基于多Agent供應(yīng)鏈協(xié)同的自適應(yīng)協(xié)商方法

蔣國瑞，龐 婷

?

基于多Agent供應(yīng)鏈協(xié)同的自適應(yīng)協(xié)商方法

蔣國瑞，龐 婷

(北京工業(yè)大學(xué)經(jīng)濟(jì)與管理學(xué)院，北京 100124)

在供應(yīng)鏈協(xié)同過程中常出現(xiàn)價格、數(shù)量、交貨時間等沖突，若不及時消解會影響供應(yīng)鏈的整體利益。為有效化解供應(yīng)鏈協(xié)同沖突，彌補(bǔ)傳統(tǒng)協(xié)商缺點(diǎn)，提出一種基于多Agent的自適應(yīng)協(xié)商方法。該方法以二級供應(yīng)鏈，即制造商和供應(yīng)商的訂貨為研究對象，使用多Agent供應(yīng)鏈協(xié)同作為約束條件，采用案例推理為主要協(xié)商算法，引入灰色關(guān)聯(lián)度到案例集與目標(biāo)案例相似度中，將遺傳算法應(yīng)用于相似案例議題權(quán)重的優(yōu)化中。通過算例驗證該方法可簡化案例相似度的計算，提高解決沖突的效率，并加強(qiáng)自適應(yīng)性，為消解沖突提供最優(yōu)決策。

自適應(yīng)協(xié)商方法；多Agent；供應(yīng)鏈協(xié)同；灰色關(guān)聯(lián)度；案例推理；遺傳算法

1 概述

供應(yīng)鏈企業(yè)在價格、數(shù)量、交貨時間等方面難免產(chǎn)生沖突，消極的沖突阻礙著供應(yīng)鏈運(yùn)行效率的提高[1]，無法滿足目前動態(tài)變化市場的要求，造成成本增加、收益減少。為了既能有效解決沖突，又使企業(yè)在訂貨等環(huán)節(jié)達(dá)成雙贏，供應(yīng)鏈企業(yè)通常采用協(xié)商的方法。傳統(tǒng)方法依賴人工協(xié)商，其過程耗時長、成本高、難于及時達(dá)成雙方滿意的協(xié)議[2]。分布式Agent具有自治、交互、學(xué)習(xí)的特點(diǎn)，可解決供應(yīng)鏈復(fù)雜動態(tài)的問題[3]。許多學(xué)者將Agent用于供應(yīng)鏈協(xié)商中，例如在庫存資源約束的情況下，設(shè)計制造商Agent與多個下游企業(yè)Agent同時談判的框架[4]；建立基于Agent的供應(yīng)鏈協(xié)商框架，并描述協(xié)商Agent狀態(tài)信息[5]。為適應(yīng)變化的環(huán)境及對手，將自學(xué)習(xí)機(jī)制引入到協(xié)商中成為相關(guān)領(lǐng)域?qū)W者關(guān)注的問題。如采用強(qiáng)化學(xué)習(xí)方法生成提議，使用傳統(tǒng)Q-學(xué)習(xí)算法優(yōu)化協(xié)商效果[6]；建立基于人工免疫算法的多屬性談判模型，快速收斂于全局最優(yōu)解[7]；采用支持向量機(jī)學(xué)習(xí)估計協(xié)商對手的效用函數(shù)[8]。案例推理是利用類似的已有知識解決目前問題的自學(xué)習(xí)方法，在協(xié)商決策時借鑒以往經(jīng)驗可降低消解沖突難度[9]，已有許多研究將案例推理引入?yún)f(xié)商談判中[10-11]，有效解決沖突，優(yōu)化協(xié)同效果。

然而，目前對于供應(yīng)鏈協(xié)商方法缺乏深入研究，不能從實(shí)質(zhì)上有效化解供應(yīng)鏈沖突；對于自學(xué)習(xí)方法的協(xié)商研究缺乏根據(jù)對手行為變化和歷史信息動態(tài)調(diào)整自身策略，存在自適應(yīng)性差的缺點(diǎn)，同時缺少實(shí)際應(yīng)用；對于案例推理協(xié)商的研究，相似度單純依靠人工計算且方法復(fù)雜，使得協(xié)商時間和成本增加，且計算結(jié)果會出現(xiàn)多個滿足條件的相似案例，增加協(xié)商決策難度。

