一种盐湖化工产业资源配置优化方法、装置和存储介质

1.本发明涉及数据处理技术领域，尤其是一种盐湖化工产业资源配置优化方法、计算机装置及存储介质。


背景技术：

2.盐湖化工产业是重要的化工产业。盐湖化工产业往往无法直接从生产厂直接运输化肥等产品到销售地，这期间需要跨越较大的地理距离，因此在各省地规划选址中转站便成了自然的选择。
3.由于运力的不确定性及订单的不确定性等因素影响，产品订单容易出现无法如期交货等情况，因此盐湖化工产品生产者需要租赁或建立中转站对货物进行仓储缓冲，合理规划生产运输计划以保障所有订单顺利完成。因此，合理制定中转站选址、定容方案，规划产品运输路线、运量计划，充分利用运力资源，减少运输产品与租赁中转站总开销，并避免货运运力资源与中转站空间资源的浪费，具有重要意义。
4.随着最优化理论和深度学习的发展，能通过建立线性规划模型求解一些工业产业运输资源管理问题，其原理是通过加入大量现实约束实现规划目标。目前通过建立线性规划模型求解资源管理的技术同时存在以下缺点：
5.1.使用机器学习进行规划的方案可解释性差，且模型大多没有泛用性和鲁棒性。这是因为影响盐湖化工产业运输因素多取决于供给关系和市场情况，同时也受国家政策和世界时局影响，此类基于训练的机器学习模型也不能推广到一般情况，鲁棒性较差。
6.2.传统的优化方法往往无法适应不确定的环境。往往很难事先确定模型中的某些参数，但对于一些特定的优化问题，其中某个参数的细微扰动就可能导致原本所求得的最优解变得毫无意义。
7.3.目前使用鲁棒优化进行运输选址规划的研究方向较为局限。物流选址运输问题现目前比较成熟的研究都集中在应急救援领域，缺少许多针对国内现实运输问题的鲁棒优化文献。
8.术语解释：
9.线性规划(linear programming)：线性规划是运筹学中较早成熟的一个学科分支，是研究线性约束下的线性目标函数的极值问题的数学理论和方法。目前广泛应用于物流运输、经营管理、工程技术和资源规划等方面，能够在有限的资源下为决策者提供合理的规划，提供科学的规划依据。线性规划通过建立数学模型来解决实际问题，根据影响所要达到目标的因素找到决策变量，由决策变量和目标之间的关系来确定目标函数，然后根据决策变量所限条件来确定约束条件，通过单纯形法等方法求解。
10.对偶理论(duality theory)：对偶理论是研究线性规划中原始问题与对偶问题之间关系的理论。每一个线性规划问题都有一个与之对应的对偶线性规划问题，并同样能通过单纯形法进行求解。原始问题和对偶问题中，对任意一个问题求解都将会对应获得另一线性规划问题的最优解。此外，当对偶问题比原始问题有较少的约束时，求解对偶规划比求
解原始规划要更加简单。
11.随机规划(stochastic programing)：随机规划是规划论的一个分支，是线性规划中存在不确定变量的推广。随机优化研究约束条件中的系数和目标函数中的参数均为随机变量时的线性规划问题，可以根据数学模型求得问题的最优值。在随机规划中，需要对随机变量进行描述，分析其概率分布，此外也需要考虑随机变量的自相关和互相关，因而在理论上和求解方法上都比一般的数学规划复杂。但实际上在求解随机规划时，往往会倾向于将其转化为确定性问题，这样的方法有随机模拟法、样本均值方法(sample average approximation scheme，缩写saa)等，也有如遗传算法和模拟退火算法这样的智能优化算法。随机规划在多种方向均有大量应用，如水库的选址规划、解决资产预算问题、最小费用最大流问题、网络中的最短路问题等等。
12.鲁棒优化(robust optimization)：鲁棒优化是一个目的是求出适用于所有约束条件，使得在最坏情况下的目标函数最优的一种规划方法。数学规划需要输入数据在准确知道的情况下建立模型，并利用已有的数学规划方法得到最优解，这些方法没有考虑到数据不确定性的影响。鲁棒优化针对规划中出现的不确定性变量建立不确定集合，利用相关的优化理论如对偶理论对其进行转化，使得不确定性问题转化为可解的鲁棒对应问题，并给出鲁棒最优解。虽然鲁棒优化是随机优化的补充替换，但是其与随机优化的不同之处在于，后者假设了不确定变量的概率分布，这使得同一个变量在不同值的概率有权重分别，而鲁棒优化中每个值可能都同等重要，使得面向最坏情况下时都能给出一个最保守的结果。鲁棒优化在各个方向都有应用，其发展和应用潜力还有待进一步挖掘。
