多Agent供应链

多Agent供应链（精选十篇）

多Agent供应链 篇1

供应链是围绕核心企业,通过信息流、物流、资金流将供应商、制造商、分销商、零售商直到最后用户连成一个整体的功能网络结构的模式,而供应链上的众多企业之间在进行资源的整合和运作过程中,由于存在事先无法预测的不确定因素,例如潜在利益的冲突、信息不对称等,使得供应链整体的运行具有极大的风险性,故有必要对供应链进行风险管理。供应链的风险管理不同于单一企业的风险管理。单一企业的风险主要来源于企业内外部环境的不确定性、生产经营活动的复杂性和企业能力的有限性,企业通常采取的风险管理方式主要有:风险转移,风险自留、损失融资、风险控制等;而供应链是一个实体网络,它具有多参与主体、多环节、地域分布广、多目标的特点,致使供应链容易受到来自外部环境和供应链上各个企业内部不利因素的影响,形成供应链风险。供应链风险管理针对可能对供应链正常运行造成影响的不利因素,研究供应链风险的形成、传递、识别、评价、预测、控制等,从而提高供应链的可靠性;其次供应链风险管理为供应链规划和计划提供了依据,通过供应链风险管理积累的资料,为改进供应链管理创造了条件,为选择供应链合作伙伴、制定应急计划等提供了依据;同时加强风险管理,有利于改进企业内部与外部供应链各环节之间的沟通协调。

目前国内企业缺乏必要的供应链风险管理理论指导,管理人员甚至不懂风险管理的概念和基本方法工具,风险管理的基础工作尤其是信息化工作还比较差;应对时间风险的主要办法是高库存水平,致使库存成本居高不下;处理风险事件的主要手段是管理人员利用通信工具所做的大量协调,风险管理水平取决于管理人员的能力、经验、责任心;由于风险事件多是偶发事件,缺乏对风险事件及其后果的完整统计资料。所以企业迫切需要供应链风险管理方面的指导,以系统化的手段和方法切实提高供应链风险管理的水平。所以研究供应链风险管理具有很高的价值和深远的意义。

2 国内外供应链风险管理研究现状

供应链管理是一种新的企业管理模式,随着一些国际知名企业如惠普(HP)、IBM、戴尔等在供应链实践中取得的成就,这种模式在全球得到广泛认可和推广。然而,早期的企业管理者过分关注企业的利润和供应链带来的价值增值,忽略了供应链风险的存在,特别是近10年以来,地震、台风、经济危机、罢工、恐怖袭击等频繁的扰乱了供应链的正常运行。例如,1999年台湾大地震造成了全球DRAM芯片供应紧张,使得世界的芯片价格上涨,致使Apple公司丢掉了大量的顾客订单。2000年美国新墨西哥州的飞利浦电子公司因闪电引起的大火仅仅燃烧10分钟,却令远在6 000公里之外的爱立信公司损失了4亿元,因为飞利浦的这家晶片厂是爱立信手机产品核心部件的唯一供应商。不确定性因素对供应链的干扰将会给企业的绩效带来长期的消极影响。供应链管理是一把双刃剑,一方面有效的管理将给企业带来高效的利润,另一方面,在风险面前,如果缺乏有效地应对措施,供应链将会呈现出异常的脆弱性。因此,众多的企业和学术界开始纷纷关注供应链风险管理,并做了一系列的研究。

在国外,Wharton商学院的Paul教授的研究表明:供应链中最基本的两种风险是供应与需求不匹配风险和供货中断风险。针对第一种风险,Paul教授指出可以引入期权思想和契约理论进行管理,同时信息技术高速发展带来的B2B电子商务模式也为较好地管理供应与需求的匹配风险提供了可能;而对于第二种风险,则可以实施所谓的“运营风险管理”,即对供应链的各个环节逐个进行分析,对可能的潜在风险进行识别,并在它们变成灾难之前采取措施。哈佛商学院的Dabid Stauffer教授则提出从战略的角度来管理风险,加强协作,做好成本与风险之间的权衡,同时不能忽略那些无法量化的风险。另外还有一些学者从项目规划与财务、采购等角度对供应链风险管理进行了深入的研究。

而在国内,李飞飞等从供应链的外部环境、内部运作和合作三方面,提出了基于SCOR模型的供应链风险防范,他将风险分为可控风险和不可控风险,他主张自然灾害、政治的不稳定等属于不可控风险,对此类风险企业应建立应急措施,尽可能使损失降到最低,而对可控风险,企业应从日常业务上着手,他提出了应对采购供应流程风险、计划和制造流程风险、配送和退货流程风险、财务控制风险、供应链合作风险等的防范措施。李志等从成本的角度,将供应链风险分为:市场风险、技术风险、管理风险、环境风险、生产风险和金融风险,利用了模糊风险评价法和投影模型的区间型多属性决策方法,建立了供应链风险分析与决策模型。张炳轩等对供应链的风险因素进行了细分,认为降低供应链风险应从合作伙伴选择、供应链合作契约设计、合作协调机制入手。还有研究者将人工智能中的案例推理技术和期权引入供应链风险管理中。

供应链风险管理已经成为了企业和研究机构的热门话题,相关的研究成果会越来越多,但是大多数都是从传统的单一企业风险管理角度出发来研究供应链风险管理,具有一定的局限性。随着人工智能以及Agent技术的发展,利用具有一定自主推理、自主决策能力的Agent以及由其组成的多Agent系统(MAS)来模拟、优化、实施、控制企业供应链的运行,已成为研究和实施供应链的一种重要方法。这里我们就尝试通过Agent的相关原理来进行供应链风险的管理。

3 Agent相关理论

对于Agent的概念因所研究和关心的问题不同而不一致,目前研究基本还处于起步阶段,因此,目前尚无被普遍接受的一般定义。广义的Agent包括人类、物理世界的机器人和信息世界的软件机器人。狭义的Agent则专指信息世界的软件机器人或称软件Agent,它是代表用户或其他程序,以主动服务的方式完成一组操作的机动计算机实体。这里我们所指的Agent是软件Agent。根据Wooldrige在《Intelligent Agents:Theory and Practice》一文中给出的Agent的两种强弱定义可知,Agent具有以下特性:(1)自治性(autonomy):Agent可以在没有人或其他Agent直接干预的情况下运作,而且对自己的行为和内部状态有某种控制能力;(2)社会性(social ability):Agent和其他Agent(也可能是人)通过某种Agent语言进行信息交流;(3)反应性(reactivity):Agent能够理解周围的环境,并对环境的变化作出实时的响应;(4)能动性(pre-activeness):Agent不仅简单地对其环境作出反应,也能够通过接受某些启动信息,表现出有目标的行为。美国斯坦福大学的Y.Shoham教授认为:如果一个实体的状态可被认为包含了诸如知识、信念、承诺和能力等精神状态时,该实体便是Agent。另外,Agent还可以具有:移动性(mobility)、真实性(verity)、仁慈性(benevolence)、合理性(rationality)。

由于Agent具有以上特性,使得智能Agent能根据研究的需要和技术的可行性来设置相应的智能特性,使之在MAS中,能实现在多个Agent之间的交互处理、协调运作并实现个体的目标。这在供应链风险管理中有着很好地应用前景。Agent结构图如图1所示。

4 Agent在供应链风险管理中的应用

供应链是一个多参与主体、多环节的复杂系统,其风险管理一般可分为四个阶段:(1)风险识别:就是分析供应链的各个过程环节、每一个参与主体及其所处的环境,找出可能影响供应链的风险因素,掌握每个风险的特征、来源及其相互关联;(2)风险估计:通过风险识别,找出风险之所在以及引起风险的因素,掌握风险的特征后,运用定量分析方法估计风险的性质,风险发生的概率、时间及其后果影响的大小,进而针对风险估计的结果,采取相应的控制对策,优化组合,规避、转移、降低风险;(3)风险评价:经过对单个风险进行估计后,再对供应链的总体风险以及风险水平能否被接受进行评价,同时评价采取风险管理措施后的预期效果和风险水平;(4)风险的实施与监视:通过对风险的充分估计和评价后,对风险进行规划,进而实施有效的控制,并不断对供应链的运行进行监视,以便及时发现风险因素和风险事件,预测其对供应链的影响,从而调动各方做好预防措施。结合Agent的相关理论,建立一个MAS风险管理模型,可采取以下步骤:

(1)识别Agent风险。即识别系统中面临的各种潜在风险及不同实体对风险的态度,要解决的问题就是识别风险来源并对其进行归类。

(2)衡量Agent风险特征。即分析内部状态(内部数据,如变量)和行为规则(如函数、方法等)。

(3)建立MAS的风险管理体系。即依据建立的模型对进行风险管理与评价,主要解决的问题是系统各成员之间的协调以及它们之间的交互(如通信、协商等问题)。

5 基于多Agent的供应链风险管理

在建立模型前,先对系统中的Agent做以下假设:(1)Agent追求自身效用最大,即Agent是自私的,它以实现自身利益最大化为目标,但在满足自身目标的前提下,会与其他Agent进行合作以达成系统的目标;(2)知识完备,即在系统中,每个Agent对自身的环境和其他Agent的知识具有完全的了解;(3)无历史信息(单遇);(4)Agent操作集相同;(5)Agent系统内的协商是在两两之间进行。在此基础上,建立一个多Agent系统的供应链风险管理模型多Agent系统(MAS)如图2。

MABSCRM=<AG,IFM,AT,DM>

其中:

(1)AG为所有参与供应链风险管理的Agent的集合。

AG=<a1,a2,…,an>,其中ai表示第i个Agent,即,ai∈AG,i=1,2,…,n。

(2)IFM为供应链风险识别的信息集。在供应链风险的传递过程中,任何一个Agent在行动后所产生的风险信息,另一Agent都可以通过观测接收到这个信息,并判断其风险类别。这里按照系统构成将供应链风险划分为:系统环境风险、系统结构风险、行为主体风险、协作风险。

IFM=<l1,l2,…,ln>,其中li为第i个Agent所属的风险类别,li∈IFM,i=1,2,…,n。

(3)AT为供应链风险的行动集。供应链风险识别系统将风险识别归类后,就应该利用相应的风险管理工具对风险实施控制,通常采取的风险管理方式有:风险自留、风险转移、风险控制。

AT=<f1,f2,…,fn>,其中fi为第i个Agent所采取的行动,即,fi∈AT,i=1,2,…,n。

(4)DM为Agent的协商决策模型。在Agent模式下,风险管理的目的就是要实现供应链系统内各成员之间的协调运作,使供应链发挥最大的效率。DM=<K,S,U>,其中:

(1)K:Agent关于环境或其他Agent的知识。例如关于环境参数的知识、关于其他Agent决策模型、协商模型等信念。

(2)S:Agent的协商战略。协商战略就是协商Agent根据其所处的环境以及Agent内部的推理模型对各种策略进行不同组合调整。

(3)U:Agent协商的总效用函数。对于Agent最终的协商效果实施评价采用效用函数U,对于任何的Agent在进行Agent协商决策的原则,我们考虑从所获得的收益与其付出的成本之差来考虑,并符合供应链整体利益,即:,且Ui=Ri-Ci,其中Ri为ai通过风险自留、风险转移或者风险控制等措施所获得的回报,Ci为ai为此而所付出的机会成本。对于Agent协商的效果的评价就是看总效用函数是否满足U>0。

6 结束语

有效的供应链风险管理实质就是识别风险来源,再通过信息交互平台传递风险信息,最后通过多Agent系统来协调供应链内部各成员的关系,以期达到减少干扰,提高供应链整体运行效率。这里建立了一个基于MAS的供应链风险管理模型,对整个供应链风险管理具有重要的参考价值,为未来供应链的运作起到很好地借鉴作用。

摘要：通过引入供应链风险的概念,探索供应链风险管理的意义,介绍了国内外企业和学术界的研究情况,同时在基于Agent相关理论基础上,将Agent的智能技术应用到供应链风险管理中,从而建立了基于多Agent系统的供应链风险管理模型(MABSCRM)。识别风险来源,衡量风险特征并实施控制,进而协调供应链内部各成员的关系,以期达到减少干扰,提高供应链整体运行效率。这个模型对供应链风险管理者在进行下一次的供应链运作将有很好的帮助。

多Agent供应链 篇2

以多机协同作战为背景,以拟制协同作战方案为目的,将分布式人工智能理论技术引入到多机协同作战智能辅助决策,构建了基于多Agent的智能决策指挥系统框架,给出了该系统的.Agent组成,定义并说明了各Agent的功能以及相互关系、信息运行流程,并分析了该系统的辅助决策过程.

