开云优惠体育网页版入口

专利名称：基于IJS-SVM模型的供应链优化方法、装置及可读介质

专利类型：发明专利

专利申请号：CN202411180414.7

专利申请（专利权）人：华侨大学
权利人地址：福建省泉州市丰泽区城东城华北路269号

专利发明（设计）人：林熙隆,王佳斌,吕晟,邓凡

专利摘要：本发明公开了一种基于IJS?SVM模型的供应链优化方法、装置及可读介质，涉及数据处理领域，包括：构建三级供应链网络，并建立三级供应链网络的目标函数及其对应的约束条件；构建支持向量机模型，通过改进的水母搜索算法对支持向量机模型进行优化，得到优化后的支持向量机模型，对优化后的支持向量机模型进行训练，得到经训练的支持向量机模型；采用SHAP算法对经训练的支持向量机模型的输出结果进行解释，计算每个不确定因素特征的SHAP值以及每个不确定因素特征的权重值，根据每个不确定因素特征的权重值计算不确定性概率，基于不确定性概率求解目标函数在约束条件下的最优解，得到最优的供应链方案，解决供应链过程中的不确定性问题。

主权利要求：
1.一种基于IJS?SVM模型的供应链优化方法，其特征在于，包括以下步骤：
构建由多个制造工厂、多个仓库和多个装配现场组成的三级供应链网络，并建立所述三级供应链网络的目标函数及其对应的约束条件，所述三级供应链网络的目标函数为：其中，Z表示所述三级供应链网络的成本，W表示仓库的总数，w＝1，2，...，W，T表示一个周期内的时段总数，t＝1，2，...，T；N表示制造工厂的总数，n＝1，2，...，N；S表示装配现场的总数，s＝1，2，...，S；E表示产品的总数，e＝1，2，...，E；Fw表示建立第w个仓库的固定成本，Aw为1或0，如果第w个仓库建立，则Aw为1，否则Aw为0； 表示第n个制造工厂在第t个时段内生产设备第e个产品的单位生产成本， 表示在第t个时段内第s个装配现场向第n个制造工厂下发的订单中第e个产品的数量； 表示在第t个时段内第n个制造工厂至第w个仓库装运第e个产品的单位运输成本， 表示在不确定性因素影响下第e个产品在第t个时段由第n个制造工厂运至第w个仓库的运输量， 表示在第t个时段第w个仓库至第s个装配现场装运第e个产品的单位运输成本， 表示在不确定性因素影响下第e个产品在第t个时段由第w个仓库运至第s个装配现场的运输量， 表示第n个制造工厂在第t个时段内剩余产品的单位库存成本， 表示在第t个时段结束时第n个制造工厂无需装运至仓库的产品的剩余库存量， 表示第w个仓库在第t个时段内剩余产品的单位库存成本， 表示在第t个时段第w个仓库不需要交付产品的剩余库存量， 表示在第t个时段第s个装配现场没有按时交付产品的数量， 表示第s个装配现场在第t个时段内由于第e个产品供应不及时造成的成本，I表示工期延误的单位成本，t′表示工期延误的天数；
所述约束条件为：
生产环节：
物流仓库环节：
装配现场环节：
Tbp≤Tb；
其中， 表示任意， 表示在第t个时段第s个装配现场向第n个制造工厂下发的订单中第e个产品的数量，Ve表示第e个产品的单位体积， 为1或0，如果第e个产品在第t个时段由第n个制造工厂生产，则 为1，否则 为0；Vnt表示在第t个时段第n个制造工厂的总可用容量， 表示第n个制造工厂的生产第e个产品的设定时间，其平均值为表示在未考虑不确定性因素的情况下第e个产品在第t个时段由第n个制造工厂装运至第w个仓库的运输量， 表示在未考虑不确定性因素的情况下第e个产品在第t个时段由第w个仓库运至第s个装配现场的运输量， 表示第n个制造工厂能够并行生产第e个产品的数量， 表示第n个制造工厂的生产第e个产品的生产周期，其平均值为 f表示不确定性概率，tnt表示在第t个时段第n个制造工厂总可用时间，平均值为μtnt； 表示在第t个时段内第n个制造工厂交付产品的总量， 表示在第t?1个时段结束时第n个制造工厂无需装运至仓库的产品的剩余库存量， 表示在第t个时段结束时第n个制造工厂无需装运至仓库的产品的剩余库存量， 为1或0，在第t个时段如果车辆有将第e个产品从第n个制造工厂成功装运至第w个仓库的能力，则 为1，否则 为0；Gnw表示第n个制造工厂到第w个仓库的装运车辆容量，Se表示第e个产品的单位占地面积，S′wt表示第w个仓库在第t个时段剩余的堆货区面积，We表示第e个产品的重量，N′wt表示第w个仓库在第t个时段剩余的货架个数， 表示在第t?1个时段第w个仓库不需要交付产品的剩余库存量，表示在第t个时段第w个仓库不需要交付产品的剩余库存量，Ysw为1或0，如果第w个仓库为第s个装配现场提供了必要的产品设备，则Ysw为1，否则Ysw为0； 表示第s个装配现场在第t个时段内对第e个产品的装配数量， 表示第s个装配现场在第t个时段内对第e个产品的装配数量的标准差， 表示第s个装配现场在第t个时段内对第e个产品的装配数量的平均值，Gws表示从第w个仓库到第s个装配现场的装运车辆容量， 表示在第t?1个时段第s个装配现场没有按时交付产品的数量， 表示在第t个时段第s个装配现场没有按时交付产品的数量，Tb表示工程项目的基本规划周期，Tbp表示工程仿真完成所有任务需要的时间；
构建支持向量机模型，通过改进的水母搜索算法对支持向量机模型进行优化，得到优化后的支持向量机模型，具体包括：收集训练数据，所述训练数据中的输入数据为不确定性因素的特征，输出标签为0和1，其中，0表示产品推迟完成装配，1表示产品准时完成装配；
初始化所述支持向量机模型的惩罚系数c、所述支持向量机模型的核函数参数g、水母的种群大小Q、最大迭代次数M、自变量上限Ub和自变量下限Lb；
将初始化后的惩罚系数c和核函数参数g作为第k次迭代的支持向量机模型的参数开始以下迭代过程：水母通过时间控制机制在跟随洋流运动和自主游动之间切换；
在跟随洋流运动阶段，采用下式更新当前迭代的水母的位置：
其中， 为第i只水母在第k次迭代后的位置， 为第i只水母在第k+1次迭代后的位置， 为种群中的水母在第k次迭代后的最佳位置，β是分布系数，rand(0，1)表示0～
1之间的随机数，τ表示种群中所有水母的平均位置；
在自主游动阶段，若水母进行被动运动，采用下式更新当前迭代的水母的位置：
其中，γ是运动系数；
若水母进行主动运动，运动方向和位置更新公式如下：
其中， 表示运动方向， 是在第k次迭代后从种群中随机选择的一只水
母，fin(·)表示适应度函数；
通过时间控制机制调节水母的运动方式，控制函数公式为：
其中，C(k)是随迭代次数变化的位于[0,1]的随机值，M为最大迭代次数，C0是阈值常数，若C(k)≥C0，水母跟随洋流移动；否则，水母进行主动运动和被动运动；
引入Logistic混沌映射初始化水母的种群，如下式所示：
Xi+1＝ηXi(1?Xi)，0≤X0≤1；
其中，Xi为第i只水母的位置的混沌映射的值，X0为混沌映射的初始值，范围为[0,1]，且η＝4；
进一步引入柯西变异，则水母的位置的公式更新为：
其中，λ是柯西分布的尺度参数， 表示水母在第k次迭代中向某个方向移动的向量；
