术实施例二的集群式供应链下的混合合约设计系统结构示意图。
具体实施方式
48.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
49.为使本技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本技术作进一步详细的说明。
50.如图1所示，为本技术实施例一中针对的集群式供应链示意图，可以看出，在两阶段的供应环节中，上游供给端多个企业与下游需求端多个企业组成了产业集群环境下的集群式供应链。本实施例一根据集群式供应链的产业特点、需求端各企业需求数量以及供给端的可供给数量，将供应链五大合约作为基础合约(批发价合同、数量折扣合同、收入共享合同、数量柔性合同、回购合同)，并据此考虑混合多种合约模式对上下游交易进行撮合，选择最优的混合合约实现供给和需求的高效匹配，达成最大化供应链整体利润的目标并满足相关的必要约束。
51.本实施例一以供应链常用的五种合约展开，包括批发价合约、数量折扣合约、收入共享合约、数量柔性合约、回购合约，合约参数分成两部分：表1为五种合约的共同参数，表2为五种合约的差异参数。
52.表1
53.[0054][0055]
表2
[0056]
[0057][0058]
在本实施例一中，假设承运商的运力较高，能够满足运输需求。对因承运商原因造成的合约违约，不在本实施例一的研究范围。
[0059]
如图2所示，为本技术实施例一的集群式供应链下的混合合约设计方法流程示意图，包括如下四个步骤：
[0060]
s1.根据目标函数和关键参数，构建若干个规划合约，每个规划合约均包括目标函数和规划合约中各自的关键参数约束；
[0061]
在本实施例一中，首先以供给端第m个公司到需求端第n个企业的运量x
mn
，和第o次运输过程中，供给端第m个公司到需求端第n个企业的运价a
omn
为关键参数，可建立关于运量的供需关系矩阵x和关于供需运价的关系矩阵ao：
[0062][0063][0064]
在本实施例一种，以产业集群整体利润最大化为目标函数，表达为供应链交易整体利润减去交易物流成本，其中供应链交易整体利润和交易物流成本的计算方式如下：
[0065]
[0066]
其中，π为供应链在交易过程中获得的整体利润，m表示参与交易的供应端个数，n表示参与交易的需求端个数，x
mn
表示供需双方每个企业之间的运量。
[0067]
物流成本采用标准的两部收费法，即每次运送收取固定成本c，此外每一单位的货运量收取单位成本a
ij
的计算如下所示
[0068][0069]
其中，为货物运输量导致的成本，为第o次运输地理位置长度导致的部分。
[0070]
则，目标函数表达为π-c。
[0071]
在本实施例一中，进一步的，将交易时间作为一项约束条件，即第m个供给端企业发货给第n个需求端企业的发货时间，表示为t
mn
，并且，本实施例一充分考虑物流过程中的时间消耗(交货提前期t)，因此，本实施例一第n个需求端接受到第m个供给端的货物的实际时间是t
mn
t。
[0072]
具体的，在本实施例一中，约束条件为：
[0073][0074][0075]
其中，t为交货提前期，t
mn
为实际上从m企业发货到n企业的发货时间，t
nr
为需求端第n个企业最迟可接受的交货时间，t
ms
为供给端第m个企业给出的最早交货时间。
[0076]
加入需求商的要求发货时间和与供应商的发货时间数据，从而在原有运输方案的基础之上考虑供应商的发货时间与需求商的发货时间的冲突。即是进行在时间维度上的聚类。
[0077]
在本实施例一中，建立的五个常用规划合约如下所示：
[0078]
批发价合约
[0079]
maxf(si)＝π-c
[0080][0081]
数量折扣合约
[0082]
maxf(si)＝π-c
[0083]
数量灵活合约
[0084]
maxf(si)＝π-c
[0085][0086]
收益共享合约
[0087]
maxf(si)＝π-c
[0088]