作 者：李永宾 徐浩翔 李俊涛 杨宝强 LI Yong-bin XU Hao-xiang LI Jun-tao YANG Bao-qiang  作者单位：李永宾,徐浩翔,LI Yong-bin,XU Hao-xiang(空军工程大学,科研部,陕西,西安,710051)

李俊涛,LI Jun-tao(空军工程大学,工程学院,陕西,西安,710038)

多Agent供应链 篇3

(1.上海海事大学科学研究院 上海 201306;2.上海交通职业技术学院，上海 200431)

0 引言

集装箱运输是多数国际贸易得以最终实现的重要保证，在国际贸易中占据重要地位.特别是随着集装箱量的持续增加，其重要程度不断加强，预计2020年集装箱货运量将达100亿t.［1-2]然而集装箱运输覆盖地域广、参与主体多、活动协调难，因而深入研究集装箱运输系统尤为迫切.此外，诸多国家及相关机构对交通运输能耗问题的日益关注，使得探究集装箱运输系统能耗优化问题愈显必要.

靳志宏等［3]针对集装箱多式联运协调复杂性，建立集装箱运输任务分配优化模型，更多学者［4-9]则从供应链管理角度对集装箱运输系统进行分析，但无论是从多式联运角度还是从供应链管理角度对集装箱运输进行分析均过于强调上下游环节的协作，缺少对整个运输系统参与者之间相互制约、相互协作的研究，以及个体参与者对系统影响的研究.如能在此基础上深入研究系统成员之间以及成员与系统间的影响机制，集成整个集装箱运输系统，则有望进一步推进集装箱运输系统优化.多Agent技术为解决这一问题提供了方法.

多Agent系统是一种分布式、松散耦合的网络系统，具有协调、组织独立Agent的能力，能够通过有效协同Agent实现既定目标;Agent系统成员间协同完成任务活动，协调、合作解决复杂问题，协商矛盾和冲突.集装箱运输系统是一个高度动态的、地理和功能分布复杂的网络系统，运输各参与方既具有独立完成一定任务的能力，又服从总体需求实现整体目标，因而多Agent系统适用于解决集装箱运输问题.目前已有学者将多Agent系统用于解决交通运输问题，如交通运输枢纽组织信息架构和交通流仿真平台［10-11]、铁路运输和集装箱运输［12-13]、海铁联运和多式联运［14-15]以及路径选择［16].本文在已有研究基础上，进一步阐述集装箱运输系统，将多Agent系统理论引入集装箱运输系统，基于多Agent技术构建集装箱供应链多Agent模型，并对Agent体功能结构进行解析;以集装箱运输系统能耗优化为目标，仿真分析集装箱供应链Agent体无约束和有约束情况下的能耗优化;探讨由集装箱供应链Agent体变动而引发的各Agent体之间任务分配、活动协同、目标优化问题.

1 集装箱运输系统

HU［4]认为，集装箱运输系统是供应链的一种特殊表现形式，是伴随着集装箱的快速发展和国际贸易的持续增长应运而生的，是供应链理念在国际贸易活动中集装箱运输环节的新型表现形式，并将其定义为集装箱供应链(Container Supply Chain，CSC).

实际上，集装箱运输系统是由分布于各处、具有不同功能的要素或集合构成的服务型系统，具有特定的系统要素、系统边界、系统结构和系统环境.集装箱运输系统要素可分为运输功能集和转运功能集，每个功能集包含若干独立功能要素.运输功能集指内陆或者海上运输载体及其活动过程，转运功能集指衔接高效、运作有序的转运站、堆场等.该系统在运行中受到国家产业政策、运输法律法规、国际贸易状况等因素影响，这些因素又对集装箱运输体系机构、运作成本、时间、能耗等产生影响.

以“门到门”(Door-to-Door)整箱(FCL)运输为例，集装箱运输系统结构见图1.

图1 集装箱运输系统结构

由图1可知，由不同功能要素或集合构成的集装箱运输系统，其要素间存在某种关系.S={ei}表示系统要素集合，R={rij}表示系统要素间关系集合，rij表示要素ei与ej的关系，则集装箱运输系统可表示为G={S|R}.［9]该式可理解为集装箱运输系统是满足关系 R 的集合 S.rij∈{1，0}，rij为 1 时，表示ei与ej间存在业务协同关系;rij为0时，表示ei与ej无直接活动关系.

图2描述集装箱运输系统，其中Ei为某种功能要素ei的集合.从图中可以看出，集装箱运输系统包含若干子系统，具有复杂系统的某些特征.

图2 集装箱运输系统描述

整个集装箱运输系统就空间层次而言，不同功能要素集合以及同一功能集内部各要素之间呈现明显的异地分布性;就时间层次而言，当功能要素间有关联，即rij=1时，作业活动呈现有序性衔接，此时上下游功能要素应在时间窗口完成相应任务活动，以保证整个链条有序运行.对于集装箱运输系统上下游活动呈现的有序性，以下暂将集装箱运输系统理解为 CSC.［4]

CSC功能要素既作为独立个体存在，又同时作为供应链系统的一部分存在.作为个体，功能要素呈现自主性、交互性、反应性、合作性和适应性;作为系统的一部分，功能要素之间呈现协作性、统一性.如转运功能集的堆场要素，既作为独立的服务单元对集装箱空箱、重箱实施堆存、码放等活动，又作为CSC一环承担转运职能.通常集装箱运输过程中不同功能要素间以供应链整体任务活动为主导目标，协调各要素间任务分配，调动设施、设备以满足任务需求，对所承担的功能活动部分作出有效反应.

综上，CSC具有明显的复杂性、分布性、时序性，各功能要素兼具自治和半自治特性;而多Agent系统各Agent为自治和半自治的结合体［17]，且多Agent技术在协调解决异地分布、多阶段的活动中有良好表现.因此，将多Agent技术引入集装箱运输系统，建立基于多Agent的CSC模型有其合理性.

2 CSC的多Agent模型

多Agent CSC是由具有一定功能特性的Agent体采用某种组织结构、依据相关协议规则而构成的服务系统，系统内各Agent相互协作共同完成任务活动.参照图1，本文将CSC划分为供应商Agent，内陆运输Agent，集装箱堆场Agent，海运Agent和客户Agent，其中内陆运输Agent和集装箱堆场Agent涵盖出口与进口.

2.1 Agent体功能活动

供应商Agent分为提取空箱、装箱和装车发运3个活动;装车环节将供应商Agent与内陆运输Agent链接起来，内陆运输Agent主要负责内陆运输;集装箱堆场Agent负责接收整箱/发送空箱以及协调装船和卸船活动;海运 Agent负责海上运输;客户Agent负责接收整箱、掏箱和返还空箱.具体活动流程见图3.

图3中，圆角长方形框内Agent属于运输功能集，直角长方形框内 Agent属于转运功能集.各Agent在运输过程中的信息传递在此不详细分析.

图3 基于多Agent的CSC流程

2.2 Agent体结构特征

CSC中各Agent能够实现图3所示的协同作业，源于其具有结构特性.本文将Agent体定义为具有一定特征集的功能要素，Agent特征集关系见图4.

图4 Agent特征集关系

Si代表某时刻第i个Agent状态集，包括Agent功能活动基本信息，如集装箱堆场收发整箱/空箱状态，堆场整箱、空箱数量，集装箱分布等.Si的改变由与之相关联的事件活动引发(如内陆运输Agent整箱进入，使得集装箱堆场数量增加、位置摆放变动;当集装箱堆场发生装船事件时，堆场状态亦随之改变).由于事件活动发生，Si处于动态更新中.如将Si视作第i个Agent自治性表现，则Ki体现出各Agent的半自治性.

Ki代表当第i个Agent处于某时点状态时，其他Agent状态知识集.作为供应链一环的Agent在了解自身状态基础上，必须明晰其在整个CSC的地位和作用，同时知晓其他相关Agent的过去、现在甚至将来的信息(如集装箱堆场在获知船舶延期到达信息后，可能需要对等待装船的集装箱停放位置进行调整).Ki作为一个数据仓库的形式存在，通过信息共享机制实现.

Ri代表第i个Agent与其他Agent之间关系的集合.如供应商Agent作为顾客，内陆运输Agent是服务提供商，它们的关系为内陆运输Agent为供应商Agent提供安全、高效的运输服务.

Ii代表第i个Agent信息输入集.信息处理通常按照“先到先服务”原则，当不同内陆运输Agent进入堆场Agent时，堆场依据进场时序进行卸箱.信息输入发生意味着第i个Agent新活动开始，同时Si信息更新.Oi代表第i个Agent信息输出集.信息输出意味着第i个Agent某项任务活动完结，同时将信息传递至下游Agent，Si和Si+1发生相应的变化.

Ψi代表第i个Agent控制集.第i个Agent接收信息后须发出信息处理指令集，例如内陆运输Agent接到运送集装箱的信息后将激发运输时间、运输路径等指令活动.

Pi为第i个Agent绩效评估向量集，如内陆运输Agent绩效评估包括运输时间T，运输成本C，运输安全性S，能源消耗E等.各个Agent绩效评估与Ψi控制指令发出有密切联系，指令发出要求考虑绩效，即目标优化的需求.P代表整个CSC绩效评估值，假定，其中λi为第i个 Agent在整个CSC中的权重，即第i个Agent对CSC的影响因子.

由以上分析可知，Agent功能活动构成集装箱供应链，Agent特征集保障供应链有效运作.

2.3 能耗优化模型

基于多Agent的CSC模型，通过各Agent间协作寻求整个集装箱供应链的优化配置，而寻优过程与各Agent能力及Agent体间协作程度密不可分.以下就CSC Agent体能力变动而引发Agent体间协同作业进行仿真，以能耗最小为优化目标建立数学模型，多Agent CSC系统见图5.图中:有向线段 TPA(Transport Agent)代表运输 Agent集;节点 TSA(Transfer Agent)代表转运Agent集;O代表发运地;D代表目的地.

图5 多Agent CSC系统

有关模型符号、参数、变量定义如下:S={1，2，3，4，5}表示集装箱运输的 5 个阶段;T={1，2，3}表示每阶段承担相应任务的3个节点;fik表示在阶段i节点k的Agent集装箱实际处理量;uik表示在阶段i节点k的Agent最大集装箱处理量;eik表示在阶段i节点k的Agent处理单位标准箱的能耗(包括燃油消耗、装卸设备使用和资源消耗、占用成本等);fikjl表示从阶段i节点k至阶段j节点l的集装箱实际流量;uikjl表示从阶段i节点k至阶段j节点l的集装箱最大流量;dikjl表示从阶段i节点k至阶段j节点l的运距;eikjl表示从阶段i节点k至阶段j节点l运输单位标准箱、单位距离的能耗;βikjl表示从阶段i节点k至阶段j节点l的能耗分布系数，该系数与运距相关;z为最小能耗.

