基于数据驱动的多维不确定生产配送中紧急订单应对方法

"Data-driven decision making" is a new decision model, which will extend new ideas in developing production and distribution scheduling with multi-dimensional uncertainties, and improve the credibility of decision results. Data-driven response methods are effective ways to improve resource utilization in face of emergency orders in production and distribution processes with multi-dimensional uncertainties, which will at the same time bring new challenges to model development and algorithm design for the problem under consideration. The current project is undertaken to optimize resource utilization, as well as to improve manufacturers, logistic providers and customers’ interests in terms of the research on data, methods, and application. This project has the following key components. First, we propose data-driven estimation methods of multi-dimensional uncertain parameters involved in the processes of production and distribution. Second, we propose data-driven emergency orders response models based on the different scenarios of the probability distribution associated with emergency orders’ arrivals, to address issues such as the ability to deal with emergency orders timely, resource allocation for processes switch between different products and rescheduling, as well as outsourcing or subcontracting of orders and rescheduling. Third, through model analysis, we design benders decomposition and column generation based branch-and-price-and-cut algorithms and surrogate-assisted multi-objective evolutionary algorithms. The research of this project will theoretically improve and enrich data-driven production and distribution scheduling theories and methods, and provide methodological guidance for enterprise to handle emergency orders.

“数据驱动决策”作为一种新的决策范式，能够拓展多维不确定生产配送调度研究的新思路，提高决策结果的可信度。针对多维不确定生产配送中的紧急订单，基于数据驱动的应对方法是提高资源利用率的有效途径，对模型构建和算法设计提出了新挑战。本项目拟从数据、方法和应用三个层面展开，优化资源利用率的同时提高生产制造商、物流服务商和客户多主体利益。主要内容包括：研究基于数据驱动的多维不确定生产配送中不确定参数估计方法；针对紧急订单到达概率分布的多种不同场景，提出数据驱动下考虑及时处理紧急订单能力、考虑产品切换资源配置和重调度、考虑订单外包或转包和重调度的紧急订单应对模型；分析模型性质，设计基于列生成和Benders分解思想的分支定价切割算法和基于代理模型的多目标进化算法。研究成果将在理论上发展和丰富基于数据驱动的生产配送调度理论与方法，也为企业如何应对紧急订单提供方法指导。

基于数据驱动的多维不确定生产配送调度是运作管理领域研究的热点和难点，其数据驱动性和多维不确定性对已有调度优化理论与方法提出了极大挑战。为此，本项目深入提炼了复杂不确定情景下的生产配送协同优化、考虑多个竞争客户的生产配送调度、考虑配送安装或选址的资源配送路径优化等方面的关键科学问题。.在复杂不确定情景下的生产配送协同优化方面，利用弹性p鲁棒性方法构建了配送时间不确定的生产配送协同调度模型，提出了结合问题结构性质和动态搜索规则的文化基因算法；率先刻画了一类处理时间可控和交货时间窗可指派的双目标集成优化模型，解决了IIE Trans(2010,42:221-231)中的一个未解难题；构建了考虑需求不确定的电动汽车存取货两阶段自适应鲁棒优化模型，设计了基于行列生成的两阶段精确分解方法，实现了需求不确定下的高效鲁棒方案制定。在考虑多个竞争客户的生产配送调度方面，率先提炼了处理时间可控的多客户生产配送调度模型，解决了SIAM J Optim(1998,8:617-630)中的一个Open难题，有效提升了文中其他相关算法的复杂度；聚焦于多任务模式的多客户生产配送调度难题，刻画了多任务模式下的普适性函数表达，明晰了多任务处理的影响。在考虑配送安装或选址的资源配送路径优化方面，聚焦于数据驱动的产品送货和安装人员路径协同优化问题，提出了一种基于编码器-解码器的深度强化学习方法，为数据驱动求解方法的设计进行了思路引领；面向需求和运输时间的不确定，将分布式鲁棒优化应用到多周期服务点选址与资源配送路径集成调度，设计了基于Benders分解的新型分支-切割精确算法，验证了考虑分布式鲁棒优化的优势。.在本项目资助下，共在NRL、EJOR、IJPE、IJPR、IEEE T-II、IEEE T-ITS、IEEE T-Cybernetics等国际重要SCI期刊发表论文30篇，出版专著2部，授权国家发明专利2项，获四川省哲学社会科学优秀成果评奖1项。研究工作得到国内外资深专家的高度评价，引发后续大量研究，并成功应用于企业实际，有效提升了企业的生产运作效率。