13.不确定集(uncertainty set)：在鲁棒优化中，不确定集用于限制不确定变量的变化范围，对应类似随机优化中的概率分布。不同的不确定集对结果的影响十分明显，不确定集越精细，对等模型的附加约束就会越多，模型也就越精细，求解也越困难。常见的不确定集有盒式不确定集、椭球不确定集、多面体不确定集等等。
14.线性决策规则(linear decision rule，缩写ldr)：线性决策规则是一种在动态优化模型中，假设当前的决策依赖之前阶段随机变量的决策机制，可以认为这是对决策变量和随机变量之间复杂关系的一种线性近似。线性决策规则旨在降低随机问题的维度。


技术实现要素：

15.针对目前通过建立线性规划模型求解资源管理的技术存在的可解释性差、缺乏泛用性和鲁棒性、无法适应不确定的环境等技术问题，本发明的目的在于提供一种盐湖化工产业资源配置优化方法、计算机装置及存储介质。
16.一方面，本发明实施例包括一种盐湖化工产业资源配置优化方法，包括：
17.获取盐湖化工产业的中转站规划信息和货物经营信息；
18.根据所述中转站规划信息和所述货物经营信息，建立确定性模型；所述确定性模型中包括若干个确定性参数；
19.将所述确定性模型中的部分所述确定性参数替换成为不确定性参数，获得不确定性模型；
20.对所述不确定性模型进行求解，获得中转站规划信息。
21.进一步地，所述中转站规划信息包括：
22.候选中转站编号i的上限i、销地编号j的上限j、系统规划的月数t的上限t、第i个中转站租用空间大小pi、第i个的中转站租赁空间上限
23.所述货物经营信息包括：
24.第t月生产厂运输至第i个中转站的货物数量第t月生产厂运输至第j个销地的货物数量第t月第i个中转站运输至第j个销地的货物数量第t月第i个中转站的货物储存数量第i个中转站的单位空间租金ri、第t月生产厂运输至第i个中转站的单位运费第t月生产厂运输至第j个销地的单位运费第t月第i个中转站运输至第j个订单的单位运费编号为j的销地在第t月的货物需求数常量编号为j的销地在第t月的货物需求数确定参数编号为j的销地在第t月的货物需求数、第t天生产厂到第i个的中转站的运输上限第t天生产厂到第j个的销地的运输上限第t天第i个中转站到第j个销地的运输上限和生产厂在第t月的产能上限e
t
。
25.进一步地，所述根据所述中转站规划信息和所述货物经营信息，建立确定性模型，包括：
26.根据公式
27.min y
[0028][0029]
建立所述确定性模型。
[0030]
进一步地，所述根据所述货物经营信息和所述中转站规划信息，建立确定性模型，还包括：
[0031]
根据公式
[0032][0033][0034][0035][0036][0037][0038][0039][0040][0041]
[0042][0043][0044][0045][0046][0047][0048][0049][0050]
设定所述确定性模型的约束条件。
[0051]
进一步地，所述将所述确定性模型中的部分所述确定性参数替换成为不确定性参数，获得不确定性模型，包括：
[0052]
根据公式
[0053][0054]
设定不确定集所述不确定集中包括不确定性参数dj为下界，为上界，d
θ
为需求量集d的θ分度点值；
[0055]
将所述确定性模型中的确定参数替换为所述不确定性参数
[0056]
进一步地，所述将所述确定性模型中的部分所述确定性参数替换成为不确定性参数，获得不确定性模型，还包括：
[0057]
获取各个销地连续多年的年需求量作为集合元素，构建所述需求量集d。
[0058]