每次水母更新位置后引入反向学习策略，通过比较适应度函数值，选择更优解；水母的位置更新公式如下：其中， 和 分别表示第k次迭代后的位置的最小值和最大值，Xoppo表示第i只水母第k次迭代后的位置的反向解， 和fin(Xoppo)分别表示第i只水母第k次迭代后的位置及其反向解对应的适应度函数值；
将训练数据中的输入数据输入所述第k+1次迭代的支持向量机模型，预测得到输出结果，基于所述输出结果与训练数据中的分类标签计算第k+1次迭代的支持向量机模型的分类错误率，将所述第k+1次迭代的支持向量机模型的分类错误率作为第k+1次迭代后的水母的适应度函数值，分类错误率的公式如下：其中，nacc表示输出结果中与所述分类标签一致的样本数，ntotal表示训练数据中总样本数；
若第k+1次迭代后的水母的适应度函数值小于第k次迭代后的水母的适应度函数值，则将第k+1次迭代后的适应度函数值替换第k次迭代后的水母的适应度函数值，否则，继续使用第k次迭代后的水母的适应度函数值；
判断k+1是否满足最大迭代次数M，若满足则迭代结束，并将最后一次迭代的水母的适应度函数值作为最优的水母的适应度函数值，并确定所述最优的水母的适应度函数值所对应的所述支持向量机模型的惩罚系数c和所述支持向量机模型的核函数参数g，否则迭代次数加1，并重复以上迭代过程；
通过所述最优的水母的适应度函数值所对应的所述支持向量机模型的惩罚系数c和所述支持向量机模型的核函数参数g构建优化后的支持向量机模型；对优化后的支持向量机模型进行训练，得到经训练的支持向量机模型，所述经训练的支持向量机模型的输入数据为所述三级供应链网络的不确定因素特征，所述经训练的支持向量机模型的输出结果为对应产品推迟完成装配或产品准时完成装配的分类结果；
采用SHAP算法对所述经训练的支持向量机模型的输出结果进行解释，计算每个不确定因素特征的SHAP值；
根据每个不确定因素特征的SHAP值计算所述每个不确定因素特征的权重值，根据所述每个不确定因素特征的权重值计算不确定性概率，基于所述不确定性概率求解所述目标函数在所述约束条件下的最优解，得到最优的供应链方案。
2.根据权利要求1所述的基于IJS?SVM模型的供应链优化方法，其特征在于，采用SHAP算法对所述经训练的支持向量机模型的输出结果进行解释，计算每个不确定因素特征的SHAP值，具体包括：所述三级供应链网络的不确定因素特征p的SHAP值计算公式如下：
其中，Ω表示不包含所述三级供应链网络的不确定因素特征p的特征子集，O表示所有特征子集的集合，ε表示所述三级供应链网络的不确定因素特征的总数，“！”表示阶乘，ρ表示所述三级供应链网络的不确定因素特征p的索引，SHAP(Ω∪{ρ})表示将所述三级供应链网络的不确定因素特征p加入特征子集Ω后SHAP模型预测的值，SHAP(Ω)表示特征子集Ω对应的SHAP模型预测的值。
3.根据权利要求2所述的基于IJS?SVM模型的供应链优化方法，其特征在于，根据每个不确定因素特征的SHAP值计算所述每个不确定因素特征的权重值，根据所述每个不确定因素特征的权重值计算不确定性概率，具体包括：采用下式计算所述三级供应链网络的不确定因素特征p的权重值：
其中，P′ρ为归一化后的不确定因素特征p的权重值；
采用下式计算不确定性概率f：
其中，rρt表示不确定因素特征p在第t个时段发生的随机概率值。
4.根据权利要求1所述的基于IJS?SVM模型的供应链优化方法，其特征在于，基于所述不确定性概率求解所述目标函数在所述约束条件下的最优解，得到最优的供应链方案，具体包括：将不确定性概率代入所述约束条件中，得到已知不确定性概率情况下的约束条件，并求解所述目标函数在已知不确定性概率情况下的约束条件下的最优解，通过所述最优解得到最优的供应链方案。
5.一种基于IJS?SVM模型的供应链优化装置，其特征在于，包括：
供应链网络构建模块，被配置为构建由多个制造工厂、多个仓库和多个装配现场组成的三级供应链网络，并建立所述三级供应链网络的目标函数及其对应的约束条件，所述三级供应链网络的目标函数为：其中，Z表示所述三级供应链网络的成本，W表示仓库的总数，w＝1，2，...，W，T表示一个周期内的时段总数，t＝1，2，...，T；N表示制造工厂的总数，n＝1，2，...，N；S表示装配现场的总数，s＝1，2，...，S；E表示产品的总数，e＝1，2，...，E；Fw表示建立第w个仓库的固定成本，Aw为1或0，如果第w个仓库建立，则Aw为1，否则Aw为0； 表示第n个制造工厂在第t个时段内生产设备第e个产品的单位生产成本， 表示在第t个时段内第s个装配现场向第n个制造工厂下发的订单中第e个产品的数量； 表示在第t个时段内第n个制造工厂至第w个仓库装运第e个产品的单位运输成本， 表示在不确定性因素影响下第e个产品在第t个时段由第n个制造工厂运至第w个仓库的运输量， 表示在第t个时段第w个仓库至第s个装配现场装运第e个产品的单位运输成本， 表示在不确定性因素影响下第e个产品在第t个时段由第w个仓库运至第s个装配现场的运输量， 表示第n个制造工厂在第t个时段内剩余产品的单位库存成本， 表示在第t个时段结束时第n个制造工厂无需装运至仓库的产品的剩余库存量， 表示第w个仓库在第t个时段内剩余产品的单位库存成本， 表示在第t个时段第w个仓库不需要交付产品的剩余库存量， 表示在第t个时段第s个装配现场没有按时交付产品的数量， 表示第s个装配现场在第t个时段内由于第e个产品供应不及时造成的成本，I表示工期延误的单位成本，t′表示工期延误的天数；
所述约束条件为：
生产环节：
物流仓库环节：
装配现场环节：
Tbp≤Tb；
其中， 表示任意， 表示在第t个时段第s个装配现场向第n个制造工厂下发的订单中第e个产品的数量，Ve表示第e个产品的单位体积， 为1或0，如果第e个产品在第t个时段由第n个制造工厂生产，则 为1，否则 为0；Vnt表示在第t个时段第n个制造工厂的总可用容量， 表示第n个制造工厂的生产第e个产品的设定时间，其平均值为表示在未考虑不确定性因素的情况下第e个产品在第t个时段由第n个制造工厂装运至第w个仓库的运输量， 表示在未考虑不确定性因素的情况下第e个产品在第t个时段由第w个仓库运至第s个装配现场的运输量， 表示第n个制造工厂能够并行生产第e个产品的数量， 表示第n个制造工厂的生产第e个产品的生产周期，其平均值为 f表示不确定性概率，tnt表示在第t个时段第n个制造工厂总可用时间，平均值为μtnt； 表示在第t个时段内第n个制造工厂交付产品的总量， 表示在第t?1个时段结束时第n个制造工厂无需装运至仓库的产品的剩余库存量， 表示在第t个时段结束时第n个制造工厂无需装运至仓库的产品的剩余库存量， 为1或0，在第t个时段如果车辆有将第e个产品从第n个制造工厂成功装运至第w个仓库的能力，则 为1，否则 为0；Gnw表示第n个制造工厂到第w个仓库的装运车辆容量，Se表示第e个产品的单位占地面积，S′wt表示第w个仓库在第t个时段剩余的堆货区面积，We表示第e个产品的重量，N′wt表示第w个仓库在第t个时段剩余的货架个数， 表示在第t?1个时段第w个仓库不需要交付产品的剩余库存量，表示在第t个时段第w个仓库不需要交付产品的剩余库存量，Ysw为1或0，如果第w个仓库为第s个装配现场提供了必要的产品设备，则Ysw为1，否则Ysw为0； 表示第s个装配现场在第t个时段内对第e个产品的装配数量， 表示第s个装配现场在第t个时段内对第e个产品的装配数量的标准差， 表示第s个装配现场在第t个时段内对第e个产品的装配数量的平均值，Gws表示从第w个仓库到第s个装配现场的装运车辆容量， 表示在第t?1个时段第s个装配现场没有按时交付产品的数量， 表示在第t个时段第s个装配现场没有按时交付产品的数量，Tb表示工程项目的基本规划周期，Tbp表示工程仿真完成所有任务需要的时间；
