一种集群式供应链下的合约选择和生成方法与流程

1.本技术涉及管理信息化技术领域，具体而言，涉及一种集群式供应链下的合约选择和生成方法。


背景技术：

2.根据国家统计局数据，截止2018年年末，我国中小微企业占全部企业数量的99.8％，贡献了60％的gdp和超过50％的税收。中国在每一个产业链的节点上都拥有无数的中小微企业，可以便捷高效地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，中小企业集群凸显规模优势，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.在实际操作过程中，上下游交易不仅涉及到供需双方的匹配问题，还与供应链合约息息相关。在电子商务环境下，作为供应链交易环节中连结上下游的关键，供需双方的匹配及合约选择问题具有十分重要的意义。现有技术对供应链上下游多点交易的处理仅仅流于表面，没有考虑集群式供应链下供应方和需求方在自身内部形成的联盟效应和集群效应；另一方面，现有合约在供应链环节的应用多使用区块链技术，聚焦于金融、溯源等领域，没有在交易匹配环节较为深入地考虑合约的底层设计和选择问题。因此，本专利重点讨论了集群式供应链交易环境下的最优合约设计问题，考虑供应链五大合约(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)及关键参数设置，选择最优合约实现供给和需求的匹配，实现最大化供应链整体利润的目标并满足相关的必要约束。


技术实现要素：

4.本发明的目的为进行集群式供应链交易环境下的最优合约设计。如图1所示，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。本模块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，考虑供应链五大合约(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)及关键参数设置，选择最优合约实现供给和需求的匹配，实现最大化供应链整体利润的目标并满足相关的必要约束。
5.为了实现上述技术目的，本技术提供了一种集群式供应链下的合约选择和生成方法，包括以下步骤：
6.采集供应方的第一信息和需求方的第二信息，将第一信息和第二信息进行聚类，获得用于表示供需方关系的聚类数据结果；
7.基于聚类数据结果以及供需方供应关系，通过遗传算法，构建供应链合约模型，供应链合约模型用于获取第一信息与第二信息的对应关系，并根据对应关系生成订单以及运输方案。
8.优选地，在获得聚类数据结果的过程中，根据第一信息、第二信息，获取基于供应
方和需求方形成的供应链的产业集群交易利润和物流成本，并根据交易利润、物流成本进行聚类，获取聚类数据结果。
9.优选地，在获取聚类数据结果的过程中，产业集群交易利润的表达式为：
[0010][0011]
式中，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方个数，n表示参与交易的需求方个数，x
mn
表示供需双方每个企业之间的实际运量，n表示需求端第n个企业，m表示供给端第m个企业，表示需求端第n个企业的最高可接受价格，表示供给端第m个企业的最低可接受价格。
[0012]
优选地，在构建供应链合约模型的过程中，供应链合约模型的供应链合约，包括批发价合约、数量折扣合约、数量灵活合约、收益共享合约、回购合约以及第二约束变量，其中，第二约束变量用于通过约束供应链合约模型中各个合约，获取用于遗传算法的染色体编码。
[0013]
优选地，批发价合约的规划模型为：
[0014]
max f(si)＝π-c
[0015][0016]
数量折扣合约的规划模型为：
[0017]
max f(si)＝π-c
[0018][0019]
数量灵活合约的规划模型为：
[0020]
max f(si)＝π-c
[0021][0022]
收益共享合约的规划模型为：
[0023]
max f(si)＝π-c
[0024][0025]
回购合约的规模模型为：
[0026]
max f(si)＝π-c
[0027][0028]
其中，为供给端第m个公司的供给，表示需求端第n个企业的需求、需求量或最低购买数量，为需求端第n个企业的最高可接受价格，表示供给端第m个企业供应的基础价格或批发价格，γ表示回购价格系数，b表示数量折扣系数，φ表示收益共享系数，α表示数量柔性系数，回购价格系数＝回购价格/批发价格，γ＜1，si表示第i个染色体，f(si)表示第i个染色体的适应度。
[0029]
优选地，第二约束变量的约束条件为：
[0030]
801.每个供给端企业运输数量不超过其供应能力；
[0031]
