一种基于人工智能的供应链管理方法及系统与流程

本发明属于物流供应管理领域，涉及数据分析技术，具体是一种基于人工智能的供应链管理方法及系统。

背景技术：

1、物流供应链可以理解为一条有机的物流链条，从产品或服务市场需求开始，到满足需求为止的时间范围内所从事的经济活动中所有涉及物流活动的部分所形成的链条；常用的供应链管理方法包括高效消费者响应（ecr）、快速反应（qr）、供应商管理库存（vmi）以及协同规划、预测和补货（cpfr）等；例如，ecr通过合作优化供应链，qr则专注于快速响应消费者需求，缩短产品周期，vmi允许供应商根据销售数据管理库存，优化库存水平；而cpfr则强调供应链各方共同制定预测和补货计划，提高预测准确性。

2、然而，现有技术中的供应链管理方法无法对物流订单进行科学化管理，物流信息无法有效整合出一个配送集群，导致物流订单在执行时的效率低下，消耗过多能源的同时还加重了排放污染；另外，现有技术无法根据能源消耗监测分析来对物流信息整体过程进行动态优化。

3、针对上述技术问题，本技术提出一种解决方案。

技术实现思路

1、本发明的目的在于提供一种基于人工智能的供应链管理方法及系统，用于解决现有技术中无法对物流订单进行科学化管理，导致物流订单在执行时的效率低下的问题；

2、本发明需要解决的技术问题为：如何提供一种可以将物流信息有效整合成配送集群的基于人工智能的供应链管理方法及系统。

3、本发明的目的可以通过以下技术方案实现：

4、一种基于人工智能的供应链管理系统，包括管理平台，所述管理平台通信连接有订单管理模块、消耗监测模块以及优化分析模块；

5、所述订单管理模块用于对物流供应链的订单进行配送管理分析：将管理平台接收到的物流订单标记为管理对象，获取管理对象的管理信息，管理信息包括取货端位置信息、送货端位置信息、货物数量、送货路线以及货物重量，将管理信息中取货端位置与送货端位置直线距离最长的管理对象标记为主干对象，对主干对象的覆盖对象进行标记；为物流执行任务分配ss-sy-qs-qy的送货顺序；

6、所述消耗监测模块用于对物流供应链的物流执行任务的能源消耗状态进行监测分析并得到物流执行任务的监测系数jc；通过监测系数jc对能源消耗状态是否满足要求进行判定；

7、所述优化分析模块用于对监管平台的整体物流能源消耗状态进行优化分析。

8、进一步地，以主干对象取货端位置为圆心、r1为半径画圆，将得到的圆形区域标记为qy，以主干对象送货端位置为圆心、r1为半径画圆，将得到的圆形区域标记为sy，然后将主干对象取货端位置与送货端位置进行连线得到中界线，将取货端位置至送货端位置的配送路线两侧与中界线垂直距离最远的两个点标记为边界点，作出穿过边界点且与中界线相平行的直线并标记为扩散线，将两条扩散线与qy、sy构成的封闭区域标记为沿线区域，在中界线的中点作出一条与扩散线相垂直的直线并将沿线区域分割为两个区域，将靠近取货端位置一侧的区域标记为qs，将靠近送货端位置一侧的区域标记为ss；由qy、sy、qs以及ss构成主干对象的主干区域，将送货端位置与取货端位置均位于主干区域之内的管理对象标记为主干对象的覆盖对象。

9、进一步地，对订单的配送管理分析的具体过程还包括：在一个物流执行任务构建完成后；将主干对象与覆盖对象的管理信息剔除，然后重新对主干对象与覆盖对象进行标记，直至所有的管理对象均构成对应的物流执行任务。

10、进一步地，物流执行任务的监测系数jc的获取过程包括：将物流执行任务内的管理对象标记为监测对象i，i=1，2，……，n，n为正整数，将监测对象i的管理信息中送货路线的距离值标记为距离监测值jli，将监测对象i的管理信息中货物重量值标记为重量监测值zli；

