开云优惠体育网页版入口

专利名称：一种基于区域资管的资源调配方法

专利类型：发明专利

专利申请号：CN202410969669.5

专利申请（专利权）人：泸州发展智汇开云优惠体育网页版入口有限公司
权利人地址：四川省泸州市四川自贸区川南临港片区西南商贸城17区四层66号

专利发明（设计）人：胡志宇,王秋艳,阳建容,张永恒,曹敏梅,李思勇

专利摘要：本发明提供了提供一种基于区域资管的资源调配方法，涉及资源管理技术领域，目的在于实现具备预见性、且可以分析区域之间的资源关系的资源调配，包括获取资管区域的第一资源需求，获取资管区域的第二资源需求；获取资管区域的融合资源需求，并获取当前需要进行资源调配的待调配资管区域；获取资管区域需求的关联关系，获取每个资管区域的关联资管区域；基于待调配资管区域和待调配的资源建立资管区域待优化的目标函数及约束条件；基于资管区域待优化的目标函数及约束条件求解获取为待调配资管区域调配资源的方案，并为对应的关联资管区域进行预调配。本发明具有资源分配更具前瞻性和全局考量性的优点。

主权利要求：
1.一种基于区域资管的资源调配方法，其特征在于，包括以下步骤：以第一周期为间隔根据当前资源需求情况获取资管区域的第一资源需求，通过状态预测获取资管区域的第二资源需求；
基于所述第一资源需求和所述第二资源需求获取资管区域的融合资源需求，并获取当前需要进行资源调配的待调配资管区域；
以第二周期为间隔获取资管区域需求的关联关系，获取每个资管区域的关联资管区域；
基于所述待调配资管区域和待调配的资源建立资管区域待优化的目标函数及约束条件；
基于资管区域待优化的目标函数及约束条件求解获取为所述待调配资管区域调配资源的方案，并为对应的关联资管区域进行预调配；
所述根据当前资源需求情况获取资管区域的第一资源需求的方法为：获取当前时刻第 个资管区域的资源剩余量 ，获取截止当前时刻的时长 内第 个资管区域的资源消耗量 ；
第 个资管区域的所述第一资源需求 为：；
其中， 为对数函数， 代表所述资管区域的编号；
所述通过状态预测获取资管区域的第二资源需求的方法为通过LSTM神经网络模组进行预测；
所述LSTM神经网络模组包括第一LSTM神经网络和第二LSTM神经网络，所述第一LSTM神经网络用于预测下一时刻的资源需求数值，所述第二LSTM神经网络用于预测资源需求变化趋势；
所述资源需求数值和所述资源需求变化趋势共同表征所述第二资源需求；
所述第一LSTM神经网络的输入 为：, ;
其中， 代表所述资管区域的编号， 代表第 个所述资管区域的需求序列，代表第 个所述资管区域的需求序列中第 个时刻的所述第一资源需求，第 个时刻为当前时刻;所述第二LSTM神经网络的输入 为：,
;
其中， 为第 个所述资管区域的所述第一资源需求形成的历史序列中第 段子序列的一元拟合函数的斜率， 为第 个所述资管区域的所述第一资源需求形成的历史序列中第 段子序列的一元拟合函数的截距， 为子序列的总数；
所述第一LSTM神经网络的输出 , 代表第 个所述资管区域的下一时刻的资源需求数值；
所述第二LSTM神经网络的输出 , 分别为第 个所述资管区域的下一子序列的一元拟合函数的斜率和截距；
所述第二资源需求的获取方法为：;
其中， 代表第 个所述资管区域的所述第二资源需求, 代表变化时间且不大于所述子序列对应的时间长度；
所述获取当前需要进行资源调配的待调配资管区域的方法为：获取每个所述资管区域的融合资源需求：；
其中，和 为权重， 为第 个所述资管区域的融合资源需求；
若 大于预设的需求阈值，则第 个所述资管区域为当前需要进行资源调配的待调配资管区域；
所述获取每个资管区域的关联资管区域的方法为：获取每个所述资管区域截止当前时刻的连续N个时刻的第一资源需求形成的需求序列：, ;
