基于多智能体的分销链协同一体化运作建模与流程分析

张庆民　薛恒新　吴春梅

摘 要：预测-计划-调度是分销链运作研究的重要内容，协同一体化的运作模型构建及流程分析有助于优化分销链的管理。在比较了基于对象建模和基于Agent建模的基础上，给出了分销链运作与Agent的对应关系。根据多智能体技术的建模方法和流程，运用该技术对分销链协同一体化的运作模型进行了优化，并给出了基于多智能体技术的预测-计划-调度的智能运作模型，并对该模型的运作流程进行了分析。

关键词：分销链；多智能体；预测-计划-调度；一体化；流程分析

中图分类号：TP18文献标识码：A

文章编号：1002-3100(2009)01-0062-05

Abstract: A forecasting-planning-scheduling is important content of operational research in distribution chain. Structuring of the cooperation integrated operational model and process analyzing are helpful to optimization management in distribution chain. Through comparing object based modeling with agent based modeling, the corresponding relations between distribution chain's operations and agents are given. With modeling method and process of the multi-agent technique, a cooperation integrated operational modeling is optimized and intelligence operational modeling of multi-agent based the forecasting-planning-scheduling is proposed. Finally, the operational process of this model is analysed.

Key words: distribution chain; multi-agent; forecasting-planning-scheduling; integration; process analysis

0引言

由于分销链具有多公司、多层次性、多地点和多交互性等复杂性特点，过去仅仅从运筹学、集中式的角度优化分销链预测-计划-调度的一体化运作存在着不足。因此，我们进一步从智能化、分布式的角度探讨分销链的运作模式。多智能体（Multi-Agent，MA）技术作为一种智能解决手段广泛应用在复杂系统的建模中，它能够自主、协调地工作，并具有自组织能力、学习能力和推理判断能力。该MA也是一个松散耦合的Agent网络，该网络通过合作可以解决超出单个Agent能力或知识的复杂问题。

基于MA技术的分销链/供应链运作管理研究可分为三类：通过建立基于MA技术的高效结构模型管理分销链/供应链，如文献[1]分析了Agent的优点，给出了基于Agent的结构和框架；运用MA技术和其他技术相结合提升供应链的运作效率，如文献[2]通过强化学习和Markov决策探讨Agent的自学习能力；建立基于MA技术的实时、动态交互的智能系统（智能电子商务等）提升其适用性和高效性，如文献[3]通过拍卖方式探讨供应链的动态性和高效性。目前，大多数文献都是单独从智能角度研究预测-计划-调度中的一部分，没有作为一个智能运作整体进行探讨，所以，本文主要探讨基于MA技术的分销链智能一体化运作模型。

1智能一体化运作

分销链智能一体化运作模型是指预测-计划-调度的智能运作（Intelligent Operation for Forecasting-Planning-Scheduling，IOFPS）模型，简称智能运作模型。它是在充分考虑分销链运作的复杂性、动态性、智能性和交互性的基础上，以MA技术为基础，从分布式计算和人工智能的角度出发，在分销链传统预测-计划-调度的基础上，探讨在分销链运作中如何更加高效地管理物流、信息流和降低运行成本而提出的一种新型智能管理模式。

1.1基于对象建模和基于Agent建模

基于对象建模和基于Agent建模是软件工程中探讨较多的话题。当前，分销链、供应链建模大多采用基于对象的建模方式，而基于Agent建模是在传统建模的基础上，采用人工智能、软件工程和复杂性理论所提出的一种新型建模方法。Agent建模是通过对Agent个体描述和MA之间的相互关系和交互通信的实现，使多智能体系统（Multi-Agent System，MAS）呈现出系统的微观和宏观信息特性。MA技术克服了传统解析方法仅仅通过建立一组数学方程得到各影响因素间的关系，从整体上对系统进行分析与描述的不足。根据文献[4]给出的面向对象建模和基于Agent建模两种方式，通过对上述文献的总结得到如表1所示。

1.2分销链和MAS对应转换

为了构建分销链中各公司间物流、信息流以及各公司间的运作与Agent的关系，根据文献[5]、[6]中的关系，表2抽象出分销链与MAS的对应转换。利用转换表中的对应关系，可以模拟分销链中公司的运作过程。在分销链智能运作中我们设置了分销中心Agent、分销链各公司Agent、预测Agent、计划Agent、调度Agent和协同Agent和对应的管理Agent等。

2MAS建模

由于Agent系统的建模是与软件工程密切相关，因此，Agent系统的建模步骤与软件工程的开发有相似之处。文献[7]给出了MAS系统开发的7步法：获取需求、面向Agent的分析、MAS系统构建、Agent内部构建、细节设计、执行和测试。对于后四步工作是从软件设计的角度进行分析的，我们仅对前三步结构建模展开分析，并建立IOFPS模型，涉及到软件开发的后四步我们将在以后的工作中给与探讨。根据文献[8]、[9]对MAS建模思想进行了分析，从系统组织的观点抽象这种建模。基于Agent的建模兼顾了组成系统的Agent的真实物理性状，如自治性、分布性等，也体现了系统的整体性，如MA协作、协同和协调，其最显著的特点是系统中的Agent不再仅是组成系统的零部件，而是具有智能性的个体。