模型构建模块，被配置为构建支持向量机模型，通过改进的水母搜索算法对支持向量机模型进行优化，得到优化后的支持向量机模型，具体包括：收集训练数据，所述训练数据中的输入数据为不确定性因素的特征，输出标签为0和1，其中，0表示产品推迟完成装配，1表示产品准时完成装配；
初始化所述支持向量机模型的惩罚系数c、所述支持向量机模型的核函数参数g、水母的种群大小Q、最大迭代次数M、自变量上限Ub和自变量下限Lb；
将初始化后的惩罚系数c和核函数参数g作为第k次迭代的支持向量机模型的参数开始以下迭代过程：水母通过时间控制机制在跟随洋流运动和自主游动之间切换；
在跟随洋流运动阶段，采用下式更新当前迭代的水母的位置：
其中， 为第i只水母在第k次迭代后的位置， 为第i只水母在第k+1次迭代后的位置， 为种群中的水母在第k次迭代后的最佳位置，β是分布系数，rand(0，1)表示0～
1之间的随机数，τ表示种群中所有水母的平均位置；
在自主游动阶段，若水母进行被动运动，采用下式更新当前迭代的水母的位置：
其中，γ是运动系数；
若水母进行主动运动，运动方向和位置更新公式如下：
其中， 表示运动方向， 是在第k次迭代后从种群中随机选择的一只水
母，fin(·)表示适应度函数；
通过时间控制机制调节水母的运动方式，控制函数公式为：
其中，C(k)是随迭代次数变化的位于[0,1]的随机值，M为最大迭代次数，C0是阈值常数，若C(k)≥C0，水母跟随洋流移动；否则，水母进行主动运动和被动运动；
引入Logistic混沌映射初始化水母的种群，如下式所示：
Xi+1＝ηXi(1?Xi)，0≤X0≤1；
其中，Xi为第i只水母的位置的混沌映射的值，X0为混沌映射的初始值，范围为[0,1]，且η＝4；
进一步引入柯西变异，则水母的位置的公式更新为：
其中，λ是柯西分布的尺度参数， 表示水母在第k次迭代中向某个方向移动的向量；
每次水母更新位置后引入反向学习策略，通过比较适应度函数值，选择更优解；水母的位置更新公式如下：其中， 和 分别表示第k次迭代后的位置的最小值和最大值，Xoppo表示第i只水母第k次迭代后的位置的反向解， 和fin(Xoppo)分别表示第i只水母第k次迭代后的位置及其反向解对应的适应度函数值；
将训练数据中的输入数据输入所述第k+1次迭代的支持向量机模型，预测得到输出结果，基于所述输出结果与训练数据中的分类标签计算第k+1次迭代的支持向量机模型的分类错误率，将所述第k+1次迭代的支持向量机模型的分类错误率作为第k+1次迭代后的水母的适应度函数值，分类错误率的公式如下：其中，nacc表示输出结果中与所述分类标签一致的样本数，ntotal表示训练数据中总样本数；
若第k+1次迭代后的水母的适应度函数值小于第k次迭代后的水母的适应度函数值，则将第k+1次迭代后的适应度函数值替换第k次迭代后的水母的适应度函数值，否则，继续使用第k次迭代后的水母的适应度函数值；
判断k+1是否满足最大迭代次数M，若满足则迭代结束，并将最后一次迭代的水母的适应度函数值作为最优的水母的适应度函数值，并确定所述最优的水母的适应度函数值所对应的所述支持向量机模型的惩罚系数c和所述支持向量机模型的核函数参数g，否则迭代次数加1，并重复以上迭代过程；
通过所述最优的水母的适应度函数值所对应的所述支持向量机模型的惩罚系数c和所述支持向量机模型的核函数参数g构建优化后的支持向量机模型；对优化后的支持向量机模型进行训练，得到经训练的支持向量机模型，所述经训练的支持向量机模型的输入数据为所述三级供应链网络的不确定因素特征，所述经训练的支持向量机模型的输出结果为对应产品推迟完成装配或产品准时完成装配的分类结果；
解释模块，被配置为采用SHAP算法对所述经训练的支持向量机模型的输出结果进行解释，计算每个不确定因素特征的SHAP值；
求解模块，被配置为根据每个不确定因素特征的SHAP值计算所述每个不确定因素特征的权重值，根据所述每个不确定因素特征的权重值计算不确定性概率，基于所述不确定性概率求解所述目标函数在所述约束条件下的最优解，得到最优的供应链方案。
6.一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1?4中任一所述的方法。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1?4中任一所述的方法。
8.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1?4中任一所述的方法。 说明书 : 基于IJS?SVM模型的供应链优化方法、装置及可读介质技术领域[0001] 本发明涉及数据处理领域，具体涉及一种基于IJS?SVM模型的供应链优化方法、装置及可读介质。背景技术[0002] 在当今全球化和竞争激烈的商业环境中，供应链管理已成为企业实现可持续发展的关键因素之一。然而，供应链的复杂性和不确定性与日俱增，已成为限制企业有效管理的主要挑战之一。供应链的不确定性包括多种因素，如市场需求波动、原材料供应中断、运输延误、政治原因和自然灾害等，这些都会对供应链的稳定性和效率产生深远影响。在这种情况下，仿真技术被广泛用于研究供应链管理，以帮助企业更好地理解和应对不确定性带来的挑战。仿真技术能够对复杂的供应链系统进行建模，并通过实验和分析评估不同决策方案的效果，为管理者提供决策支持和优化建议。仿真技术是评估特定链路参数的一种极具成本效益的方法，通常使用构建的数学模型，并结合研究不确定性的相关算法。利用仿真结果，管理人员可以优化供应链中每个环节的管理策略，以实现成本最小化和利润最大化。[0003] 然而，当前的仿真技术也存在一些局限性。例如，模型的准确性和复杂性受限于所用的数据质量和建模假设的合理性。此外，仿真结果的可解释性和操作性有时可能不足，导致实际应用时存在偏差。高计算成本和对专业知识的要求也使得一些企业在实施仿真技术时面临困难。发明内容[0004] 本申请的目的在于针对上述提到的技术问题提出一种基于IJS?SVM模型的供应链优化方法、装置及可读介质。[0005] 第一方面，本发明提供了一种基于IJS?SVM模型的供应链优化方法，包括以下步骤：[0006] 构建由多个制造工厂、多个仓库和多个装配现场组成的三级供应链网络，并建立三级供应链网络的目标函数及其对应的约束条件；[0007] 构建支持向量机模型，通过改进的水母搜索算法对支持向量机模型进行优化，得到优化后的支持向量机模型，对优化后的支持向量机模型进行训练，得到经训练的支持向量机模型，经训练的支持向量机模型的输入数据为三级供应链网络的不确定因素特征，经训练的支持向量机模型的输出结果为对应产品推迟完成装配或产品准时完成装配的分类结果；[0008] 采用SHAP算法对经训练的支持向量机模型的输出结果进行解释，计算每个不确定因素特征的SHAP值；[0009] 根据每个不确定因素特征的SHAP值计算每个不确定因素特征的权重值，根据每个不确定因素特征的权重值计算不确定性概率，基于不确定性概率求解目标函数在约束条件下的最优解，得到最优的供应链方案。