基于此，本文在供應(yīng)鏈協(xié)同方面，給出一種自適應(yīng)協(xié)商方法。采用灰色關(guān)聯(lián)系數(shù)[12]計算案例相似度，滿足供應(yīng)鏈動態(tài)復(fù)雜的要求且過程簡單，可縮短協(xié)商時間，快速化解沖突；同時利用遺傳算法的智能搜索機(jī)制[13]優(yōu)化案例議題的權(quán)重，增強(qiáng)自適應(yīng)性且彌補(bǔ)多個滿足條件案例的缺點(diǎn)，為解決沖突的協(xié)商決策提供最優(yōu)結(jié)果。

2 問題描述

為簡化問題及較好地闡述，以二級供應(yīng)鏈(供應(yīng)商和制造商)的訂貨沖突為研究對象。假定在某個交易中，制造商Agent向供應(yīng)商Agent提交了訂貨的訂單，雙方針對該訂單內(nèi)容產(chǎn)生沖突。雙方為達(dá)成都滿意的協(xié)議，開始進(jìn)行協(xié)同協(xié)商。

2.1 協(xié)商流程

供應(yīng)商Agent和制造商Agent具體的協(xié)同協(xié)商流程如圖1所示。當(dāng)供應(yīng)商Agent或制造商Agent接到對方提議后，對該提議進(jìn)行評估。如果滿足要求能夠接受，協(xié)商結(jié)束，否則該Agent在自己案例庫中按照給定的自適應(yīng)方法，檢索與對手提議相似的案例。如果檢索到，將此案例作為反提議交給對手，否則修正案例，再檢索滿足條件的相似案例，并作為反提議提出。接著對手Agent開始重復(fù)上面的流程，直至雙方都滿意，協(xié)商結(jié)束。

圖1 協(xié)同協(xié)商流程

2.2 主要參數(shù)設(shè)定

在基于多Agent供應(yīng)鏈協(xié)同的自適應(yīng)協(xié)商方法中，定義下列參數(shù)：

(1)設(shè)協(xié)商Agent集合為，={供應(yīng)商Agent, 制造商Agent}。

(4)設(shè)為協(xié)商的結(jié)果，={接受,拒絕}。

基于上述分析，用一個四元組來表示本協(xié)商模型，定義為={,,,}。

2.3 議題評估

設(shè)Agent有一個對對方提出議題的綜合評估值，表示為：

假定Agent接受對方的議題評估閾值為，當(dāng)≥，Agent接受對方的提議，達(dá)成協(xié)議，協(xié)商結(jié)束，否則檢索案例庫，提出反提議。

2.4 案例的表示

表1 案例的表示

3 基于灰色關(guān)聯(lián)度的案例相似度計算

以供應(yīng)商Agent為例，若對制造商Agent提出的議題值不滿意，便將制造商Agent提出的議題值看作目標(biāo)案例，進(jìn)而檢索自己的案例庫。設(shè)為供應(yīng)商Agent的案例庫中的案例集矩陣，共有個議題，個案例?？梢员硎境伞辆S的矩陣：

Step3定義為個案例兩極最大差，為最小差，分別表示如下：

其中，為分辨系數(shù)，∈[0,1]。

Step5定義為綜合灰色相似度，表示如下：

4 基于遺傳算法的案例議題權(quán)重優(yōu)化

若有多個相似案例時，使用遺傳算法繼續(xù)優(yōu)化這些相似案例的權(quán)重，縮小滿足條件案例的范圍，為決策提供最滿意的結(jié)果。以供應(yīng)商Agent為例，對權(quán)重優(yōu)化過程進(jìn)行描述。

4.1 編碼及適應(yīng)度函數(shù)

協(xié)商議題的數(shù)量為n，則每條染色體的長度為l=s×n，編碼方式如圖2所示。

4.2 遺傳算子

4.2.1 選擇

設(shè)群體規(guī)模為。首先將適應(yīng)度最高的個體保存下來，然后對其余的個體使用輪盤賭方法進(jìn)行－1次選擇操作。設(shè)每個個體的選擇概率p(=1,2,…,－1)，計算公式如下：