11、通过公式得到物流执行任务的监测系数jc，其中a1、a2以及a3均为比例系数，且a1＞a2＞a3＞1；yh为物流执行任务对应的燃油消耗量。

12、进一步地，对能源消耗状态是否满足要求进行判定的具体过程包括：将监测系数jc与预设的监测阈值jcmin进行比较：若监测系数jc大于等于监测阈值jcmin，则判定物流执行任务的能源消耗状态满足要求，将物流执行任务标记为正常任务；若监测系数jc小于监测阈值jcmin，则判定物流执行任务的能源消耗状态不满足要求，将物流执行任务标记为异常任务；生成监管周期，将监管周期内异常任务的数量与物流执行任务的数量之比标记为异常系数，将异常系数与预设的异常阈值进行比较：若异常系数小于异常阈值，则判定监管周期内整体的物流能源消耗满足要求；若异常系数大于等于异常阈值，则判定监管周期内整体的物流能源消耗不满足要求，生成优化分析信号并将优化分析信号通过管理平台发送至优化分析模块。

13、进一步地，优化分析模块对监管平台的整体物流能源消耗状态进行优化分析的具体过程包括：将异常任务中覆盖对象的配送路线距离值与主干对象的配送路线距离值的比值标记为覆盖对象的枝干比，由所有异常任务中所有覆盖对象的枝干比构成枝干集合，对枝干集合进行清洗处理并通过清洗处理将优化模式标记为缩圈模式或选剔模式。

14、进一步地，对枝干集合进行清洗处理的具体过程包括：对枝干集合进行方差计算得到集中系数，将集中系数与预设的集中阈值进行比较：若集中系数大于等于集中阈值，则将枝干集合中数值最小的枝干比剔除，然后重新计算集中系数，以此类推，直至集中系数小于集中阈值；若集中系数小于集中阈值，清洗处理结束，将剔除的枝干比的最大值标记为标准值，将集中集合中剔除的枝干比的数量标记为剔除值；将剔除值与预设的剔除阈值进行比较：若剔除值小于剔除阈值，则将下一监管周期的优化模式标记为缩圈模式；若剔除值大于等于剔除阈值，则将下一监管周期的优化模式标记为选剔模式。

15、进一步地，采用缩圈模式进行能源消耗状态优化的具体过程包括：在下一监管周期内进行订单管理时，将qy与sy的半径值设置为r2，r=t1*r1，t1为比例系数，且0.85≤t1≤0.95；采用选剔模式进行能源消耗状态优化的具体过程包括：在下一监管周期内进行订单管理时，计算覆盖对象的枝干比，将枝干比小于标准值的覆盖对象从物流执行任务中剔除。

16、一种基于人工智能的供应链管理方法，包括以下步骤：

17、步骤一：用于对物流供应链的订单进行配送管理分析：将管理平台接收到的物流订单标记为管理对象，将管理信息中取货端位置与送货端位置直线距离最长的管理对象标记为主干对象，为主干对象分配对应的覆盖对象，由主干对象与覆盖对象构成一个物流执行任务；

18、步骤二：对物流供应链的物流执行任务的能源消耗状态进行监测分析并得到物流执行任务的监测系数jc，通过监测系数jc将物流执行任务标记为正常任务或异常任务，将监管周期内异常任务的数量与物流执行任务的数量之比标记为异常系数，通过异常系数对整体的物流能源消耗状态是否满足要求进行判定；

19、步骤三：对监管平台的整体物流能源消耗状态进行优化分析：将异常任务中覆盖对象的配送路线距离值与主干对象的配送路线距离值的比值标记为覆盖对象的枝干比，由所有异常任务中所有覆盖对象的枝干比构成枝干集合，对枝干集合进行清洗处理并通过清洗处理将下一监管周期的优化模式标记为选剔模式或缩圈模式。

20、本发明具备下述有益效果：

21、1、通过订单管理模块可以对物流供应链的订单进行配送管理分析，结合每个管理对象的管理信息进行物流执行任务组建，根据得到的物流执行任务以及送货顺序进行货物的配送，降低发车次数以及整体的能源消耗；

22、2、通过消耗监测模块可以对物流供应链的物流执行任务的能源消耗状态进行监测分析，结合物流执行任务内所有管理对象的配送距离与货物重量等参数进行综合分析与计算得到监测系数，从而根据监测系数对物流执行任务进行差异化标记，在整体物流能源消耗状态异常时及时进行反馈和预警；

23、3、通过优化分析模块可以对监管平台的整体物流能源消耗状态进行优化分析，对异常任务中覆盖对象配送距离与主干对象配送距离的比例关系进行统计，然后通过清洗处理对优化模式进行标记，针对不同因素导致的能源消耗异常状态采用不同的优化模式进行优化处理。