基于仿真软件的供应链仿真方法和装置

技术领域

本公开总体说来涉及计算机技术领域，更具体地讲，涉及一种基于仿真软件的供应链仿真方法和装置。

背景技术

现有的用于供应链仿真的仿真软件，例如Anylogic和FlexSim等，均已经已经被打磨为成熟的产品，并在市场中得到广泛的应用。然而，即使这些仿真软件的内核已经采取了非常高效的编程语言进行开发，但在运行时性能仍然较差，只能满足专业仿真人员进行验证性质的仿真需求，很难进行大规模的仿真实验。导致大规模的供应链仿真性能差的原因主要有以下两点：

第一，将大量的算力消耗在可视化的计算上，造成仿真变慢，性能降低，然而，在进行大规模的供应链仿真时并不需要仿真过程的可视化结果。

第二，较为随意的数据管理与频繁且低效的数据拷贝。由于仿真软件的开发是面向专业仿真人员，为方便开发，常采取面向对象编程的方法编写代码。面向对象编程的好处是开发简单直接，容易理解；但其坏处是代码较为冗余，大部分数据是以对象为单位存放在不同的内存片段里，导致读取效率差。在进行供应链仿真时，需要全方位且大量的数据，然而，所需要的数据往往没有进行统一收集和可持久化处理，使用数据时需要进行频繁的拷贝，造成仿真变慢，性能降低。

发明内容

本公开提供一种基于仿真软件的供应链仿真方法和装置，用于至少解决上述问题，也可不解决上述问题。

根据本公开的一方面，提供一种基于仿真软件的供应链仿真方法，所述仿真软件包括数据管理器和多个智能体，所述供应链仿真方法包括：将用于供应链仿真的供应链数据输入所述数据管理器，以对所述供应链数据进行数据管理；基于所述数据管理器提供的所述供应链数据，利用所述多个智能体进行分布式仿真计算，并将所述分布式仿真计算的结果反馈至所述数据管理器，以更新所述数据管理器中的供应链数据。

可选地，所述供应链数据包括商品历史补货数据、商品历史消费数据、商品消费预测数据、门店仓库基础数据、门店仓库供应关系数据和供应日期货量限制数据中的至少一个。

可选地，所述多个智能体包括消费智能体、运货智能体和补货下单智能体中的至少一个，其中，所述消费智能体用于根据商品的预测销量对门店库存进行扣减，所述运货智能体用于根据运货行为对门店库存进行结算，所述补货下单智能体用于对补货时间和补货量进行决策。

可选地，所述补货下单智能体包括预先训练的强化学习决策模型，其中，所述强化学习决策模型用于预测补货时间和补货量。

可选地，对所述供应链数据进行数据管理，包括：基于可持久化数据结构，对所述供应链数据进行存储，以保存所述供应链数据的所有历史状态。

可选地，对所述供应链数据进行存储，包括：将所述供应链数据中的热数据存储于缓存中，其中，所述热数据表示所述供应链数据中被访问的频率达到预设阈值的数据。

可选地，对所述供应链数据进行数据管理，还包括：将所述供应链数据进行序列化，以使所述数据管理器提供的所述供应链数据以二进制数据形式来表示。

可选地，所述数据管理器包括共享内存池，其中，所述共享内存池表示由多个仿真进程共享的内存区域。

可选地，对所述供应链数据进行数据管理，还包括：将所述供应链数据中具有相同属性的数据统一提供至所述多个智能体，以利用所述多个智能体进行联合计算，其中，所述具有相同属性的数据表示具有相同物流流转信息或者生产消费信息的数据。

可选地，所述仿真软件还包括调度器，其中，利用多个智能体进行分布式仿真计算，包括：基于预先设置的调度顺序，利用所述调度器驱动所述多个智能体有序运行。

可选地，所述供应链仿真方法还包括：对所述仿真软件的可视化内核和计算内核进行分离。

根据本公开的另一方面，提供一种基于仿真软件的供应链仿真装置，所述仿真软件包括数据管理器和多个智能体，所述供应链仿真装置包括：数据部署单元，被配置为：将用于供应链仿真的供应链数据输入所述数据管理器，以对所述供应链数据进行数据管理；仿真反馈单元，被配置为：基于所述数据管理器提供的所述供应链数据，利用所述多个智能体进行分布式仿真计算，并将所述分布式仿真计算的结果反馈至所述数据管理器，以更新所述数据管理器中的供应链数据。

