基于工業互聯網的農機供應鏈多邊匹配問題研究*

孫道賀，楊欣，魏津瑜

(1. 天津理工大學中環信息學院，天津市，300380； 2. 新智航大數據科技(天津)有限公司，天津市，300201；3. 天津市漢拓計算機技術研究所，天津市，300462； 4. 天津理工大學管理學院，天津市，300384)

0 引言

作為農業現代化發展的重要支撐，農機制造水平的高低至關重要[1]。隨著我國制造業的信息化水平不斷提升，工業互聯網作為一種將各類資源及其數據相連接，進而實現供應鏈各類資源或資源擁有者智能流動和交互的平臺將對制造業產生深遠影響，會引發制造業特別是農機制造業的重大變革[2-4]。孟祥曦等[5]認為工業互聯網會改變制造業的信息交互及資源配置方式，重塑運作流程及資金流轉模式。隨著相關研究的不斷深入，部分學者將工業互聯網拓展至供應鏈領域。黃輝等[6]提出工業互聯網下的供應鏈是以云計算、物聯網和大數據等先進信息技術為支撐，更加柔性、開放、自主的網絡型供應鏈，鏈上企業可共享數據，為供應鏈上各主體合作共贏提供保障。同時，亦有學者分別從供應鏈調度[7]、平臺管控以及供應鏈網絡[8]等方面對工業互聯網的實施進行了分析研究。事實上，在工業互聯網模式下，供應鏈的各類軟硬件資源經過虛擬化均可形成數據化資源[9]，對數據化資源的高效配置是提升供應鏈響應速度和服務質量的有效方式[10-11]。因此，本文認為，工業互聯網的實施必將對農機制造領域產生深遠的影響。近些年，隨著制造企業對工業互聯網綠色化、可持續性的不斷重視，在資源配置過程中，服務及服務組合的能耗量受到了企業的廣泛關注。一些學者針對工業互聯網模式下的制造企業制造資源能耗度量問題進行了研究。向峰等[12]提出了工業云平臺資源服務能耗綜合評估框架和能耗計算模型。Singh等[13]應用云計算集成系統對牛肉供應鏈的碳排放測量及減排問題進行研究。Xing等[14]提出了基于云的生命周期評估平臺，用于供應鏈協作的環境足跡評估。但并未關注供應鏈多主體間的利益訴求和數據資源勢位對資源配置產生的影響，不僅如此，針對農機供應鏈的綠色化資源配置未見研究。

通過對已有文獻進行梳理發現，首先，現有研究多從系統利潤、服務質量或服務成本視角進行分析，忽略了對服務或者服務組合能耗的關注。其次，作為未來制造型供應鏈發展的重要方向，工業互聯網模式在農機供應鏈中的應用無疑前景廣闊，但工業互聯網模式下的農機供應鏈能否向可持續、綠色方向發展是該模式能否長期存在的關鍵。然而以往研究未關注供應鏈上多個主體的利益訴求，作為一個典型的多邊匹配問題，在工業互聯網平臺的農機制造任務分配過程中需要綜合考慮需求方的利益訴求、服務提供方的市場定位以及平臺方的綠色訴求。最后，工業互聯網平臺在資源匹配過程中具有重復性、動態性等特征，這就意味著多次執行相同或相似的任務會積累經驗并逐步轉化成內部知識，此時在計算滿意度時應考慮主體學習效應所帶來的影響，也是以往研究中未涉及到的。鑒于此，本文從改善農機供應鏈環境效益視角出發，綜合考慮了工業互聯網資源的能源消耗以及服務具有自我學習能力的特征，通過考慮學習率對服務質量的影響，建立了以農機服務需求方、農機服務提供方服務滿意度以及平臺能耗滿意度最大化的一對一多邊匹配模型。以天津農機供應鏈工業互聯網協同管理平臺上某農機覆蓋件模具生產為例，運用本文所建立模型求得最優服務方案，驗證了本文所提模型與一般匹配、不考慮學習效應、不考慮能耗的3種模型相比所具有的優越性。

1 模型和算法

1.1 問題描述

本文選取天津農機供應鏈工業互聯網協同管理平臺為研究對象，首先介紹工業互聯網模式下農機供應鏈的運行要素。

1) 農機云制造任務：農機云制造任務是指在云制造模式下農機供應鏈中由服務需求方發起的農機制造需求和任務。根據復雜程度不同，農機云制造任務可以分為單一和組合任務。

2) 農機云制造資源和農機云制造服務：農機云制造資源是指運行于天津農機供應鏈工業互聯網協同管理平臺上基于云制造技術的制造資源。農機云制造服務是天津農機供應鏈工業互聯網協同管理平臺對農機云制造資源提供方提交的制造資源虛擬化之后所形成的服務，每一類農機制造服務可以由多種子農機制造服務組成。

3) 農機云制造服務(資源)組合：農機云制造服務(資源)組合是指工業互聯網模式下農機供應鏈中為了完成農機云制造任務而集合在一起的一組制造服務(資源)。它是實現工業互聯網模式下農機供應鏈中各類服務(資源)增值和增效的有效途徑。