其中， 代表所述资管区域的编号， 代表第 个所述资管区域的需求序列，其中的元素 代表第 个所述资管区域的需求序列中第 个时刻的所述第一资源需求，第 个时刻为当前时刻；
对每两个不同的所述资管区域进行以下操作：获取所述资管区域的变化序列：
,
;
,
其中， 为第 个所述资管区域的所述变化序列， 代表第 个所述资管区域的需求序列中第 个时刻的所述第一资源需求, 代表第 个所述资管区域的需求序列中第 个时刻的所述第一资源需求， 为第 个所述资管区域的所述变化序列， 代表第 个所述资管区域的需求序列中第 个时刻的所述第一资源需求, 代表第 个所述资管区域的需求序列中第个时刻的所述第一资源需求；
基于所述资管区域的变化序列获取相关评判参数进而获取所述关联资管区域；
基于所述资管区域的变化序列获取相关评判参数的方法为：;
,
;
其中， 和 代表第 个所述资管区域和第 个所述资管区域的两种所述相关评判参数， 代表求两个数列之间的相关系数的函数，代表 中第1到第 个元素， 代表 中第 到 个元
素， 为代表步长的不小于1整数， 为迭代求和运算中的迭代次序， 为大于1的整数，max(.)为求最大值运算符，*为乘法运算符；
若 大于预设的第一关系阈值，或 大于预设的第二关系阈值，则将第 个所述资管区域和第 个所述资管区域定义为关联资管区域；
基于所述待调配资管区域和待调配的资源建立资管区域待优化的所述目标函数为：第 个所述资管区域的所述目标函数为：；
;
;
;
其中， 、 、和 均代表所述资管区域的编号, ， 为所述资管区域的总数， 为调配距离需求系数， 为价格系数， 代表符号函数， 为物资从第个所述资管区域调配到第 个所述资管区域的用时， 为物资从第 个所述资管区域调配到第 个所述资管区域的单位价格， 为物资从第 个所述资管区域调配到第 个所述资管区域的数量， 和 分别为经验权重， 为第 个所述资管区域的融合资源需求， 代表第 个所述资管区域的分布密度评判参数， 和分别代表第 个所述资管区域到第 个所述资管区域的距离和第 个所述资管区域到第 个所述资管区域的距离；
所述约束条件为：
；
;
；
；
其中， 为第 个所述资管区域的资源剩余量， 为物资从第个所述资管区域到第 个所述资管区域的数量， 依次取当前所有待调配资管区域的所述关联资管区域调配的编号；
所述为对应的关联资管区域进行预调配的方法为：基于所述目标函数和所述约束条件求解，得到所有所述 ;为所述对应的关联资管区域调配资源的方案为，从所述融合资源需求小于预设资源溢出阈值的所述资管区域中选取距离最近的资管区域进行调配：， ；
其中， 代表预调配到第 个所述资管区域的物资总量，依次取当前所有待调配资管区域的所述关联资管区域调配的编号， 为比例系数。 说明书 : 一种基于区域资管的资源调配方法技术领域[0001] 本发明涉及资源管理技术领域，具体而言，涉及一种基于区域资管的资源调配方法。背景技术[0002] 为了更好地便于不同区域进行资源的消耗和分配，通常会将资源分区域进行管理。[0003] 一般来说，为了补充资源的消耗会定期进行资源采购，但是过于频繁的采购可能会造成资源浪费。因此在很多情况下，会定期根据不同区域的资源消耗和需求情况进行不同区域之间的资源调配。现有技术在进行资源调配时，通常依赖当前需求和近期的历史数据进行分析，这种方法缺点是缺乏前瞻性，可能导致需要频繁进行调配分析或者补充采购，为了提升前瞻性也可以基于神经网络进行预测，结合预测数据进行调配，但这种方式也只是把每个区域作为独立个体,单独进行分析，无法分析到区域之间的资源管理关联性，进而其预见性也具备一定局限性，同时这种预测通常关注全局变化特征，对局部特征有所疏忽，其预见性方面也有局限性。