数据驱动下动态供应链的生产与运送协同调度研究

It is crucial to improve enterprises’ competitiveness and promote industrial optimization and upgrading by using scientific decision-makings and coordinated operations to improve the supply chain performance. Dynamic supply chains are characterized by complex and high-dimensional uncertainties. Real-world optimization problems with these uncertainties are very challenging. Taking dynamic supply chains widely existing in China as research objects, this project addresses the coordinated scheduling problems of uncertain production and delivery operations on the basis of various realistic requirements. It considers two types of supply chains with different delivery modes, including direct delivery-based mode and vehicle routing-based mode. For each type of supply chain with a certain delivery mode, the project considers production (or delivery) uncertainties and both production and delivery uncertainties in turn. The research challenges brought by uncertainties are handled from a data-driven perspective, and the stochastic regularities of various uncertainties are identified based on sufficient real-world data. On the basis of realistic problem features and stochastic regularities, this project develops highly-efficient intelligent stochastic optimization approaches to solve the investigated problems by integrating theories and techniques from the areas of intelligent optimization, simulation optimization (e.g., optimal computing budget allocation) and stochastic optimization (e.g., scenario generation). On the basis of real-world data, this project then analyzes and compares the applicabilities of different approaches and the effects of different stochastic regularities on coordinated scheduling solutions. This project will enrich and extend the knowledge and theory in supply chain management, coordinated scheduling and stochastic discrete optimization, and benefit the improvements in supply chain decisions and the performances of relevant manufacturing and service enterprises in China.

通过科学决策与协同运作提升供应链性能，是提高企业竞争力、促进产业优化升级的重要手段。动态供应链具有复杂的高维不确定性，考虑这些不确定性的现实优化问题极具挑战。本项目以在我国广泛存在的动态供应链为研究对象，基于现实需求，依次考虑生产（或运送）不确定以及两者同时不确定的动态环境，分别对考虑直接运送与考虑车辆路径优化的运送模式下的不确定性生产与运送协同调度问题进行研究。从数据驱动的视角应对现实不确定性带来的研究挑战，基于现实数据发现各不确定量的分布和相关性等随机规律。基于智能优化、最优计算量分配等仿真优化、情景生成等随机优化的理论与技术，结合现实的问题特性和随机规律，提出高效的智能随机优化方法对问题进行求解。基于数据，分析对比不同方法的适用性和不同的随机规律对解的影响。项目成果将拓展供应链管理、协同调度与随机离散优化等领域的知识和理论；有助于提升我国相关企业的决策水平和供应链性能。

在复杂多变的市场需求和激烈的市场竞争下，有效应对高维不确定的动态供应链环境，是现实动态供应链运作的迫切需求。在现实的企业运营决策中，由于缺乏应对各种现实不确定性特征的有效方法，使得决策结果往往难以满足企业的现实决策需求。. 本项目以在我国制造和服务业中广泛存在的时间敏感型动态供应链为研究对象，在数据驱动下对考虑动态不确定环境与现实特征的生产与运送协同调度（CPDS）问题进行研究；基于随机优化、智能优化、仿真优化和大数据分析等领域的方法和技术，研究提出高效的智能随机优化方法，为该类问题提供有效的解决方案。. 首先，构建了适用于解决一类生产不确定环境下考虑直接运送的CPDS问题的高效智能随机优化方法。基于来自成都市区道路网络的大规模车辆行驶轨迹数据，分析了城市路网路段行驶速度的随机性和相关性规律。其次，设计和实现了进行大规模相关随机速度变量随机性规律表达的场景生成方法，并构建了适用于高维随机量的基于场景生成的随机优化方法框架，并构建了适用于解决一类运送不确定环境下考虑车辆路径优化的CPDS问题的高效智能随机优化方法；再次，构建了能够有效提取路段行驶速度数据和服务时间数据中随机信息的时空图神经网络，构建了基于时空图神经网络的智能随机优化模型，可适用于求解复杂不确定环境下的CPDS问题；然后，基于现实数据，对所提出的各种智能随机优化方法进行比较分析，研究不同路网和问题特征下所提出方法的适用性以及考虑高维随机性的量化价值。此外，本项目还研究提出了基于蚁群算法和粒子群算法的智能优化算法以及基于多目标演化优化算法，以实现更好的寻优性能。. 本项目成果丰富和扩展了不确定性环境下生产与运送协同问题的理论研究，提出了适用于我国时间敏感型动态供应链运作中CPDS 问题的智能随机优化方法框架；所提出的智能随机优化方法和模型可在不确定环境下的调度和优化问题中得到广泛应用，对相关企业供应链性能的提升和随机优化决策理论的发展具有重要意义。