数学模型为

目标函数(1)由运输功能体和转运功能体能耗构成.根据距离原理，随着运距增加，单位运距能耗呈现逐步降低趋势，并且这种降低趋势趋于平缓，于是在目标函数中引入能耗系数βikjl，并假定βikjl服从负指数分布.式(2)说明从阶段i各节点运至阶段j节点l的箱量之和等于阶段j节点l处理的箱量;式(3)说明阶段i节点k处理的箱量等于自节点k运至阶段j各节点的流量之和;式(4)说明转运节点流入、流出平衡;式(5)说明转运功能Agent处理能力限制，在网络中表现为点容量限制;式(6)说明运输功能Agent运力限制，在网络中表现为弧容量限制;式(7)说明集装箱运输、转运量均为整数.

3 实验研究

表1 发送和接收数量

表2 转运Agent单位能耗

表3 运输Agent单位能耗/运输距离

3.1 Agent能力不受限分析

CSC中运输和转运Agent体能力均不受限时，最优运输路径配置见图6，最低能耗为216 990.

图6 Agent能力不受限时最优运输路径配置

3.2 Agent能力受限分析

转运Agent体由于资源(如时间、人员、设备等)局限，使其提供相关服务过程能力有限.假定转运Agent体能力受限如表4所示，则最优运输路径配置见图7，最低能耗为237 510.

表4 转运Agent能力受限

图7 转运Agent能力受限时最优运输路径配置

在转运Agent能力受限时，运输Agent由于道路、车辆等原因，其能力也会受限，从而使CSC整体运作难度增加.假定运输Agent能力受限情况如表5所示，则最优运输路径配置见图8，最低能耗为327 629.

表5 运输Agent能力受限

图8 转运和运输Agent能力均受限时的最优路径配置

3.3 结果分析

对比分析图6，7和8可得，在CSC结构不变的情况下，Agent能力受限与不受限时的最优运输路径配置(包括运输路线的选择和运量的分配)明显不同;转运和运输Agent能力均受限时，二者路径配置存在部分一致，见图9.

图9 能力受限时路径配置对比分析

图9 中，标有数字的有向实线表示运输Agent体在转运Agent能力受限时与转运、运输Agent能力均受限时活动一致部分;标有数字的圆圈表示转运Agent体在转运 Agent能力受限时与转运、运输Agent均受限时活动一致部分.以上说明:(1)CSC Agent能力变化会引起最优运输路径配置变动;(2)路径配置变动程度与能力受限变化程度有一定关联，通常Agent能力变动较大时，新路径配置方案与原有方案差异较大.

分析不同限制下的能耗可得:(1)Agent能力变动引发其最小能耗变动;(2)能耗变化程度与CSC Agent能力变化程度存在某种联系.通常在原有Agent体结构和处理能力基础上增加某个/些功能体能力限制条件，会引起能耗增加.从本文仿真情况看，随着供应链中Agent限制条件增多，Agent间协作难度加大，可执行选择范围缩小，致使最小能耗增加;当CSC Agent能力变动并非在固有结构能力基础上增加新的限制时，难以确定最小能耗增减情况，因此不能将CSC Agent能力变化简单理解为能耗增加或减少.

综上，CSC Agent能力变动会引发集装箱运输路径选择及运量再分配，引起能耗变化.基于多Agent CSC在某个/些 Agent能力发生变化时，各Agent特征集通过对知识的获取、状态的更新以及Agent间信息的交互实现CSC整体优化.这种优化目标可以是能耗最小、成本最低或者时间最短，也可以是具有双重目标或层次目标，如最小成本最大流、最短时间最大流等.

进一步分析可知，当CSC结构发生变动并引发Agent能力变动时，多Agent CSC能够实现自身结构的调整，并在系统目标框架下合理调配Agent间的任务活动优化任务目标.

4 结束语

本文深入分析集装箱运输系统，针对集装箱运输异地分布、协同作业的复杂性，将多Agent技术引入集装箱运输系统，构建多Agent CSC系统模型，并对模型进行分析.在此基础上，针对集装箱运输能耗问题，进一步建立基于多Agent CSC能耗优化数学模型并进行试验研究.实验数据分析得知，多Agent CSC系统模型有助于CSC Agent体能力变动引发的Agent之间任务协同和目标优化.然而，本文对于多Agent CSC系统模型Agent间协作和通信机制缺乏完备的分析，这有待于今后进一步研究.

［1]FRÉMONT A.Sans transport，pas de mondialisation［C]//Mondialisation，Transports，Logistique.20 September 2007:1-54.

［2]LESSER C，EVDOKIA M.Unclassified TAD/TC/WP(2008)13/FINAL［R].OECD，2009:1-18.

［3]靳志宏，兰辉，孙威，等.集装箱多式联运协调计划的分级优化［J].上海海事大学学报，2010，31(1):21-27.

［4]HU Zhihua.Balancing the efficiencies in container supply chain by goal programming［C]//2009 2nd Int Symp on Knowledge Acquisition and Modeling.Los Alamitos，CA:IEEE Computer Society，2009:340-343.

［5]YANG Bin，HU Zhihua，MENG Yanping，et al.Designing container supply chain by optimizing energy consumption［C]//2009 Int Conf Inform Eng＆ Comput.Wuhan，China:IEEE，2009:1-4.

［6]SEYMOUR L F，LAMBERT-PORTER E，WILLUWEIT L.An RFID adoption framework:a container supply chain analysis［J].Advances in Inform Systems Res，Education ＆ Practice，2008:175-188.

［7]MOHAMMADI S，SEDIGHEH A.Evaluation and justification of RFID implementation in Iran commercial port’s container supply chain(case study:bushehr port)［J].J Ind Manage Studies，2011，8(21):1.

［8]MHONYAI C，SUTHIKARNNARUNAI N，RATTANAWONG W.Container supply chain management:facts，problems，solution［C]//AO S I，DOUGLAS C，GRUNDFEST W S，et al.Proc World Congress Eng ＆ Comput Sci.San Francisco，USA:International Association Engineers，2011.

［9]HU Zhihua，YANG Bin，HUANG Youfang，et al.Visualization framework for container supply chain by information acquisition and presentation technologies［J].J Software，2010，5(11):1236-1242.

［10]罗雄飞，伊晓强，张秀媛.基于多Agent的交通运输枢纽虚拟组织信息集成框架［J].系统工程理论与实践，2002(7):114-117.

［11]张发，赵巧霞.基于多Agent的交通流仿真平台［J].计算机工程，2010，36(1):9-11.

［12]郭建媛，刘军，蒋熙.基于多Agent的铁路运输网分布式仿真环境的研究［J].计算机仿真，2004，21(10):170-173.

［13]舒帆，郑惠强，宓超.集装箱码头集卡Agent通信硬件设计［J].上海海事大学学报，2011，32(1):17-20.

［14]马彩雯，孙光圻.基于Multi-Agent的多式联运各区段分运承运人选择系统［J].上海海事大学学报，2006，27(3):51-54.

［15]张戎，闫攀宇.基于多Agent的集装箱海铁联运信息系统模型［J].同济大学学报:自然科学版，2007，35(1):72-76.

［16]SHARON G，STERN R，GOLDENBERG M，et al.The increasing cost tree search for optimal multi-Agent pathfinding［J].Artificial Intelligence，2012，195:470-495.

多Agent在供应链管理中的应用 篇4

供应链一般分为内部供应链和外部供应链。与内部供应链相比，外部供应链范围大，涉及企业众多，企业间协调更困难。一般研究的供应链管理(SCM)是指外部供应链的管理。

供应链管理实质上就是通过控制协调供应链中的各个实体和其行为，达到降低系统成本，提高产品质量，改善服务水平等目的，从而全面提高企业的核心竞争能力。

随着Internet和电子商务的发展，市场需求的多元化和客户需求的个性化挑战着传统的企业集权式、各自为政的信息系统管理方式，其动态、复杂的环境迫使供应链管理系统需要新的底层支撑体系来控制管理各种技术、工具和适应新的管理模式。随着分布式对象技术和人工智能技术的发展，利用多Agent系统(Multi-agent system，简称MAS)技术来模拟、优化、仿真和控制企业供应链的运行，已经成为研究和实施供应链管理的重要方法之一[1]。面对市场竞争的日趋激烈以及交货期限的压力，企业形成了一个普遍共识：有效的供应链管理是应对这些困难的有效途径。所以建立一个智能系统来有效地感知顾客需求，更好地协助管理供应链系统是非常必要的。如下将对2000年以来国内外在这一领域中的研究作一论述。

1 Agent与Multi-Agent系统

1.1 Agent的定义与性质

在计算机和人工智能领域中，Agent可以看成是一个实体。它通过传感器感知环境，通过效应器作用于环境。Agent为了达到一定的目标，有着自成规律地执行任务的工作模式。著名Agent理论研究者，英国的Wooldridge博士和Jennings教授认为：Agent是一个具有自主性、社会能力、反应性和能动性等性质的基于硬件或(更经常的)基于软件的计算机系统。

1.2 Multi-Agent系统

MAS系统，也称为多智能自主体系统，源自于人工智能中的分布式问题求解。它可以看成是将单个Agent集合起来，通过它们之间的相互作用或相互结合产生更高的智能，能够解决单个智能体不能解决的复杂问题。MAS也通常被称为自组织系统(self-organized systems)，它不需要人为干预而找到最佳解决方案。由于多智能自主体系统对开放、动态的现实环境具有良好的灵活性和适应性，因此在制造领域(如生产调度与控制、车间资源配置、生产管理决策等)得到越来越多的应用。

2 MAS在供应链管理研究中的应用

目前许多学者从不同角度对智能体在供应链管理中的应用进行研究，但是大都还只停留在学术与理论阶段。根据以往学者的研究，进行分类陈述。

2.1 模型建立与仿真

如今在供应链中，基于多Agent建立跨实体的分布式供应链仿真模型已成为该领域的研究热点和新的发展方向。

供应链决策系统面临着两大挑战：来自各个部门或实体的信息非常的分散，凌乱并充满不确定性;现代企业决策中心位于各个不同的部门实体，而他们的决策往往只是从自身的角度来考虑问题，并不从整个供应链的利益最大化出发。针对这样的情况，很多学者通过运用智能体Agent，建立供应链决策系统模型。2002年，Karimi[2]等提出了一个基于多Agent的集成供应链决策支持系统，解决了各部门间或企业间的信息沟通以及决策整合问题。Shen[3]等人建立了一个基于Agent技术的供应链协调模型，用来解决不同部门因分离而缺乏协调和沟通以及不同部门规则不统一等问题。Roger[4]等也提出了一个协调模型，并有效解决了大范围内的实体之间的协调沟通问题，将其应用到全球范围的生产型供应链网络中。孔[5]采用智能Agent技术，模拟了一个分布式Agent的协商环境，从协商机制出发，摒弃目前大多数协商算法将不确定信息公有化的作法，将Agent的偏好及所受的约束看作私有信息。最后，从协商算法上使用了偏好模型的概念，采用了建议的全局偏好评估和冲突消解。

随着全球化，在新技术、新产品和新需求不断涌现的复杂环境下，建立动态环境下的SCM系统显得越来越重要。姚[6]等建立了多Agent动态影响图(Mulit-Agent Dynamic Influence Diagrams, MADIDs)模型，明显降低了计算的复杂性，成功地模拟了动态环境中Agent之间的结构关系，从而克服了多Agent影响图模型(Mulit-A-gent Influence Diagrams, MAIDs)不能对其它Agent建模的不足。赵[7]等从Agent模型角度对供应链进行建模，提出一种可动态加载能力的多Agent模型，并通过实现一个供应链上定单处理流程来说明该模型所具有的良好性质。黄[8]等对动态MAS模型进行分析和验证，通过构造一个电子商务系统的形式化模型，描述了π演算的建模和分析过程。结果表明：π演算不但能描述Agent之间的交互，而且可以对系统的一些关键属性进行分析，如分析系统的死锁性等。

