论文研究-分销网络RFID使能的CONWIP策略的仿真与优化.pdf,  为了改善供应链分销网络的性能，本文将射频识别（RFID）技术应用到供应链管理中.依据单工厂多阶段生产过程中定量在制品法（CONWIP）控制策略的原理，设计了RFID使能的电子流通卡系统，实现了供应链分销网络RFID使能的CONWIP控制策略，并采用基于仿真的自适应全局最优和声搜索算法（SGHS）对策略中的参数进行优化，
3090 系统工程理论与实践 第37卷 1)产品的储冇并不能增加产品的附加值,所以拉式生产系统将产品的存储视为一种浪费.拉式系统采用 流通卡队列 l1 M In 料 成品 未交付订单队列 →:产品移动;-+:卡片移动;M:第讠个工作中心;I:第讠个库存 图2 CONWIP控制原理 降低库存的方法暴露出企业存在的潜在问题,比如:故障率高、工序的生产力不足等.所以能够发现问题并及 时地解决问题,从而使得企业运行变得更好; 2)从控制系统的实现及系统的优化角度上米说,拉式系统更加容易控制 3)拉式系统有较少的拥挤现象 与其它拉式系统相比, CONWIP又有其独特的优越性,主要表现在下面几个方面: 1)整条生产线使用统一的流通卡,系统更容易实现; 2)能够适应更广泛的环境,尤其是生产多品种、小批量的生产线; 3)当生产线上只生产单一产品时, CONWIP系统比 Kanban系统的平均生产率更高.同样产品需求时 CONWIP系统的生产率较稳定并且具有更低的库存存储水平.并且,当 CONWIP系统和 Kanban系统具 有相同的通过率时, CONWIP系统的在制品数量要低于 Kanban系统的在制品量; 4)对于产品存在显著装设时间的情况,一般不能使用 Kanban系统,而 CONWIP系统通过对产品的生 产进行排序,将装设时间计算在“标准件”的处理时间内,从而可以在该情况下有效运行; 5)当产品需求及服务水平相同时, CONWIP系统比 Kanban系统具有更低的库存水平 另外, CONWIF系统还具有独有的优于推式系统的特性,具体如下所示 1) CONWIP系统与Pus生产系统的主要区别在于库存的管理上,理论上来说,MRP系统的库存量没 有限制,使得Push系统具有非常长的生产提前期,服务水平较低,生产线的在制品数量及库存数量均较高; 2)能够克服推式系统中经常出现的“超时恶性循环问题 2.2RFI使能的 CONWIP控制策略设计 RFI冂使能的 CONWIP控制策略是通过产品的取岀来拉动整个系统运行的,避免了由于市场环境的变 化,造成供应链各节点企业沟通不协调,从而引起多阶段响应时间的延长.物料投入量可以直接依据整个供 应链的空电子流通卡数来决定,同时由于RFI技术能够对所有节点企业的库存数量及供应链中所有途中 运输产品数量的实时精确计量及定位,所以“空流通卡数一流通卡总数一库中存储量一途中运输量”.简 化公式如下 e(t)=c-1(t)-s(t) (1) 其中,E(t)为整个供应链产生的空电子流通卡数,C为供应链总电子流通卡数,I(t)为t时刻供应链中所有 企业的库存量,S(t)为t时刻供应链中的途中运输量.本策略通过调整供应链的流通卡总数来降低库存成 本、提高服务水平. 23RFID使能的 CONWIP策略的数学模型 本文借鉴 CONWIP控制策略在单工厂中的应用,建立了供应链分销网络的RFID使能的 CONWII控 制策略的数学模型,在建立数学模型过程中,首先应考虑到单工厂多阶段生产存储系统与供应链分销网络存 储系统的区别.所以本文具体分析了两种存储系统在运行方式及结构上的区别 第12期 韩晓菊,等:分销网络RFID使能的 CONWIP策略的仿真与优化 3091 1)途中运输时间 单工厂存储系统由于各个工序间距离很近,所以零部件在相邻工序间无运输时间;而供应链中的各个节 点企业广域分布,一般距离较远,所以产品在上下游企业间的运输需要若干天或若干周.因此,在建立数学模 型时,必须考虑到上下游企业问的途中运输量 2)两种存储系统的结构 单工厂生产存储系统的结构为树状,零部件般汇合到同一个下游生产或裝配工序;而供应链存储系统 的结构为网状,由于存在多个分销商及零售商,一个节点企业需要给多个下游企业供货,并且一个下游企业 需要由多个上游节点个业供货,并且单工厂的需求点仅有一个,而供应链中可能有多个最终需求点,所以在 建立供应链分销网络的数学模型时,需要考虑到多个分支企业间的物流分配问题 本文中涉及到的供应链分销网络包括:制造商、分销商及零售商,为了评价各种控制策略对供应链性能 的影响,使用下面的符号和变量 M:供应链中制造商的集合 D:供应链中分销商的集合; F:供应链中零售商的集 k(1,2,…,K):供应链中产品的种类 t(1,2.