基于人工智能的移動互聯網供應鏈協調方法

鄭志嫻，雷 慶

（1.福建船政交通職業學院，福建 福州 350007；2.華僑大學，福建 廈門 361021）

0 引言

隨著移動互聯網供應鏈管理及全局戰略規劃的不斷深入發展，研究移動互聯網供應鏈協調方法，在單一供應商和單一制造商的協同調度中具有重要意義［1-3］。當前研究中，文獻［4］提出成本信息非對稱下綠色供應鏈謊報決策與協調機制，引入成本共擔契約對綠色供應鏈進行協調，在中斷結束后分析制造商生產效率，在合適的契約參數設置下，實現供應鏈網絡的完美協調，但該方法進行移動互聯網供應鏈協調的動態性不好，成本降低程度有限。文獻［5］提出考慮保鮮努力投入的生鮮產品雙渠道供應鏈協調機制，設計成本共擔-固定補償的混合契約對供應鏈進行優化協調，通過收益最大化和供應商沖突調節，提高穩定性。但該方法在供應鏈協調調度基礎模型參數配置能力不好，供應鏈成本不能顯著降低。針對上述問題，為了進一步降低供應鏈系統成本，本文提出基于人工智能的移動互聯網供應鏈協調方法。首先以最大時間偏差為目標函數，建立移動互聯網供應鏈協調調度模型變量，然后創新地以最小化總拖期成本和最小化制造商沖突成本為目標進行重調度，建立二元決策變量模型，實現移動互聯網供應鏈協調優化控制，最后進行實證分析，展示了本文方法在提高移動互聯網供應鏈動態協調穩定性方面的優越性能。

1 研究對象和模型參數

1.1 指標參數構建和研究對象

為了實現基于人工智能的移動互聯網供應鏈協調，以供應鏈的成本設置為二次型生產函數，利用資金的機會成本調度方法，通過物聯網供應鏈補償的方法，建立概率模型和種群采樣模型，通過二級供應鏈和三級供應鏈的動態規劃設計，在線性規劃中結合人工智能算法，求得近似解與最優解，在采購、庫存、生產、配送等領域中，實現應鏈成員企業間調度決策［6］，移動互聯網供應鏈的協調總體結構模型如圖1所示。

圖1 移動互聯網供應鏈的協調總體結構模型

根據圖1所示的移動互聯網供應鏈的協調模型的總體結構，基于供應鏈的影響因素，以供應商、制造商、分銷商作為供應協調的影響二級因素，建立移動互聯網供應鏈協調的動態機械模型，通過成本分析和局部修正重調度的方法，據生產過程中的實時狀態改變調度模型［7］，構建移動互聯網供應鏈協調的約束指標如圖2所示。

圖2 移動互聯網供應鏈協調的約束指標

根據圖2所示的移動互聯網供應鏈協調的約束指標分布，建立在單一擾動因素工況環境下的供應鏈成本最小化分析模型，由此建立移動互聯網供應鏈協調約束指標，通過構建互聯網供應鏈協調的解釋變量和控制變量分布模型［8］，如表1所示。

表1 互聯網供應鏈協調的解釋變量和控制變量

1.2 模型參數分析

根據表1互聯網供應鏈協調的解釋變量和控制變量分析，建立穩健性偏離成本分析數學規劃模型，采用人工智能算法［9］，得到制造商和供應商在供應鏈中協調各供應支鏈的控制模型函數

其中，λ為供應商的某項任務在處理時被中斷的代價因子，t為單位拖期成本，b20(t;λ)為制造商和供應商的收益分配比例，b21(t;λ)為單位生產準備時間成本，b22(t;λ)為執行初始調度方案時的完工時間。

供應鏈中斷發生后二級供應鏈協調調度模型，供應商以最小化拖期成本為目標［10］，構建定量遞歸分析模型：a.在調度收益最大化的時候，計算初始調度方案的拖期時間，得到模型相似度變量為Zi(i=1,2,…,8)；b.分析制造商的生產準備成本，定義為W k i(i=1,2,…,6;k=1,2,…,6)，其中，i為執行初始調度方案時供應商工件的交貨成本，k為最小化制造商沖突成本；c.在t季度內激勵制造商配合執行重調度，得到移動互聯網協調調度的促進性因子定義為X ij( )i=1,2,…,6;j=1,2,…,8，通過上述約束參量模型構建，構建穩健性偏離成本分析數學規劃模型，采用人工智能算法，提取移動互聯網供應鏈的生產與配送調度多參量特征［11］。