[0004] 因此需要对区域资源进行优化，实现具备预见性、且可以分析区域之间的资源关系的资源调配，进而提升资源调配的可靠性。发明内容[0005] 本发明的目的在于提供一种基于区域资管的资源调配方法，其可以实现具备预见性、且可以分析区域之间的资源关系的资源调配。[0006] 本发明的实施例通过以下技术方案实现：[0007] 一种基于区域资管的资源调配方法，其特征在于，包括以下步骤：[0008] 以第一周期为间隔根据当前资源需求情况获取资管区域的第一资源需求，通过状态预测获取资管区域的第二资源需求；[0009] 基于所述第一资源需求和所述第二资源需求获取资管区域的融合资源需求，并获取当前需要进行资源调配的待调配资管区域；[0010] 以第二周期为间隔获取资管区域需求的关联关系，获取每个资管区域的关联资管区域；[0011] 基于所述待调配资管区域和待调配的资源建立资管区域待优化的目标函数及约束条件；[0012] 基于资管区域待优化的目标函数及约束条件求解获取为所述待调配资管区域调配资源的方案，并为对应的关联资管区域进行预调配。[0013] 优选地，所述根据当前资源需求情况获取资管区域的第一资源需求的方法为：[0014] 获取当前时刻第 个资管区域的资源剩余量 ，获取截止当前时刻的时长内第 个资管区域的资源消耗量 ；[0015] 第 个资管区域的所述第一资源需求 为：[0016] ；[0017] 其中， 为对数函数， 代表所述资管区域的编号。[0018] 优选地，所述通过状态预测获取资管区域的第二资源需求的方法为通过LSTM神经网络模组进行预测；[0019] 所述LSTM神经网络模组包括第一LSTM神经网络和第二LSTM神经网络，所述第一LSTM神经网络用于预测下一时刻的资源需求数值，所述第二LSTM神经网络用于预测资源需求变化趋势；[0020] 所述资源需求数值和所述资源需求变化趋势共同表征所述第二资源需求。[0021] 优选地，所述第一LSTM神经网络的输入 为：[0022] , ;[0023] 其中， 代表所述资管区域的编号， 代表第 个所述资管区域的需求序列， 代表第 个所述资管区域的需求序列中第 个时刻的所述第一资源需求，第 个时刻为当前时刻;[0024] 所述第二LSTM神经网络的输入 为：[0025] ,;[0026] 其中， 为第 个所述资管区域的所述第一资源需求形成的历史序列中第段子序列的一元拟合函数的斜率， 为第 个所述资管区域的所述第一资源需求形成的历史序列中第 段子序列的一元拟合函数的截距， 为子序列的总数；[0027] 所述第一LSTM神经网络的输出 , 代表第 个所述资管区域的下一时刻的资源需求数值；[0028] 所述第二LSTM神经网络的输出 , 分别为第 个所述资管区域的下一子序列的一元拟合函数的斜率和截距；[0029] 所述第二资源需求的获取方法为：[0030] ;[0031] 其中， 代表第 个所述资管区域的所述第二资源需求, 代表变化时间且不大于所述子序列对应的时间长度。[0032] 优选地，所述获取当前需要进行资源调配的待调配资管区域的方法为：[0033] 获取每个所述资管区域的融合资源需求：[0034] ；[0035] 其中，和 为权重， 为第 个所述资管区域的融合资源需求；[0036] 若 大于预设的需求阈值，则第 个所述资管区域为当前需要进行资源调配的待调配资管区域。