基于Petri网和Agent的供应链需求预测模型

寇瑜琨，黄梦醒，陈泓宇

（海南大学 信息科学技术学院，海南 海口570228）

0 引 言

需求预测是供应链管理中的关键技术，准确预测供应链的需求是企业面对的一个难点，因此如何选择合适的预测模型是供应链管理中一个重要研究课题［1，2］，大量学者和研究机构对其进行了深入、广泛的研究，提出了许多供应链需求预测模型，取得了一定的研究成果［3］。传统供应链需求预测模型主要有多元线性回归、时间序列等模型［4，5］，多元线性回归模型通过选择影响供应链需求的因子，对供应链需求的未来状态进行预测，其简单、易实现，但预测精度低，预测结果的可靠性差［6］；供应链需求历史数据是按时间先后顺序收集的，是一种典型的时间序列数据，因此时间序列预测模型应用比较广泛，然而多元线性回归和时间序列预测模型均属于线性预测模型，它们假设供应链需求是一种线性增长或下降变化趋势，实际上供应链需求变化十分复杂，具有不确性、非线性等变化特点，因此传统预测模型不能准确预测供应链需求变化规律，实际应用价值不高［7］。随着基于统计学理想的支持向量机等机器算法不断成熟，出现基于支持向量机的供应链需求算法，由于其具有强大的非线性预测能力，泛化能力优异，尤其对于小样本、非线性的供应链需求问题，优势十分明显，一定程度上提高了供应链需求的预测准确性［8］。目前大部分需求预测模型主要针对单级供应链进行建模与预测，忽略了企业之间的互相协作，难以满足现代企业供应链需求预测要求［9］。近些年来，有学者提出供应链协同需求预测模型，从整体角度对企业需求预测进行动态预测，如文献［10］提出了基于多源信息的供应链协同需求预测模型；文献 ［11］提出了基于影响因子的供应链协同预测模型；文献［12］提出了基于Petri网的供应链协同需求预测模型，这些模型可以更加准确描述供应链需求的动态变化，预测结果可以对企业供应链进行优化，提高企业的整体竞争能力。

为了提高企业供应链需求预测的准确性，提出一种基于Petri网和Agent相融全的供应链协同需求预测模型，首先采用Agent建立基本元素，描述企业供应链中的行为规则，然后采用Petri网描述企业供应链动态变化规律，建立企业供应链动态协同需求预测模型，最后采用实验测试其性能。

1 供应链协同需求预测的Agent

1.1 动态协同需求预测的Agent结构选择

Agent是一种处于特定环境中的计算机系统，具有自主性、反应性、主动性和社会性特性，主要包括认知型、反应型和混合型等体系结构，其中多Agent系统 （multi－Agent system，MAS）是一种由多个Agent组成的分布式自主系统，具有个体行为独立自制、个体信息不完全、能力有限、无全局控制、数据分散化和计算异步等特点，其目标是为了解决那些超出每个问题求解器的单独能力，这些问题的求解器就是Agent。从MAS中Agent之间通信、协调角度出发，可将其分为3类结构：集中型结构、分散型结构和联邦型结构，其中联邦型结构平衡了集中式和分布式两种结构的优点和不足，适应分布式MAS复杂、开放的特性，因此本文采用Agent联邦系统建立企业供应链动态协同需求预测模型，多Agent系统结构如图1所示。

图1 联邦型的多Agent系统结构

1.2 Agent联邦的角色划分

在基于Agent联邦的供应链动态协同需求预测过程中，包括配送、订单管理、供应、生产、库存等多个流程，每一个流程都有自己的行为规则，因此供应链需求中的每一个流程就可以抽象成一个Agent，它们之间通过交互、协同运作，在供应链需求相应规则约束下，建立一种供应链动态协同需求预测模型，以企业供应链的竞争力，保证企业的利润最大化。在动态协同需求预测Agent联邦系统的Agent角色通过交互和协同运作，共同完成企业供应链动态协同需求预测，主要包括以下几个Agent角色：

（1）连锁分店Agent（CSA）：主要进行分店的管理，了解分店的销售状态。

（2）配送中心Agent（DCA）：主要对配送中心的划分和设计配送中心的地址。

（3）分销物流中心Agent（LDCA）：主要对物流分销中心进行管理，合理安排物流配送路线和车辆调度，在满足用户需要条件下，使物流配送成本最小化。

（4）供应Agent（SA）：主要对供应进行管理，了解各种产品的销售情况，根据销售做出相应的销售策略。

（5）订单Agent、配送Agent、盘点库存Agent、生产Agent是4种供应链协同需求系统执行角色。

1.3 联邦的角色Agent模型

配送中心对企业供应链动态协同需求预测十分重要，因此以配送中心管理Agent为例，对角色Agent模型的设计进行描述。配送中心主要包括货物的分拣、包装、装卸、流通加工等系列配送的活动，可以虚拟化为大仓库加货的场所，在传统物流系统中，货物处理的速度慢、效率低，难以满足现有企业供应链需求预测的实时性，从而对企业的整个供应链系统产生不利影响。配送中心管理Agent模型如图2所示。从图2可知，在配送中心管理Agent功能相当的多，不仅与管理、预测相关，而且与决策和配送也密切联系。相对于其它业务，配送业务是配送中心管理Agent最重要的业务，其它业务均是在该基础上进行的，如进货、送货，而且它们的行为规则各异。