2.2 优化与算法

传统意义上讲，在没有很好协调的情况下，处于供应链上的不同实体会各自为战，只达到自己的最优化而忽视其它组织的优化问题，这就会导致整个供应链系统库存和需求较大的变动。所以，为了降低总成本，良好而有效的沟通协调是必不可少的。此时，Agent技术能解决实体间有效沟通和整体目标最优化的问题。

Huang[9]等用信息共享和系统思维对需求量进行了预测，并采用Agent技术模拟供应链系统并对各个实体库存进行监控。运用Real-coded Genetic Algorithm (RGA)计算了最小订单量，通过需求信息的共享实现了总成本最低化的目标。针对SCM在产品分配方法上历来不注重最佳分配方案问题，Kaihara[10]提出了一个基于供应链运行的虚拟市场(Virtue market)，这个虚拟市场通过分配预定资源解决了产品分配问题，而这些预定资源的分配是根据在虚拟市场中各Agent之间事先自动交互实现的。

2001年，Toshiya Kaihara[11]提出了一个以市场为导向多Agent SCM系统。模拟实验证明：依据经济原理精确设计决策过程能有效地实现产品分销。同是对产品的分销问题，2003年，Toshiya Kaihara[12]建立了一个基于多Agent的拍卖服务器，解决了大量处在动态的货物及服务的分销问题。

2006年，Lin[13]将“订单完成过程”转化成“分布式约束满足问题”(DCSP)，并运用多Agent协调机制成功解决了“分布式约束满足问题”。该系统应用于解决现实工业“订单完成过程中时间冲突问题”，实验表明此系统优于现存的解决方案。

李[14]基于Agent技术，建立了一个生产调度模型，让每个Agent代表不同的资源，如管理、设备、工件、运输与人员，并且负责该资源的控制与调度，实现资源优化配置。闰[15]运用多Agent提出一种新的分布式测控系统动态任务调度算法，该算法采用接收者启动的调度策略，有效地提高了系统效率，节省了时间。廖[16]通过建立基于多Agent分布协同拍卖的动态目标分配算法解决多无人机(Uninhabited Aerial Vehicle, UAV)协同目标分配问题。

目前，主体之间广泛采用协议网络规范，通过对各种资源进行竞价达到优化资源配置，协调计划调度的目的。为了评价供应链各节点企业运营的不确定性、减弱或消除整个供应链的不确定性以及实现供应链整体最优，许多学者还同时引入了基于黑板理论[17]的求解算法。

王[18]提出了基于多Agent技术的半导体生产线动态调度算法。调度时协同考虑了上下游加工中心的信息，达到了优化调度的目的，仿真实验证明了算法的有效性。

2.3 运用与实施

利用智能自主体构建企业的信息基础平台，利用智能自主体作为供应链协调和通信的主体[20]，控制和管理企业供应链的运行，以提高供应链管理的自动化和智能化程度。利用智能自主体跟踪并检测供应链系统数据与环境的变化[2][19]，及时做出分析并得出解决办法。

Jeng[20]等综述了时装工业供应链管理的解决方案，率先提出将多代理系统应用到时装工业SCM领域，解决了整条供应链的运行问题。通过结合semantic web和建立了一个基于多Agent技术的信息交互中心，保证了整个系统信息流通顺畅，从而提高了整个系统的运营效率。

2006年，Jihad Reaidy[21]将多Agent为基础的协商方法应用到动态的、复杂的生产控制体系，通过对不同协商原则的比较和评价，“合作-竞争模式”显现了其优势。孙[22]认为供应链的管理中，解决长鞭效应的有效方法是信息集成。多Agent技术的结合应用为发展信息集成提供了必要条件，从而解决了“局部信息畸变在供应链中被逐级放大”的问题。

为提高服饰企业分销与物流配送管理系统软件开发的效率，根据服饰企业业务流程复杂、繁琐的特点，林[23]提出一种采用多Agent技术构建服饰企业分销与物流配送管理系统的方法。研究了基于多Agent的服饰企业分销与物流配送管理系统，运用Agent技术与面向对象技术相融合的思想，通过将业务流程外化为不同类型的Agent实体，简化了企业业务流程重组的过程，使系统的二次开发更加便利。

孙[24]在基于多Agent集成的敏捷化供应链系统(MASCM)中，实现以MRP II ERP为载体的多Agent有效协作。

SCM强调各个实体间的协同工作，因此Agent是否能够协调地完成预定任务，是多Agent系统应用于SCM的关键问题之一。Agent之间的协调机制可以用多种方法实现，通讯是各Agent获取信息以进行协商与协调必不可少的手段。2005年，郑[25]的研究重点是基于KQML (Knowledge Query and Manipulation Language)的Agent通讯与协调机制在SCM系统中的应用。结合Agent技术的优点，周[26]提出了在CORBA分布式系统平台上的敏捷供应链体系结构。使得企业能及时充分地掌握信息，并作出快速地响应。

潘[27]将多Agent系统应用到物流运输规划的GIS环境中，进行物流路径动态规划的策略，以尽可能地缩短运输时间或运输距离，从而在运输成本降低的同时，客户服务和库存策略也得到改善。

孟[28]认为MAS能够很好地完成动态调整的任务，把MAS运用至供应链物流信息系统，提出了基于MAS的供应链物流信息系统的三层结构，分析了动态协作联盟算法，实现供应链物流信息系统中各个Agent之间的群体协作，组成动态协作联盟。

3 开发供应链管理的Multi-Agent系统的关键技术

3.1 Agent通信语言

运用MAS进行分布式问题求解还是模拟系统模型，其中一个重要的问题就是解决Agent之间的协调(coodination)或合作(cooperation)问题。那么，实现这个目的首要解决的是Agent之间的通信问题。除了必不可少的网络连接作为通信实现的可能性以外，还需要有能使Agent之间通信的共同规则或语言，即ACL (Agents Communication Language)。实现Agent通信的ACL一般有两个，即：KQML (Knowledge Query and Manipulation Language)和FIPA (The Foundation for Intelligent Physical Agents，智能物理Agent基金会)ACL。这两个ACL相当于规定了Agent通信的“信封”格式，而不管Agent之间沟通是基于什么领域的知识或者通信内容使用什么样的语言，像SL (Semantic Language，语义语言)、VB、Java、Delphi、KIF等等只是用来“写信”内容的备用语言[29]。

KQML和FIPA ACL在基本的概念和形式上是比较相像的，只是它们在语义框架上有所区别。另外，两种ACL对于Agent的加入和身份认证以及通信基础设施的支持不同。KQML提供了与之相关的一些原语用来规范基础设施[30]。而FIPA ACL则希望成为一个纯粹的ACL而不提供这类的支持。

3.2 ACL的支持系统及其应用

KQML的支持系统———JATLite，是由斯坦福大学开发的一个Java包。这个系统是建立在Java平台上的多Agent通信支持系统，里面提供了实现KQML的语义接口[28]。然而，JATLite最重要的工作是实现了一个Agent Message Router (AMR)来作为KQML进行通信的基础设施。另外一个支持KQML的系统是InfoSleuth，用来建立一个开放动态环境下异构信息的语义集成机制。在实现通信上，InfoSleuth在原来一般Agent平台增加了一个对话层(Conversation Layer)，所有Agent之间使用KQML的通信都要经过这个对话层。

在FIPA ACL的支撑系统中，JADE是使用最普遍的[4]。它是基于P2P通信架构建立起来用于开发多Agent应用的中间件，也是由Java开发的，并且可以用它来开发多Agent系统，可以在有线、无线网络和普通PC或者移动设备上运行。

4 结语

当前，我国企业正面临着如何加速与世界接轨，参与国际市场竞争这一重大问题，采纳先进技术与管理思想进行企业改造势在必行。结合我国实际情况研究智能化的供应链管理，必将为我国企业的发展提供有效的信息技术解决方案，也将为我国在先进制造技术的研究方面走在世界前列打下基础。同时，基于多智能体的供应链管理是一种全新的管理理念，它是在网络经济的促动下诞生的，因此必然顺应时代潮流，为传统产业带来全新竞争优势，成为传统产业在网络经济环境下的必然选择。

摘要：面对市场竞争的日趋激烈以及交货期限的压力, 企业意识到有效的供应链管理是应对这些困难的有效途径。为此建立一个智能系统来有效感知顾客需求, 更好地协助管理供应链系统是非常必要的。对2000年以后国内外在这一领域中的研究做一论述, 最后简单介绍实现Agent间通信的关键技术与实现平台。

多Agent供应链 篇5

关键词：库存管理；决策支持系统；Agent；多Agent系统

中图分类号：TP315 文献标识码：A 文章编号：1002-3100(2007)11-0027-04

Abstract: Combining the traditional inventory management decision support system with Agent technology, a model for the inventory management intelligent decision support system is put forward based on multi-agent systems. The paper presents the structure of the system, the functions of its subsystems and an example of the Agent's structure as well as the system's working flow. The model can overcome the difficulty in adapting the environmental change and improving the intelligence of the inventory management decision support system. Finally, the main advantages of the inventory management intelligent decision support system are summarized based on Multi-Agent systems technology.

Key words: inventory management; decision support system; Agent; Multi-Agent systems

0引言

库存是物流活动中不可或缺的环节，它具有调节生产和消费，维持各项活动顺畅进行的功能。库存管理是企业物流管理中的一项核心内容，从物流的角度来看，库存管理决策具有风险大、影响大和随机性强等特点。如何经济合理地进行库存决策、提高库存的流转速度和资产的周转率、保证库存系统及企业高效率低成本运作，是企业在激烈的市场竞争中所面临的难题。

近年来，随着分布式人工智能技术发展，Agent技术在决策支持系统中的作用越来越明显，多个智能Agent以协作的方式进行问题求解以及优化和控制成为物流供应链智能集成和决策的重要解决模式。将多Agent技术引入到库存决策系统是决策系统发展的一个很有研究意义的课题，同时也是当前加快我国传统物流向现代物流拓展进程的一个重要课题。基于此，本文在对库存管理决策支持系统分析的基础上，结合Agent技术，提出了基于多Agent的库存管理智能决策支持系统模型，研究了该模型的工作机制。

1库存管理决策支持系统分析

库存管理决策支持系统是在库存管理信息系统的基础上，结合运筹学、管理科学和控制学等知识，充分利用信息技术，及时、准确地反映出当前的库存情况、顾客的需求、准确无误的管理账目，提供库存预测和库存分析所需的信息，并引用大量的数学模型，对大量数据进行各种统计、查询和决策分析，为决策者做出正确的决策提供有利的支持[1]。它实现的功能主要包括出入库管理、自动补货、库存预测、库存预警、储位分配以及深层次信息的挖掘。

传统的库存管理决策支持系统通常采用“四库”结构模型，即数据库、模型库、方法库和知识库。虽然这种结构方式的研究已经取得了较大的成绩，但是仍存在一些不足之处，主要表现在：

（1）人机交互形式存在不足。人机界面提供的支持都是一种固定模式，即对于每个用户都是相同的支持方式，不能保证所提供的服务都能够使用户满意。

（2）顺序计算模式效率不高。在进行决策的过程中是一步一步按照顺序执行的，步骤间不能并行执行，运算效率低。

（3）决策信息的获取。决策信息的提供由用户完成，系统只能利用用户提供的信息进行决策，而不能帮助用户挖掘其它有用的信息；而且当数据量较大时，系统不能自动地从中提取有效的成分，只能用户手工整理[2]。