[0037] 优选地，所述获取每个资管区域的关联资管区域的方法为：[0038] 获取每个所述资管区域截止当前时刻的连续N个时刻的第一资源需求形成的需求序列：[0039] , ;[0040] 其中， 代表所述资管区域的编号， 代表第 个所述资管区域的需求序列，其中的元素 代表第 个所述资管区域的需求序列中第 个时刻的所述第一资源需求，第 个时刻为当前时刻；[0041] 对每两个不同的所述资管区域进行以下操作：[0042] 获取所述资管区域的变化序列：[0043] ,[0044] ;[0045] ,[0046][0047] 其中， 为第 个所述资管区域的所述变化序列， 代表第个所述资管区域的需求序列中第 个时刻的所述第一资源需求, 代表第个所述资管区域的需求序列中第 个时刻的所述第一资源需求， 为第个所述资管区域的所述变化序列， 代表第 个所述资管区域的需求序列中第个时刻的所述第一资源需求, 代表第 个所述资管区域的需求序列中第个时刻的所述第一资源需求；[0048] 基于所述资管区域的变化序列获取相关评判参数进而获取所述关联资管区域。[0049] 优选地，基于所述资管区域的变化序列获取相关评判参数的方法为：[0050] ;[0051] ,[0052] ;[0053] 其中， 和 代表第 个所述资管区域和第 个所述资管区域的两种所述相关评判参数， 代表求两个数列之间的相关系数的函数，代表 中第1到第 个元素 ，代表 中第 到 个元素， 为代表步长的不小于1整数， 为迭代求和运算中的迭代次序， 为大于1的整数，max(.)为求最大值运算符，*为乘法运算符；[0054] 若 大于预设的第一关系阈值，或 大于预设的第二关系阈值，则将第 个所述资管区域和第 个所述资管区域定义为关联资管区域。[0055] 优选地，基于所述待调配资管区域和待调配的资源建立资管区域待优化的所述目标函数为：[0056] 第 个所述资管区域的所述目标函数为：[0057] ；[0058] ;[0059] ;[0060] ;[0061] 其中， 、 、和 均代表所述资管区域的编号, ， 为所述资管区域的总数， 为调配距离需求系数， 为价格系数， 代表符号函数， 为物资从第个所述资管区域调配到第 个所述资管区域的用时， 为物资从第 个所述资管区域调配到第 个所述资管区域的单位价格， 为物资从第 个所述资管区域调配到第 个所述资管区域的数量， 和 分别为经验权重， 为第 个所述资管区域的融合资源需求， 代表第 个所述资管区域的分布密度评判参数， 和分别代表第 个所述资管区域到第 个所述资管区域的距离和第 个所述资管区域到第 个所述资管区域的距离。[0062] 优选地，所述约束条件为：[0063] ；[0064] ;[0065] ；[0066] ；[0067] 其中， 为第 个所述资管区域的资源剩余量， 为物资从第个所述资管区域到第 个所述资管区域的数量， 依次取当前所有待调配资管区域的所述关联资管区域调配的编号。[0068] 优选地，所述为对应的关联资管区域进行预调配的方法为：[0069] 基于所述目标函数和所述约束条件求解，得到所有 ;[0070] 为所述对应的关联资管区域调配资源的方案为，从所述融合资源需求小于预设资源溢出阈值的所述资管区域中选取距离最近的资管区域进行调配：[0071] ， ；[0072] 其中， 代表预调配到第 个所述资管区域的物资总量，依次取当前所有待调配资管区域的所述关联资管区域调配的编号， 为比例系数。[0073] 本发明实施例的技术方案至少具有如下优点和有益效果：[0074] 本发明基于区域资管进行管理，资源管理更为方便和有针对性，周期性进行资源调配，基于现有资源根据需求进行调配，有助于节约采购成本；[0075] 本发明基于区域资源消耗之间的关系进行管理，获取消耗关联性较大的区域，在调配的时候避开关联的区域，也对关联区域进行预调配有助于提升资源调配的前瞻性；[0076] 本发明在预测当前的需求时，通过神经网络结合当前实际需求和预测未来需求相结合确定需求，提升了管理方法的前瞻性；[0077] 本发明通过目标函数获取调配策略，综合考虑调配的时间成本和经济成本，且根据区域的需求量考虑了需求紧急度，动态调节评估系数，得到的结果更优更具适应性；[0078] 本发明可适用于多种资源管理，适配于各种数量的地区管理，具备很强的适用性，便于推广和实施。