进一步地，所述对所述不确定性模型进行求解，获得中转站规划信息，包括：
[0059]
对所述不确定性模型进行鲁棒对等转换，获得所述不确定性模型的等价模型；
[0060]
对所述等价模型进行求解，代入现实数据，获得中转站选址信息和定容信息。
[0061]
进一步地，所述对所述不确定性模型进行鲁棒对等转换，获得所述不确定性模型的等价模型，包括：
[0062]
通过以下公式，对所述不确定性模型引入线性决策规则：
[0063][0064][0065]
[0066][0067][0068]
其中a,b均非负，且
[0069]
另一方面，本发明实施例还包括一种计算机装置，包括存储器和处理器，所述存储器用于存储至少一个程序，所述处理器用于加载所述至少一个程序以执行实施例中的一种盐湖化工产业资源配置优化方法。
[0070]
另一方面，本发明实施例还包括一种存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行实施例中的一种盐湖化工产业资源配置优化方法。
[0071]
本发明的有益效果是：实施例中的盐湖化工产业资源配置优化方法，建立了一个能够合理制定盐湖化工产业中转站选址、定容方案的决策模型，可以解决产业由于运力的不确定性影响货运计划导致产品订单无法如期交货情况的出现，合理规划生产运输计划以保证所有订单顺利完成；具体地，实施例中的盐湖化工产业资源配置优化方法考虑了不确定性因素，给出了订单需求的不确定性集合，通过设定目标函数(具体可以是最小化运输成本和时间惩罚等)，基于订单历史数据的可变上下限的订单需求不确定集，通过调参控制订单历史数据的保守程度，并能保证通过网格搜索法寻找最优的参数，提出了基于可调决策规则的鲁棒优化模型(不确定性模型)，能够对未来的生产规划和资源调配做出一个提前的预测和规划，在总成本和送达率的表现上能有出色的表现。
附图说明
[0072]
图1为实施例中盐湖化工产业资源配置优化方法的步骤图；
[0073]
图2为实施例中rolling time实验的结果示意图。
具体实施方式
[0074]
本实施例中，建立模型的目标的思路是：当需求和运力时间存在不确定性时，选择最小化总成本，同时惩罚未满足的需求，以确定选址、分配和运输策略；引入鲁棒优化，并提出一种基于订单需求的不确定集，使用调参的方式控制订单需求上下界的保守程度。
[0075]
基于上述思路，参照图1，一种盐湖化工产业资源配置优化方法包括以下步骤：
[0076]
s1.获取盐湖化工产业的中转站规划信息和货物经营信息；
[0077]
s2.根据中转站规划信息和货物经营信息，建立确定性模型；
[0078]
s3.将确定性模型中的部分确定性参数替换成为不确定性参数，获得不确定性模型；
[0079]
s4.对不确定性模型进行求解，获得中转站规划信息。
[0080]
在执行步骤s1-s4之前，考虑到模型运行需要，合理作出以下假设：
[0081]
1.货物的运输以月为时间单位进行。即生产厂和中转站所有的发出货物均在同月发出，中转站和销地所有转入货物均在同月接收。
[0082]
2.训练集中订单需求均在模型的可承受范围内。即不存在极不合理的订单需求，超出模型的最大承受能力。
[0083]
3.只考虑一种最主流的运输方式(99.98％)，例如铁路运输。
[0084]
4.候选中转站地址、各线路每月的运输上限和运输时间已知。
[0085]
5.货物量、中转站租赁量、订单需求量的量纲一致。
[0086]
6.运输过程中没有商品损失。
[0087]
在做不确定模型之前，需要以问题的确定性模型为基础，再逐渐加入不确定因素，具体地，步骤s1-s4中所涉及的参数、状态变量和决策变量如下表所示：
[0088]
表1变量定义
[0089]
[0090][0091]
若无特别声明，上式变量均非负。
[0092]
为了方便表示，用[a；b]代表集合{a,a+1,
…
,b}，且变量的角标如果较多，在可能会产生歧义的情况下，将以逗号隔开。
[0093]