可选地，所述供应链数据包括商品历史补货数据、商品历史消费数据、商品消费预测数据、门店仓库基础数据、门店仓库供应关系数据和供应日期货量限制数据中的至少一个。

可选地，所述多个智能体包括消费智能体、运货智能体和补货下单智能体中的至少一个，其中，所述消费智能体用于根据商品的预测销量对门店库存进行扣减，所述运货智能体用于根据运货行为对门店库存进行结算，所述补货下单智能体用于对补货时间和补货量进行决策。

可选地，所述补货下单智能体包括预先训练的强化学习决策模型，其中，所述强化学习决策模型用于预测补货时间和补货量。

可选地，所述数据部署单元被配置为：基于可持久化数据结构，对所述供应链数据进行存储，以保存所述供应链数据的所有历史状态。

可选地，所述数据部署单元被配置为：将所述供应链数据中的热数据存储于缓存中，其中，所述热数据表示所述供应链数据中被访问的频率达到预设阈值的数据。

可选地，所述数据部署单元被配置为：将所述供应链数据进行序列化，以使所述数据管理器提供的所述供应链数据以二进制数据形式来表示。

可选地，所述数据管理器包括共享内存池，其中，所述共享内存池表示由多个仿真进程共享的内存区域。

可选地，所述数据部署单元被配置为：将所述供应链数据中具有相同属性的数据统一提供至所述多个智能体，以利用所述多个智能体进行联合计算，其中，所述具有相同属性的数据表示具有相同物流流转信息或者生产消费信息的数据。

可选地，所述仿真软件还包括调度器，其中，仿真反馈单元被配置为：基于预先设置的调度顺序，利用所述调度器驱动所述多个智能体有序运行。

可选地，所述供应链仿真装置还包括：内核分离单元，被配置为：对所述仿真软件的可视化内核和计算内核进行分离。

根据本公开的另一方面，提供一种存储指令的计算机可读存储介质，其中，当所述指令被至少一个计算装置运行时，促使所述至少一个计算装置执行如上所述的基于仿真软件的供应链仿真方法。

根据本公开的另一方面，提供一种包括至少一个计算装置和至少一个存储指令的存储装置的系统，其中，所述指令在被所述至少一个计算装置运行时，促使所述至少一个计算装置执行如上所述的基于仿真软件的供应链仿真方法。

根据本公开示例性实施例的基于仿真软件的供应链仿真方法和装置，能够通过数据管理，对供应链仿真所需要的数据进行进行统一管理和可持久化处理，充分考虑了供应链数据属性的相似性，并最大程度地降低了无效的数据构建与复制，提高了供应链仿真的效率和仿真软件的性能。另外，根据本公开示例性实施例的基于仿真软件的供应链仿真方法，还能够通过分离仿真软件的可视化内核和计算内核，提高大规模供应链仿真的效率。

将在接下来的描述中部分阐述本公开总体构思另外的方面和/或优点，还有一部分通过描述将是清楚的，或者可以经过本公开总体构思的实施而得知。

附图说明

通过结合附图，从实施例的下面描述中，本公开这些和/或其它方面及优点将会变得清楚，并且更易于理解，其中：

图1是示出根据本公开示例性实施例的基于仿真软件的供应链仿真方法的流程图；

图2是示出根据本公开示例性实施例的调度流程的演示图；

图3是示出根据本公开示例性实施例的仿真软件的系统架构图；

图4是示出根据本公开示例性实施例的仿真核心优化的演示图

图5是示出根据本公开示例性实施例的基于仿真软件的供应链仿真装置的框图。

具体实施方式

提供参照附图的以下描述以帮助对由权利要求及其等同物限定的本发明的实施例的全面理解。包括各种特定细节以帮助理解，但这些细节仅被视为是示例性的。因此，本领域的普通技术人员将认识到在不脱离本发明的范围和精神的情况下，可对描述于此的实施例进行各种改变和修改。此外，为了清楚和简洁，省略对公知的功能和结构的描述。

在此需要说明的是，在本公开中出现的“若干项之中的至少一项”均表示包含“该若干项中的任意一项”、“该若干项中的任意多项的组合”、“该若干项的全体”这三类并列的情况。例如“包括A和B之中的至少一个”即包括如下三种并列的情况：(1)包括A；(2)包括B；(3)包括A和B。又例如“执行步骤一和步骤二之中的至少一个”，即表示如下三种并列的情况：(1)执行步骤一；(2)执行步骤二；(3)执行步骤一和步骤二。