2Agent技术应用于库存管理决策支持系统的适用性分析

智能物理Agent基金会（FIPA）对Agent的定义为：Agent是一类嵌入环境内的实体，它可以解释反映环境事件的“传感器”数据，并通过执行动作影响环境[3]。多Agent是由多个Agent通过协调机制组成的集合，具有不同目标的多个Agent对其目标、资源等进行合理安排，以协调各自行为，最大限度地实现各自目标，并合作完成共同目标。其中的每个Agent都是一个有目标、行为和领域知识的实体，能作用于自身和环境，并对环境做出反应。

对于库存管理决策支持系统而言，构成系统的各个实体之间既存在错综复杂的制约关系，又具有独立性，在库存管理知识库的作用下通过自主调节，影响整个系统的运行结果[4]。动态变化的环境对库存管理决策支持系统提出了新的要求，加剧了其复杂程度。

多Agent系统是一种自主的分布式系统，以其主动性、反应性和智能性显著，适合于成员自然分布、主体自治、地理位置分散、成员间有灵活性交互需求、处于变化着的系统，为传统上难以有效管理的复杂库存业务提供了一种新的解决方案；多Agent的主动性、反应性使库存管理决策支持系统易于对环境变化做出及时响应，实现与环境的同步调整。从以上的分析可以看出多Agent系统的思想正好满足库存管理决策支持系统开发的需要。

3基于多Agent的库存管理智能决策支持系统模型设计

3.1系统结构

通过对库存管理决策支持系统的分析，抽象出组成系统的Agent，以库存管理决策支持系统结构框架为基础，结合Agent的特点和结构，设计了基于多Agent的库存管理智能决策支持系统框架结构。框架结构从整体上分为四层，从上至下依次分为：控制层、通讯层、功能层和资源层。如图1所示。

3.2系统功能

界面Agent。根据用户需求确定界面的工作方式，接受用户的决策任务，并主动提供服务，在和用户交互共同作用的决策过程中，能够通过不断的学习，获得用户的某些特征知识，从而可以在决策的过程中自主地做出与用户意志相符合的策略。

信息Agent。负责对库存信息进行各种检索和处理，根据需要从信息源检索出决策者需要的信息，以供求解问题的需要，同时还可以对检索到的信息进行加工，实现对库存信息的管理、控制和分类。

管理Agent。掌握系统内所有Agent的情况，包括各种Agent的标识、类型以及功能等，负责将用户和其它Agent提出的决策任务分解成相互依赖程度较低的子任务，并将任务求解的愿望发送给相关的功能层的Agent，各个功能层的Agent将根据自己的能力决定是否接受决策任务或确定决策任务的哪一个部分。

协调Agent。当多用户、多Agent共享同一决策资源而发生冲突时，协调Agent根据各用户或各Agent对资源请求的先后顺序或重要程度，制定协调规划，协调和处理资源共享，解决它们之间的冲突与矛盾，使得各类Agent之间能够协同工作[5]。

通讯Agent。主要负责与系统外部环境以及系统内部其它各Agent进行通讯；接收来自库存管理人员或用户的请求或任务控制信息等，并按照预定规则分发给相应的Agent；同时进行来自系统内部各Agent的信息反馈和库存信息发送。

入库管理Agent。主要任务是当接收到入库订单信息或补货信息时，向库存控制Agent发出请求，并接收其反馈的储位分配建议，完成货品的入库处理；与存量控制Agent交互，得到补货信息[4]。

出库管理Agent。库存控制Agent发送它的实际库存信息给出库管理Agent，出库管理Agent进行按商品物料的批次日期，自动进行出库筛分处理；出库完成后，与库存控制Agent交互，自动更新库存数据库[6]。

库存控制Agent。根据其它Agent的请求做出出入库控制方面的决策。采集某一规定日期的实际库存量信息，与出入库管理Agent交互，接收出入库指令，分析指令内容，确定订单可行性，并向其发送出入库建议指令或缺货信息；与储位管理Agent交互，接收其反馈的储位分配指令。

存量控制Agent。在历史数据的基础上，采用模型库中的库存预测模型，预测未来的库存量，及时动态地更新安全库存信息；定期检查仓库的存储量并提供预警；与入库管理Agent交互，向其发出补货信息。

储位管理Agent。与库存控制Agent交互，当接收到入库指令时，提出储位分配建议，为货物分配储位并计算相关费用，协助入库管理Agent完成货物的入库操作，对于由于出库拣货错误引起的货物重新入库，优先考虑其原始储位。

数据挖掘Agent。实现对数据仓库的维护和各种挖掘手段，接受管理Agent或数据仓库Agent提出的数据请求，应用数据挖掘方法挖掘库存信息间隐含的、未知的、潜在和有用的规律和知识，返回相应的数据给它们；通过界面Agent与用户交互，为用户决策提供辅助支持，并在用户的指导下更新知识库。

数据仓库Agent。将系统的全体数据集成到一起，为决策者提供较全面的数据；对数据、信息和知识进行分析处理，负责确保整个框架的数据可信，并确保其它Agent能从相应的库中获得支持数据。

3.3系统工作流程

系统的工作流程如图2所示。用户通过通讯Agent与界面Agent进行交互，根据界面Agent产生的特定界面提出库存决策任务请求，界面Agent触发管理Agent，管理Agent对其任务进行分解，并向功能层Agent发送信息，询问它们各自能解决该任务的哪些部分；功能层的各个Agent将根据自己的能力确定接受哪些任务，并向管理Agent做出回答，同时告诉界面Agent解决这些任务需要哪些相关的输入信息；界面Agent向信息Agent发送相关的信息请求；功能层Agent通过信息Agent调用相应数据库、模型库、方法库和知识库进行推理，在推理的过程中通过通讯Agent与其它Agent进行协商和相互传递信息，完成相应的库存决策功能。当多Agent协作过程中出现冲突时，由协调Agent进行调解。

3.4库存管理智能决策支持系统Agent结构

库存管理智能决策支持系统中的各类Agent重在模拟人的思维和行为过程，强调行为由其内部状态，即心智状态驱动，在变化的环境中，Agent通过感知改变心智状态，进而做出适应环境的行为。由于任务、职能不同，各类Agent应设计成异构形式[7]。下面以库存控制Agent为例进行说明。

库存控制Agent是完成决策任务的主体，根据分配的任务生成出入库控制方面的决策。库存控制Agent的结构如图3所示。

库存控制Agent是一个七元组，其定义如下：

库存控制Agent=（感知器，通讯机，消息处理机，事务处理机（模型库，方法库，数据库），知识库，推理机，学习机）

其中，事务处理机进行事务的处理，是Agent实现目标的主体，它由模型库、方法库和数据库构成。模型库主要是提供各种决策模型，支持库存控制Agent在实现决策过程中的各种活动，模型主要有单一产品库存决策模型、多品种产品库存决策模型、多级联合库存决策模型、基于库存水平的模型、物品分类模型、储位分配模型、库存预测模型等；方法库存储着系统的各种决策处理方法，协助系统完成问题的识别、生成中间和最终方案等决策活动。算法主要有“公平份额分配准则”方法、ABC分类法、动态规划法、关键因素决策法、经济批量EOQ（Economic Order Quantity）方法、决策树算法、多元统计回归和数据挖掘算法等；数据库存放着物品的存货信息、入库信息、出库信息和储位信息等，数据库中应收集的信息包括货物的编号、品名、种类、数量、重量、体积、存放位置、生产日期、保质期等。

知识库提供求解问题所需要的某些知识和规则，以及提供系统其他Agent运行功能的知识。主要包括经验型知识、常识知识和一些库存运作程序规则和管理规则，如物品出库规则、堆放规则、缺货状态下特殊客户的优先规则等。

通讯机负责Agent的通讯、消息接受和发送，可以传递任务、运行结果和实现知识共享。

推理机是库存控制Agent的核心，根据各Agent的目标、知识和能力，结合数据库中的数据和知识库中的知识，进行推理和决策，作用于消息处理、事务处理等，其做出的决策必须有利于目标的实现。

学习机从Agent的运行过程中总结经验，为知识库增加新的知识，提高适应环境变化的能力。

4基于多Agent的库存管理智能决策支持系统的优点

基于多Agent的库存管理智能决策支持系统具有下列优点：

（1）该系统既保留了库存决策支持系统传统的多库结构，又提供了灵活的Agent组织框架，综合了决策支持系统的特性和Agent特性于一体，能够及时地感知和响应其所处环境的变化，确保了信息交换和处理的及时性，满足了各种动态变化的要求。

（2）界面Agent改善了系统的人机交互形式，通过采用机器学习技术，可以较好地按照不同用户的偏好提供服务，与传统的界面相比，具有了智能性。

（3）系统的各Agent可以通过交互机制建立协作关系，互相协作求解问题，能够动态并行处理复杂的多个任务，提高了系统的处理效率。

（4）将Agent技术引入到数据仓库中进行知识抽取，设计了数据仓库Agent和数据挖掘Agent，利用相应的数据挖掘算法对大量数据进行挖掘，提取其中隐含的有用信息和知识，为用户提供有效的决策支持。

5结束语

本文根据库存管理决策支持系统应用中存在的问题，提出了一种利用Agent技术的库存管理智能决策支持系统开发思路，研究了库存管理决策支持系统中引入Agent技术的适用性，在对库存管理系统分析的基础上，抽象出组成系统的Agent，设计了基于多Agent的库存管理智能决策支持系统框架结构。该结构的实现可有效地突破传统库存管理决策支持系统难以适应动态环境变化的障碍，极大地提高了库存管理决策支持系统的智能性，使其能够根据问题的变化做出适当的自主的调整，满足用户的要求。然而Agent技术在我国的研究和应用尚处于起步阶段，对于Agent技术应用在库存管理方面，只是一种探索，为今后的实践应用提供了一个参考方案。

参考文献：

[1] 罗娟娟. 零售企业库存管理决策支持系统研究[J]. 物流科技，2006,29(8):46-48.

[2] 李英. 多Agent系统及其在预测与智能交通系统中的应用[M]. 上海：华东理工大学出版社，2004.

[3] Barbuceanu M, Teigen R, Fox M S. Agent based design and simulation of supply chain systems[C] // Sixth IEEE Workshops, 1997:36-41.

[4] 贾红雨,等. 库存管理模拟Multi-Agent建模方法研究[J]. 系统仿真学报，2006,18（增刊2）:73-76.

[5] 张荣梅. 智能决策支持系统研究开发与应用[M]. 北京：冶金工业出版社，2003.

[6] 余福茂，王富忠，沈祖志. 基于CORBA技术的多Agent智能库存管理系统[J]. 物流技术，2006(3):82-84.