附图说明[0079] 图1为本发明实施例1提供的一种基于区域资管的资源调配方法的流程示意图。具体实施方式[0080] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和展示出的本发明实施例的组件可以以各种不同的配置来布置和设计。[0081] 实施例1[0082] 本实施例提供一种基于区域资管的资源调配方法，参阅图1，包括以下步骤：[0083] 步骤S1：以第一周期为间隔根据当前资源需求情况获取资管区域的第一资源需求，通过状态预测获取资管区域的第二资源需求；[0084] 步骤S2：基于所述第一资源需求和所述第二资源需求获取资管区域的融合资源需求，并获取当前需要进行资源调配的待调配资管区域；[0085] 步骤S3：以第二周期为间隔获取资管区域需求的关联关系，获取每个资管区域的关联资管区域；特别说明的是，如果距离获取关联关系达到第二周期的时间间隔，则直接进入步骤S4，并且利用上一次获取的关联关系进行后续步骤；[0086] 步骤S4：基于所述待调配资管区域和待调配的资源建立资管区域待优化的目标函数及约束条件；[0087] 步骤S5：基于资管区域待优化的目标函数及约束条件求解获取为所述待调配资管区域调配资源的方案，并为对应的关联资管区域进行预调配。[0088] 本实施例的主要目标在于基于区域资源管理的基础上，为避免过多采购，除了一定时间的补充采购以外，还会周期性根据区域需求进行资源调配，并且在获取资源调配的策略时，注重关注区域之间的资源消耗关联性，为潜在需要调配的区域做好预调配。例如有些区域虽然不同，但可能是统一管理、或者资源消耗背景相似，导致区域之间的消耗具有一定同步性、相似性，这种区域便可在其中一个区域缺乏资源时为关联的区域做好准备。同时在获取需要调配资源的区域时，基于现有状况和预测状况来找到需要调配的区域并建立待求解的目标函数及其约束条件。[0089] 基于以上方案，在进行资源调配的时候，考量更具全局性和前瞻性。使得资源调配更可靠。[0090] 实施例2[0091] 本实施例基于实施例1的技术方案，主要对步骤S1?S2做进一步说明。[0092] 在本实施例中，所述根据当前资源需求情况获取资管区域的第一资源需求的方法为：[0093] 获取当前时刻第 个资管区域的资源剩余量 ，获取截止当前时刻的时长内第 个资管区域的资源消耗量 ；[0094] 第 个资管区域的所述第一资源需求 为：[0095] ；[0096] 其中， 为对数函数， 代表所述资管区域的编号。[0097] 优选地，所述通过状态预测获取资管区域的第二资源需求的方法为通过LSTM神经网络模组进行预测；[0098] 所述LSTM神经网络模组包括第一LSTM神经网络和第二LSTM神经网络，所述第一LSTM神经网络用于预测下一时刻的资源需求数值，所述第二LSTM神经网络用于预测资源需求变化趋势；[0099] 所述资源需求数值和所述资源需求变化趋势共同表征所述第二资源需求。