论文部分内容阅读
协商是解决多Agent供应链冲突的有效方法，特别是在下游市场客户需求不断变化情况下，制造商和销售商针对产品的订购价格、数量等，难免发生产销协同冲突，因此研究如何适应对手提议及市场需求变化的智能协商策略，成为消解多Agent供应链产销协同冲突的重要问题。本文深入研究了适用于消解多Agent供应链产销协同冲突、基于机器学习的自适应协商策略相关内容。首先，针对多Agent协商的并行复杂性问题，构建了基于黑板机制的多Agent产销协同协商框架，黑板Agent可作为中介来协调供应链的信息交流，并可实时感应市场客户需求的变化，使协商双方Agent及时给出有效应对方法。其次，针对传统协商自适应性差、冲突解决效率低的问题，设计了三种基于优化机器学习算法的自适应协商方法。一是利用灰色关联度及遗传算法优化案例推理方法，将对手提议视为目标案例，灰色关联度用作案例匹配的计算方法，遗传算法智能搜索机制优化案例议题权重；二是利用模拟退火算法优化粒子群方法，设计自适应粒子群学习因子，自主全局搜索最优协商结果，模拟退火温度控制避免陷入局部最优；三是利用Adaboost算法优化Q-强化学习方法，将历史成交值从弱分类器变为强分类器，逐步获取较准确对手提议预测值。然后，针对供应链产销协同冲突多样性、冲突消解智能性弱的问题，建立了产销协同计划决策协商模型，分别针对三种类型冲突，给出了相应的自适应协商策略。一是双方为达到各自效用值最大而产生冲突，基于优化案例推理协商方法，形成适应对手Agent提议变化的协商策略；二是双方为达到供应链总成本最小而产生冲突，基于优化粒子群协商方法，建立以成本最小为适应度函数的自学习协商策略；三是在市场客户需求变化下，制造商和销售商产生冲突，基于优化Q-强化学习协商方法，建立基于市场客户需求变化和对手提议预测的自适应策略。最后，为评估文中提出协商策略的合理有效性，进行了仿真实验。设计了制造商Agent与销售商Agent的产品订购模型，建立协商模型，对变量和参数赋值，为解决三种产销协同冲突，对采取不同自适应方法的协商过程仿真，然后对比采用基于优化方法自适应策略的协商结果和未优化方法的协商结果。本文基于多Agent的供应链产销协同冲突，探讨了能适应对手提议变化、达到成本最优和适应市场需求变化的自适应协商策略，研究成果可消解产销协同冲突，提高协商效率，增强供应链智能化水平，不仅为供应链协同提供理论方法支撑，而且使多Agent协商变得更为高效。