多Agent供应链 篇6

随着市场全球化的不断发展, 客户在需求方面也变得越来越多样化, 在这种大前提下作为一种新的管理技术—供应链管理产生了, 它是在满足一定的客户服务水平的条件下, 为了使整个供应链系统成本达到最小而把供应商、制造商、仓库、配送中心和渠道商等有效地组织在一起来进行的产品制造、转运、分销及销售的管理方法。供应链仿真主要是指在现有的供应链 基础上建立一些模型, 然后再对照和谐模型进行相应的科学实验, 也就是我们常说的用模型代替真实的供应链的最新研究方法, 所以说供应链仿真技术是优化供应链的重要工具, 并且已经得到了非常广泛的应用。

1 供应链的仿真模型的设计

供应链的中心就是订单信息流, 从而能够使物流跟资金流在这条链上运动起来, 其主要实体包括供应商、生产商、仓库、配送中心和渠道商等, 并且每个实体在制订其本身生产计划时, 都要根据下游的需求作为参考, 从而能够始终站在客户需求的角度去生产。为了能够使供应链多代理模型的建立, 我们可以将企业在内部进行生产服务的过程进行抽象化, 这样可以简单概括为加工、仓储、运输等过程, 从而可以在参照实际生产的基础上将这些过程有机结合起来, 所以我们可以把整个供应链仿真模型看成是一个网状结构, 并且这个一个网状结构是由多个加工、仓储、运输的呢过过程有机结合起来的, 而且在这个仿真模型中, 每个加工、仓储、运输都分别代表着一个个代理, 不同代理之间的各种性质是不相同的, 并且是相互独立完成各自任务的行为过程。

供应链仿真建模的方法主要有三种:一是, 面向过程的仿真建模方法, 该方法主要是在有些通用仿真软件被用于供应链仿真建模上, 这些仿真软件主要包括ARENA、GPSS、SIMPROCESS、TAYLOR II和PROMODEL等;二是, 基于Petri网的仿真建模方法, 该方法主要是被Ikkai充分利用其中的ExSpect工具, 从而建立了产品族的一种供应链模型, 该模型的主要作用是用来对该产品族的各种业务流程的重组情况进行详细分析, 从而对不同的供应链方案作出较为详细的比较说明;三是, 基于系统动力学的仿真建模方法, 该方法是由Minegishi为一个食品供应链的系统动力学仿真模型而建立的, 该方法的主要功能是对供应链的动态行为进行研究, 从而能够作出正确的管理, 系统动力学建模在供应链管理中的详细应用由Angerhofer做了较为详细的综述。

2 分布式供应链仿真系统实现

2.1 Agent 类型

高层体系结构 (High Level Architecture, HLA) 中, 时间推进是在进行协商的时间推进方式下进行的时间推进, 这种时间推进是由联邦运行支撑环境 (Run-time Infrastructure, RTI) 协调联邦成员间进行的, 这种时间推进的最大优势是能够在很大程度上保证联邦执行按照先后顺序来保持物理系统中事件顺序。本文是在以Agent为核心的前提下, 对整个仿真系统中的所有成员进行相互协调, GNS Agent就是核心Agent。下面我们就按照时间管理的状态对各成员Agent进行了详细的划分。

(1) 时间控制成员Agent

时间控制成员Agent的时间推进在很大程度上影响着奇特成员Agent, 但是其他成员Agent的时间推进对他却没有任何影响, 比例:produce Agent、transport Agent。

(2) 时间受限成员Agent

时间受限成员Agent的时间推进对其他成员Agent没有任何影响, 但是其他成员Agent的时间推进对他却有很大的影响, 比如storage Agent。

(3) 时间既控制又受限成员Agent

时间既控制又受限成员Agent的时间推进影响着其他成员Agent的时间推进, 并且成员Agent的时间推进也影响着他的时间推进。

2.2 时间同步机制

由高层体系结构的时间推进体制可以得知, 他的时间管理体制还基本上采用非常保守的仿真形式, 整个系统是由六个基本Agent类组成的, 这六个基本Agent类包括:produce Agent、storageAgent、transport task Agent、produce task Agent、transport Agent和GNS Agent。并且这六个基本Agen都继承了JADE中的Agent的属性和方法。位于最高层主要起协调控制功能的是GNS, 他的主要任务是对其他成员Agent发送的时戳下限 (Lower Bound on Time Stamp, LBTS) 进行接收, 并且将全部的LBTS中的最小值LBTS min计算出来, 进而使所有的成员Agent都能够接收到最小值LBTS mi, 当LBTS min被所有成员Agent接收到后, 就可以将他本身的逻辑时间 (Logical Time, LH) 跟他进行相应的对比, 根据对比的结果从而来确定是否对本次时间推进进行执行, 所以说, 这种时间推进的制度, 能够在很大程度上使仿真因果顺序处于正确的地步。

GNS Agent的推进过程主要包括以下四个步骤:一是, 等待所有的成员Agent的LBTS消息的发送;二是, 将整体最大安全时间推进值LBTS min计算出来;三是, 当新的LBTS min计算出来后, 负责传输给所有的成员Agent;四是, 完成所有步骤后返回到第一步。

成员Agent的推进过程为:

(1) 成员Agent将自己本地的LBTS发送给GNS Agent;

(2) 等待核心GNS Agent将LBTS min回复给自己, 在受到回复后, 需要将LBTS min进行赋值, 然后发送给成员Agent的仿真时钟L time;

(3) 对自身属于那种成员Agent进行判断;

(4) 返回到 (1) 。

3 结论

供应链仿真作为仿真技术中一个新的应用领域, 能够将一些复杂性、不确定的问题准确的解决, 并且已经得到了非常广泛的应用, 具有非常巨大的潜在经济效益。

参考文献

[1]倪建军.基于多Agent复杂系统仿真平台研究[J]-计算机仿真, 2007 (12) .

多Agent供应链 篇7

供应链运行的环境的多样性决定了多Agent电子商务供应链管理系统分布式物理结构。整个供应链管理是一个分布式系统, 最高层是各个企业通过专门企业接口Agent经过Internet连接来进行信息的交互, 内部系统的各种需求和响应都是通过企业接口Agent传送和接收的, 在这一个层面上还有负责整个系统管理的注册服务器、查询服务器和企业知识库;每个企业内部其实相当于一个独立的子系统, 各个职能功能都由职能协调Agent协调各个实体Agent进行系统各个方面的运作;实体Agent是整个系统运行的基础, 各种类型的实体Agent根据自己的能力通过Agent协调, 完成各自的任务。

二、基于多Agent电子商务供应链管理系统模型设计

根据电子商务供应链的特点及企业供应链的业务活动可构造基于多Agent协同的电子商务供应链管理系统, 如图1所示。

此系统结构包含如下具体内容: (1) 电子商务供应链定义工具:定义了企业的业务活动中的基本实体; (2) 领域本体知识模块:通过对基本实体的描述, 构成了企业的领域本体知识; (3) 业务规则模型模块:提供了业务规则模型, 它控制着企业的业务处理流程, 存放在业务数据库之中; (4) 数据引擎模块:数据引擎用来将企业的业务数据、企业的本体知识、业务规则等映射到多Agent系统; (5) 多Agent调度系统模块:多Agent调度系统协调各实体Agent, 实现敏捷化的供应链管理系统。

三、基于多Agent电子商务供应链管理系统模型中不同功能角色Agent分析

多Agent理论为分布式系统提供了一种抽象的分析方法, 它把网络中的人、组织和机器间的交互合作、共同完成工作任务的各种活动描述为Agent间的自主作业活动;供应链是典型的分布式系统, 把供应链视作为由协作的多Agent组成的网络, 每个Agent具有一定的功能, 并可与其他Agent进行协作。在图1的基础上对不同角色Agent进行了进一步的分析, 如图2所示。

其中: (1) 决策Agent:对产品的市场需求做出预测后, 产生决策信息, 传递给计划Agent; (2) 供应商Agent:接受来自采购Agent的物料需求信息, 完成供应商供货信息处理, 并负责与供应商进行谈判以及对供应商的评价; (3) 客户Agent:通过与客户谈判, 确定订单中的产品价格和供货期, 处理客户提出的修改或取消订单的请求;反映整个供应链的需求信息及用户反馈信息; (4) 销售Agent:接收来自客户Agent的消息, 查询库存Agent; (5) 库存Agent:供应链中的分布式库存表现为各类形式的库存, 这些库存分布以不同的状态分布于供应链的不同位置。库存Agent以及时供货和降低库存量为目标, 与采购Agent、制造Agent、销售Agent进行协调工作; (6) 计划Agent:从决策Agent获得市场预测信息, 做出供应链的总体计划, 以及采购、销售、制造计划, 分别传送给采购Agent、销售Agent和制造Agent;负责协调整个供应链中多工厂、多供应商、多配送中心的作业活动; (7) 采购Agent:负责供应链中的物料采购, 决定订购批量和周期, 尽可能降低成本;经质量Agent反馈检验结果后, 确认采购或调整采购数量; (8) 制造Agent:完成制造单元管理、制造单元作业计划制定及进度监控功能。将验收合格的在制品或成品信息传送给库存Agent; (9) 质量Agent:负责原辅材料、产成品及制造过程的质量监督管理, 并把结果反馈给采购Agent及制造Agent, 以确认采购及制造过程。 (10) 运输Agent:从计划Agent处获得运输计划, 负责资源的分配及规划, 产生一系列运输指令, 满足由计划Agen产生的资源流动要求;售后服务Agent:负责接受来自客户的售后反馈信息, 把信息传递给质量Agent, 由质量Agent处理后再回传, 然后把处理结果反馈给客户Agent, 经协商后确定问题解决的方式。 (10) 11

系统中每个Agent有各自的目标和约束条件, 当某个Agent的目标与其他Agent的目标发生冲突时, 就需要进行冲突的协调解决, 以达到SCM系统总体目标。Agent间各种约束条件具体表现为Agent间的各种依赖关系, SCM系统中的多Agent之间存在着各种依赖关系, Agent之间的依赖关系是设计多Agent协调机制的基础。

参考文献

多Agent供应链 篇8

随着全球经济的飞速发展, 消费者需求不断升级, 导致依靠单个企业的力量已无法获取竞争优势。为快速响应市场需求、增加收益和降低成本, 企业之间通过优势互补来提高竞争力, 形成一条供应商、制造商和零售商等自上而下合作的供应链[1,2]。由于供应链具有复杂的动态分布性, 在供应链管理中, 每个成员获取下游公司的订单信息, 根据需求预测和库存进行生产及向上游订货的决策, 需求信息随着供应链自下而上传递, 不可避免地出现逐级放大的现象, 因此从节点企业合作的整体角度研究供应链库存信息共享是很有必要的。

多agent是一组具有自治性、交互性、学习性的分布式智能体, 可以表示供应链的各个功能, 引入多agent系统可以有效解决企业分散、信息不足的问题[3]。在基于多agent的供应链中, 谈判成为企业合作交流的重要方法[4]。Kumar[5]等提出分布式制造环境中自适应的多agent供应链体系, 基于成本、距离和质量进行谈判, 自动选择最好的技术和供应商。Sara[6]等使用多agent系统仿真多阶层供应链, 通过共享信息、预测知识和谈判。以上研究都证明了多agent谈判方法在供应链管理中的有效性。黑板机制允许各方在黑板上分享信息, 是一种信息透明度很高的民主谈判方式, 且黑板机制是一种平行信息共享的数据结构, 能够解决分布式人工智能中多个计算实体的协作问题[7]。

因此, 本文将多Agent系统和黑板机制结合, 建立了一个库存信息共享模型, 并描述了协同确定订单流程, 该模型可以有效地解决供应链企业分散的问题。

2 基于多agent的信息共享模型

本文将供应商生产、采购、物流和销售等均看做独立自主的agent, 它们作为黑板模型中的知识源, 在黑板agent中充分共享信息资源, 由外部的监控agent、分析agent和调度agent等不断调整信息交流过程, 通过agent间的彼此协调, 降低各个节点企业决策放大的可能性, 如图1 所示。

(1) 黑板agent

黑板agent是存储、处理、反馈供应

链信息 (包括订单、库存、运输费用等) 的数据库, 是整个模型的主要工作区。当知识源中agent按照从下游到上游的方式确定各自信息后, 向黑板agent传送, 黑板agent中的控制机构将信息分层次、分类别管理, 并将汇总的信息反馈给分析agent进行分析管理分析。

同时, 供应链中每个agent在黑板上不仅可以看到从下游传来的订单信息, 也能看到最终顾客的需求, 信息的传递从之前的线性转变为网状。

(2) 分析agent

分析agent是模型的核心, 主要接收黑板agent经过整理分类的信息, 根据所有已公示订单上的价格、数量等信息, 针对现有库存和物流信息, 进行评估, 确定现有订单是否过于放大下游需求信息, 并将分析后的结论反馈给调度agent。