[0100] 进一步地，所述第一LSTM神经网络的输入 为：[0101] , ;[0102] 其中， 代表所述资管区域的编号， 代表第 个所述资管区域的需求序列， 代表第 个所述资管区域的需求序列中第 个时刻的所述第一资源需求，第 个时刻为当前时刻;[0103] 所述第二LSTM神经网络的输入 为：[0104] ,;[0105] 其中， 为第 个所述资管区域的所述第一资源需求形成的历史序列中第段子序列的一元拟合函数的斜率， 为第 个所述资管区域的所述第一资源需求形成的历史序列中第 段子序列的一元拟合函数的截距， 为子序列的总数；[0106] 所述第一LSTM神经网络的输出 , 代表第 个所述资管区域的下一时刻的资源需求数值；[0107] 所述第二LSTM神经网络的输出 , 分别为第 个所述资管区域的下一子序列的一元拟合函数的斜率和截距；[0108] 所述第二资源需求的获取方法为：[0109] ;[0110] 其中， 代表第 个所述资管区域的所述第二资源需求, 代表变化时间且不大于所述子序列对应的时间长度。[0111] 因此，所述获取当前需要进行资源调配的待调配资管区域的方法为：[0112] 获取每个所述资管区域的融合资源需求：[0113] ；[0114] 其中，和 为权重， 为第 个所述资管区域的融合资源需求；[0115] 若 大于预设的需求阈值，则第 个所述资管区域为当前需要进行资源调配的待调配资管区域。需求阈值根据历史数据获取经验值进行设定。[0116] 本实施例基于当前实际的需求也就是第一资源需求和预测的第二资源需求共同确定需求情况，融合现实情况和未来情况，提升了前瞻性。而在进行预测的时候，第一LSTM神经网络针对相对长一点的序列进行参数数值预测，第二LSTM神经网络针对短一点的序列进行参数变化趋势拟合的预测，相当于对于全局和局部的特征都进行了提。嵘嗽げ獾淖既沸。[0117] 实施例3[0118] 本实施例基于实施例1的技术方案，主要对步骤S3做进一步说明。[0119] 作为本实施例的优选方案，述获取每个资管区域的关联资管区域的方法为：[0120] 获取每个所述资管区域截止当前时刻的连续N个时刻的第一资源需求形成的需求序列：[0121] , ;[0122] 其中， 代表所述资管区域的编号， 代表第 个所述资管区域的需求序列，其中的元素 代表第 个所述资管区域的需求序列中第 个时刻的所述第一资源需求，第 个时刻为当前时刻；[0123] 对每两个不同的所述资管区域进行以下操作：[0124] 获取所述资管区域的变化序列：[0125] ,[0126] ;[0127] ,[0128][0129] 其中， 为第 个所述资管区域的所述变化序列， 代表第个所述资管区域的需求序列中第 个时刻的所述第一资源需求, 代表第个所述资管区域的需求序列中第 个时刻的所述第一资源需求， 为第个所述资管区域的所述变化序列， 代表第 个所述资管区域的需求序列中第个时刻的所述第一资源需求, 代表第 个所述资管区域的需求序列中第个时刻的所述第一资源需求；[0130] 基于所述资管区域的变化序列获取相关评判参数进而获取所述关联资管区域。[0131] 在本实施例中，基于所述资管区域的变化序列获取相关评判参数的方法为：[0132] ;[0133] ,[0134] ;[0135] 其中， 和 代表第 个所述资管区域和第 个所述资管区域的两种所述相关评判参数， 代表求两个数列之间的相关系数的函数，代表 中第1到第 个元素， 代表 中第 到 个元素， 为代表步长的不小于1整数， 为迭代求和运算中的迭代次序， 为大于1的整数，max(.)为求最大值运算符，*为乘法运算符；[0136] 这里 即为滑动窗口式框选数据时滑动的总次数， 为0的时候 和均取完整数列，从 取1开始到 取 ，则逐渐从 的末端开始去掉数值且从 的前端开始去掉数值。 取的是多组相关对比的平均情况，则是取的是多组相关对比的最大关联情况。[0137] 若 大于预设的第一关系阈值，或 大于预设的第二关系阈值，则将第 个所述资管区域和第 个所述资管区域定义为关联资管区域。