…,m):系统运行天数; D;由节点供货的下游节点企业集合,∈(MUD); Ux:给节点供货的上游节点全业集合,i∈(DUP); I1k(t):t天节点的第k种产品库存量,∈(MUD∪R); Pk(t):t天节点的第k种产品生产量,∈M ck:节点讠的第k种产品单位储存成本,∈(MUD∪); dk(t):t天节点第k种产品的需求量,i∈(MUD∪R) gk(:t天节点第k种产品的顾客需求量,i∈R; ;k(t):t天节点第k种产品的实际销售量,i∈R Ok(t):t天节点讠第k种产品的缺货量,讠∈R; Osk:节点讠第k种产品缺货时单位产品的损失;∈R; Rk(t):t天节点讠第k种产品的补货量,∈( MUDUR); Sk(t):t天第k种产品由节点发往节点j的产品数量,(,j)是具有定供货关系的节点对 Ak(t):t天第k种产品由节点i到达节点的产品数量,(,j)是具有定供货关系的节点对 a;(t):t天节点向节点供货的比例系数,(,)为具有定供货关系的节点对; βk(t):t天空电子流通卡的分配系数,∈M C;(t):t天由节点i向节点j的所有产品的途中运输量,(,j)为貝有定供货关系的节点对; 7:节点到节点j的运输时间,(,)为具有定供货关系的节点对; TN:供应链中的电子流通卡总数 1)需求量计算 dk(t)=gk(t),i∈R (2) dk()=∑a1()R1k(,i∈(MUD ∈ 下游每一个企业的供货量由供货比例系数来决定,供货比例系数采用移动平均法计算 2)供货比例系数计算 n3()=2i(-1)+a(=2) ∈(MUD) 其中a为常数,并且 3092 系统工程理论与实践 第37卷 3)库存和缺货量计算 对于供应链中零售商,库存和缺货量的计算如下 Iik(t)=Iik(t-1)+2 Ajik()-dik(t), Iik(t-1)+> Ajik(t)>dik(t) ,讠∈R O()=()-(1m(-1)+∑Amk(),m(-1)+∑A()<tk( 当存在缺货情况时,零售商产品的库存量为0. 制造商及分销商,库存计算如下: )=L1k(-1)+∑Ak(0)-∑S;(),∈D Iik(t)-Iik(t-1)+Rik(t)-2 Sijk(t), i 4) CONWIP控制策略 t天结束时刻整个供应链产生的空电子流通卡数为 K APC(t)= NMax-∑∑1k(t)-∑∑∑u( i∈M,D,Rk=1 i∈M,Dj∈D;T=1 则t+1天的初始时刻,各个制造商的第k种产品的补货量即生产量为 (t+1)=Rik(t+1)=Bik(t)APC(t). iEM 其中,分配系数k(t)的自学习公式为 ∈D (t-1) 3k(t)-pk(t-1)+(1-p i∈M i∈M∑D,∑k=1Sk(t-1) 式中p为记忆系数.仿真实验中p-0.95 5)发货量计算 利用RFI订单能够实时的到达上游节点,则t天初始时刻,各个分销商到零售商的发货量为 aig Rik(t), lin(t-1)+2Ajik(t)>d I1k(t-1)+∑A1k(t)+;R1(,el,∈D (12) dik (t) 各个制造商到分销商的发货量为 aii(t Rik(t), Iik(t-1)+Pik(t)>dik (t) (1ik(t-1)+Pk(t) (tRik t 6)到货量及途中运输量 A1k()=k(t-T;) k(t-()→k(t-a+1),a (15) Wijk(t)=Sijk: (t) (16) ,)为具有定供货关系的节点对上述式子说明了两个节点之间的运输过程 3系统的评价指标及基于仿真的SGHS方法 31系统性能评价指标 为了评价各种控制策略的性能,本文采用的评价指标分别为:总库存成本E、总缺货损失Es、系统的 总成本Er以及顾客满意率F,系统运行一个周期的总库存成本为 C (17 t=1i∈R,D,Mk=1 第12期 韩晓菊,等:分销网络RFID使能的 CONWIP策略的仿真与优化 309 系统运行一个周期的总缺货损失为: Es=∑∑∑OsOk() t=1i∈Rk=1 供应链的满意率仅考虑最终节点的满意率(即供应链的服务水平) F 100% (19) 1∑∈R∑k=19i(t) 仿真系统的目标函数即系统运行一个周期的总成本: Ilin Er= min(Er Es 无论是单产品还是多种产品的情况,上述公式正确的运算顺序均为从下游节点到上游节点,由零售商到 分销商再到制造商.对于供应链中的每个节点,变量的计算顺序为: 需求量—到货量/途中量—库存量/缺货量一→补货量一发货量 图3变量计算顺序 选定 CONWIP控制策略后,根据上述递推公式仿真分销系统从1天至T天的运作情况,累加得到供应 链的库存成本和缺货损失,最后将两者相加得到日标值 3.2系统仿真模型的实现 为了比较各种控制策略对供应链性能的影响;夲文釆用面向对象编程技术开发了供应链分销网络仿真实 验系统.由于系统中事件类型较少、事件关系比较简单,因此仿真方法采用事件调度法.