(3) 监控agent

监控agent是监测黑板agent中的数据和信息变化, 并及时通知分析agent, 使分析agent获取修改的信息, 这样也是避免黑板agent的工作区出现死锁状态。

(4) 调度agent

调度agent主要由推理机构和调度模块组成, 根据分析a-gent分析后的结果, 使用模式匹配等方法, 判断应该激活知识源中的一个agent, 由调度模块去通知这一agent执行相应的谈判动作。

(5) 知识源

在黑板模型中, 知识源是用来描述几个独立特定问题类的知识。在此模型中, 将问题类分别对应到供应链的原材料供应、制造、物流、采购和销售功能, 并成为相互协调同时彼此分析的agent, 运营供应链的整个流程。同时这些agent可以对供应链上的各个企业的供货、制造和销售等能力和绩效进行评价, 有助于选择合适的合作伙伴。

销售agent主要是将订单信息传给黑板agent和采购a-gent, 并获取最终客户的需求订单信息。如果销售agent被调度agent激活, 就分析后的信息同客户进行谈判, 然后决定是否修改订单。同时, 销售agent要根据历史和目前的信息对客户需求进行预测, 尽可能准确把握市场, 提高订单成交率。

制造agent主要职能是进行产品的生产制造。一方面, 制造agent要尽快分配制造资源, 将所需制造资源数量发给黑板a-gent和采购agent。若制造agent被调度agent激活, 就订货数量、价格等与销售agent进行谈判。另一方面, 制造agent需持续监控生产过程和生产设备的运作, 如果设备出现故障, 制造a-gent将协调生产任务安排。

供应agent负责提供制造产品的原材料。根据制造商的采购agent发来的原材料订货信息, 安排供货, 将供货信息反馈给黑板agent。如果供应agent被调度agent激活, 便同制造agent进行谈判, 以达到双方都可以接受的合理安排。

采购agent负责库存管理和补货决策, 以及联系物流配送。根据销售agent和制造agent发来的订货单的订货数量进行库存查询, 确定补货清单, 选择上游供货企业, 尽可能地达到成本低、交货准时和风险小的最优组合。再将这些信息传给物流a-gent和黑板agent。如果采购agent被调度agent激活, 执行修改补货和供货企业信息的动作。另外, 根据历史和目前的库存及需求信息, 进行提前存货管理。

物流agent主要接收采购agent的发货信息, 负责在供应链各成员之间的送货安排。物流agent依据产品和原材料的需要分配运输资源, 要在低成本、准时交货等约束下, 将运输安排传送给黑板agent。如果物流agent被调度agent激活, 就运输计划在多个供应商、制造商、销售商及配送中心之间进行充分谈判。

3 基于多agent谈判的订单确定流程

当供应链上的各个企业发出订单信息后, 监控agent监测黑板agent中的数据和信息变化, 并及时通知分析agent, 根据所有已公示订单上的价格、数量等信息, 针对现有库存和物流信息, 进行评估, 确定现有订单是否过于放大下游需求信息, 并将分析后的结论反馈给调度agent, 使用模式匹配等方法, 判断应该激活知识源中的一个agent, 执行相应的谈判动作, 重复此过程至达到谈判结果最优化。具体确定订单的谈判流程如图2所示。

4 结束语

供应链企业分散会造成库存增加, 生产低效, 成本提高, 收益减少。为通过解决供应链企业分散的问题来削弱影响, 本文提出将多agent系统和黑板机制结合, 建立了一个库存信息共享框架, 并描述了谈判流程。该框架和流程可以加强供应链协同效果, 提高供应链的整体运行效率。

参考文献

[1]Thomas D, Griffin P.Coordinated supply chain management[J].European Journal of Operational Research, 1996, 94:1-5.

[2]Maloni M, Bemton W.Supply chain partnership:opportunity for operations research[J].European Journal of Operational Research, 1997, 101:419-429.

[3]于丽娜.基于协商的多Agent供应链智能管理系统[J].科技管理研究, 2011 (11) :97-100.

[4]蒋国瑞, 王敬芝.供应链环境下基于库存约束的多agent分析谈判研究[J]计算机应用究, 2008 (6) :1886-1889.

[5]Vikas Kumar, Nishikant Mishra.A Multi-Agent Self Correcting Architecture for Distributed Manufacturing Supply Chain[J].IEEE Systems Journal, 2011 (1) :6-15.

[6]Saberi, Sara, Nookabadi, Ali Shahandeh, Hejazi, S.Reza.Applying Agent-Based System and Negotiation Mechanism in Improvement of Inventory Management and Customer Order Fulfilment in Multi Echelon Supply Chain[J].Arabian Journal for Science and Engineering, 2012 (37) :851-861.

多Agent供应链 篇9

电脑软件和硬件开发引起了智能软件代理的出现。软件代理被认为是一个有目标的实体,能够在一个环境中赋予专业知识与行动。多Agent系统(MAS)适合的领域涉及带有不同目标(可能是冲突)和专有信息的不同人或组织之间的互动。供应链是供应商,工厂,仓库,配送中心和零售商之间通过原料收购,转化,生产并交付给客户的网络。供应链智能管理系统(SCIMC)管理着这些系统组件的合作。在计算世界中,在供应链的各个实体的角色作为不同的代理执行工作。相应地,供应链管理系统转变为一个多Agent系统,其中功能代理之间相互合作,以实现系统的功能。在这方面以往的研究工作大多设置MAS在一个封闭的环境中,也就是说,该系统由固定数量的实体或组件构成,并且都有共同的目标。链组成部分的协调是一个分层调度问题。但是,这不能准确反映供应链的实际情况。第一,供应链中的每个企业都有自己的利益和目标,尽管企业之间可能也有意向互相交易。自身利益的存在使得企业之间很难去把代理塑造成为一个纯粹的调度问题。第二,在真实的商业环境中,企业没有义务在一定时间内保留一条供应链。企业可以根据自己的判断加入或离开供应链。换句话说,必须在一个相对动态的方式合作。为了解决这个问题,本文为供应链管理提出了一个基于协商的MAS的框架。在这个框架中,功能代理商之间并无预设的关系。当订单来了,一个虚拟供应链将会出现在谈判进程中。即使订单已经被接受,链的成分会根据外部形势发生变化的。

本文首先提出基于协商的MAS的框架,其次列出代理谈判行为句,最后给出一个供应链实例。

2 框架

在本节中提出一种多Agent的供应链管理系统(MAS)的框架。这个MAS由异构类型的代理组成, 他们能执行各种不同供应链管理功能,称为功能代理。他们都有一定的系统本体的协议并且使用特定的Agent通信语言(ACL)来进行对话。该系统实体包括处理和交互规则的有关商品信息,例如谈判协议。从广义上讲,功能代理可分为两种类型。一个是用来提供系统的信息并可以与外界交互,称为信息代理。另一种类型的代理是与某些物品有关,例如笔记本电脑是一个供应链中的特殊组成部分。最初,功能代理在系统中可能不知道谁是它在链中的合作方。他们可以通过获得相关信息代理获取潜在谈判伙伴的资料。功能代理可成为自动代理和半自动代理。他们可能是类似CGI的简单程序并且分布于互联网或其他大型网络。每个代理相关的商品知识可以作为建模的一组约束。在谈判过程中,它们之间的相互作用,被建模为协作赋值的变量集的过程。例如,代理人可以协商截止日期和订单数量。日期和数量可能会受到生产方的产能限制。制造商可以评估订单规模和截止日期的不同组合,以找到具有竞争力价格的合格供应商。

在这个框架中,信息代理的数量是预先设定的,负责提供不同的系统信息,例如,谁想销售或者购买笔记本电脑。除了这些代理,其他系统组件是不固定的。功能代理可以按照自己的规则或来自主人的命令加入或离开系统。如果它在链中对其中一个信息代理商展现自己的能力和期望的作用,功能代理可以加入系统。同样,当功能代理要离开,便要通知它注册过的信息代理。没有集权的超级代理或分布式中介能处理代理间的合作。所有这些活动都通过谈判进程发生,无论双方是否在进行商品谈判或解除外部事件引起的合同。当存在以下两种情况之一,一个系统被称为死系统:所有信息代理中没有已注册的代理或者当客户订单到达时,没有虚拟链能建立起来。这个框架是用来模拟一个供应链管理系统遇到的动态情况,这就要求管理系统能灵活组织链。

起初,买方代理从客户获取订单寻找合作伙伴。在他们通过信息代理的帮助知道谁是潜在卖方之后,买方代理将与卖方代理直接洽谈找到符合自己利益的伙伴。相反,卖方代理可以通过搜索信息代理寻找商品生产厂家代理,另一方案是让卖方代理向信息代理张贴要求,等待生产厂家联系。所有这些信息将通过整个系统广播并逐步传播。最后,一个从原材料供应商到零售商代理的虚拟供应链出现了。谈判过程中解决了订单在多Agent系统虚拟链出现的过程中逐步地通过利己主义的代理的约束。这个过程可以描述如下图:

(A代表在供应链中起作用的功能代理, I代表信息代理)

在商业环境下,一个供应链管理系统的功能性被定义为“正确数量的正确的产品在适当的时候(在正确的地方)有着最低的成本”。在本文的研究中,供应链管理系统的功能性已转变为通过功能代理之间的谈判过程在一个多Agent系统中建立虚拟的供应链,其中的命令的限制已完全或部分满足。研究的目标是建立一个基于框架的多Agent系统,并支持基于组件的架构,不同的评估技术可配合使用在这里讨论的谈判协议。正在试验一种评价的技术是基于分布式约束满足的评价系统。同时也尝试探讨了系统的生命周期分析。

3 协商行为句和协议

Agent通信语言(ACL)是一个具有精确定义的语法,语义和语用学的语言,是自主设计和开发软件代理之间通信的基础。功能代理在一个多Agent系统中使用一个普通的功能共同ACL来传递信息,共享知识和与对方谈判。知识查询和操纵语言(KQML)以及Agent通信代理通过智能物理代理以及代理通信语言(FIPA ACL)被广泛来定义,用来研究ACL。他们都提供了一小组行为句用于描述Agent行为,如果新定义的行为句符合ACL的语法和语义的规则,允许用户扩展他们。在KQML中,没有为Agent谈判动作预定义行为句。在智能物理代理或代理通信语言(FIPAACL)中,为总代理的谈判进程提供了行为句,例如建议,CFP等等,但他们并不是能满足我们的目标。例如,有没有行为句来处理第三方谈判。在本节中,我们为多Agent系统处理供应链管理设计了一组谈判行为句。

3.1 行为句定义和选择标准

用来定义谈判行为句的标准如下:

(1)兼容现有行为句。从实践的角度来看,无论是KQML的扩展或FIPA ACL的行为句集都涉及一个类似的过程。由于在FIPAACL中还有一种包含四个谈判行为句的子集,本文选择基于该子集构建谈判行为句集。

(2)基于谈判协议定义新的谈判行为句。没有明确的方法去判断一个特定的扩展标准ACL的优点和缺点,就像难以判断如何在一门人类使用的语言中添加新单词和短语。一些研究试图通过枚举代理行为定义一组完整的谈判行为句可能发生在谈判过程中。代理行为和特殊场合有关,使其很难在不知道的谈判环境或设置细节的情况下描述所有类型的代理行为。这种方法,其实只能类似其他的方法生产不完整的谈判行为句集。考虑到功能性代理商之间的谈判过程,文献中很多行为句不可用。

谈判协议用来组织代理商之间的信息序列。 Agent协商行为取决于谈判在谈判过程中使用的协议。由于为了在多Agent系统中进行供应链管理,只有有限的谈判协议被采用,根据具体协商协议,通过描述代理可能的反应来定义谈判行为句是恰当不过的。这样通过使用定形式工具来建模协议,如CPN,就比较容易验证行为句集的充分性。同时,这种方法避免行为句冗余的问题,并且功能性代理只需要学习一个相对较小组行为句来谈判。