每次賦予個體一個隨機(jī)數(shù)∈[0,1]，若p－1<≤p，則選擇第個個體。

4.2.2 交叉

交叉操作采用雙點(diǎn)交叉方式，在相互配對的2條染色體中，隨機(jī)設(shè)置2個交叉點(diǎn)為1,2∈[1,]，設(shè)交叉概率為p，賦予交叉點(diǎn)之間的每個基因一個隨機(jī)數(shù)∈[0,1]，若u>p，則交換2個個體的基因，從而產(chǎn)生新染色體。具體操作示例如圖3所示，其中有短線標(biāo)識的基因滿足條件進(jìn)行交叉。

圖3 交叉操作

4.2.3 變異

變異操作與交叉相似，也賦予每個個體上的基因一個隨機(jī)數(shù)∈[0,1]，設(shè)定變異概率p，若u>p則取反，0變成1或1變成0，以此確定新個體。具體操作示例如圖4所示，其中，有短線標(biāo)識的基因滿足條件進(jìn)行變異。

圖4 變異操作

4.2.4 算法終止條件

5 協(xié)商方法步驟描述及算例

5.1 協(xié)商方法步驟描述

根據(jù)上述方法思路，描述整個協(xié)商步驟如下：

Step1設(shè)置各個參數(shù)值，一方Agent提出協(xié)商議題值集合。

Step2對手Agent按式(1)分析評估，若滿足≥，雙方達(dá)成協(xié)議，協(xié)商成功結(jié)束，轉(zhuǎn)入Step6；否則轉(zhuǎn)入Step3。

Step6輸出決策結(jié)果，并維護(hù)案例庫，挑選出很少能與Agent的議題匹配的案例，將其刪除，提高檢索案例的效率。

5.2 算例

(1)參數(shù)設(shè)定

2)設(shè)定供應(yīng)商Agent可以接受對方提議的綜合評估值閾值為6，制造商Agent為5。

3)其他相關(guān)參數(shù)設(shè)定如表2所示。

表2 其他參數(shù)值

表3 供應(yīng)商Agent的案例庫

表4 制造商Agent的案例庫

(2)協(xié)商過程

首先，使用一般相似度計算方法計算案例集與目標(biāo)案例的相似度，公式[14]定義為：

由上述協(xié)商過程及結(jié)果比較可看出，本文提出的協(xié)商方法具有以下優(yōu)點(diǎn)：(1)協(xié)商次數(shù)只有3輪，且灰色相似度計算過程簡單，可以縮短協(xié)商時間，提高解決供應(yīng)鏈協(xié)同沖突的效率；(2)若只采用灰色關(guān)聯(lián)度計算相似度，會有多個案例滿足條件，而利用遺傳算法優(yōu)化權(quán)重，最終只有一個案例滿足條件，可以增強(qiáng)適應(yīng)性，為化解沖突提供最優(yōu)決策。

6 結(jié)束語

供應(yīng)鏈企業(yè)在價格、數(shù)量、交貨時間等方面的沖突成為提升供應(yīng)鏈協(xié)同效率的障礙。為了有效地解決沖突，本文提出一種基于Agent供應(yīng)鏈訂貨-供貨協(xié)同協(xié)商方法。該方法利用灰色關(guān)聯(lián)度計算協(xié)商案例的相似度，使用遺傳算法繼續(xù)優(yōu)化議題的權(quán)重值。實(shí)驗結(jié)果表明，該方法可以減少協(xié)商次數(shù)，增強(qiáng)適應(yīng)性，提供最優(yōu)決策，從而快速化解訂貨沖突。下一步工作將建立基于Agent的供應(yīng)鏈訂貨-供貨協(xié)同框架，結(jié)合本文提出的自適應(yīng)協(xié)商方法，系統(tǒng)全面地研究供應(yīng)鏈協(xié)同過程，為進(jìn)一步優(yōu)化協(xié)同效果提供合理有效的方法。

[1] 張慶民, 吳士亮, 孫樹壘, 等. 沖突條件下供應(yīng)鏈庫存管理的協(xié)商模型[J]. 工業(yè)技術(shù)經(jīng)濟(jì), 2011, (1): 118-122.

[2] Calosso T, Cantamess M, Gualano M. Negotiation Support for Make-to-Order Operations in Business-to-Business Electronic Commerce[J]. Robotics and Computer-integrated Manu- facturing, 2004, 20(5): 405-416.