2 供應鏈協調模型優化

2.1 供應鏈協調的人工智能算法

隨著供應鏈整體收益減少，通過沖突成本最小化的目標約束方法［12］，建立移動互聯網供應鏈協調的統計分析模型，以最小化總拖期成本和最小化制造商沖突成本為目標，建立調度目標函數

其中，m和n分別為制造商和供應商的收益分配，ai為調度供應鏈整體收益適應值，b i為制造商因配合供應商調度獲得的收益，C ij為供應鏈整體收益，X ij為協商供應鏈額外利益分配，基于TVPVAR-SVO模型構造，建立重調度模型與協商補償模型，在供應商與制造商確定好補償值Q i后，通過移動互聯網的供應鏈智能協調處理［13］，引入自適應交叉算子P c，構建DCC-MVGARCH模型實現對協調過程的自適應鄰域搜索，重新執行變異操作，得到協同調度優化模型為

其中，Qi為最優期望利潤，Q th為供應鏈的利潤閾值，E i為供應鏈各方的利益組成，E th為盈余，Q jk為生產者剩余，E jk為市場價格高于批發價格的動態約束參數，C jk為買方企業的利潤，x jk為銷售價格的決定機制，k為政企聯合擔保融資供應鏈中的振蕩，M為模型關聯系數，N j為最優生產投入量，通過構建供應鏈協調的人工智能動態調節模型，通過模型參數匹配，結合回歸分析和統計檢驗，進行供應鏈協調動態控制［14］。

2.2 供應鏈協調調度

通過運輸成本和最小化交貨成本為動態規劃目標參數，以最小化總拖期成本和最小化制造商沖突成本為目標進行重調度［15-19］，構建盈余關系描述如表2所示。

表2 供應鏈盈余貢獻權重和風險級別

根據表1的解釋變量和控制變量和表2的盈余關系進行動態參數配置，基于供應鏈完全協調方法，在DCC-MVGARCH模型中構建控制約束變量X k，得到供應鏈完全協調模型中的觀測變量為：

3 實證分析

以中國A股制造業上市公司2015——2021年移動互聯網供應鏈終端數據為測試數據，進行供應鏈協調的增益性調度和可靠性分析測試，供應鏈協調描述性統計分析結果如表3所示。

表3 描述性統計分析結果

根據表3的描述性統計參數設定，采用實證檢驗方法，供應鏈協調的統計特征分析，得到供應鏈協調的統計特征分析結果如表4所示。

表4 供應鏈協調的統計特征分析結果

根據表4供應鏈協調的統計特征分析結果，構建多元回歸方程表達式為

其中，互聯網供應鏈的資產收益率x1，制造商產品類型控制因子x2，公益因子x3，供應商風險規避因子x4，相關性檢驗因子統計分析結果為：x1=0.900；x2=0.161；x3=0.382；x4=0.894。

根據上述參數估計結果，得到移動互聯網供應鏈協調控制的回歸分析結果如圖3所示。

圖3 移動互聯網供應鏈協調控制的擬線性回歸分析

分析圖3得知，采用本文模型實現移動互聯網供應鏈協調控制，成本降低比例小于10%，最高達到35.43%，說明模型收斂性、衡量穩定性較好，顯著度水平較高。測試模型穩定性，以貢獻權重為指標，如圖4所示。分析圖4得知，本文方法進行移動互聯網供應鏈協調控制的收斂性較好，移動互聯網供應鏈協調的適應度水平較高，在求解供應鏈協調調度問題方面具備良好的尋優性能和穩定性。

圖4 移動互聯網供應鏈協調控制貢獻權重分析

4 結語

本文提出基于人工智能的移動互聯網供應鏈協調方法。以供應鏈的成本設置為二次型生產函數，利用資金的機會成本調度的方法，建立概率模型和種群采樣模型，構建互聯網供應鏈協調的解釋變量和控制變量分布模型，采用人工智能算法，提取移動互聯網供應鏈的生產與配送調度多參量特征，結合回歸分析和統計檢驗，進行供應鏈協調動態控制。測試得出，本文方法進行移動互聯網供應鏈協調的適應度水平較高，降低了供應鏈成本。