[0010] 作为优。豆┯α赐绲哪勘旰：[0011] ；[0012] 其中，Z表示三级供应链网络的成本，W表示仓库的总数， ，T表示一个周期内的时段总数， ；N表示制造工厂的总数， ；S表示装配现场的总数， ；E表示产品的总数， ； 表示建立第w个仓库的固定成本， 为1或0，如果第w个仓库建立，则 为1，否则 为0； 表示第n个制造工厂在第t个时段内生产设备第e个产品的单位生产成本， 表示在第t个时段内第s个装配现场向第n个制造工厂下发的订单中产品的数量； 表示第n个制造工厂至第w个仓库的装运备第e个产品的单位运输成本， 表示在不确定性因素影响下第e个产品在第t个时段由第n个制造工厂运至第w个仓库的运输量， 表示在第t个时段第w个仓库至第s个装配现场装运第e个产品的单位运输成本， 表示在不确定性因素影响下第e个产品在第t个时段由第w个仓库运至第s个装配现场的运输量， 表示第n个制造工厂在第t个时段内剩余产品的单位库存成本， 表示在第t个时段结束时第n个制造工厂无需装运至仓库的产品的剩余库存量， 表示第w个仓库在第t个时段内剩余产品的单位库存成本， 表示在第t个时段第w个仓库不需要交付产品的剩余库存量，表示在第t个时段第s个装配现场没有按时交付产品的数量， 表示第s个装配现场在第t个时段内由于第e个产品供应不及时造成的成本，I表示工期延误的单位成本， 表示工期延误的天数；[0013] 约束条件为：[0014] 生产环节：[0015] ；[0016] ；[0017] ；[0018] ；[0019] 物流仓库环节：[0020] ；[0021] ；[0022] ；[0023] ；[0024] ；[0025] 装配现场环节：[0026] ；[0027] ；[0028] ；[0029] ；[0030] ；[0031] ；[0032] ；[0033] 其中， 表示在第t个时段第s个装配现场向第n个制造工厂下发的订单中第e个产品的数量， 表示第e个产品的单位体积， 为1或0，如果第e个产品在第t个时段由第n个制造工厂生产，则 为1，否则 为0； 表示在第t个时段第n个制造工厂的总可用容量， 表示第n个制造工厂的生产第e个产品的设定时间，其平均值为 ，标准差为 ； 表示在未考虑不确定性因素的情况下第e个产品在第t个时段由第n个制造工厂装运至第w个仓库的运输量， 表示在未考虑不确定性因素的情况下第e个产品在第t个时段由第w个仓库运至第s个装配现场的运输量， 表示第n个制造工厂能够并行生产第e个产品的数量， 表示第n个制造工厂的生产第e个产品的生产周期，其平均值为，标准差为 ；f表示不确定性概率， 表示在第t个时段第n个制造工厂总可用时间，平均值为 ，标准差为 ； 表示在第t个时段内第n个制造工厂交付产品的总量， 表示在第t?1个时段结束时第n个制造工厂无需装运至仓库的产品的剩余库存量， 表示在第t个时段结束时第n个制造工厂无需装运至仓库的产品的剩余库存量，为1或0，在第t个时段如果车辆有将第e个产品从第n个制造工厂成功装运至第w个仓库的能力，则 为1，否则 为0； 表示第n个制造工厂到第w个仓库的装运车辆容量， 表示第e个产品的单位占地面积， 表示第w个仓库在第t个时段剩余的堆货区面积， 表示第e个产品的重量， 表示第w个仓库在第t个时段剩余的货架个数，表示在第t?1个时段第w个仓库不需要交付产品的剩余库存量， 表示在第t个时段第w个仓库不需要交付产品的剩余库存量， 为1或0，如果第w个仓库为第s个装配现场提供了必要的产品设备，则 为1，否则 为0； 表示第s个装配现场在第t个时段内对第e个产品的装配数量， 表示第s个装配现场在第t个时段内对第e个产品的装配数量的标准差， 表示第s个装配现场在第t个时段内对第e个产品的装配数量的平均值， 表示从第w个仓库到第s个装配现场的装运车辆容量， 表示在第t?1个时段第s个装配现场没有按时交付产品的数量， 表示在第t个时段第s个装配现场没有按时交付产品的数量， 表示工程项目的基本规划周期， 表示工程仿真完成所有任务需要的时间。[0034] 作为优。ü慕乃杆阉魉惴ǘ灾С窒蛄炕Ｐ徒杏呕，得到优化后的支持向量机模型，具体包括：[0035] 收集训练数据，训练数据中的输入数据为不确定性因素的特征，输出标签为0和1，其中，0表示产品推迟完成装配，1表示产品准时完成装配；[0036] 初始化支持向量机模型的惩罚系数c、支持向量机模型的核函数参数g、水母的种群大小Q、最大迭代次数M、自变量上限Ub和自变量下限Lb；[0037] 将初始化后的惩罚系数c和核函数参数g作为第k次迭代的支持向量机模型的参数开始以下迭代过程：[0038] 水母通过时间控制机制在跟随洋流运动和自主游动之间切换；[0039] 在跟随洋流运动阶段，采用下式更新当前迭代的水母的位置：[0040] ；[0041] 其中， 为第i只水母在第k次迭代后的位置， 为第i只水母在第k+1次迭代后的位置， 为种群中的水母在第k次迭代后的最佳位置， 是分布系数，表示0 1之间的随机数， 表示种群中所有水母的平均位置；~[0042] 在自主游动阶段，若水母进行被动运动，采用下式更新当前迭代的水母的位置：[0043] ；[0044] 其中， 是运动系数；[0045] 若水母进行主动运动，运动方向和位置更新公式如下：[0046] ；[0047] ；[0048] 其中， 表示运动方向， 是在第k次迭代后从种群中随机选择的一只水母， 表示适应度函数；[0049] 通过时间控制机制调节水母的运动方式，控制函数公式为：[0050] ；[0051] 其中， 是随迭代次数变化的位于[0,1]的随机值，M为最大迭代次数， 是阈值常数，若 ，水母跟随洋流移动；否则，水母进行主动运动和被动运动；[0052] 引入Logistic混沌映射初始化水母的种群，如下式所示：[0053] ；[0054] 其中， 为第i只水母的位置的混沌映射的值， 为混沌映射的初始值，范围为[0,1]，且 ；[0055] 进一步引入柯西变异，则水母的位置的公式更新为：[0056] ；[0057] ；[0058] ；[0059] 其中， 是柯西分布的尺度参数， 表示水母在第k次迭代中向某个方向移动的向量；[0060] 每次水母更新位置后引入反向学习策略，通过比较适应度函数值，选择更优解；水母的位置更新公式如下：[0061] ；[0062] ；[0063] 其中， 和 分别表示第k次迭代后的位置的最小值和最大值，表示第i只水母第k次迭代后的位置的反向解， 和 分别表示第i只水母第k次迭代后的位置及其反向解对应的适应度函数值；[0064] 将训练数据中的输入数据输入第k+1次迭代的支持向量机模型，预测得到输出结果，基于输出结果与训练数据中的分类标签计算第k+1次迭代的支持向量机模型的分类错误率，将第k+1次迭代的支持向量机模型的分类错误率作为第k+1次迭代后的水母的适应度函数值，分类错误率的公式如下：[0065] ；[0066] 其中， 表示输出结果中与分类标签一致的样本数， 表示训练数据中总样本数；[0067] 若第k+1次迭代后的水母的适应度函数值小于第k次迭代后的水母的适应度函数值，则将第k+1次迭代后的适应度函数值替换第k次迭代后的水母的适应度函数值，否则，继续使用第k次迭代后的水母的适应度函数值；[0068] 判断k+1是否满足最大迭代次数M，若满足则迭代结束，并将最后一次迭代的水母的适应度函数值作为最优的水母的适应度函数值，并确定最优的水母的适应度函数值所对应的支持向量机模型的惩罚系数c和支持向量机模型的核函数参数g，否则迭代次数加1，并重复以上迭代过程；[0069] 通过最优的水母的适应度函数值所对应的支持向量机模型的惩罚系数c和支持向量机模型的核函数参数g构建优化后的支持向量机模型。