在工業互聯網模式下的農機供應鏈中，農機云制造服務組合的運作過程為：在一定的農機云制造任務需求與條件約束下，各類農機云制造資源虛擬成的服務按照農機供應鏈上各環節的順序規則生成多個服務組合執行路徑，然后從所有服務組合執行路徑中按照既定任務目標，選擇目標最優的路徑，從而實現農機云制造資源—農機云制造服務—農機云制造任務之間的合理映射。一般而言，服務組合優化的過程主要針對多個功能需求的任務。多個功能需求的任務被劃分為若干個子任務i，其中i=1,2,…,m。基于資源的發現機制，天津農機供應鏈工業互聯網協同管理平臺為每個任務返回候選服務，并標記為Rij。{Ri1,Ri2,…,Rij,…,Rini}(j=1,2,…,ni)表示任務i的對應候選服務，并且ni是第i個任務的候選服務的數量。

1.2 構建基于能耗及學習效應的農機供應鏈多邊匹配模型

天津農機供應鏈工業互聯網協同管理平臺通過搜集與用戶相關的注冊以及交易信息，獲取農機服務需求方的任務、農機服務提供方的資源的基本服務能力值以及參與農機制造任務的次數。給定第i個任務的第j個資源的基本評估值為qosRij=(aRij1,aRij2,…,aRijp,…,aRijo)，p=(1,2,…,o)，其中aRijo代表第i個任務的第j個資源的基本評估值的第o個指標。給定第i個任務的第j個資源的能耗評估值為EnRij。給定第i個任務的基本評估值qoti=(bi1,bi2,…,bih,…,bir)，h=(1,2,…,r)，其中bir代表第i個任務的基本評估值的第r個指標。給定第i個任務方的期望值為esi=(eai1,eai2,…,eaip,…,eaio)，p=(1,2,…,o)，其中eaio代表第i個任務方對于第o個指標期望值。給定平臺對第i個任務的能耗期望值為eni。給定第i個任務的第j個資源的定位esRij=(etRij1,etRij2,…,etRijh,…,etRijr)，h=(1,2,…,r)，其中etRijr代表第i個任務的第j個資源對于第r個指標的定位。在考慮能耗以及學習效應的基礎上，計算三方的滿意度α、β、γ。

1.2.1 計算任務、服務雙方的滿意度以及平臺滿意度

根據實際的調研可知，農機制造資源具有不同的學習能力，多次參與到相似或者相同的服務任務可以增強自身的服務能力和qos水平。不僅如此，農機任務需求方也在制造過程中不斷提升自身的付款速度以及信譽等，進而滿足農機制造資源提供方的要求。因此，首先應基于學習曲線完成農機服務以及農機任務的能力的計算，然后基于期望效應理論對農機服務以及農機任務各方的實際滿意度進行計算。

1) 計算基于學習效應的農機服務以及農機任務能力。天津農機供應鏈工業互聯網協同管理平臺上，設第i個任務的第j個資源參與任務次數為tsRij，學習率為lRij，根據文獻[15]，計算第i個任務的第j個資源的服務

(1)

tsRij——第i個任務的第j個資源參與任務次數；

qosRij——第i個任務的第j個資源的基本qos；

lRij——i個任務的第j個資源的學習率，0≤lRij≤1。

類似的，給定第i個任務方參與項目次數為tti，學習率為li，計算當前第i個任務方的動態能力

(2)

tt——參與項目數；

qoti——第i個農機任務的基本qot；

li——第i個農機任務的學習率，0≤li≤1。

(3)

(4)

3) 計算基于能耗的平臺滿意度。以平臺能耗期望為參照點，平臺能耗滿意度可通過其期望值eni與制造資源EnRij的差值進行計算，獲取平臺針對農機任務Ti對農機制造資源Rij的期望值EUNRij和整個匹配方案的平臺能耗滿意度

(5)

1.2.2 匹配模型的建立

綜上所述可知，農機制造資源提供方對農機任務方的滿意度α、農機任務方對農機制造資源的滿意度β，以及平臺能耗滿意度γ，構建最大化三者滿意度的多目標多邊匹配模型

Maxα

(6)

Maxβ

(7)

Maxγ

(8)

(9)

α≥αth,β≥βth,γ≥γth

(10)

式(6)～式(8)為農機任務優化配置的3個目標，式(9)為每個農機任務匹配一個農機服務單元，共m子任務，式(10)分別為匹配方案中農機服務方、農機任務方以及平臺滿意度的約束閥值。

1.3 算法的選擇及其流程

利用改進的NSGA-Ⅱ解決農機云制造服務組合優化模型的過程如圖1所示。

圖1 改進的NSGA-Ⅱ解決農機云制造服務組合優化模型的過程圖

本文提出的農機云制造服務組合優化模型是一個多目標規劃問題(MOP)，屬于NP難題，因此求解方法比較復雜。NSGA-Ⅱ[16]是NSGA的改進算法，是多目標優化算法之一。然而，NSGA-Ⅱ也具有缺陷，例如早熟收斂問題。