第一关系阈值和第二关系阈值均为经验参数，可以通过观测历史样本情况，直接获取判断到的大量关联度高的资管区域并计算他们的 和 ，就这些样本的情况去设置相应阈值。[0138] 本实施例通过数列之间的相似性来观测变化的关联性，为了考虑有些数列相似具有一定的延时性，在获取相关评判参数的时候设置了步长来进行时间滑动比较，这样不管是完全相似或者具有时间延后的相似都可以被考虑到。设置两种相关评判参数也是为了考虑有的延后较多，其他相关系数较。欢ㄊ奔浜笾睾隙忍乇鸶叩募饲榭，更全面考虑，提升获取相关区域的准确性。考虑了关联性的区域方便后续获取具体调配策略的时候针对区域之间的关系进行前瞻性调配。[0139] 实施例4[0140] 本实施例基于实施例1的技术方案，主要对步骤S4?S5做进一步说明。[0141] 作为本实施例的优选方案，基于所述待调配资管区域和待调配的资源建立资管区域待优化的所述目标函数为：[0142] 第 个所述资管区域的所述目标函数为：[0143] ；[0144] ;[0145] ;[0146] ;[0147] 其中， 、 、和 均代表所述资管区域的编号, ， 为所述资管区域的总数， 为调配距离需求系数， 为价格系数， 代表符号函数， 为物资从第个所述资管区域调配到第 个所述资管区域的用时， 为物资从第 个所述资管区域调配到第 个所述资管区域的单位价格， 为物资从第 个所述资管区域调配到第 个所述资管区域的数量， 和 分别为经验权重， 为第 个所述资管区域的融合资源需求， 代表第 个所述资管区域的分布密度评判参数， 和分别代表第 个所述资管区域到第 个所述资管区域的距离和第 个所述资管区域到第 个所述资管区域的距离。特别说明的是， 、 、和 均作为指代所述资管区域的编号的字母，不与前文的 、 和 等冲突。经验权重可以通过不同需求去调整，其设置下 小于1。[0148] 目标函数的目标在于时间成本和经济成本都最低的调配方案。并且为资源需求更大、周围地区距离综合都较远的区域分配更大的调配距离需求系数，对这种区域更注重时间成本。[0149] 进一步地，所述约束条件为：[0150] ；[0151] ;[0152] ；[0153] ；[0154] 其中， 为第 个所述资管区域的资源剩余量， 为物资从第个所述资管区域到第 个所述资管区域的数量， 依次取当前所有待调配资管区域的所述关联资管区域调配的编号。[0155] 以上约束的含义分别是：最终调配到某个需要资源的资管区域的资源总量不大于其融合资源需求且不小于融合资源需求的70%，既不浪费也不过少；而其他资管区域调配出去的量也需要进行一个限制，不能导致自身给出过多而自身资源不够；也要对总共调配资源的资管区域数量进行限制；同时，任意需要调配资源的资管区域的关联区域都不进行资源的调出。[0156] 在本实施例中，所述为对应的关联资管区域进行预调配的方法为：[0157] 基于所述目标函数和所述约束条件求解，得到所有 ;[0158] 为所述对应的关联资管区域调配资源的方案为，从所述融合资源需求小于预设源溢出阈值的所述资管区域中选取距离最近的资管区域进行调配：[0159] ， ；[0160] 其中， 代表预调配到第 个所述资管区域的物资总量，依次取当前所有待调配资管区域的所述关联资管区域调配的编号， 为比例系数。资源溢出阈值也为经验值，可以在历史样本找到多组资源溢出的情况进行相应计算获取。[0161] 此外，所述第二周期优选为所述第一周期的整数倍。[0162] 以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

专利地区：四川

专利申请日期：2024-07-19

专利公开日期：2024-09-24

专利公告号：2024-09-24