802.每个需求端企业接受不超过其需求量的运输数量；
[0032]
803.所有供给端企业的整体供应能力大于需求；
[0033]
804.需求端最高可接受价格大于供给端最低可接受价格；
[0034]
805.满足交货时间限制。
[0035]
优选地，在生成订单以及运输方案的过程中，遗传算法包括以下步骤：
[0036]
基于供应链合约模型得到的供需匹配方案，构建用于遗传算法的染色体表达式，以及获取供应链合约模型中每个合约对应的适应度；
[0037]
基于每个合约以及合约对应的约束条件的约束优先级，构建基于约束优先级的初始种群，其中，初始种群通过逐步剔除原则，满足基于约束优先级的约束条件；
[0038]
基于初始种群以及初始种群对应的染色体表达式，通过轮盘赌选择方法，获取基于高适应度的第一染色体、第二染色体；
[0039]
采集第一染色体的第一基因以及与第一基因重复的第一重复基因，将第一基因对应的第二染色体的第二基因与第一重复基因进行交叉互换，获取没有重复基因的染色体表达式；
[0040]
通过设定变异概率设定值，采集没有重复基因的染色体表达式的基因变异概率值，并与变异概率设定值进行比较，根据比较结果对染色体表达式进行基因变异；
[0041]
采集通过基因变异后的染色体表达式，通过获取第一信息与第二信息的对应关系，获得订单以及运输方案。
[0042]
优选地，基因变异的具体过程为：获取基于需求端企业个数的随机整数值，根据随机整数值对应的第三基因，与随机整数值与需求端企业个数的和对应的第四基因，通过进行位置互换，完成基因变异。
[0043]
优选地，遗传算法的染色体表达式的获取方法，包括以下步骤：
[0044]
基于供需匹配方案，生成m
×
n矩阵，并基于m
×
n矩阵的每行作为向量，展开m
×
n矩阵，获得第一染色体形式表达式；
[0045]
基于第一约束变量，将第一染色体形式表达式转换为基于时间维度的第二染色体形式表达式；
[0046]
基于供需方的交易价格维度，将第二染色体形式表达式转化为基于货物交易价格的第三染色体形式表达式；
[0047]
基于第一染色体形式表达式、第二染色体形式表达式、第三染色体形式表达式，构建染色体表达式.
[0048]
优选地，用于实现合约选择和生成方法的软件配置系统，包括处理器，处理器在处理存储于存储器上的计算机程序时，用于实现如权利要求1至9中任一项的方法。
[0049]
本发明的结构具有以下有益效果：
[0050]
本发明以供应链最终利润最大化为目标，通过对供应链最终利润的比较选择数量折扣合约作为供需匹配的最优合约设计。另外，还可使用其他目标，如匹配率等。除此之外，可以考虑多重目标下的最优合约选择机制，如按照供应链整体利润最大化对五大合约进行遗传算法的供需匹配，之后将五大合约的匹配率进行对比，选择匹配率最高的合约，以达到兼顾供应链整体效益和供需匹配利润率的目的。
附图说明
[0051]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将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发明的一些实施例，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。
[0052]
图1是本发明实施例所述的产业集群结构示意图；
[0053]
图2是本发明实施例所述的系统流程示意图；
[0054]
图3是本发明实施例所述的根据表5形成的染色体形式；
[0055]
图4是本发明实施例所述的第m个供给端企业发货给第n个需求端企业的发货时间所组成的染色体示意图；
[0056]
图5是本发明实施例所述的第m个供给端企业给第n个需求端企业的货物交易价格的染色体示意图；
[0057]
图6是本发明实施例所述的初始种群生成示意图；
[0058]
图7是本发明实施例所述的染色体交叉过程示例图；
[0059]
图8是本发明实施例所述的染色体变异过程示例图；
[0060]
图9是本发明实施例所述的遗传算法的流程图；
[0061]
图10是本发明实施例所述的合约选择设计图；
[0062]
图11是本发明实施例所述的总体流程及系统设计图。
具体实施方式
[0063]
下为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中附图，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。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术的实施例，本领域技术人员在没有做出创造性劳动的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。
[0064]