构造仿真模型的基 本步骤 1)确定控制变量、状态变量和统计变量; 2)确定系统中存在的事件,编写相应程序; 3)确定未来事件表 4)确定事件的优先权 其中系统的控制变量为:供应链电子流通卡总数及每个零售商、分销商的订货提前期,状态变量为各企 业库存量及途中运输量;统计变量为总库存成本、总缺货损失、总运行成本及满意率 本系统采用面向对象编程技术,后台语言采用C#,前台开发工具 Microsoft visual studio2010,主要包 括顾客类、零售商类、分销商类以及制造商类,类的成员变量包括各状态变量和统计变量,各变量随着事件 的执行进行更新,整个程序结构清晰,较好地实现了仿真模型并可以比较容易地根据实际情况对相应程序进 行修改 33基于仿真的SGHS方法 和声搜索算法HS( Harmony Search)是一种新颖的启发式方法,HS算法模仿音乐的演奏过程,在音乐的 演奏过程中演奏者们希望得到一个完美的和声,而最优算法是为了寻找由目标函数值所决定的最佳状态.在 音乐的演奏过程中,演奏者们凭借各自的记忆,反复调整各个乐器的音调达到一个动听的和声状态.而HS 算法中,优化问题中的每一个变量类似于一种乐器,各变量的值相当于乐器的音调,最优化问题的解向量类 似于各种乐器音调的集合,目标函数相当于音乐的美学评价9.与早期的智能优化算法相比,HS算法可调 参数少并且在很多工程应用优化问题中比较谷易实现.另外,算法对问题决策变量的初值不敏感,从而使得 该算法有效避免陷入局部最优.HS算法新冋量的产生为:根据记忆库中所有巳存在的向量,基于和声记忆库 保留概率(HMCR)与和声记忆库音调扰动概率(PAR)产生,这与传统的智能优化方法存在明显的不同,例 如遗传算法是通过两个母向量产生新的解向量.而且,HS算法使用基于HMCR和PAR的随机搜索方法来 代替传统的梯度搜索方法,所以该算法不需要导数信息.以上这些特性増加了算法的灵活性并且能够找到问 题的最优解20-2 但是.HS算法存在一些缺点,尤其是它的局部搜索能力较差,它的参数对搜索性能有很大的影响,所以 参数很难确定.为了克服这些缺点,很多学者对HS算法做了改进.本文根据求解问题的特点,选择了一种改 3094 系统工程理论与实践 第37卷 进的HS算法即自适应全局最优和声搜索算法(SGHS)作为上层优化算法23.该算法使用一种新的更新解 向量机制并且采用自适应方法完成参数设置 RFID使能的 CONWIP策略的决策变量为每个零售商及分销商的订货提前期及供应链的电子流通卡 总数:算法迭代终止条件即迭代次数Nmax=10 在所建立的仿真模型的基础上,将仿真模型与SGIS算法相结合,得到本文基于仿真的SGIS方法步骤 如下 步骤1设置算法的相应参数,其中包括:和声记忆库中解向量的个数(HMS),设解向量个数为m,m应 远小于所有可行解数目;和声记忆库保留概率(HMCR- harmony IneInory considering rate),即产生的新 解中每一个变量保留记忆库中解的概率;和声记忆库音调扰动概率(PAR- pitch adjusting rate),即对新解 当中的部分解进行局部扰动的概率;带宽(BW);最大迭代次数(Nax),即停止运行的条件以及LEP 步骤2初始化记忆库,依据式(21)随机生成初始记忆库,即X=(1,m2,…,rm),其中决策变量个 数为m,设置一个迭代计数器lep,并令lep=1;产生的初始记忆库如式(22)所示 x=xL+(xU-xL)×r,=1,2,…,HMS,j=1,2,…,7 其中L≤;≤xU,r为0到1间的随机数; 1.1 HM 2.n (22) HMS,1HMS,2…THMS,n 步骤3对记忆库中的每个解向量代入仿真模型进行仿真计算,即将ⅹ输入到仿真模型中,得到每个解 向量的当前适应值,即目标函数供应链总成本 步骤4根据均值,即 HMCR及PARm以及标准差,生成HMCR及PAR的值;并根据 BW及 BWin计算得到BW值 步骤5产生新的解向量,即X=(x1,x2,…,xn),设原记忆库中最好的解向量为 XBest,其值为 XBest=(xB,1,xB,2,…,3Bn);并将新的解向量代到仿真模型中计算它所对应的适应值.产生新解的具体过 程如下所示 for (j=1 to n) if (r1<HMCR) theIl ∈{x1,±7oxB,2,士 r'o x Bw,…HMs,± ro x Bn} if (r2<PAR)then B,k,k∈(1,2,…,m) end if else +73×( nax x1).m0,1,2,73∈(0,1 end for 步骤6如果新的解向量所对应的供应链总成本小于记忆库中最坏的解向量所计算的目标函数值,则更 新记忆库,使得 Worst=Xnen,并记录HMCR及PAR值; 步骤7判断lep的值,如果lep=LEP,则重新计算HMCR及PAR的均值,否则,lcp=lqp+1; 步骤8检査终止条件,如果不满足迭代100次的终止条件,转到步骤4;否则,输出最好的解向量并代 入仿真模型得到各个统计变量,迭代停止. 4仿真结果及分析 利用本文开发的供应链分销网络系统的仿真平台,对多种结构多组参数的供应链分销网络案例进行了仿 真实验.限于篇幅,以图4为例进行说明 第12期 韩晓菊,等:分销网络RFID使能的 CONWIP策略的仿真与优化 3095 运行总成本/元 2000 MI RI 1500 DI 1000 M2 R2 D2 500 M3 R3 ≌日8洞下S8 图4供应链分销网络三级库存仿真实例 迭代次数/次 图5运行成本随迭代次数的变化曲线 41SGHS算法参数设置 使用SGHS算法时,需要确定四个参数,即:HMS、HMCR、PAR及BW.HMS一般为使用者根据具体 的问题指定的固定值,本文HMS设置为10.