2.1建模步骤

根据MAS系统的开发特点，我们给出了面向Agent建模的步骤，归纳如下：

2.1.1根据现实模型对MAS进行需求分析

面向Agent的需求分析是基于个体的思考方式，通过从下到上的方式获得整个系统的结果。在分析时，尽量遵照现实模型、组织实体和运作模式，对系统中的各种实体或运作进行结构化描述。分析内容包括目标分析、角色分析、角色与角色间的相互关系分析等。

2.1.2划分个体Agent功能

根据现实模型的需求，确立各个个体Agent的目标并分析它们间的关系。由此确定个体Agent在系统中的作用和功能，即对Agent进行角色划分。一般来说，针对不同的应用需要设计不同的Agent功能和结构。Agent的属性包括静态和动态两种：静态属性描述包括智能体名、智能体的IP地址和智能体所属群组等信息；动态属性着重描述那些随时间推移和环境变化而改变的智能体属性。这些Agent在组织中的地位和关系也是不相同的，如控制关系的等级结构、平等关系的扁平结构等。

2.1.3分析Agent间交换

参照BDI模型，Agent的识别包括目标、属性、目标实现的规划、行为、与其他智能体的交互、协作、协调和谈判等内容的设计。实现智能体交互所必需的活动，如交互语言是智能体相互沟通的媒介，协作机制的目标是保证MA之间能协调一致地工作，从而实现系统的设计意图。协调机制的设计是为了克服MA之间的竞争与冲突问题，常用的机制包括合同网和投标拍卖等。

2.1.4MAS系统构建

MAS系统构建[7]的第一个任务是在这个系统中完成该角色的Agent规范，Agent完成这个角色的定义是通过角色的责任和角色目标所决定，设计Agent平台和类型；第二个任务是从软件系统结构的角度出发，设计Agent和Agent关系的可行性和高效性。该软件系统结构是模拟现实生活的角色组织和实际软件之间代沟的第一步；第三个任务包括定义基于该系统的界面、内部逻辑关系和数据信息来源等，定义MA相互协议机制与数据通讯结构。

3MAS模型构建

图1给出了分销链IOFPS的结构模型。从分销链智能结构组成的角度分析，该模型分为三部分：应用层、Agent构建层和数据层。在这三者之间给出了管理Agent和本体Agent。管理Agent负责应用层和Agent构建层的数据、信息传输通信、各Agent之间、各层之间的交互作用，本体Agent在Agent构建层和数据层间完成数据信息的分析、提取和编辑等功能。

应用层提供了管理者（外部环境）与该模型的交互界面。该界面是企业运作状况信息反馈、管理者与该模型有效交互的接口，包括预测界面、计划界面、调度界面、协同界面和数据信号显示等部分。该界面集成了分销链各个公司智能运作优化后的联合预测-计划-调度结果和仿真控制结果。通过该部分可以实现分销链智能运作系统与分销链中的其他系统（财务等）的无缝连接，从而实现分销链运作集成的目标。

Agent构建层是分销链智能运作的主要部分，由预测Agent、计划Agent、调度Agent、协同Agent和本体Agent等组成。Agent之间需要通过ACL语言实现Agent间的通讯交互、网络服务等功能。每一个Agent都能够执行从外部感应信息、智能学习、优化计算和做出决策等动作。外部信息包括相关Agent的通讯信息、分销链库存信息、各种运作需要的初始参数等静态信息和系统运作过程中的动态数据信息。智能学习是Agent的显著特性，如机器学习（Machine Learning，ML）。优化计算是Agent的分析决策过程，如采用人工神经网络（Artificial Neural Network，ANN）和遗传算法（Genetic Algorithm，GA）等优化方法。MA的运作活动最后都需要在仿真分析平台和智能运作平台上通过编程来实现分销链的智能管理和模拟。数据层和一般企业建模的底层数据是类似的，由企业资源计划（Enterprise Resource Planning，ERP）、供应链关系管理（Supply Chain Management，SCM）等管理软件和文档组成的大型数据库，它提供了分销链IOFPS模型所需要的数据和知识来源，通过管理Agent和本体Agent完成数据的传输、转换和共享。

4协同IOFPS模型流程分析

订单是分销链运作过程中的重要标志，生成预测订单、计划订单和调度单是分销链运作过程中的主要任务。订单完成的整个过程包括预测订单生成、协同预测订单生成、汇总预测订单生成到计划订单生成、协同计划订单生成、汇总计划订单生成，再到调度订单生成，直到最后转化为发货单、送货单为止。