[0070] 作为优。捎肧HAP算法对经训练的支持向量机模型的输出结果进行解释，计算每个不确定因素特征的SHAP值，具体包括：[0071] 三级供应链网络的不确定因素特征p的SHAP值计算公式如下：[0072] ；[0073] 其中， 表示不包含三级供应链网络的不确定因素特征p的特征子集，O表示所有特征子集的集合， 表示三级供应链网络的不确定因素特征的总数，“！”表示阶乘， 表示三级供应链网络的不确定因素特征p的索引， 表示将三级供应链网络的不确定因素特征p加入特征子集 后SHAP模型预测的值， 表示特征子集对应的SHAP模型预测的值。[0074] 作为优。菝扛霾蝗范ㄒ蛩靥卣鞯腟HAP值计算每个不确定因素特征的权重值，根据每个不确定因素特征的权重值计算不确定性概率，具体包括：[0075] 采用下式计算三级供应链网络的不确定因素特征p的权重值：[0076] ；[0077] 其中， 为归一化后的不确定因素特征p的权重值；[0078] 采用下式计算不确定性概率f：[0079] ；[0080] 其中， 表示不确定因素特征p在第t个时段发生的随机概率值。[0081] 作为优。诓蝗范ㄐ愿怕是蠼饽勘旰谠际跫下的最优解，得到最优的供应链方案，具体包括：[0082] 将不确定性概率代入约束条件中，得到已知不确定性概率情况下的约束条件，并求解目标函数在已知不确定性概率情况下的约束条件下的最优解，通过最优解得到最优的供应链方案。[0083] 第二方面，本发明提供了一种基于IJS?SVM模型的供应链优化装置，其特征在于，包括：[0084] 供应链网络构建模块，被配置为构建由多个制造工厂、多个仓库和多个装配现场组成的三级供应链网络，并建立三级供应链网络的目标函数及其对应的约束条件；[0085] 模型构建模块，被配置为构建支持向量机模型，通过改进的水母搜索算法对支持向量机模型进行优化，得到优化后的支持向量机模型，对优化后的支持向量机模型进行训练，得到经训练的支持向量机模型，经训练的支持向量机模型的输入数据为三级供应链网络的不确定因素特征，经训练的支持向量机模型的输出结果为对应产品推迟完成装配或产品准时完成装配的分类结果；[0086] 解释模块，被配置为采用SHAP算法对经训练的支持向量机模型的输出结果进行解释，计算每个不确定因素特征的SHAP值；[0087] 求解模块，被配置为根据每个不确定因素特征的SHAP值计算每个不确定因素特征的权重值，根据每个不确定因素特征的权重值计算不确定性概率，基于不确定性概率求解目标函数在约束条件下的最优解，得到最优的供应链方案。[0088] 第三方面，本发明提供了一种电子设备，包括一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。[0089] 第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。[0090] 第五方面，本发明提供了一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。[0091] 相比于现有技术，本发明具有以下有益效果：[0092] （1）本发明提出的基于IJS?SVM模型的供应链优化方法在经典水母搜索算法的基础上，结合了Logistic混沌映射策略、柯西变异策略和反向学习策略，得到改进的水母搜索算法，以提高求解速度并避免局部收敛。[0093] （2）本发明提出的基于IJS?SVM模型的供应链优化方法通过改进的水母搜索算法对支持向量机模型进行优化，确定最优的惩罚系数c和核函数参数g，并对优化后的支持向量机模型进行训练，得到经训练后的支持向量机模型，该训练后的支持向量机模型能够对不确定性因素特征进行分类，得到对应产品推迟完成装配或产品准时完成装配的分类结果。[0094] （3）本发明提出的基于IJS?SVM模型的供应链优化方法通过SHAP解释方法，分析三级供应链各环节的不确定性因素特征及其影响，得到这些不确定性因素特征的权重值。根据权重值计算不确定性概率，并将其代入约束条件中，求解目标函数在约束条件下的最优解，从而获得最优的供应链方案，能够有效解决供应链过程中的不确定性问题，具有较高的实际应用价值。附图说明[0095] 为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，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，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。[0096] 图1为本申请的实施例的基于IJS?SVM模型的供应链优化方法的流程示意图；[0097] 图2为本申请的实施例的基于IJS?SVM模型的供应链优化方法的三级供应链网络的示意图；[0098] 图3为本申请的实施例的基于IJS?SVM模型的供应链优化方法的IJS?SVM模型的流程示意图；[0099] 图4为本申请的实施例的基于IJS?SVM模型的供应链优化装置的示意图；[0100] 图5为本发明实施例提供的电子设备的硬件结构示意图。具体实施方式[0101] 为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围。[0102] 图1示出了本申请的实施例提供的一种基于IJS?SVM模型的供应链优化方法，包括以下步骤：[0103] S1，构建由多个制造工厂、多个仓库和多个装配现场组成的三级供应链网络，并建立三级供应链网络的目标函数及其对应的约束条件。