图2 DCA 的管理Agent模型

2 Agent联邦的Petri网模型

2.1 Petri网

在供应链动态协同需求预测过程，所有Agent通过一定行为规则对自身状态进行识别和改变，最终实现供应链动态协同需求预测系统状态识别，这些动作是一种动态行为，导致需求预测系统状态具有时变性和随机性。Petri网是一种具有严格数学语义的形式化图形建模工具，适合于描述并发、异步和分布式的信息系统，其可以表示为N＝（P，T，F），其中，P 代表库所的集合，T 代表变迁的集合，F 表示有向弧集，具体如图3所示。

图3 Petri的基本元素

2.2 Petri网的变迁规则

令N＝ （P，T，F）是一个网，W 表示弧的权值，则对于一个变迁t∈T，若p∈·t∶M（p）≥W（p，t），则称变迁t在M 下是使能的，记为M ［t＞；若M ［t＞成立，则在标识M 下，称变迁t可以发射，t发射后，产生另一新标识M′，记为MM′，有

网N 从标识M0开始的所有可达标识的集合记为R（N，M0）或M ［t＞，它是一个最小集，即M0∈R（N，M0），M ∈R（N，M0）∧M［t〉M′M′∈R（N，M0）；当且仅当 存 在 标 识M0，M1，…，Mn满 足M0［t1〉…tn〉Mn，σ ＝t1t2…tn为发射序列；若存在标识M 使得M0［σ〉M，则M ＝M0＋CY ，其中C 为关联矩阵，Y 为发射序列矢量。

2.3 管理Agent的Petri网模型

对企业供应链的业务流程进行分析，结合MAS系统灵活建模模式，建立企业供应链动态协同需求预测管理Agent的Petri网模型，具体如下：

（1）当系统收到来自市场的顾客需求信息时，系统将信息发送到管理Agent处，接收到新信息的管理Agent启动会话，开始分析和执行信息。

（2）管理Agent按照收到的不同信息做出不同的决策行为，并且向相应的执行Agent发送执行任务信息，执行Agent完成任务并通知管理Agent执行结果。

（3）企业供应链动态协同需求预测系统利用Petri网描述Agent的不同状态，并且以不同的颜色来区分，变迁则表示状态的转移过程，对消息的处理过程。

综合上述可知，供应链需求预测管理Agent的Petri网模型如图4 所示，由于篇幅有限，只列出配送中心Agent（DSA）和供应Agent（SA）Petri网模型。

2.4 执行Agent的Petri网模型

图4 供应链需求预测管理Agent的Petri网模型

根据企业供应链动态协同需求预测系统的特点，结合Agent联邦和Petri网模型的优点，采用Petri网描述不同业务的状态，利用Petri网参量描述企业生产过程中的时延。配送中心等待货物订单的到来，如果订货信息发送到连锁分店，配送中心就会向库存发送信息，询问能否可以满足订单的相应需求，若满足，则马上执行订单，进行发货配送；若目前库存不能立即满足订单需要，那么就向供应链上一级单位下订单，并等待上级的配送。其中配送中心管理Agent的Petri网模型如图5所示。

图5 配送中心的Petri网模型

图5的相关符号描述见表1。

表1 图5的相关符号描述

3 仿真实验

3.1 仿真环境

为了测试Petri网和Agent的企业供应链需求预测模型的性能，在4核2.8GHz，4GRAM，windows XP的平台上采用VC＋＋进行仿真实验。供应链需求预测系统仿真模型如图6所示，系统由多个Agent组成，它们以协同机制完成企业供应链动态协同需求预测。

图6 企业供应链动态协同需求仿真模型

3.2 结果与分析

3.2.1 供应链需求预测变化态势仿真结果

企业供应链中的各种管理中心的需求预测值变化态势如图7所示。从图7可知，各种管理中心的需求预测结果可以十分准确反映企业供应链动态协同需求预测仿真模型运行情况，如在库存满足订单条件下，可以对连锁分店的需求信息进行发送发货，不然向上一级传递订单信息，实验结果对企业供应链从连锁分店到工厂的初始状态进行验证。

图7 动态协同需求预测仿真实验结果

3.2.2 与其它供应链需求预测模型的性能对比

为了测试本文企业供应链需求预测模型的优越性，选择灰色模型GM （1，1）和支持向量机进行对比实验，数据来自某汽车集团公司的销售量样本数据，它们的预测结果如图8所示，从图8可知，相对于对比模型，本文模型可以更好的拟合汽车集团公司销售量的变化趋势，提高了销售量的预测精度，预测误差更低，这也说明了本文模型可以应用于企业供应链需求预测实际应用中，具有较高的实际应用价值。