4.1预测订单流程图

下面以预测管理模块为例解释智能预测运作流程的过程。图2给出了一个公司的智能预测流程，它由管理Agent触发预测Agent，在预测Agent计算生成预测订单后，把该订单发送给预测部门的管理者。当管理者获得该预测订单时，根据自己的经验做出判断，该订单量是否与经验值相符合。若符合要求，则转到下一步流程，若不符合，在根据当前的环境变化或出现的一些应急事件因素，调整预测Agent中的定性评价指标、初始条件设置或预测算法库等。一旦系统完成预设后，重新启动预测Agent，再经过预测Agent计算后，把生成的预测订单上传给协同Agent。当上层公司接到该订单时，根据整体最优的原则判断该订单量是否符合整个系统的利益。同样，在协同Agent中，通过合理的算法和双方信息的交互和共享，达成一致意见，进行预测订单的汇总。除最下层公司直接根据市场信息确定该公司的需求外，其余公司则还需要根据该公司的库存状况，运用传统的库存原理计算预测订单的值。

4.2一体化运作流程

分销链智能一体化运作流程如图3所示，根据区间功能的不同定义为预测管理、计划管理和调度管理功能模块，并分别给与相应的解释。

预测管理由预测订单生成、协同预测订单生成、汇总预测订单生成三个部分组成。预测订单生成需要分销链中单个个体公司根据市场、自身库存信息和该公司管理者的主观评价信息通过预测Agent进行预测，协同预测订单生成是在上层公司对本公司的预测订单生成的数量不满意或冲突的条件下而产生的，经过两个公司间的协商谈判等方式，根据外界影响因素和协同Agent的信息达成的一致结果。通过上述两步的操作，最后上层公司把所有它所管辖的下层公司的订单进行汇总，完成整个预测管理模块的工作。

计划管理同样由三个部分组成：计划订单生成、协同计划订单生成和汇总计划订单生成。在计划订单生成过程中，需要根据从汇总预测订单生成时间到计划订单生成这个期间的市场波动信息或公司内部的订单信息的变化因素，通过计划Agent确定计划订单生成的订货数量。假若在这期间没有发生太大的变化，那么则不需要触发计划管理模块。计划管理模块中其余的两步的分析与协同预测订单生成和汇总预测订单生成类似的。

调度管理调度问题是在订单计划的基础上，根据有限库存的可利用情况，将订单任务合理分配到各个公司中，并确定各个公司目前的库存状况和预测订单的需求，从整体优化的角度把当前的产品在合适的时间分配到合适的公司中。通过调度Agent，根据约束条件和计划Agent和预测Agent的预算订单量，采用实时优化、学习等方法完成整个分销链的任务分配。

5小结

在物流服务业越来越重要的今天，如何提高分销链公司的运作高效性和智能性是提高公司竞争力的关键因素。智能管理、智能运作作为一个崭新的研究领域，在信息化高度发展的商业环境中将会占有重要的地位。随着智能机器人、智能工程领域和智能控制与仿真理论的研究不断深入，智能管理和运作软件的开发与实现也在进行中，如Repast、SWARM和JADE等智能开发工具将得到了广泛的应用，下一步我们将从软件构建的角度进行探讨，相信在不久的将来智能管理软件将会出现在公司的运作管理中。

参考文献：

[1] Shen W, Kremer, Ulieru M, et al. A collaborative agent based infrastructure for Internet-enabled collaborative enterprise[J].International Journal of Production Research, 2003,41(8):1621-1638.

[2]Pontrandolfo P, Gosavi A, Okogbaa O. G, et al. Global supply chain management: a reinforcement learning approach[J]. International Journal of Production Research，2002,40(6):299-317.

[3] Chen F, Drezner Z, Ryan J. K, et al. Quantifying the bullwhip effect in a simple supply chain: the impact of forecasting lead times, and information[J]. Management Science，2000,46(3):436-443.

[4] Govindu R. Multi-agent systems for supply chain modeling: methodological frameworks[D]. School of Wayne State University, 2006.

[5] Bernon C, Cossentino M, Pavon J. An overview of current trends in European AOSE research[J]. Informatica，2005,29:379

-390.

[6] Yuan Y, LIang T. P, Zhang J. J. Using agent technology to support supply chain management: Potentials and challenges[R]. Michael G. DeGroote School of Business Working，2001:453.

[7] Oluyomi A, Karunasekera S, Sterling L. A comprehensive view of agent-oriented patterns[J]. Autonomous Agents and Multi

-Agent Systems，2007,15:337-377.

[8] 李英，马寿峰. 基于Agent的仿真系统建模[J]. 系统工程学报，2006,21(3):225-230.

[9] 刘坚，于德介，袁少辉,等. 制造信息系统的多智能分析与建模研究[J]. 计算机集成制造系统，2004,10(11):1343-1348.