[0104] 在具体的实施例中，三级供应链网络的目标函数为：[0105] ；[0106] 其中，Z表示三级供应链网络的成本，W表示仓库的总数， ，T表示一个周期内的时段总数， ；N表示制造工厂的总数， ；S表示装配现场的总数， ；E表示产品的总数， ； 表示建立第w个仓库的固定成本， 为1或0，如果第w个仓库建立，则 为1，否则 为0； 表示第n个制造工厂在第t个时段内生产设备第e个产品的单位生产成本， 表示在第t个时段内第s个装配现场向第n个制造工厂下发的订单中产品的数量； 表示第n个制造工厂至第w个仓库的装运备第e个产品的单位运输成本， 表示在不确定性因素影响下第e个产品在第t个时段由第n个制造工厂运至第w个仓库的运输量， 表示在第t个时段第w个仓库至第s个装配现场装运第e个产品的单位运输成本， 表示在不确定性因素影响下第e个产品在第t个时段由第w个仓库运至第s个装配现场的运输量， 表示第n个制造工厂在第t个时段内剩余产品的单位库存成本， 表示在第t个时段结束时第n个制造工厂无需装运至仓库的产品的剩余库存量， 表示第w个仓库在第t个时段内剩余产品的单位库存成本， 表示在第t个时段第w个仓库不需要交付产品的剩余库存量，表示在第t个时段第s个装配现场没有按时交付产品的数量， 表示第s个装配现场在第t个时段内由于第e个产品供应不及时造成的成本，I表示工期延误的单位成本， 表示工期延误的天数；[0107] 约束条件为：[0108] 生产环节：[0109] ；[0110] ；[0111] ；[0112] ；[0113] 物流仓库环节：[0114] ；[0115] ；[0116] ；[0117] ；[0118] ；[0119] 装配现场环节：[0120] ；[0121] ；[0122] ；[0123] ；[0124] ；[0125] ；[0126] ；[0127] 其中， 表示在第t个时段第s个装配现场向第n个制造工厂下发的订单中第e个产品的数量， 表示第e个产品的单位体积， 为1或0，如果第e个产品在第t个时段由第n个制造工厂生产，则 为1，否则 为0； 表示在第t个时段第n个制造工厂的总可用容量， 表示第n个制造工厂的生产第e个产品的设定时间，其平均值为 ，标准差为 ； 表示在未考虑不确定性因素的情况下第e个产品在第t个时段由第n个制造工厂装运至第w个仓库的运输量， 表示在未考虑不确定性因素的情况下第e个产品在第t个时段由第w个仓库运至第s个装配现场的运输量， 表示第n个制造工厂能够并行生产第e个产品的数量， 表示第n个制造工厂的生产第e个产品的生产周期，其平均值为，标准差为 ；f表示不确定性概率， 表示在第t个时段第n个制造工厂总可用时间，平均值为 ，标准差为 ； 表示在第t个时段内第n个制造工厂交付产品的总量， 表示在第t?1个时段结束时第n个制造工厂无需装运至仓库的产品的剩余库存量， 表示在第t个时段结束时第n个制造工厂无需装运至仓库的产品的剩余库存量，为1或0，在第t个时段如果车辆有将第e个产品从第n个制造工厂成功装运至第w个仓库的能力，则 为1，否则 为0； 表示第n个制造工厂到第w个仓库的装运车辆容量， 表示第e个产品的单位占地面积， 表示第w个仓库在第t个时段剩余的堆货区面积， 表示第e个产品的重量， 表示第w个仓库在第t个时段剩余的货架个数，表示在第t?1个时段第w个仓库不需要交付产品的剩余库存量， 表示在第t个时段第w个仓库不需要交付产品的剩余库存量， 为1或0，如果第w个仓库为第s个装配现场提供了必要的产品设备，则 为1，否则 为0； 表示第s个装配现场在第t个时段内对第e个产品的装配数量， 表示第s个装配现场在第t个时段内对第e个产品的装配数量的标准差， 表示第s个装配现场在第t个时段内对第e个产品的装配数量的平均值， 表示从第w个仓库到第s个装配现场的装运车辆容量， 表示在第t?1个时段第s个装配现场没有按时交付产品的数量， 表示在第t个时段第s个装配现场没有按时交付产品的数量， 表示工程项目的基本规划周期， 表示工程仿真完成所有任务需要的时间。[0128] 具体的，参考图2，构建一个由多个制造工厂、多个仓库和多个装配现场组成的多产品、多阶段的三级供应链网络，并建立该三级供应链网络的目标函数和约束条件。本申请的实施例的目标函数是最小化整个供应链的成本。该成本综合考虑了多个成本因素，包括仓库建设的固定成本、生产成本、运输成本、制造工厂和仓库的库存持有成本，以及因未能及时满足装配现场需求而产生的缺货成本和其他运营成本。为了考虑这些成本，需要建立一个系统仿真模型，即三级供应链网络该模型，该模型通过一系列约束条件确保供应链的可行性和效率。[0129] 约束条件包括：限制制造工厂的生产能力和生产时间；规定制造工厂的交付数量和库存水平；确保从制造工厂到仓库的运输量不超过车辆的容量限制；限制运输到装配现场的产品数量；规定不同时间段仓库的库存水平；确保不止一个仓库能够为一个装配现场提供服务。此外，确保装配现场在任意时间段内的设备需求不超过服务于该现场的仓库总容量；限制特定时间段内分配给每个装配现场的产品数量不超过其需求量。描述了不同时间段内向仓库和装配现场交付的实际产品数量，及其与设备缺货量之间的关系。最后，确保整个工程在基本规划周期内完成，以避免因工期延长而产生的额外成本。[0130] S2，构建支持向量机模型，通过改进的水母搜索算法对支持向量机模型进行优化，得到优化后的支持向量机模型，对优化后的支持向量机模型进行训练，得到经训练的支持向量机模型，经训练的支持向量机模型的输入数据为三级供应链网络的不确定因素特征，经训练的支持向量机模型的输出结果为对应产品推迟完成装配或产品准时完成装配的分类结果。[0131] 在具体的实施例中，通过改进的水母搜索算法对支持向量机模型进行优化，得到优化后的支持向量机模型，具体包括：[0132] 收集训练数据，训练数据中的输入数据为不确定性因素的特征，输出标签为0和1，其中，0表示产品推迟完成装配，1表示产品准时完成装配；[0133] 初始化支持向量机模型的惩罚系数c、支持向量机模型的核函数参数g、水母的种群大小Q、最大迭代次数M、自变量上限Ub和自变量下限Lb；[0134] 将初始化后的惩罚系数c和核函数参数g作为第k次迭代的支持向量机模型的参数开始以下迭代过程：[0135] 水母通过时间控制机制在跟随洋流运动和自主游动之间切换；[0136] 在跟随洋流运动阶段，采用下式更新当前迭代的水母的位置：[0137] ；[0138] 其中， 为第i只水母在第k次迭代后的位置， 为第i只水母在第k+1次迭代后的位置， 为种群中的水母在第k次迭代后的最佳位置， 是分布系数，表示0 1之间的随机数， 表示种群中所有水母的平均位置；~[0139] 在自主游动阶段，若水母进行被动运动，采用下式更新当前迭代的水母的位置：[0140] ；[0141] 其中， 是运动系数；[0142] 若水母进行主动运动，运动方向和位置更新公式如下：[0143] ；[0144] ；[0145] 其中， 表示运动方向， 是在第k次迭代后从种群中随机选择的一只水母， 表示适应度函数；[0146] 通过时间控制机制调节水母的运动方式，控制函数公式为：[0147] ；[0148] 其中， 是随迭代次数变化的位于[0,1]的随机值，M为最大迭代次数， 是阈值常数，若 ，水母跟随洋流移动；否则，水母进行主动运动和被动运动；[0149] 引入Logistic混沌映射初始化水母的种群，如下式所示：[0150] ；[0151] 其中， 为第i只水母的位置的混沌映射的值， 为混沌映射的初始值，范围为[0,1]，且 ；[0152] 