基于多Agent供應鏈協同的自適應協商方法

蔣國瑞，龐 婷

?

基于多Agent供應鏈協同的自適應協商方法

蔣國瑞，龐 婷

(北京工業大學經濟與管理學院，北京 100124)

在供應鏈協同過程中常出現價格、數量、交貨時間等沖突，若不及時消解會影響供應鏈的整體利益。為有效化解供應鏈協同沖突，彌補傳統協商缺點，提出一種基于多Agent的自適應協商方法。該方法以二級供應鏈，即制造商和供應商的訂貨為研究對象，使用多Agent供應鏈協同作為約束條件，采用案例推理為主要協商算法，引入灰色關聯度到案例集與目標案例相似度中，將遺傳算法應用于相似案例議題權重的優化中。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，并加強自適應性，為消解沖突提供最優決策。

自適應協商方法；多Agent；供應鏈協同；灰色關聯度；案例推理；遺傳算法

1 概述

供應鏈企業在價格、數量、交貨時間等方面難免產生沖突，消極的沖突阻礙著供應鏈運行效率的提高[1]，無法滿足目前動態變化市場的要求，造成成本增加、收益減少。為了既能有效解決沖突，又使企業在訂貨等環節達成雙贏，供應鏈企業通常采用協商的方法。傳統方法依賴人工協商，其過程耗時長、成本高、難于及時達成雙方滿意的協議[2]。分布式Agent具有自治、交互、學習的特點，可解決供應鏈復雜動態的問題[3]。許多學者將Agent用于供應鏈協商中，例如在庫存資源約束的情況下，設計制造商Agent與多個下游企業Agent同時談判的框架[4]；建立基于Agent的供應鏈協商框架，并描述協商Agent狀態信息[5]。為適應變化的環境及對手，將自學習機制引入到協商中成為相關領域學者關注的問題。如采用強化學習方法生成提議，使用傳統Q-學習算法優化協商效果[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解[7]；采用支持向量機學習估計協商對手的效用函數[8]。案例推理是利用類似的已有知識解決目前問題的自學習方法，在協商決策時借鑒以往經驗可降低消解沖突難度[9]，已有許多研究將案例推理引入協商談判中[10-11]，有效解決沖突，優化協同效果。

然而，目前對于供應鏈協商方法缺乏深入研究，不能從實質上有效化解供應鏈沖突；對于自學習方法的協商研究缺乏根據對手行為變化和歷史信息動態調整自身策略，存在自適應性差的缺點，同時缺少實際應用；對于案例推理協商的研究，相似度單純依靠人工計算且方法復雜，使得協商時間和成本增加，且計算結果會出現多個滿足條件的相似案例，增加協商決策難度。

基于此，本文在供應鏈協同方面，給出一種自適應協商方法。采用灰色關聯系數[12]計算案例相似度，滿足供應鏈動態復雜的要求且過程簡單，可縮短協商時間，快速化解沖突；同時利用遺傳算法的智能搜索機制[13]優化案例議題的權重，增強自適應性且彌補多個滿足條件案例的缺點，為解決沖突的協商決策提供最優結果。

2 問題描述

為簡化問題及較好地闡述，以二級供應鏈(供應商和制造商)的訂貨沖突為研究對象。假定在某個交易中，制造商Agent向供應商Agent提交了訂貨的訂單，雙方針對該訂單內容產生沖突。雙方為達成都滿意的協議，開始進行協同協商。

2.1 協商流程

供應商Agent和制造商Agent具體的協同協商流程如圖1所示。當供應商Agent或制造商Agent接到對方提議后，對該提議進行評估。如果滿足要求能夠接受，協商結束，否則該Agent在自己案例庫中按照給定的自適應方法，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開始重復上面的流程，直至雙方都滿意，協商結束。