[3] Zarandi M H F, Pourakbar M, Turksen I B. A Fuzzy Agent- based Model for Reduction of Bullwhip Effect in Supply Chain Systems[J]. Expert Systems with Applications, 2008, 34(3): 1680-1691.

[4] 蔣國瑞, 王敬芝, 孫華梅, 等. 供應(yīng)鏈環(huán)境下基于庫存約束的多Agent協(xié)同談判研究[J]. 計算機(jī)應(yīng)用研究, 2008, 25(6): 1886-1889.

[5] Zi Wucheng, Luo Xinxing. A Negotiation Model of Supply Chain Based on Multi-Agent[C]//Proc. of the 2nd International Conference on Information and Computing Science. [S. l.]: IEEE Press, 2009: 228-231.

[6] Oliverira E, Rocha A P. Agents Advanced Features for Negotiation in Electronic Commerce and Virtual Organization Formation Process[C]//Proc. of European Agent Link Perspective on Agent Mediated Electronic Commerce. London, UK: Springer-Verlag, 2001.

[7] 蔣國瑞, 呂 星. 基于人工免疫算法的多屬性談判模型[J]. 計算機(jī)工程, 2012, 38(7): 139-141, 144.

[8] 程 昱, 高 濟(jì), 古茂華, 等. 基于機(jī)器學(xué)習(xí)的自動協(xié)商決策模型[J]. 軟件學(xué)報, 2009, 20(8): 2160-2169.

[9] Mclvor R T, Humphreys P K. A Case-based Reasoning Approach to the Make or Buy Decision[J]. Integrated Manufacturing Systems, 2000, 11(5): 295-310.

[10] 韓 雪, 馮玉強(qiáng). 基于案例推理的談判支持系統(tǒng)的研究[J]. 控制與決策, 2008, 23(7): 791-794.

[11]Stella H, Vicente B, Vicente J. Challenges for a Framework for Argumentation in Open MAS[J]. Knowledge Engineering Review, 2009, 24(4): 327-352.

[12] 劉思峰, 黨耀國, 方志耕, 等. 灰色系統(tǒng)理論及其應(yīng)用[M]. 5版. 北京: 科學(xué)出版社, 2010.

[13] Sim K M, Guo Yuanyuan, Shi Benyun. BLGAN: Bayesian Learning and Genetic Algorithm for Supporting Negotiation with Incomplete Information[J]. IEEE Transactions on Systems, Man and Cybernetics, Part B: Cybernetics, 2009, 39(1): 198-211.

[14] 唐 敏, 孟 波. 基于Agent和CBR的電子商務(wù)談判系統(tǒng)模型研究[J]. 計算機(jī)應(yīng)用研究, 2006, 23(3): 64-66, 69.

編輯 顧逸斐

Self-adaptive Negotiation Method Based on Multi-Agent Supply Chain Collaboration

JIANG Guo-rui, PANG Ting

(School of Economics and Management, Beijing University of Technology, Beijing 100124, China)

Conflicts like price, amount and delivery time often appear during collaboration of manufacture supply chain, if not eliminated in time, it will affect the whole interest of supply chain. To effectively resolve the conflict of supply chain collaboration and make up for shortcomings of traditional negotiation, this paper proposes a self-adaptive negotiation method based on multi-Agent. This method takes the order of two-echelon supply chain, manufacturer and supplier, as the research object, the multi-Agent supply chain collaboration as constraint condition and the case-based reasoning as the main negotiation algorithm. Gray correlation degree is introduced into the calculation process of similarity for case set and target case. Genetic algorithm is used to optimize the weights of similar case issues. A numerical example is designed to prove this method makes the calculation of case similarity simplified which improves the efficiency of conflict resolution, and strengthens the self-adaptability which provides optimal decision for conflict resolution.

self-adaptive negotiation method; multi-Agent; supply chain collaboration; gray correlation degree; case-based reasoning; genetic algorithm

1000-3428(2014)03-0188-05

A

TP391

國家自然科學(xué)基金資助項目(71071005, 70940005)。

蔣國瑞(1954－)，男，教授，主研方向：商務(wù)智能，管理信息系統(tǒng)；龐 婷，碩士研究生。

2013-04-12

2013-06-04 E-mail：jianggr@bjut.edu.cn

10.3969/j.issn.1000-3428.2014.03.039