进一步引入柯西变异，则水母的位置的公式更新为：[0153] ；[0154] ；[0155] ；[0156] 其中， 是柯西分布的尺度参数， 表示水母在第k次迭代中向某个方向移动的向量；[0157] 每次水母更新位置后引入反向学习策略，通过比较适应度函数值，选择更优解；水母的位置更新公式如下：[0158] ；[0159] ；[0160] 其中， 和 分别表示第k次迭代后的位置的最小值和最大值，表示第i只水母第k次迭代后的位置的反向解， 和 分别表示第i只水母第k次迭代后的位置及其反向解对应的适应度函数值；[0161] 将训练数据中的输入数据输入第k+1次迭代的支持向量机模型，预测得到输出结果，基于输出结果与训练数据中的分类标签计算第k+1次迭代的支持向量机模型的分类错误率，将第k+1次迭代的支持向量机模型的分类错误率作为第k+1次迭代后的水母的适应度函数值，分类错误率的公式如下：[0162] ；[0163] 其中， 表示输出结果中与分类标签一致的样本数， 表示训练数据中总样本数；[0164] 若第k+1次迭代后的水母的适应度函数值小于第k次迭代后的水母的适应度函数值，则将第k+1次迭代后的适应度函数值替换第k次迭代后的水母的适应度函数值，否则，继续使用第k次迭代后的水母的适应度函数值；[0165] 判断k+1是否满足最大迭代次数M，若满足则迭代结束，并将最后一次迭代的水母的适应度函数值作为最优的水母的适应度函数值，并确定最优的水母的适应度函数值所对应的支持向量机模型的惩罚系数c和支持向量机模型的核函数参数g，否则迭代次数加1，并重复以上迭代过程；[0166] 通过最优的水母的适应度函数值所对应的支持向量机模型的惩罚系数c和支持向量机模型的核函数参数g构建优化后的支持向量机模型。[0167] 具体的，本申请的实施例采用基于改进的水母搜索算法优化的支持向量机来量化不确定性因素，从而实现供应链成本的优化。水母搜索算法（JS算法）通过模拟水母在海洋中运动和洋流作用形成水母潮的现象，确定其最佳位置。该算法假设如下：[0168] 1.水母通过时间控制机制在跟随洋流和自主游动之间切换。[0169] 2.水母被食物丰富的位置吸引。[0170] 3.水母找到的食物数量由位置和适应度函数值决定。[0171] 在跟随洋流运动阶段，水母被洋流中的营养物质吸引，洋流方向通过每个水母到当前最佳位置的平均矢量确定。一段时间后，水母的种群逐渐形成，个体水母围绕自身位置进行游动（被动运动），其位置更新公式中的 与运动长度有关，经实验分析得到 。同时，水母会朝着有更多食物的同伴靠近（主动运动）。[0172] 随着水母朝洋流方向移动，水母的种群逐渐形成。水母首先进行被动运动，随后随着时间推移，水母朝食物较多的地方移动（主动运动）。通过时间控制机制调节水母的运动方式，控制函数公式中 。[0173] 在水母搜索算法中引入Logistic混沌映射初始化水母的种群。为防止水母搜索算法陷入局部最优解，引入柯西变异和反向学习策略。其中，柯西变异的作用是扩大搜索空间，增强种群跳出局部最优解的能力；每次水母更新位置后引入反向学习策略，通过比较适应度函数值，选择更优解。[0174] 支持向量机（SVM）模型是一种常用的分类模型，其主要思想是找到一个决策边界（通常是一个超平面），最大化两个类别之间的间隔，使得距离该平面最近的样本点到该平面的距离最远。[0175] 基于IJS原理过程可以发现，惩罚系数c和核函数参数g对样本数据的分类结果有着较大的影响，鉴于改进水母搜索算法的收敛速度快，寻找最优解准确的特点，将其来优化支持向量机模型的惩罚系数c和核函数参数g，通过IJS算法优化来的这两个最优参数构建SVM模型，得到IJS?SVM模型，进而通过SHAP值来定量衡量供应链不确定性因素的重要程度，并将这些权重归一化后的结果输入到三级供应链网络中去，以接近真实仿真环境。当初始化后的惩罚系数c和核函数参数g作为第k次迭代的支持向量机模型的参数，此时对应的第k次迭代后的适应度函数值为1。[0176] S3，采用SHAP算法对经训练的支持向量机模型的输出结果进行解释，计算每个不确定因素特征的SHAP值。[0177] 在具体的实施例中，步骤S3具体包括：[0178] 三级供应链网络的不确定因素特征p的SHAP值计算公式如下：[0179] ；[0180] 其中， 表示不包含三级供应链网络的不确定因素特征p的特征子集，O表示所有特征子集的集合， 表示三级供应链网络的不确定因素特征的总数，“！”表示阶乘， 表示三级供应链网络的不确定因素特征p的索引， 表示将三级供应链网络的不确定因素特征p加入特征子集 后SHAP模型预测的值， 表示特征子集对应的SHAP模型预测的值。[0181] 具体的，SHAP（ShapleyAdditiveExplanations）算法是一种用来解释机器学习模型的方法，可以用它来衡量每个特征的贡献程度。[0182] S4，根据每个不确定因素特征的SHAP值计算每个不确定因素特征的权重值，根据每个不确定因素特征的权重值计算不确定性概率，基于不确定性概率求解目标函数在约束条件下的最优解，得到最优的供应链方案。[0183] 在具体的实施例中，根据每个不确定因素特征的SHAP值计算每个不确定因素特征的权重值，根据每个不确定因素特征的权重值计算不确定性概率，具体包括：[0184] 采用下式计算三级供应链网络的不确定因素特征p的权重值：[0185] ；[0186] 其中， 为归一化后的不确定因素特征p的权重值；[0187] 采用下式计算不确定性概率f：[0188] ；[0189] 其中， 表示不确定因素特征p在第t个时段发生的随机概率值。[0190] 具体的，将不确定性因素特征的权重值带入到不确定性概率的计算公式中，可以得到供应链不确定性因素发生的概率，即不确定性概率，进而影响整个供应链过程。[0191] 在具体的实施例中，基于不确定性概率求解目标函数在约束条件下的最优解，得到最优的供应链方案，具体包括：[0192] 将不确定性概率代入约束条件中，得到已知不确定性概率情况下的约束条件，并求解目标函数在已知不确定性概率情况下的约束条件下的最优解，通过最优解得到最优的供应链方案。[0193] 具体的，参考图3，改进的水母搜索算法优化支持向量机的步骤如下：[0194] Step1：获取需求变动、天气情况、生产环节、运输距离、交通情况和其他因素作为训练数据中的不确定性因素特征，训练数据中的进度作为分类标签，其中，分类标签为0（推迟完成装配）和1（准时完成装配），以区分不同的装配结果。[0195] Step2：在训练数据中选择训练集和测试集，本申请的实施例使用10折交叉验证对训练数据进行处理。[0196] Step3：初始化SVM模型的参数(c,g)、水母的种群大小Q、最大迭代次数M、自变量上限Ub和自变量下限Lb。[0197] Step4：采用以上方式更新水母的位置。[0198] Step5：计算适应度函数值，将分类的错误率作为适应度函数值。如果当前水母的适应度函数值小于保存的适应度函数值，则用当前水母的适应度函数值替换原来保存的适应度函数值，否则，再使用原来的适应度函数值，并记录下此时最优的适应度函数值对应的参数(c,g)，该步骤一直执行，直到迭代结束或者满足结束条件。