下面参照图1至图5详细描述根据本公开示例性实施例的基于仿真软件的供应链仿真方法和装置。

图1是示出根据本公开示例性实施例的基于仿真软件的供应链仿真方法的流程图。这里，仿真软件可包括数据管理器(data manager)和多个智能体(agent)，数据管理器用于对仿真数据进行数据管理，多个智能体用于使用仿真数据进行仿真计算，智能体的数量可由本领域的技术人员根据实际业务情况来设置。

参照图1，在步骤S101中，可将用于供应链仿真的供应链数据输入数据管理器，以对供应链数据进行数据管理。这里，作为仿真数据的供应链数据可包括商品历史补货数据、商品历史消费数据、商品消费预测数据、门店仓库基础数据、门店仓库供应关系数据和供应日期货量限制数据中的至少一个，但不限于此，本领域技术人员可根据实际业务情况来调整供应链数据的内容。

根据本公开的示例性实施例，可基于可持久化数据结构，对供应链数据进行存储，以保存供应链数据的所有历史状态。这里，通过使用可持久化数据结构，把供应链数据的历史状态全都保存下来，从而能够快速查找之前出现过的某个仿真计算的结果，并且可充分利用供应链数据的各个历史状态里的相似部分来减少时间和空间复杂度。

根据本公开的示例性实施例，可将供应链数据中的热数据存储于缓存中。这里，热数据表示供应链数据中被访问的频率达到预设阈值的数据。通过利用多级缓存技术，将热数据存储于缓存中，并且将其他访问频率较低的冷数据存储于普通内存，使供应链数据中的热数据能够更快地被找到并使用。

根据本公开的示例性实施例，可将供应链数据进行序列化，以使数据管理器提供的供应链数据以二进制数据形式来表示。这里，不将供应链数据转换为相应的文本数据，而直以二进制数据的形式进行处理和计算，能够提升数据处理的效率，在此基础上可快速地初始化或者重启仿真软件。

根据本公开的示例性实施例，数据管理器可包括共享内存池。这里，共享内存池可表示由多个仿真进程共享的内存区域。通过创建共享内存池，允许将物理内存分配给共享内存池并且将该内存在多个逻辑分区之间共享，能够使在仿真过程中不断更新的供应链数据得到统一的维护和快速的读写。

根据本公开的示例性实施例，可将供应链数据中具有相同属性的数据统一提供至多个智能体，以利用多个智能体进行联合计算。这里，具有相同属性的数据表示具有相同物流流转信息或者生产消费信息的数据。通过对具有相同属性的数据进行统一处理，能够充分考虑数据的相似性，提高仿真效率。

接下来，在步骤S102中，可基于数据管理器提供的供应链数据，利用多个智能体进行分布式仿真计算，并将分布式仿真计算的结果反馈至数据管理器，以更新数据管理器中的供应链数据。这里，数据更新的方式可以是通过增加新行的方式进行更新，也可以是通过覆盖原数据的方式进行更新，本公开在此不做限制，本领域技术人员可根据实际需求来配置数据更新的方式。进一步地，多个智能体可包括消费(consume)智能体、运货(travel)智能体和补货下单(replenish)智能体中的至少一个，并且多个智能体可统称为智能体池(agent pool)。更进一步地，消费智能体可用于根据商品的预测销量对门店库存进行扣减，并且当销量大于库存时，可将库存置零；运货智能体可用于根据运货行为对门店库存进行结算，运货行为可包括发出时间和接收时间，在发出时间可将上游节点的门店库存进行扣减，在接收时间可将下游节点的门店库存进行相应增加；补货下单智能体可用于对补货时间和补货量进行决策，具体而言，补货下单智能体可根据商品预测销量、补货运输限制和上游节点的门店库存等信息，决定补货时间和补货量。另外，补货下单智能体可包括预先训练的强化学习决策模型。这里，强化学习决策模型可用于预测补货时间和补货量，从而生成补货单，然后运货智能体可根据生成的补货单来确定实际补货时间。

根据本公开的示例性实施例，可在供应链仿真的初始时间将仿真软件初始化，然后以预先设置的仿真周期，周期性地利用多个智能体进行分布式仿真计算。这里，可在每个仿真周期开始时，将多个智能体初始化，在每个仿真周期中，可利用大规模并行计算技术，使多个智能体进行分布式仿真计算。