步骤s1中，所获取的中转站规划信息包括：候选中转站编号i的上限i、销地编号j的上限j、系统规划的月数t的上限t、第i个中转站租用空间大小pi、第i个的中转站租赁空间上限所获取的货物经营信息包括：第t月生产厂运输至第i个中转站的货物数量第t月生产厂运输至第j个销地的货物数量第t月第i个中转站运输至第j个销地的货物数量第t月第i个中转站的货物储存数量第i个中转站的单位空间租金ri、第t月生产厂运输至第i个中转站的单位运费第t月生产厂运输至第j个销地的单位运费第t月第i个中转站运输至第j个订单的单位运费编号为j的销地在第t月的货物需求数常量编号为j的销地在第t月的货物需求数确定参数编号为j的销地在第t月的货物需求数、第t天生产厂到第i个的中转站的运输上限第t天生产厂到第j个的销地的运输上限第t天第i个中转站到第j个销地的运输上限和生产厂在第t月的产能上限e
t
。
[0094]
步骤s2的目标是制定一套多周期的中转站选址租赁方案，通过合理地选址和选择租赁容积以最小化成本。在订单信息以及客户需求已知的情况下，可以建立确定性模型。为了使模型结果达到最优，期待其目标函数能求出运输期间的最低成本。因此，该选址确定性模型可设计如式(1.1)所示：
[0095][0096]
(1.1)
[0097]
式(1.1)为确定性模型的目标函数式，包含两项，其中第一项表示中转站总租赁成本，第二项表示总运输成本，这两者之和构成了选址系统的总成本。当该系统运行时，相应的决策变量、状态变量和常数需要服从一定的约束条件。因此，根据以下各式设定确定性模型(1.1)的约束条件：
[0098][0099][0100][0101][0102][0103][0104][0105][0106][0107][0108][0109][0110][0111][0112][0113][0114][0115][0116]
上述约束条件中，各式的意义分别为：
[0117]
约束式(1.2)表示第1月候选中转站的存储量由这个月的运入量和运出量决定；
[0118]
约束式(1.3)表示除第一个月外，候选中转站的存储量等于上个月的剩余储量加上生产厂运入量，再减去运至各个订单的运出量；
[0119]
约束式(1.4)表示销地累积需求量不小于上月需求量加上本月需求量减去本月运入量；
[0120]
约束式(1.5)-(1.7)规定了需求的起始状态和终止状态，其中(1.6)表示来年(也就是13月)也需要将需求量清零；
[0121]
约束式(1.8)-(1.10)限制了本月销地运入量不大于上月销地需求量加上本月需求(在不确定性模型中，本月需求为不确定参数)，即不能提前预知订单以超前运输；不小于上月销地累积需求量，即保证订单需求能在两个月内送达；最后给定了初始状态；
[0122]
约束式(1.11)限制了中转站租赁容积不得大于容积上限；
[0123]
约束式(1.12)和(1.13)限制了中转站本月运入量加上月库存不大于租赁容积，并规定了初始状态；
[0124]
约束式(1.14)和(1.15)限制了中转站本月运出量不大于上月库存加上本月运入量，并规定了初始状态；
[0125]
约束式(1.16)限制了生产厂当月的产能上限；
[0126]
约束式(1.17)-(1.19)限制了货运量不得超出货运上限。
[0127]
接下来执行步骤s3，将确定性模型中的确定变量转化成不确定变量，并建立不确定集。
[0128]
执行步骤s3时，可以设定满足条件的不确定性参数为从而组成不确定集即例如，可以取销地2017-2020年的t月需求建立一个盒式不确定集来表示2021年销地的订单需求。其中，下界dj可以取μ分点的值来表示，上界可以取1-μ分点的值来表示。
[0129]
同时，为了防止不确定集出现过于保守的问题，可以以各个销地四年的年需求量为集合元素构建集合d，取d的θ分度点的值d
θ
作为衡量参考。
[0130]
在获得不确定集之后，将确定性模型中的确定参数替换为不确定性参数从而获得不确定性模型。
[0131]
在执行步骤s4时，可以对不确定性模型引入线性决策规则，根据实际的订单需求对决策变量和状态变量进行变化，如下式所示：