[0199] Step6：使用最优的参数(c,g)来构建优化后的SVM模型。[0200] Step7：通过优化后的SVM模型对训练数据进行训练，得到经训练的SVM模型，利用SHAP算法解释经训练的SVM模型，获得每个不确定性因素特征的SHAP值，将进行归一化，得到供应链的不确定性因素特征的权重值。[0201] Step8：根据不确定性因素特征的权重值计算不确定性概率，并将其代入约束条件中，求解目标函数的公式在约束条件下的最优解，从而获得最优的供应链方案。[0202] 本申请的实施例提出的基于IJS?SVM模型的供应链优化方法在仿真技术领域具有显著优势，成功克服了上述问题。首先，本申请的实施例显著提升了模型的准确性和可靠性。其次，仿真结果的可解释性和实用性得到了大幅改善，使管理人员能够更直观地理解和应用这些结果。进一步地，本申请的实施例优化了计算效率，降低了实施成本，使得更多企业能够负：陀τ谜庖患际。此外，本申请的实施例还简化了操作流程，即使是缺乏专业知识的用户也能轻松上手，全面提高了技术的普及性。[0203] 利用仿真结果，管理人员可以优化供应链中每个环节的管理策略，以实现成本最小化和利润最大化。通过本申请的实施例的仿真技术，企业能够更加有效地应对供应链管理中的挑战，提升整体运营效率，确保在竞争激烈的市场中保持领先地位。[0204] 进一步参考图4，作为对上述各图所示方法的实现，本申请提供了一种基于IJS?SVM模型的供应链优化装置的一个实施例，该装置实施例与图1所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。[0205] 本申请实施例提供了一种基于IJS?SVM模型的供应链优化装置，包括：[0206] 供应链网络构建模块1，被配置为构建由多个制造工厂、多个仓库和多个装配现场组成的三级供应链网络，并建立三级供应链网络的目标函数及其对应的约束条件；[0207] 模型构建模块2，被配置为构建支持向量机模型，通过改进的水母搜索算法对支持向量机模型进行优化，得到优化后的支持向量机模型，对优化后的支持向量机模型进行训练，得到经训练的支持向量机模型，经训练的支持向量机模型的输入数据为三级供应链网络的不确定因素特征，经训练的支持向量机模型的输出结果为对应产品推迟完成装配或产品准时完成装配的分类结果；[0208] 解释模块3，被配置为采用SHAP算法对经训练的支持向量机模型的输出结果进行解释，计算每个不确定因素特征的SHAP值；[0209] 求解模块4，被配置为根据每个不确定因素特征的SHAP值计算每个不确定因素特征的权重值，根据每个不确定因素特征的权重值计算不确定性概率，基于不确定性概率求解目标函数在约束条件下的最优解，得到最优的供应链方案。[0210] 图5为本发明实施例提供的电子设备的硬件结构示意图。如图5所示，本实施例的电子设备包括：处理器501以及存储器502；其中存储器502，用于存储计算机执行指令；处理器501，用于执行存储器存储的计算机执行指令，以实现上述实施例中电子设备所执行的各个步骤。具体可以参见前述方法实施例中的相关描述。[0211] 可选地，存储器502既可以是独立的，也可以跟处理器501集成在一起。[0212] 当存储器502独立设置时，该电子设备还包括总线503，用于连接存储器502和处理器501。[0213] 本发明实施例还提供一种计算机存储介质，计算机存储介质中存储有计算机执行指令，当处理器501执行计算机执行指令时，实现如上的方法。[0214] 本发明实施例还提供一种计算机程序产品，包括计算机程序，计算机程序被处理器501执行时，实现如上的方法。[0215] 在本发明所提供的实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。[0216] 作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案。[0217] 另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个单元中。上述模块成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。[0218] 上述以软件功能模块的形式实现的集成的模块，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器501执行本申请各个实施例方法的部分步骤。[0219] 应理解，上述处理器501可以是中央处理单元(CentralProcessingUnit，简称CPU)，还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor，简称DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，简称ASIC)等。通用处理器可以是微处理器或者该处理器501也可以是任何常规的处理器501等。结合发明所公开的方法的步骤可以直接体现为硬件的处理器501执行完成，或者用处理器501中的硬件及软件模块组合执行完成。[0220] 存储器502可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器，还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。[0221] 总线503可以是工业标准体系结构(IndustryStandardArchitecture，简称ISA)、外部设备互连(PeripheralComponentInterconnect，简称PCI)总线或扩展工业标准体系结构(ExtendedIndustryStandardArchitecture，简称EISA)总线等。总线503可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线503并不限定仅有一根总线503或一种类型的总线503。[0222] 上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。[0223] 一种示例性的存储介质耦合至处理器501，从而使处理器501能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器501的组成部分。处理器501和存储介质可以位于专用集成电路(ApplicationSpecificIntegratedCircuits，简称ASIC)中。当然，处理器501和存储介质也可以作为分立组件存在于电子设备或主控设备中。[0224] 本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。[0225] 最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

专利地区：福建

专利申请日期：2024-08-27

专利公开日期：2024-11-29

专利公告号：CN118709859B