论文部分内容阅读
我国作为煤炭生产、消耗的大国,“北煤南运”的特征使煤炭生产、消耗与运输成为煤炭供应链中最值得整合优化的资源。山西作为煤炭资源大省,在煤炭供应链中处于源头位置,如何协调煤炭生产、供应、运输与需求的平衡是我省一直以来必须面对的艰巨任务。随着物联网技术的推广应用,在我省煤炭行业全面应用物联网技术也已提上日程。物联网技术在煤炭供应链中的应用能使原本功能单一、相互隔离的各节点间实现资源共享和流程协同,促进煤炭供应链节点间的融合,实现煤炭供应链级的信息与功能集成,完成煤炭供应链级的资源调度,使煤矿的煤炭产量与客户的煤炭消耗量相联系,缓解供应链上各个煤炭库存要么量大要么不足的弊端。本文围绕上述问题,探讨了基于物联网的煤炭物流供应链整合框架,并构建了煤炭物流优化调度模型,这对提升我省煤炭供应链的竞争力,降低煤炭物流成本,平衡煤炭供应与需求是极有意义的。首先,本文构建了基于物联网的煤炭物流供应链智能系统感知框架,以物流各环节作为智能感知节点,自动实时地感知库存与运输的变化,为实现煤炭物流供应链的库存与运输联合优化调度提供及时准确的数据。其次,本文建立了煤炭物流优化调度模型。模型的特点是:①模型突破仅对本地库存进行优化的单一库存优化模型,建立多级整体库存优化模型,利用煤炭交易的订单和合同信息,计算煤炭供应链全线各个节点库存的库存量,确定各节点库存水平,使总库存成本最低,客户满意度最高。②模型不仅考虑库存优化,而且考虑供应链整体运输调度的优化,适应需求的动态性、突发性导致库存和运输计划的频繁变更的情况,满足生产的敏捷性和柔性要求。③模型运行在有限长周期水平上。在随机需求、随机运输环境、随机生产等多随机因素的干扰下建立的煤炭物流供应链多级库存控制与运输调度整合模型,以生产计划期内最小成本为目标,以客户库存策略、运输策略为决策变量,寻求最优决策方案及最优目标。④由于随机变量使模型不具备完整的数学意义,因此,论文将模型转化为随机期望值模型和随机机会约束规划模型。为求解上述具有NP-hard的物流优化调度随机规划模型,本文构造了复杂约束条件下基于随机模拟和神经网络的改进粒子群优化算法。首先,为处理实际模型中复杂的约束,把处理约束条件的乘子罚函数法与粒子群算法相结合,提出了一种改进的求解非线性约束优化问题的混合粒子群优化算法。算法的两个特点是:①以乘子罚函数值作为粒子的适应度;②为混合算法重新定义了粒子群更新公式中的粒子个体最优与群体最优,使用粒子上代的位置作为个体最优,群体上代最优作为全局最优。在上述算法的基础上,建立了复杂约束下,求解随机期望值模型和随机机会约束规划模型的粒子群优化算法。算法的基本思路是:①构造乘子罚函数作为随机规划的目标函数,化约束问题为非约束问题;②由于模型中含有随机变量,提出基于随机模拟、BP神经网络等方法来产生不确定函数的输出;③改进粒子群算法求解以乘子罚函数作为新目标函数的随机规划模型。算法的创新是:①将乘子法思想引入随机规划模型,转化含约束的随机规划模型为不含约束的随机规划模型。约束条件既有不含随机变量的约束条件,也有含有随机变量的约束条件,对后者,根据决策者的决策意愿可分为随机期望值约束或者随机机会约束;由于目标函数也含有随机变量,也可根据决策者的决策意愿分为随机期望值目标函数或者随机机会约束规划目标函数;从而形成基于乘子罚函数的随机期望值模型和随机机会约束规划模型。②随机模拟、BP神经网络等方法用来为基于乘子罚函数的随机期望值模型和随机机会约束规划模型产生函数输出。③在基于乘子罚函数的随机期望值模型和随机机会约束规划模型的求解过程中,为使粒子群更好地追随最优粒子飞向可行域中的最优,当粒子更新时,用上一代的粒子位置作为个体最优,上一代的群体最优粒子作为全局最优,从而使粒子群最终收敛于可行域中的最优位置。最后,设计了几个不同复杂度的实验对模型与算法进行了验证,仿真结果表明了本文构建的模型与算法的有效性