圖1 協同協商流程

2.2 主要參數設定

在基于多Agent供應鏈協同的自適應協商方法中，定義下列參數：

(1)設協商Agent集合為，={供應商Agent, 制造商Agent}。

(4)設為協商的結果，={接受,拒絕}。

基于上述分析，用一個四元組來表示本協商模型，定義為={,,,}。

2.3 議題評估

設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≥，Agent接受對方的提議，達成協議，協商結束，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 基于灰色關聯度的案例相似度計算

以供應商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案例，進而檢索自己的案例庫。設為供應商Agent的案例庫中的案例集矩陣，共有個議題，個案例。可以表示成×維的矩陣：

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，∈[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重優化

若有多個相似案例時，使用遺傳算法繼續優化這些相似案例的權重，縮小滿足條件案例的范圍，為決策提供最滿意的結果。以供應商Agent為例，對權重優化過程進行描述。

4.1 編碼及適應度函數

協商議題的數量為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

設群體規模為。首先將適應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行－1次選擇操作。設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數∈[0,1]，若p－1<≤p，則選擇第個個體。

4.2.2 交叉

交叉操作采用雙點交叉方式，在相互配對的2條染色體中，隨機設置2個交叉點為1,2∈[1,]，設交叉概率為p，賦予交叉點之間的每個基因一個隨機數∈[0,1]，若u>p，則交換2個個體的基因，從而產生新染色體。具體操作示例如圖3所示，其中有短線標識的基因滿足條件進行交叉。

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數∈[0,1]，設定變異概率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，有短線標識的基因滿足條件進行變異。

圖4 變異操作

4.2.4 算法終止條件

5 協商方法步驟描述及算例

5.1 協商方法步驟描述

根據上述方法思路，描述整個協商步驟如下：

Step1設置各個參數值，一方Agent提出協商議題值集合。

Step2對手Agent按式(1)分析評估，若滿足≥，雙方達成協議，協商成功結束，轉入Step6；否則轉入Step3。

Step6輸出決策結果，并維護案例庫，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)參數設定

2)設定供應商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)其他相關參數設定如表2所示。

表2 其他參數值

表3 供應商Agent的案例庫

表4 制造商Agent的案例庫

(2)協商過程

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

由上述協商過程及結果比較可看出，本文提出的協商方法具有以下優點：(1)協商次數只有3輪，且灰色相似度計算過程簡單，可以縮短協商時間，提高解決供應鏈協同沖突的效率；(2)若只采用灰色關聯度計算相似度，會有多個案例滿足條件，而利用遺傳算法優化權重，最終只有一個案例滿足條件，可以增強適應性，為化解沖突提供最優決策。

6 結束語

供應鏈企業在價格、數量、交貨時間等方面的沖突成為提升供應鏈協同效率的障礙。為了有效地解決沖突，本文提出一種基于Agent供應鏈訂貨-供貨協同協商方法。該方法利用灰色關聯度計算協商案例的相似度，使用遺傳算法繼續優化議題的權重值。實驗結果表明，該方法可以減少協商次數，增強適應性，提供最優決策，從而快速化解訂貨沖突。下一步工作將建立基于Agent的供應鏈訂貨-供貨協同框架，結合本文提出的自適應協商方法，系統全面地研究供應鏈協同過程，為進一步優化協同效果提供合理有效的方法。

[1] 張慶民, 吳士亮, 孫樹壘, 等. 沖突條件下供應鏈庫存管理的協商模型[J]. 工業技術經濟, 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. 供應鏈環境下基于庫存約束的多Agent協同談判研究[J]. 計算機應用研究, 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]. 計算機工程, 2012, 38(7): 139-141, 144.

[8] 程 昱, 高 濟, 古茂華, 等. 基于機器學習的自動協商決策模型[J]. 軟件學報, 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. 基于案例推理的談判支持系統的研究[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. 灰色系統理論及其應用[M]. 5版. 北京: 科學出版社, 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的電子商務談判系統模型研究[J]. 計算機應用研究, 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

國家自然科學基金資助項目(71071005, 70940005)。

蔣國瑞(1954－)，男，教授，主研方向：商務智能，管理信息系統；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