為了改善標準NSGA-Ⅱ的早熟收斂以及在NSGA-Ⅱ算法的運行后期，在群體中會產生大量的冗余解，出現新解的可能性降低等問題，本文應用非支配冗余個體變異策略進行變異操作，即每代中具有相同目標向量的非支配解被認為是冗余解，而對于冗余解，監督每一代產生的非支配解，如果包括多余個體，則只保存其中一個個體，剩余的個體將以100%的概率進行突變以保留總群的數量。

因此，可以消除每一代種群中的多余個體。此外，多余的個體通過變異被轉變為非冗余個體，可以更好地保留原始個體的優勢，并避免隨機搜索對種群個體進化的影響。

2 算例分析

2.1 數據準備

現階段，天津農機供應鏈工業互聯網協同管理平臺上的農機覆蓋件模具供應鏈是一個將生鐵、廢鋼通過鑄造變成鑄件毛坯，然后再通過加工制造得到農機覆蓋件模具，并提供給農機制造服務需求方農機整車生產企業的過程。主要包括鑄件工藝服務、加工制造服務以及裝配服務三個子任務，每個子任務可以分配的候選農機制造服務，如表1所示。

表1 候選農機制造服務Tab. 1 Candidate agricultural machinery manufacturing services

農機任務方對農機制造資源要求的qos指標包括價格A1，完成時間A2以及質量合格率A3；平臺對于農機制造資源能耗的要求為E。農機制造資源提供方的市場定位包括付款速度B1，工藝難度B2以及信譽B3。農機任務方的10個農機制造資源的基本qos、能耗、市場定位條件、參與任務次數以及學習率如表2所示。3個子任務的qot屬性、任務要求、參與次數和學習率如表3所示。平臺對于每個農機任務的能耗要求如表4所示。改進的NSGA-Ⅱ的相關參數設置如下：種群大小為200，迭代次數為200，交叉率和突變率分別為90%和10%，M=0.5，αth=0.6，βth=0.5,γth=0.5。

表2 農機制造資源的qos、能耗和市場定位Tab. 2 Qos and energy consumption and market positioning of agricultural machinery manufacturing resources

表3 農機任務方的qot屬性和任務要求Tab. 3 Qot attributes and task requirements of agricultural machinery task party

表4 平臺的能耗要求Tab. 4 Energy consumption requirements of the platform

2.2 分析和討論

通過在運用Python搭建的天津農機供應鏈工業互聯網協同管理平臺上對模型進行實例化分析(如圖2所示)，求得四種不同匹配模式下的非劣解集如表5所示。

圖2 各個子任務的候選服務情況

表5 四種不同匹配模式下的非劣解集Tab. 5 Non-dominant solution set under four different matching modes

通過對比分析不難發現，在情況4下，所產生的非劣解個數均多于其他三種情況，這體現了既考慮學習效應又考慮能耗的農機云制造服務組合模型的可行性和優勢。不僅如此，對比情況2和情況4可知，在考慮學習效應時，R21(學習率為0.72)相對于R23(學習率為0.48)的學習率較高，因此在考慮學習效應時，R21被選擇用以完成任務T2。同時，對比情況1和情況2可知，在考慮能耗時，能耗較低的農機云制造服務組合R12、R22、R31(能耗分別為6 kW·h、4.5 kW·h、5.5 kW·h)被選擇用以完成任務。對比情況3和情況4，也會發現，能耗較低的R22資源亦被選擇用以完成任務。這就意味著，在工業互聯網環境下，將農機供應鏈中的農機云制造服務的學習效應以及能耗同時考慮到雙邊匹配過程中，更加符合現實農機供應鏈的現實需求并達到供應鏈的環境績效和經濟績效的雙贏。

3 結論

工業互聯網環境下，農機供應鏈上的農機云制造服務單元本身通過多次參與制造任務積累經驗，并在信息共享交互的環境下與其他資源進行交流學習，滿足復雜農機制造任務的需求。為了在保障農機供應鏈的經濟績效的基礎上提升其環境效益，考慮到工業互聯網資源在服務過程中具有自我學習能力的特征，本文通過考慮學習率對服務質量的影響，建立了以農機服務需求方、農機服務提供方服務滿意度以及平臺能耗滿意度最大化的一對一多邊匹配模型，并以天津農機供應鏈工業互聯網協同管理平臺上某農機覆蓋件模具生產為例進行分析，分析發現，考慮能耗和學習效應時所產生的非劣解個數最多為6個，這體現了既考慮學習效應又考慮能耗的農機云制造服務組合模型的可行性和優勢，同時，在考慮學習效應時，學習率高達0.72的服務被選擇用以完成任務，符合平臺的實際情況。同時，在考慮能耗時，能耗較低的農機云制造服務組合(總能耗為16 kW·h)被選擇用以完成任務,滿足了平臺對于節能降耗的實際需求。此外，在農機供應鏈系統運行中，隨著天津農機供應鏈工業互聯網協同管理平臺的發展，更多的農機制造任務和候選的農機云制造服務將加入到平臺中，平臺的數據量將呈現增加趨勢，本文所提出的模型是否能在數據量不斷增加的情況下亦能發揮作用是今后需要進一步研究的問題。