另外的三个值采用自学习或动态自适应的方法,确定方法如下 1)HMGR及PAR的确定 HMCR、PAR分别为保留记忆库中解的概率以及新解保留记忆库中最好解的概率,在最优解的搜索过程 中,需要同时考虑局部搜索及全局搜索能力,所以不能将HMGR及PAR值设定为固定值.本文中,HMCR及 PAR的值在一定的取值范围内动态调整,而取值范围是根据记忆库中的历史解来确定的.HMCR为[0.7,1.0 范围内服从均值为0.85,标准差为0.01的正态分布;PAR为[0.0,0.5]范围内服从均值为0.25,标准差为 0.05的正态分布,在算法执行过程中,记录每一次迭代所使用的HMCR及PAR值,在一定迭代次数LEP (LEP=20)之后,利用前面每次迭代使用的值求取平均值,这样后面迭代中使用的HMCR及PAR均为服 从新的均值,标准差分别为0.01及0.05的正态分布.重复执行上述过程,使得HMCR及PAR的值逐渐适 应特定的问题及特定的阶段 2)动态改变BW值 BW为带宽,BW值较大时,使得算法的搜索能力増强,但是窣易错过最优解;而值较小时,开发能力増 强,容易陷入局优.考虑到算法的搜索能力及开发能力的平衡,SGHS算法中的BW值采用一种动态调整机 制,其值随着迭代次数的增加而线性减小,具体如下: BW(t)=bmax BWax- Bw t NI (23) 其中, BW及 BW分别为最大值及最小值,根据具体问题确定值的大小,对于本文所硏究问题,值分别 选取2和0 由于该算法中涉及到的各个参数均使用自学习的动态调整机制,使得该算法应用范围很广并且能够取得 较好的运行效果 42仿真实验优化分析 系统仅考虑单一产品时,单位产品的存储及缺货成本如表1所示,其中各节点的r、Q值由文献[24]基 于仿真的优化得来,零售商每天产品需求的泊松分布参数分别为3、4、5,各个分销商到零售商的运输天数 均为1天,制造商到分销商的运输天数均为3天,各个节点企业的初始库存量均为10,系统运行一个周期为 100天 表1仿真实验参数设置 节点企业 MI M2 M3 DI D2 R1 R2 R3 单位存储成本0.4030.7 0.5 0.6 0.7 0.6 单位缺货损失 (7Q) (3,5)(5,2)(2.3)(12,14)(14,12)(7,3)(12,6)(6,11) SGHS算法在迭代过程中,适应值为仿真系统运行一个周期的总运行成本, CONWIE策略迭代100次 所对应的总成本随迭代次数的变化曲线如图5所示.图中横坐标为迭代次数,纵坐标为供应链总成本.由图 中可以得到,当迭代到83次时,曲线不再有明显的变化,说明了基于仿真的SGHS方法能够在有限的迭代次 数内对原问题进行有效求解 3096 系统工程理论与实践 第37卷 经过优化后的各个策略参数作为新的变量输入到仿真模型中,在每次实验中,由于供应链的不确定性导 致随机因素的影响,一次仿真得到的实验结果不具有代表意义,本文中,仿真实验运行100次,得到平均意义 下的各统计变量,并将运行结果与RFID使能的(η,Q)策略进行对比分析,具体结果列于表2中 表2 CONWIP策略与(,q)策略各统计变量 策略库存成本标准差缺货损失标准差总成本标准差顾各满意率标准差 CONWIF996.2099.2 564.45135.361560.65129.83 92.14 1.64 (r:Q) 864.8671.051366.74215.792231.60177.65 80.11 2.30 由表2可以看出:当供应链结构和参数相同时,基于RFID使能的 CONWIP控制策略的运行总成本低 于RFID使能的(r,)控制策略,并且顾客满意率优于(r,￠)策略,从而验证了 CONWIP策略的适用性及 伏越性. 另外,通过大量的实验数据发现 1)在实验中不仅控制策略影响供应链分销网络的性能,使用同一个控制策略时,策略参数的改变对供应 链的性能也有很大旳影响,供应链的结构确定以后,每一种控制策略均有其最佳的参数设置,通过上述实验 验证了基于仿真优化方法的有效性及正确性; 2)供应链的性能指标中包括库存成本及缺货损失,同一种控制策略卜两者为此消彼长的关系,一定范围 内调整策略参数使缺货损失降低时会导致库存成本的増加,反之亦然,但是每种策略通过使用仿真的优化方 法能够获得最优的参数设置,例如基于RFI使能的￠ONwP控制策略能够通过优化获取系统最隹的流通 卡总数,如果继续增加流通卡总数并不能有效地降低缺货损失. 5结论 由于RFID技术的远程实时可视作用,本文设计了RFID使能的电子流通卡系统,从而将多阶段生产 存储系统中成功应用的 CONWIE控制策略推广到供应链分销网络系统中,建立了 CONWIP控制策略下的 分销网络模型,并采用基于仿真的SGHS方法对箎略参数进行优化,验证了基于仿真的SGHS方法对优化 RFⅠD使能的 CONWIP策略的可行性及有效性,其仿真结果通过与RFID使能的(r,Q)策略的结果进行对 比,验证了RFID使能的 CONWIP策略能够有效降低供应链分销网络的运行成本及提高服务小平,从而为 将RFID使能的 CONWIP控制策略应用于供应链库存管理的实践中提供了理论依据. 