[0132][0133][0134][0135][0136][0137]
其中a,b均非负，且
[0138]
因此，经过鲁棒对等转换之后，模型不确定性模型等价于式以下如式(2.1)-(2.19)所示的等价模型：
[0139]
[0140][0141][0142][0143][0144][0145][0146][0147][0148][0149][0150][0151][0152][0153][0154][0155][0156][0157][0158]
[0159][0160][0161][0162][0163][0164][0165][0166][0167][0168][0169][0170][0171][0172][0173][0174][0175][0176][0177]
[0178][0179][0180][0181][0182][0183][0184][0185][0186][0187][0188][0189][0190][0191][0192][0193][0194][0195][0196][0197][0198][0199]
[0200][0201][0202][0203][0204]
式(2.1)-(2.19)中的各约束的角标范围与确定性模型中的公式一致。
[0205]
对于式(2.1)-(2.19)所示的等价模型，可以使用gurobi进行求解，代入现实数据，便可以得到不同阶段中转站租赁的决策方案。决策方案中，包含确定中转站选址位置的中转站选址信息，以及中转站的容量的定容信息。根据中转站选址信息和定容信息，可以对中转站的位置和容量进行规划，从而能够为盐湖化工产业优化中转站设置方面的资源配置。
[0206]
步骤s1-s4通过鲁棒优化的方法得到了一个基于历史数据的资源配置模型，并在其中添加了系列决策规划，能够对未来的生产规划和资源调配做出一个提前的预测和规划，具体来说，该模型能够基于历史的订单数据来提前决策下一个生产阶段的中转站选址和定容，并结合新的订单数据对运输路线进行相关部署。
[0207]
对步骤s1-s4执行rolling time实验，其结果如图2所示。图2中，条形图表示成本，折线图表示送达率，可见通过执行步骤s1-s4设置的具有特定位置和容量的中转站，能够获得良好的成本和送达率优势。
[0208]
执行三组对照实验，将步骤s1-s4建立的鲁棒的不确定性模型，分别与确定性模型和随机优化模型进行对比，其结果如表2所示。其中对于随机优化模型，使用的是典型的抽样平均方法(saa)，它是一种近年来新兴的求解随机规划的方法，基本方法是用抽样的方法将随机变量用样本表示，从而将随机规划问题转化为确定性问题。最终的对照结果如下表所示：
[0209]
表2不同模型在测试集中的性能表现
[0210][0211]
参照表2，相较于经典的线性规划模型，鲁棒优化模型平均少付出了78万元的成本，且送达率较高，表明鲁棒优化模型具有比确定性模型更好的性能。对于saa模型和鲁棒优化模型，他们具有相近的成本，而送达率鲁棒优化模型要高出2％左右。从结果上看，显然执行步骤s1-s4得到的鲁棒的不确定模型，无论是从租赁和运输成本角度，还是从订单完成率的角度，其结果都优于基于历史数据平均值求解出的确定性模型。
[0212]
综上所述，步骤s1-s4建立了一个能够合理制定盐湖化工产业中转站选址、定容方案的决策模型，可以解决产业由于运力的不确定性影响货运计划导致产品订单无法如期交货情况的出现，合理规划生产运输计划以保证所有订单顺利完成。具体来说，步骤s1-s4针
对盐湖化工产业中转站运输问题，考虑了不确定性因素(例如订单地址、交货时间和交货数量等)，给出了订单需求的不确定性集合，通过设定目标函数(具体可以是最小化运输成本和时间惩罚等)，基于订单历史数据的可变上下限的订单需求不确定集，通过调参控制订单历史数据的保守程度，并能保证通过网格搜索法寻找最优的参数，提出了基于可调决策规则的鲁棒优化模型(不确定性模型)，能够对未来的生产规划和资源调配做出一个提前的预测和规划。加入线性决策规则的可解鲁棒模型可通过使用pyhton语言在计算机上表示，并可以通过gorubi等工具对其结果进行求解，通过真实的订单数据说明了鲁棒优化模型提出的中转站租赁策略所使用的成本和送达率的表现优于确定性模型，因此在总成本和送达率的表现上能有出色的表现。