图8 不同模型的预测性能对比

在企业供应链动态协同需求预测实际应用中，系统的实时性要求比较高，计算模型的运行时间，其中GM （1，1）平均时间为7.65s，SVM 为10.23s，本文模型为5.27s，因此，本文模型的运行时间相当较少，可以较好满足企业供应链动态协同需求预测实时性要求，可以提高系统运行的效率。

4 结束语

在企业供应链动态协同需求预测过程中，选择合适的预测模型是提高供应链需求预测精度的关键，根据供应链动态协同需求系统的特点，提出一种Petri网和Agent相融合的企业供应链动态协同需求预测模型。首先将企业供应链动态协同需求预测系统抽象为一个由许多Agent组合的复杂系统，并通过Agent之间协同交互描述系流程中的各行为规则，然后采用Petri网描述企业供应链动态变化规律，建立企业供应链动态协同需求预测模型，最后采用仿真对比实验测试其有效性和优越性，仿真结果表明，本文模型可以准确描述企业供应链状态变化特点，而且获得比其它模型更优的预测结果，提高了企业供应链需求预测系统的运行效率，有效降低了供应链的整体运作成本，可以为企业经营和管理者提供有价值的参考意见。

［1］Mehdi Toloo，Soroosh Nalchigar.A new DEA method for supplier selection in presence of both cardinal and ordinal data［J］.Expert Systems with Application， 2011， 38 （11 ）：14726－14731.

［2］Kokangul Ali，Zeynep Susuz.Integrated analytical hierarch process and mathematical programming to supplier selection problem with quantity discount ［J］.Applied Mathematical Modeling，2009，33 （3）：1417－1429.

［3］Lin Chin Tsai，Chen Chie Bein，Ting Ying Chan.An ERP model for supplier selection in electronics industry ［J］.Expert Systems with Applications，2011，38 （3）：1760－1765.

［4］Lam Ka Chi，Tao Ran，Mike Chun.A material supplier selection model for property developers using fuzzy principal component analysis ［J］.Automation in Construction，2010，19（8）：608－618.

［5］GUAN Xu，MA Shihua，YING Danfeng.Research on synchronous supply model with multi－suppliers and one manufacturer under conditions of uncertainty ［J］.Journal of Mechanical Engineering，2011，47 （20）：60－68 （in Chinese）. ［关旭，马士华，应丹丰.不确定条件下的多供应商－单制造商同步供货模型研究 ［J］.机械工程学报，2011，47 （20）：60－68.］

［6］LU Qihui，ZHU Daoli.Research on strategic alliances strategy of quality and information improvement in supply chains ［J］.Journal of Management Sciences in China，2010，13 （10）：79－88 （in Chinese）.［鲁其辉，朱道立.供应链中产品与信息质量改进的战略联盟策略研究 ［J］.管理科学学报，2010，13（10）：79－88.］

［7］XIE Weiguo，SHI Huaji.Demand forecasting with GM （1，1）optimized by game theory in supply chain ［J］.Computer Engineering and Applications，2013，49 （9）：243－246 （in Chinese）.［谢伟国，施化吉.博弈改进的GM （1，1）在供应链需求预测中的应用 ［J］.计算机工程与应用，2013，49（9）：243－246.］

［8］XU Qi，LIU Zheng.SVM－based dual－channel demand forecast model of perishables in the supply chain ［J］.Journal of Systems ＆ Management，2011，25 （2）：220－227 （in Chinese）.［徐琪，刘峥.基于SVM 的短生命周期产品供应链双渠道需求预测模型 ［J］.统管理学报，2011，25 （2）：220－227.］

［9］Sun Liang，Wang Guangchen，Sun Jianzhen.Modeling and analysis of logistics system based on stochastic petri net under supply chain circumstances［J］.Journal of Southwest Jiaotong University（English Edition），2009，17 （3）：253－258.

［10］SHU Tong，CHEN Shou，WANG Shouyang，et al.Supply chain collaborative for feasting approach based on affecting factors［J］.Systems Engineering－Theory ＆Practice，2010，30（8）：1363－1370 （in Chinese）. ［舒彤，陈收，汪寿阳，等.基于影响因子的供应链协同预测方法 ［J］.系统工程理论与实践，2010，30 （8）：1363－1370.］

［11］GUI Huaming，MA Shihua，XIE Lei.The study on supply chain coordination based on consignment stock and demand forecast accuracy improving ［J］.Journal of Mechanical Engineering，2013，9 （3）：100－109 （in Chinese）. ［桂华明，马士华，谢磊.基于寄售和需求预测准确度可提高的供应链协调策略研究 ［J］.机械工程学报，2013，9 （3）：100－109.］

［12］ZHANG Zhiqing，XI Bao，YAN Hong.Petri net－based modeling and analysis of collaborative demand forecasting process［J］.Industrial Engineering Journal，2009，12 （6）：47－51 （in Chinese）.［张志清，西宝，严红.基于Petri网的供应链协同需求预测流程模型 ［J］.工业工程，2009，12（6）：47－51.］