如图1-11所示，本发明提供了一种集群式供应链下的合约选择和生成方法，包括以下步骤：
[0065]
采集供应方的第一信息和需求方的第二信息，将第一信息和第二信息进行聚类，获得用于表示供需方关系的聚类数据结果；
[0066]
基于聚类数据结果以及供需方供应关系，通过遗传算法，构建供应链合约模型，供应链合约模型用于获取第一信息与第二信息的对应关系，并根据对应关系生成订单以及运输方案。
[0067]
优选地，在获得聚类数据结果的过程中，根据第一信息、第二信息，获取基于供应方和需求方形成的供应链的产业集群交易利润和物流成本，并根据交易利润、物流成本进行聚类，获取聚类数据结果。
[0068]
优选地，在获取聚类数据结果的过程中，产业集群交易利润的表达式为：
[0069][0070]
式中，п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方个数，n表示参与交易的需求方个数，x
mn
表示供需双方每个企业之间的实际运量，n表示需求端第n个企业，m表示供给端第m个企业，表示需求端第n个企业的最高可接受价格，表示供给端第m个企业的最低可接受价格。
[0071]
优选地，在构建供应链合约模型的过程中，供应链合约模型的供应链合约，包括批发价合约、数量折扣合约、数量灵活合约、收益共享合约、回购合约以及第二约束变量，其中，第二约束变量用于通过约束供应链合约模型中各个合约，获取用于遗传算法的染色体编码。
[0072]
优选地，批发价合约的规划模型为：
[0073]
max f(si)＝π-c
[0074][0075]
数量折扣合约的规划模型为：
[0076]
max f(si)＝π-c
[0077][0078]
数量灵活合约的规划模型为：
[0079]
max f(si)＝π-c
[0080][0081]
收益共享合约的规划模型为：
[0082]
max f(si)＝π-c
[0083][0084]
回购合约的规模模型为：
[0085]
max f(si)＝π-c
[0086][0087]
其中，为供给端第m个公司的供给，表示需求端第n个企业的需求、需求量或最低购买数量，为需求端第n个企业的最高可接受价格，表示供给端第m个企业供应的基础价格或批发价格，γ表示回购价格系数，b表示数量折扣系数，φ表示收益共享系数，α表示数量柔性系数，回购价格系数＝回购价格/批发价格，γ＜1，si表示第i个染色体，f(si)表示第i个染色体的适应度。
[0088]
优选地，第二约束变量的约束条件为：
[0089]
801.每个供给端企业运输数量不超过其供应能力；
[0090]
802.每个需求端企业接受不超过其需求量的运输数量；
[0091]
803.所有供给端企业的整体供应能力大于需求；
[0092]
804.需求端最高可接受价格大于供给端最低可接受价格；
[0093]
805.满足交货时间限制。
[0094]
优选地，在生成订单以及运输方案的过程中，遗传算法包括以下步骤：
[0095]
基于供应链合约模型得到的供需匹配方案，构建用于遗传算法的染色体表达式，以及获取供应链合约模型中每个合约对应的适应度；
[0096]
基于每个合约以及合约对应的约束条件的约束优先级，构建基于约束优先级的初始种群，其中，初始种群通过逐步剔除原则，满足基于约束优先级的约束条件；
[0097]
基于初始种群以及初始种群对应的染色体表达式，通过轮盘赌选择方法，获取基于高适应度的第一染色体、第二染色体；
[0098]
采集第一染色体的第一基因以及与第一基因重复的第一重复基因，将第一基因对应的第二染色体的第二基因与第一重复基因进行交叉互换，获取没有重复基因的染色体表达式；
[0099]
通过设定变异概率设定值，采集没有重复基因的染色体表达式的基因变异概率值，并与变异概率设定值进行比较，根据比较结果对染色体表达式进行基因变异；
[0100]
采集通过基因变异后的染色体表达式，通过获取第一信息与第二信息的对应关系，获得订单以及运输方案。
[0101]
优选地，基因变异的具体过程为：获取基于需求端企业个数的随机整数值，根据随机整数值对应的第三基因，与随机整数值与需求端企业个数的和对应的第四基因，通过进行位置互换，完成基因变异。
[0102]
优选地，遗传算法的染色体表达式的获取方法，包括以下步骤：
[0103]
基于供需匹配方案，生成m
×
n矩阵，并基于m
×
n矩阵的每行作为向量，展开m
×
n矩阵，获得第一染色体形式表达式；
[0104]
基于第一约束变量，将第一染色体形式表达式转换为基于时间维度的第二染色体形式表达式；
[0105]
基于供需方的交易价格维度，将第二染色体形式表达式转化为基于货物交易价格的第三染色体形式表达式；
[0106]
基于第一染色体形式表达式、第二染色体形式表达式、第三染色体形式表达式，构建染色体表达式.