[0213]
可以通过编写执行本实施例中的一种盐湖化工产业资源配置优化方法的计算机程序，将该计算机程序写入至计算机装置或者存储介质中，当计算机程序被读取出来运行时，执行本实施例中的一种盐湖化工产业资源配置优化方法，从而实现与实施例中的一种盐湖化工产业资源配置优化方法相同的技术效果。
[0214]
需要说明的是，如无特殊说明，当某一特征被称为“固定”、“连接”在另一个特征，它可以直接固定、连接在另一个特征上，也可以间接地固定、连接在另一个特征上。此外，本公开中所使用的上、下、左、右等描述仅仅是相对于附图中本公开各组成部分的相互位置关系来说的。在本公开中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。此外，除非另有定义，本实施例所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。本实施例说明书中所使用的术语只是为了描述具体的实施例，而不是为了限制本发明。本实施例所使用的术语“和/或”包括一个或多个相关的所列项目的任意的组合。
[0215]
应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种元件，但这些元件不应限于这些术语。这些术语仅用来将同一类型的元件彼此区分开。例如，在不脱离本公开范围的情况下，第一元件也可以被称为第二元件，类似地，第二元件也可以被称为第一元件。本实施例所提供的任何以及所有实例或示例性语言(“例如”、“如”等)的使用仅意图更好地说明本发明的实施例，并且除非另外要求，否则不会对本发明的范围施加限制。
[0216]
应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
[0217]
此外，可按任何合适的顺序来执行本实施例描述的过程的操作，除非本实施例另外指示或以其他方式明显地与上下文矛盾。本实施例描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
[0218]
进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包
括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、ram、rom等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本实施例所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。
[0219]
计算机程序能够应用于输入数据以执行本实施例所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。
[0220]
以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。

技术特征：
1.一种盐湖化工产业资源配置优化方法，其特征在于，所述盐湖化工产业资源配置优化方法包括：获取盐湖化工产业的中转站规划信息和货物经营信息；根据所述中转站规划信息和所述货物经营信息，建立确定性模型；所述确定性模型中包括若干个确定性参数；将所述确定性模型中的部分所述确定性参数替换成为不确定性参数，获得不确定性模型；对所述不确定性模型进行求解，获得中转站规划信息。2.根据权利要求1所述的盐湖化工产业资源配置优化方法，其特征在于：所述中转站规划信息包括：候选中转站编号i的上限i、销地编号j的上限j、系统规划的月数t的上限t、第i个中转站租用空间大小pi、第i个的中转站租赁空间上限所述货物经营信息包括：第t月生产厂运输至第i个中转站的货物数量第t月生产厂运输至第j个销地的货物数量第t月第i个中转站运输至第j个销地的货物数量第t月第i个中转站的货物储存数量第i个中转站的单位空间租金r