根据本公开的示例性实施例，仿真软件还可包括调度器(scheduler)。这里，可基于预先设置的调度顺序，利用调度器驱动多个智能体有序运行。进一步地，调度顺序可由本领域技术人员根据实际业务情况来设置，作为示例，对于当天补货当天能消费的情况，可先驱动运货智能体运行再驱动消费智能体运行，或者对于当天补货当天不能消费的情况，则可先驱动消费智能体运行再驱动运货智能体运行。下面参照图2详细描述根据本公开示例性实施例的调度流程。

图2是示出根据本公开示例性实施例的调度流程的演示图。

参照图2，智能体池可包括消费智能体、补货下单智能体和运货智能体，在一个仿真周期中，调度器可依次驱动消费智能体、补货下单智能体和运货智能体进行仿真计算。作为示例，调度器可根据预先设置的调度顺序，生成具有时间戳(time stamp)的计算命令，然后图示三个智能体可根据计算命令有序执行仿真计算，并将各自的仿真结果的相应时间戳上传至调度器。具体而言，消费智能体可根据消费情况扣减库存，补货下单智能体可基于预测的补货时间和补货量生成补货单，运货智能体可扣减发货节点的库存以及增加收货节点的库存。另外，智能体池还可将仿真计算的结果反馈至数据管理器。

根据本公开的示例性实施例，还可对仿真软件的可视化内核和计算内核进行分离，以使仿真软件不进行可视化渲染。这里，通过分离可视化内核和计算内核，可降低仿真的可视化和计算之间的耦合，将算力集中针对仿真过程中的调度和执行方面，能够有效提升大规模仿真实验的性能。

根据本公开示例性实施例的基于仿真软件的供应链仿真方法，能够通过数据管理，对供应链仿真所需要的数据进行进行统一管理和可持久化处理，充分考虑了供应链数据属性的相似性，并最大程度地降低了无效的数据构建与复制，提高了供应链仿真的效率和仿真软件的性能。另外，根据本公开示例性实施例的基于仿真软件的供应链仿真方法，还能够通过分离仿真软件的可视化内核和计算内核，提高大规模供应链仿真的效率。

下面参照图3详细描述根据本公开示例性实施例的仿真软件的系统架构图。

图3是示出根据本公开示例性实施例的仿真软件的系统架构图。

参照图3，仿真软件的系统架构可包括数据管理(Data management)、组件(Component)、模型(Model)和方法(Methods)等。如图3所示，数据管理的部分可包括可持久化数据结构(Persistent Data Structure)、共享内存池(Shared Memory Pool)、联合计算(Computing Association)、多级缓存(Multi-level Cache)和序列化库(SerializationLib)等；组件的部分可包括调度器(Scheduler)、数据管理器(Data Manager)和智能体池(Agent Pool)等；模型的部分可包括实体与资源(Entities and Resources)、过程模型(Process Model)、专家策略(Expert Rule)和数学模型(Mathmatical Model)等；方法的部分可包括离散事件(Discrete Event)、智能体基(Agent Based)、混合(Hybrid)和系统动力(System Dynamics)。根据本公开的示例性实施例，可基于图示的系统架构，实现仿真软件，作为示例，针对派工排产仿真软件，方法的部分可只有智能体基。下面参照图4详细描述根据本公开示例性实施例的仿真核心优化之处。

图4是示出根据本公开示例性实施例的仿真核心优化的演示图。

参照图4，作为示例，可通过左侧的智能体池进行分布式计算，而驱动智能体运行的计算命令来自于调度器，调度器可基于预先设置的调度顺序，并利用离散事件方法，对各个智能体运行顺序的约束条件进行抽象后再进行调度。并且，各个智能体执行分布式计算所依赖的数据可由数据管理器统一提供，数据管理器基于缓存/内存存储结构和可持久化数据结构对数据进行统一管理，能够充分考虑数据属性的相似性，并最大程度地降低无效的数据构建与复制。

图5是示出根据本公开示例性实施例的基于仿真软件的供应链仿真装置的框图。这里，仿真软件可包括包括数据管理器和多个智能体。根据本公开示例性实施例的基于仿真软件的供应链仿真装置可以在具有足够运算能力的计算装置中实现。

参照图5，根据本公开示例性实施例的基于仿真软件的供应链仿真装置500可包括数据部署单元510和仿真反馈单元520。

数据部署单元510可将用于供应链仿真的供应链数据输入数据管理器，以对供应链数据进行数据管理。这里，如上所述，供应链数据可包括商品历史补货数据、商品历史消费数据、商品消费预测数据、门店仓库基础数据、门店仓库供应关系数据和供应日期货量限制数据中的至少一个。