回购合约
[0089]
maxf(si)＝π-c
[0090][0091]
其中，约束条件分别表示：1)每个供给端企业运输数量不超过其供应能力；2)每个需求端企业接受不超过其需求量的运输数量；3)所有供给端企业的整体供应能力大于需求；4)需求端最高可接受价格大于供给端最低可接受价格；5-6)满足交货时间限制。其中，由于合同的特点不同，约束做出了相应的一些调整，如数量折扣合同的约束(4)考虑了数量折扣系数，数量灵活合同的约束(3)将数量灵活系数纳入考量，收益共享合同的约束(4)拆成了两个约束：供应价格不低于供应商可接受的最低供应价格和购买价格不高于需求端企业的最高可接受价格；回购合同的约束(4)考虑了回购价格系数。
[0092]
在本实施例一中，目标函数中的si表示第i个染色体，maxf(si)表示第i个染色体的适应度，后续，本实施例一将参考遗产算法进行混合合约设计。
[0093]
基于上述的规划合约，本实施例一的合约约束匹配流程如图3所示。
[0094]
s2.根据规划合约中各自的关键参数，构建与每个规划合约对应的运输方案组合。
[0095]
在本实施例一中，参考遗传算法设计，通过染色体编码的方式建立运输方案组合。
[0096]
设定供给端m到需求端n的运量为x
mn
，发货时间为t
mn
，运价为p
mn
，将从每一个供给端到每一个需求端的所有可能的运量x
mn
、时间t
mn
、运价p
mn
按类别整合，可构建一个如表2所示的由三层染色体结构表达的、完整的、包含了所有可能的运输方案组合。
[0097]
表2
[0098]
x
11
x
12
x
13
x
14
…
x
1n
x
21
x
22
x
23
x
24
…
x
2n
…
x
m1
x
m2
x
m3
x
m4
…
x
mn
t
11
t
12
t
13
t
14
…
t
1n
t
21
t
22
t
23
t
24
…
t
2n
…
t
m1
t
m2
t
m3
t
m4
…
t
mn
p
11
p
12
p13p
14
…
p
1n
p
21
p
22
p
23
p
24
…
p
2n
…
p
m1
p
m2
p
m3
p
m4
…
p
mn
[0099]
s3.基于适应度函数和改进的遗传算法，分别对每个规划合约的运输方案组合进行筛选更新，得到规划合约各自的最优匹配方案，基于最优匹配方案，得到最优合约和次优合约。
[0100]
参考遗传算法，首先定义适应度函数。在本实施例一中，每个合约下的每一个运输方案都需要计算出相应的适应度，不同合约设计下的适应度函数整体满足
[0101]
π-c-kq
[0102]
其中π-c为目标函数，目标函数越大越好。k为惩罚因子，是一个足够大的实数。q为如果约束不满足时，约束与实际值之间的差值，则kq含义是：对于任意规划模型中不被满足的约束，都要给与惩罚。
[0103]
进一步的，生成初始种群。不同合约的初始种群生成方法类似，本实施例一以批发价合约为例，结合现实问题，对初始种群的生成采取如下的设计方法：
[0104]
在本实施例一中，针对已有的三大约束，总共有6种考虑的先后顺序(6个分支)，如图4所示。对于这六种分支，按照“逐步剔除”原则，首先考虑第一约束，然后考虑“第二约束”，对于满足“第二约束”而不满足“第一约束”的，则放宽“第一约束”；对于满足“第三约束”而不满足“第二约束”的，则放宽“第二约束”。直到所有约束条件都被满足为止。
[0105]
在本实施例一中，选择过程采用经典的轮盘赌选择方法。即，适应度高的染色体被选中的概率也就更大。用公式表示为：
[0106][0107]
其中，m表示总共的染色体个数。
[0108]
在本实施例一中，染色体交叉的结果要保证两条染色体都包含从1到n的基因，不重不漏。若在交叉后存在同一条染色体上基因的重复，则应该采用如下冲突互换的方式，如图5所示。当a和b两条染色体交叉后，若a染色体内部基因序号出现重复(假定是a和a’)，则在a染色体未交叉片段中找到重复的基因a及该基因在b染色体对应位置的基因b，将基因b和a染色体交叉片段中的a’基因进行互换，从而完成一次冲突互换。依次类推，直到两条染