i
、第t月生产厂运输至第i个中转站的单位运费第t月生产厂运输至第j个销地的单位运费第t月第i个中转站运输至第j个订单的单位运费编号为j的销地在第t月的货物需求数常量编号为j的销地在第t月的货物需求数确定参数编号为j的销地在第t月的货物需求数、第t天生产厂到第i个的中转站的运输上限第t天生产厂到第j个的销地的运输上限第t天第i个中转站到第j个销地的运输上限和生产厂在第t月的产能上限e
t
。3.根据权利要求2所述的盐湖化工产业资源配置优化方法，其特征在于，所述根据所述中转站规划信息和所述货物经营信息，建立确定性模型，包括：根据公式miny建立所述确定性模型。4.根据权利要求3所述的盐湖化工产业资源配置优化方法，其特征在于，所述根据所述货物经营信息和所述中转站规划信息，建立确定性模型，还包括：根据公式根据公式根据公式
设定所述确定性模型的约束条件。5.根据权利要求4所述的盐湖化工产业资源配置优化方法，其特征在于，所述将所述确定性模型中的部分所述确定性参数替换成为不确定性参数，获得不确定性模型，包括：根据公式设定不确定集所述不确定集中包括不确定性参数d
j
为下界，为上界，d
θ
为需求量集d的θ分度点值；将所述确定性模型中的确定参数替换为所述不确定性参数6.根据权利要求5所述的盐湖化工产业资源配置优化方法，其特征在于，所述将所述确定性模型中的部分所述确定性参数替换成为不确定性参数，获得不确定性模型，还包括：获取各个销地连续多年的年需求量作为集合元素，构建所述需求量集d。7.根据权利要求5所述的盐湖化工产业资源配置优化方法，其特征在于，所述对所述不确定性模型进行求解，获得中转站规划信息，包括：对所述不确定性模型进行鲁棒对等转换，获得所述不确定性模型的等价模型；对所述等价模型进行求解，代入现实数据，获得中转站选址信息和定容信息。8.根据权利要求7所述的盐湖化工产业资源配置优化方法，其特征在于，所述对所述不
确定性模型进行鲁棒对等转换，获得所述不确定性模型的等价模型，包括：通过以下公式，对所述不确定性模型引入线性决策规则：通过以下公式，对所述不确定性模型引入线性决策规则：通过以下公式，对所述不确定性模型引入线性决策规则：通过以下公式，对所述不确定性模型引入线性决策规则：通过以下公式，对所述不确定性模型引入线性决策规则：其中a,b均非负，且9.一种计算机装置，其特征在于，包括存储器和处理器，所述存储器用于存储至少一个程序，所述处理器用于加载所述至少一个程序以执行权利要求1-8任一项所述的一种盐湖化工产业资源配置优化方法。10.一种计算机可读存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于执行权利要求1-8任一项所述的一种盐湖化工产业资源配置优化方法。

技术总结
本发明公开了一种盐湖化工产业资源配置优化方法、计算机装置及存储介质，建立了一个能够合理制定盐湖化工产业中转站选址、定容方案的决策模型，可以解决产业由于运力的不确定性影响货运计划导致产品订单无法如期交货情况的出现，合理规划生产运输计划以保证所有订单顺利完成；本发明考虑了不确定性因素，给出了订单需求的不确定性集合，通过设定目标函数，基于订单历史数据的可变上下限的订单需求不确定集，通过调参控制订单历史数据的保守程度，并能保证通过网格搜索法寻找最优的参数，鲁棒优化模型能够对未来的生产规划和资源调配做出一个提前的预测和规划，在总成本和送达率的表现上能有出色的表现。本发明广泛应用于数据处理技术领域。数据处理技术领域。数据处理技术领域。


技术研发人员：姜善成 梁涵 刘棋泽 古博 韩瑜
受保护的技术使用者：中山大学
技术研发日：2023.04.20
技术公布日：2023/7/21