[0107]
优选地，用于实现合约选择和生成方法的软件配置系统，包括处理器，处理器在处理存储于存储器上的计算机程序时，用于实现如权利要求1至9中任一项的方法。
[0108]
进一步地，本发明公开了一种用于实现集群式供应链下的合约选择和生成方法的系统，包括，
[0109]
数据采集与预处理模块，用于采集供应方的第一信息和需求方的第二信息，将所述第一信息和所述第二信息进行聚类，获得用于表示供需方关系的聚类数据结果；
[0110]
第一数据处理模块，用于根据所述聚类数据结果，获取用于统一运输的订货提前期及运输单价，其中，所述统一运输用于表示不同所述供应方到同一所述需求方的供应链物流发送过程，或同一所述供应方到不同所述需求方的供应链物流发送过程；
[0111]
第二数据处理模块，用于基于所述供应方和所述需求方的供应链关系，根据所述
订货提前期及所述运输单价，构建供应链合约模型，所述供应链合约模型用于基于遗传算法，获取所述第一信息与所述第二信息的对应关系，并根据所述对应关系生成订单以及运输方案。
[0112]
存储模块，用于存储上述系统的系统数据；
[0113]
显示模块，用于显示上述系统数据；
[0114]
通信模块，用于上述系统与外界装置或系统进行数据交互。
[0115]
进一步地，本发明还公开了一种具有存储功能的装置，通过将上述系统以软件的形式在该装置进行运行，实现系统具备的对应功能。
[0116]
实施例1：本发明的具体技术解决方案如下：
[0117]
1.1、模型变量说明：因本方案涉及五种合约：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，本模型包含的变量内容分成两部分描述：表格1为五种合约的共同参数，表格2为五种合约的差异参数。
[0118]
表1
[0119]
[0120][0121]
表2
[0122]
[0123][0124]
1.2、模型假设
[0125]
1)承运商的运力较高，能够满足运输需求。
[0126]
1.3模型建立
[0127]
五种合约基于不同特点，可以列出不同的规划模型，具体如下表3所示：
[0128]
表3
[0129]
[0130][0131]
其中，si表示第i个染色体，f(si)表示第i个染色体的适应度。约束分别表示：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；
[0132]
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，由于合约的特点不同，约束做出了相应的一些调整，如数量折扣合约的约束(4)考虑了数量折扣系数，数量灵活合约的约束(3)将数量灵活系数纳入考量，收益共享合约的约束(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；回购合约的约束(4)考虑了回购价格系数。该过程的流程示意图如图2所示。
[0133]
1.4、合约选择模型设计
[0134]
a.遗传算法设计：
[0135]
染色体编码：
[0136]
下表4是一个供需匹配方案，xmn记录了从供给端m到需求端n的供应量。
[0137]
表4
[0138][0139]
将以上的m
×
n矩阵转化为1
×
(m*n)的向量。从而形成了如图3的染色体形式。
[0140]
另一方面，考虑时间维度因素。如图4所示，同样构建一个m*n长度的染色体。下图展示了第m个供给端企业发货给第n个需求端企业的发货时间所组成的染色体。其中，若从m到n没有相应的货运量，则将tmn设为k(k是一个足够大的量)。
[0141]
最后，考虑交易价格维度因素。如图5所示，构建一个m*n长度的染色体。下图展示了第m个供给端企业给第n个需求端企业的货物交易价格的染色体。其中，若m企业和n企业达成一定货物量的交易，则交易价格定为供给端的最低可接受价格，即若m到n没有相应的货运量，则将p
mn
设为0。
[0142]
以上两条染色体的组合，就是一个含有具体的发货量和交货时间的完整的运输方案，即为三层染色体结构，如下表5所示：
[0143]
表5
[0144]
x11x12x13x14
…
x1nx21x22x23x24
…
x2n
…
xm1xm2xm3xm4
…
xmnt
11
t
12
t
13
t14
…