在接下来的两节中,本文将描述两两和第三方协商协议行为句的设计。

3.2 两两谈判协议的协商行为句

为两两的谈判协议而设计的行为句可以直接使用在两个功能代理谈判中。该行为句定义符合FIPA ACL的规范。他们的名称和相应的含义如下表:

最初,一个代理通过发送一个CFP信息到其他代理人开始进行谈判。经过几个回合的建议和反建议的交谈后,当一方接受(或拒绝)对方的建议或终止没有任何进一步的解释谈判进程,两个代理之间的谈判将结束。功能代理没有必要回应每条消息,功能代理完全可以忽略传入的消息。处理丢失的消息或缺乏的反应情况是发送者的责任。

两两协商协议模拟两个人之间的对话,其中一方发送一个问题,另一边发出了一个答复。不同的是在两两协商协议中,我们必须在功能代理接收到消息之后限制响应消息类型,使谈判进程不会成为无关的话题,同时简化了信息处理过程。表2给出了功能代理可能使用的行为句的摘要:

3.3 第三方(拍卖商)谈判协议行为句

当功能代理通过第三方代理(拍卖)谈判时,将使用第三方谈判协议行为句。一些用来定义两两谈判协议的行为句仍然使用该协议,如接受建议,否决建议等。一个新的行为句BID被引入。Bid的语法如下:

在FIPA ACL中,INFORM不包括在谈判进程的行为句中。INFORM被视为协助谈判进程的行为句。具体来说,INFORM是用于在卖方代理和拍卖商之间传输消息:卖方代理通知拍卖商它想卖什么以及它喜欢什么类型的拍卖协议; 拍卖商通知卖方代理拍卖结果。接受建议(拒绝建议)是由拍卖商用于告诉投标人谁赢得(丢失)拍卖了。

最初,功能代理(卖方)通过发送INFORM消息给拍卖商开始发送谈判。此消息包含希望出售的商品和最高理想的价格(或希望买到的最低价格)和首选的拍卖协议。在接收信息后,拍卖商将把它分发给其潜在投标人(假设拍卖商通过查询信息代理知道这些信息),并且按卖方提交的要求组织一次拍卖。经过几个回合的交谈,谈判过程将随着卖方代理和投标方之间达成的协议而结束。拍卖商有责任通知卖家和投标方的赢家和输家。这种情况如下图所示:

4 实例

在本节中,提出一个使用约束来表示功能代理知识的实例,以及这些约束如何应用在提供评价中。在这里,不是提出如何解决整个虚拟供应链中出现的整个约束问题,而是详细解释如何形成链的一部分,即从原料供应商到制造商的部分。假设所有的公司都表示为功能代理, 他们使用的两两谈判协议互相交流。假设C公司拥有生产进度表如下:

其中T代表时间周期和D代表来自供应商的数量。为了讨论方便,我们限制到只有一种X商品,这样的时间表通常是由C公司的制造资源计划系统代理C以在不同时期需要这些数量开始输出。它可能有一个合格供应商的数据库,公司A和B分别代表代理A和代理B。代理C发送一个“提案要求”(CFP)消息给代理A和代理B。当请求C后,代理A和B用约束的形式来答复提案:

供应商A的提案可能是:

第一个约束意味着如果交货预期是在2至4周之间,那么A只能供应X商品600件,单位价格为3.05元。

同样,供应商B的约束为:

代理C将基于所有约束构造一个搜索树如下。如果能找到令人满意的解决办法,代理C将接受一方或供应商A和B双方的建议。如果找不到解决的方法,代理C有以下选择:更改其主进度计划。这就是说,代理C会尽量放松自己的约束,或要求供应商A和B,放宽他们的限制。这种替代会产生对抗信息发给代理A和B。经过几轮谈判,代理C将在代理A和B之间设置一个合作关系。

5 结论

本文提出了基于MAS的供应链管理谈判框架,为两两和第三方协议设计了谈判行为句。设计和实施了基于协商的多Agent系统供应链管理。谈判行为句定义需要进一步完善,如有必要,可以增加新的谈判行为句。 本文用分布式约束满足问题建模了评估过程。许多挑战依然存在。主要研究问题包括:谈判代理,策略以及决定何时放宽限制订单的网络收敛性行为。

参考文献

[1]王伟平,王斌,陈松乔,等.Web检索智能代理中的知识学习研究[J].计算机工程,2002,28(3):38-40

[2]杨庆,翟玉庆.一个基于移动Agent的搜索引擎的并行处理架构[J].计算机工程,2003,29(2):155-157

[3]ANTONOPOULOS,NICK,SALTERLYN.Efficient resoure discoveryin grids and P2P networks[J].Internet Research,2004,14(5)339-346

[4]LIU,KEVIN F R.Agent一based resource discovery architecture forenvironmental emergency management[J].ExPert Systems with Ap-plications,2004,27(1):77-95

[5]王汝传.基于Mobile Agent技术的未来电子商务模式的研究.南京邮电学院学报,2000,20(4):21-24

[6]LAI H,YANG T-C.A System architecture for intelligent browsingon the Web[J].Decision Support Systems,2000(28):219-239

[7]YOKOO M,DURFEE E H,ISHIDA T,et al.The DistributedConstraint Satisfaction Problem:Formalization and Algorithms[C]//IEEE Transaction on knowledge and data Engineering,1998,10(2):673-685

[8]BARBUCEANU M,FOX M S.The Information Agent:An Infra-structure Agent Supporting Collaborative Enterprise Architectures[C]//Proceedings of Third Workshop on Enabling Technologies:Infrastructure for Collaborative Enterprises,Morgantown,West Vir-ginia,IEEE Computer Society Press,1994

多Agent供应链 篇10

1 协同采购模型构建

1.1 建模技术

采用Agent技术构建协同采购模型,其中采购商、服务系统和供应商都抽象为Agent,具备Agent的特性。

1.1.1 个体结构

参与协同采购的企业Agent,具有一定的智能性,把Agent定义为四元组:Agent=<A,E,F,D>。其中A抽象为服务系统执行的行为集,用有穷序列表示为A={a0,a1,...,an-1};E抽象为离散的瞬时环境集,用有穷序列表示为E={e0,e1,...,en-1};F抽象为Agent对环境的感应集,用函数表示为Feel:F→Per,Per表示非空的感应集合,实现了环境到感应的映射;D抽象为动作决策集,用函数表示为Decision:Per→A,Per表示可对环境的感应集和服务系统Agent自身的行为集之和,实现所做的决策。

1.1.2 个体间行为交互

单个Agent具备自治性,Agent间存在社会性[5]。在协同采购环节,采购商根据采购计划向服务系统发送采购请求信息。服务系统对采购请求进行归类合并,向供应商发出招标信息,然后由服务系统收集标书信息,对供应商进行综合排名并提供给采购商。发起者(采购商)向服务系统发送订单请求,服务系统对消息进行验证,向符合要求的采购商发送供应商的综合排名列表。采购商接收到消息后进行选择匹配,匹配成功则发送消息,并等待接收确认消息,否则重新匹配。

1.2 个体模型构建

1.2.1 采购商Agent模型构建

采购商在预测采购需求时,首先整理采购信息,然后生成采购订单并向服务系统发送请求。同时,做好准备接收服务系统提供给它的综合排名。接收排名后,如果不对采购订单进行修改(修改时返回采购订单环节),进入选择匹配供应商环节,匹配成功后进入协同采购环节,如果匹配不成功,重新匹配。在协同的过程中对不满意度进行考核,超出自己所能承受的范围,则退出,不满意度在自己的理想范围内,则进行计算,输出不满意度值。

1.2.2 供应商Agent模型构建

供应商通过接口接收服务系统发布的招标信息,如果参与此环节的利润大于理想利润,则向服务系统投递标书,服务系统会根据综合实力列出排名,发送给采购商,采购商按照采购模块进行事件处理,交易周期完成时宣布结束,否则退出。市场会有潜在供应商在考察此环节的利润,如果发现利润高于自己的目前状况,则加入采购系统,按照供应商事件流程进行操作。

1.2.3 服务系统Agent模型构建

服务系统在协同采购环节是采购商和供应商的媒介,首先接收采购企业的请求,对订单进行归类合并,形成招标信息并对外公告,然后做好接收供应商标书信息的准备。接到标书后对投标企业进行筛选,命令不合格的供应商退出,对符合要求的供应商进行综合排名,通过列表的形式提供给采购企业。其功能有注册、招标、信息交互、规避风险、服务评价。

1.3 Multi-Agent与Web-Service模型映射

Agent和Web Service通过相关规则进行映射,帮助实现了管理科学与信息科学之间的模型转换和集成[6]。整个交互行为由上及下划分为三层,分别是Agent层、服务层及内部操作流程层。

(1)Agent层:采购商、供应商和服务系统在此抽象为Agent。各自的行为封装成消息,依次为采购信息、服务信息、供应信息。Agent可以根据自身的需求和对环境的感知做出决策,映射到服务层。

(2)服务层:服务与Agent之间存在映射关系,服务的粒度由Agent来决定。因此,频繁协作的Agent可以打包成一个服务,来降低复杂性和重复性。

(3)内部操作流程层:内部操作流程采用UML中的时序图,在本层中从左到右分别对应Agent层中的采购商、服务系统及供应商,采购商为活动的发起人。

2 基于Swarm的仿真

在二维空间(80*80)Price World中,随机分布80个采购商(如图1空间中绿色的点)、40个供应商(用红色Agent代表)。图1是没有加入服务系统的仿真结果,系统功能和协同规则如下。

(1)成员特性:在协同的过程中,供应商把价格信息发布到交互平台上,自身不做任何移动。采购商自身携带理想的价格信息,并可以随机移动寻找理想的合作伙伴。

(2)谈判标准:价格是主要的谈判标准。采购商在Price World随机移动的过程中,遇见理想价格的供应商,则停在供应商附近与其协商。

(3)活动规则:每一个供应商周围有八个空格,如果谈判成功,协同的采购商可以随机停留在周围相邻的上、下、左、右、左上、左下、右上、右下八个空格中。

(4)评估标准:不满意度是评估协同采购的标准。不满意度值越低,整个系统协同越优越。

图2加入服务系统Agent(后台处理事件),通过以上实验结果,可以很明显地看出:(1)有更多的采购商较快地找到了最佳合作伙伴;(2)在运行10 000周期后,不满意度降低了0.1。

3 结语

通过运用Agent理论技术和Web Service信息技术的映射,利用Agent进行理论建模,然后映射到服务层面,最后运用Swarm仿真工具进行验证。通过对比,得出服务系统使整个协同采购得到优化的结论。下一步将会把这种思想运用在网状结构集群式供应链的协同采购中,并对企业的加入和退出对系统的影响及产生的风险进行验证与分析。

参考文献

[1]LI Ji-Zi,CL Liu,LI Bai-Xun.Modeling of the Across-chain Inventory Coordination in Cluster Supply Chains[J].Journal of Systems Engineering&Electroni cs,2007,29(9):1479-1483.

[2]Li Ji-zi.Study on Cluster Supply Chain and Its Management[D].Wuhan:Huazhong Agricultural University,2006.

[3]Lin Song.Procurement Cost Management of Manufacturing Enterprises based on the Supply Chain[J].National Business(Theoretical Study),2011:15.

[4]Himmelm an A T.Communities Working Collaboratively for a Change[M].The Himmelman Consulting Group,Minneapolis,1992.

[5]Huiyu Xuan,Fa Zhang.Complex System Simulation and Applications[M].Beijing:Tsinghua University press,2008:110.