参考文献 1 Moinzadeh K. A multi-echelon inventory system with information exchange[J]. management Science, 2002, 48 3) 414-426 2」赵晓煜,汪定伟.供应链中二级分销网络的设计优化模型J.管理科学学报,2001,4(4):22-26. Zhao X Y, Wang D W. Optimization model for bi-level distribution network design in supply chain manage- ment[J] Journal of Management Sciences in China, 2001, 4(4): 22-26 3 Clark A J, Scarf H. Optimal policies of a multi-echelon inventory problem. Management Science, 1960, 6(4) 475490 4 Lagodimos A G: Koukoumialos S Service performance of two-echelon supply chains under linear rationingJ International Journal of Production Economics, 2008, 112(2):869-884 5 Duncan M, Sanjay S, Jin L C, et al. Auto ID systems and intelligent manufacturing controlJ. Engineering Applications of Artificial Intelligence, 2003, 16(4): 365-376 6 Brock D L. The electronic product code(EPC): A naming scheme for physical objects R]. Cambridge: MIT Auto-ID Center, 2001. 7 Goel R Managing RFID consumer privacy and implementation barriers[J. Information Systems Security, 2007 16(4) 8 Sundaram D. Knowledge-based RFID enabled web service architecture for supply chain management J. Expert Systems with Applications, 2010, 37(12):7937-7946 9 Gaukler G M. RFID in supply chain management[D. California: Stanford University, 2005 10]李国家,汪定伟供应链中控制多级存储的射频辨识Push/Pull混合策略设计与仿真J].控制理论与应用,2014,31(10) 1302-1309 第12期 韩晓菊,等:分销网络RFID使能的 CONWIP策略的仿真与优化 3097 Li G J, Wang D W. Design and simulation of radio frequency identification-cnabled hybrid push/pull stratcgy for multi-echelon inventory of supply chainJ. Control Theory Applications, 2014, 31(10): 1302-1309 11 Spearman M L, Woodruff D L, Hopp W CONWIP: A pull alternative to KanbanJ. International Journal of Production Research, 1990, 28(5:879-894 12 Lee II, Seo D W. Performance evaluation of WIP-controlled line production systems with constant processing times[J. Computers Industrial Engineering, 2016, 94(c): 138-146 13 Ovalle O R, Marquez A C. Exploring the utilization of a Con WIP system for supply chain management comparison with