t
1n
t
21
t
22
t
23
t24
…
t
2n
…
t
m1
t
m2
t
m3
t
m4…
t
mn
p11p12p13p14
…
p1np21p22p23p24
…
p2n
…
pm1pm2pm3pm4
…
pmn
[0145]
适应度定义：
[0146]
每个合约下的每一个方案都需要计算出相应的适应度，本发明专利中适应度的定义在不同合约设计下有细微差别，但整体满足
[0147]
π-c-kg
[0148]
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。
[0149]
初始种群生成：
[0150]
不同合约的初始种群生成方法类似，本专利以批发价合约为例，结合现实问题，对初始种群的生成采取如下设计方法：
[0151]
针对已有的三大约束，有如图6所示，6种考虑的先后顺序(6个分支)
[0152]
对于以上六种分支，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。
[0153]
选择：
[0154]
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：
[0155][0156]
其中，m表示总共的染色体个数。
[0157]
交叉：
[0158]
如图7所示，在本问题中，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，如下图所示。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。
[0159]
以上为标准的染色体交叉过程，本方案中的染色体为三层染色体，原理类似。
[0160]
变异：
[0161]
如图8所示，由程序产生[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。变异过程是首先由程序产生[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，如下图所示。根据以上各个部分的细节描述，遗传算法的流程图如图9所示：
[0162]
b.合约选择设计如图10所示；
[0163]
c.总体流程及系统设计如图11所示。
[0164]
本程序涉及供需双方信息输入到最终最优合约及相应匹配方案输出，分为三个主要部分：首先针对供需双方的输入信息进行供给端和需求端的聚类，并根据聚类结果计算统一运输的订货提前期及运输单价；然后使用遗传算法对供应链五大合约，即批发价合约、数量折扣合约、收入共享合约、数量柔性合约和回购合约分别进行供需匹配优化计算；最后，根据设定的比较优化规则，如交易达成率或供应链整体利润最大选择最优合约，并输出相应的供需匹配和运输方案。
[0165]
3、技术效果
[0166]
a.各合约下的最优供需匹配
[0167]
给出供应方的数据，20个供应方的位置、价格、交货时间以及交货量如下表6所示：
[0168]
表6
[0169][0170]
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下表7所示：
[0171]
表7
[0172][0173]
假设供需双方的单位运价a＝0.5；
[0174]
经过求解，各个合约下的结果可以用以下表8表示：
[0175]
表8
[0176][0177]
b.合约选择机制：
[0178]
根据合约选择的比较机制，在本专利中以供应链最终利润最大化为目标，通过对供应链最终利润的比较选择数量折扣合约作为供需匹配的最优合约设计。另外，还可使用其他目标，如匹配率等。除此之外，可以考虑多重目标下的最优合约选择机制，如按照供应链整体利润最大化对五大合约进行遗传算法的供需匹配，之后将五大合约的匹配率进行对比，选择匹配率最高的合约，以达到兼顾供应链整体效益和供需匹配利润率的目的。
[0179]
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0180]
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员
在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。