色体的基因都含有1到n的基因，不重不漏。
[0109]
图5为标准的染色体交叉过程，本实施例一中的染色体为三层染色体，单交叉原理原理类似。
[0110]
随机选择[0,1]范围内的随机数ra，当ra小于变异概率设定值pm时，进行染色体的变异。变异过程是首先生成[1,n]范围内的整数随机数rb，将rb和n-rb位置对应的基因个体进行交换，从而产生变异，如图6所示。
[0111]
根据以上各个部分的细节描述，遗传算法的流程图如图7所示。采用上述遗传算法，分别对每一个规划合约各自所有的运输方案组合进行筛选更新，并且每次筛选，都需要使用适应度函数进行目标函数求解，经过不断迭代，当目标函数值最大时，得到每一个规划合约各自的最优匹配方案，根据最优匹配方案，挑选出最优合约和次优合约。
[0112]
s4.进一步的，再次使用s3中的该遗传算法，更新最优合约中的的目标函数的值，当目标函数的值达到最大且满足所有关键参数约束时，即得到最优合约匹配方案；而对于最优合约中未匹配的部分，使用次优合约按照遗传算法进行二次匹配，当目标函数的值达到最大且满足所有关键参数约束时，得到次优合约匹配方案。
[0113]
s5.根据最优合约匹配方案和次优合约匹配方案，结合现实情况，可组合生成混合合约方案，之后，再经过供需双方的确认，即可生成最终的供需合约。整体过程如图8所示。
[0114]
下面，对采用本实施例一的集群式供应链下的混合合约设计方法的效果进行举例说明：
[0115]
20个供应方的位置、价格、交货时间以及交货量如表3所示：
[0116]
表3
[0117][0118]
30个需求方的位置、最高可接受价格、需求量以及市场实际需求量如表4所示：
[0119]
表4
[0120][0121]
在此，假设供需双方的单位运价a＝0.5。
[0122]
首先通过情景和文献分析，确定采用数量柔性合约作为最优合约，批发价合约作为次优合约，使用二者对供需双方进行优先顺序匹配，得到结果用表5表示：
[0123]
表5
[0124][0125]
本例同样以供应链最终利润最大化为目标，选择数量柔性合约和批发价合约分别作为最优和次优合约进行供需双方的匹配设计。从表9中可知，单独采用数量柔性合约的供应链最终利润高于单独采用批发价合约，但批发价合约的匹配率高于数量柔性合约。若采
用二者的混合合约进行供需匹配，可以得到更高的收益和匹配率。
[0126]
最终的混合合约方案，即数量柔性合约和批发价合约对应的匹配方案分别如图9、图10所示
[0127]
实施例二
[0128]
如图11所示，为本技术实施例二的一种集群式供应链下的混合合约设计系统结构示意图，包括合约规划模块、方案组合模块、最优合约模块、最优方案模块和混合合约模块。
[0129]
其中，合约规划模块用于根据目标函数和关键参数，构建若干个规划合约，每个规划合约均包括目标函数和规划合约中各自的关键参数约束。
[0130]
方案组合模块用于根据规划合约中各自的关键参数，构建与每个规划合约对应的运输方案组合。
[0131]
最优合约模块用于根据适应度函数和改进的遗传算法，分别对每个规划合约的运输方案组合进行筛选更新，得到规划合约各自的最优匹配方案，基于最优匹配方案，得到最优合约和次优合约。
[0132]
最优方案模块用于根据适应度函数和改进的遗传算法，对最优合约和次优合约进行匹配更新，得到最优合约匹配方案和次优合约匹配方案。
[0133]
混合合约模块用于根据最优合约匹配方案和次优合约匹配方案，生成混合合约方案。
[0134]
其中，最优合约模块和最优方案模块均包括适应度单元，用于根据目标函数和关键参数约束，生成适应度函数。
[0135]
以上所述的实施例仅是对本技术优选方式进行的描述，并非对本技术的范围进行限定，在不脱离本技术设计精神的前提下，本领域普通技术人员对本技术的技术方案做出的各种变形和改进，均应落入本技术权利要求书确定的保护范围内。