fully integrated supply chains J. International Journal of Production Economics, 2003, 83(2) 195-215 [14 Kumar S, Ananth K. Performance analysis of CONWIP systems with batch size constraints J. Anna. s of Oper- ations Research, 2013, 209(1):85-111 15 Park C W, Lee II S. Performance evaluation of a multi-product CONWIP assembly system with correlated external demandsJ] International Journal of Production Economics, 2013, 144(1):334-344 16 Duri C, Frein Y, Mascolo M D Comparison among three pull control policies: Kanban, base stock, and generalized KanbanJ. Annals of Operations Research, 2000, 93(1): 41-69 17 Chukwunonyelum E O, Wang JY, Joseph K. A comparison of HK-CONWIP and BK-CONwIP control strategies in a multi-product manufacturing system[J]. Operations Research Perspectives, 2015, 2(1): 137-149 18 Huang G D, Chen J, Wang X L. A simulation study of CONWIP assembly with multi-loop in mass production nlulti-products anld low volume and OKP environments[J. International JourTlal of Production Research, 2015 53(14):4160-4175 19 Geem Z W, Kim J H, Loganathan G. A new heuristic optimization algorithm: Harmony search. Simulation 2001,76(2):60-68 20 Gao K Z, Zhang Y C, Sadollah A, et al. Optimizing urban traffic light scheduling problem using harmony search with ensemble of local search J. Applied Soft Computing, 2016, 48: 359-372 21 Cheng M Y, Prayogo D, Wu Y W, et al. A hybrid harmony search algorithm for discrete sizing optimization of truss structure[J. Automation in Construction. 2016, 69: 21-33 22 A bedinpourshotorban H, Hasan S, Shamsuddin S M, et a.l. a differentia l-based harmony search algorithm for the optimization of continuous problcmsJ. Export Systems with Applications, 2016, 62: 317-332 23 Pan Q K, Suganthan P N, Fatih Tasgetiren M. A self-adaptive global best harmony search algorithm for contin- uous optimization problems J. Applied Mathematics & Computation, 2010, 216: 830-848 24高镜媚,汪定伟.三级网状随机性厍存控制策略的仿真优化刂J.控制理论与应用,209,26(11)∷:1218-1224 Gao J M, Wang D W. Simulation-based optimization on three-echelon network stochastic inventory control policies. Control Theory Applications, 2009, 26(11): 1218-1224