仿真反馈单元520可基于数据管理器提供的供应链数据，利用多个智能体进行分布式仿真计算，并将分布式仿真计算的结果反馈至数据管理器，以更新数据管理器中的供应链数据。这里，如上所述，多个智能体可包括消费智能体、运货智能体和补货下单智能体中的至少一个。进一步地，消费智能体可用于根据商品的预测销量对门店库存进行扣减，运货智能体可用于根据运货行为对门店库存进行结算，补货下单智能体可用于对补货时间和补货量进行决策。作为示例，补货下单智能体可包括预先训练的强化学习决策模型，这里，强化学习决策模型可用于预测补货时间和补货量。

根据本公开的示例性实施例，数据部署单元510可基于可持久化数据结构，对供应链数据进行存储，以保存供应链数据的所有历史状态。

数据部署单元510可将供应链数据中的热数据存储于缓存中。这里，热数据表示供应链数据中被访问的频率达到预设阈值的数据。

数据部署单元510可将供应链数据进行序列化，以使数据管理器提供的供应链数据以二进制数据形式来表示。

根据本公开的示例性实施例，数据管理器可包括共享内存池。这里，共享内存池可表示由多个仿真进程共享的内存区域。

数据部署单元510可将供应链数据中具有相同属性的数据统一提供至多个智能体，以利用多个智能体进行联合计算。这里，具有相同属性的数据表示具有相同物流流转信息或者生产消费信息的数据。

根据本公开的示例性实施例，仿真软件还可包括调度器，在此基础上，仿真反馈单元520可基于预先设置的调度顺序，利用调度器驱动多个智能体有序运行。

根据本公开的示例性实施例，供应链仿真装置还可包括内核分离单元(未示出)。内核分离单元可对仿真软件的可视化内核和计算内核进行分离，以使仿真软件不进行可视化渲染。

根据本公开示例性实施例的基于仿真软件的供应链仿真方法和装置，能够通过数据管理，对供应链仿真所需要的数据进行进行统一管理和可持久化处理，充分考虑了供应链数据属性的相似性，并最大程度地降低了无效的数据构建与复制，提高了供应链仿真的效率和仿真软件的性能。另外，根据本公开示例性实施例的基于仿真软件的供应链仿真方法，还能够通过分离仿真软件的可视化内核和计算内核，提高大规模供应链仿真的效率。

以上已参照图1至图5描述了根据本公开示例性实施例的基于仿真软件的供应链仿真方法和装置。

图5所示出的基于仿真软件的供应链仿真装置中的各个单元可被配置为执行特定功能的软件、硬件、固件或上述项的任意组合。例如，各个单元可对应于专用的集成电路，也可对应于纯粹的软件代码，还可对应于软件与硬件相结合的模块。此外，各个单元所实现的一个或多个功能也可由物理实体设备(例如，处理器、客户端或服务器等)中的组件来统一执行。

此外，参照图1所描述的基于仿真软件的供应链仿真方法可通过记录在计算机可读存储介质上的程序(或指令)来实现。例如，根据本公开的示例性实施例，可提供存储指令的计算机可读存储介质，其中，当所述指令被至少一个计算装置运行时，促使所述至少一个计算装置执行根据本公开的基于仿真软件的供应链仿真方法。

上述计算机可读存储介质中的计算机程序可在诸如客户端、主机、代理装置、服务器等计算机设备中部署的环境中运行，应注意，计算机程序还可用于执行除了上述步骤以外的附加步骤或者在执行上述步骤时执行更为具体的处理，这些附加步骤和进一步处理的内容已经在参照图1进行相关方法的描述过程中提及，因此这里为了避免重复将不再进行赘述。

应注意，根据本公开示例性实施例的基于仿真软件的供应链仿真装置中的各个单元可完全依赖计算机程序的运行来实现相应的功能，即，各个单元在计算机程序的功能架构中与各步骤相应，使得整个系统通过专门的软件包(例如，lib库)而被调用，以实现相应的功能。

另一方面，图5所示的各个单元也可以通过硬件、软件、固件、中间件、微代码或其任意组合来实现。当以软件、固件、中间件或微代码实现时，用于执行相应操作的程序代码或者代码段可以存储在诸如存储介质的计算机可读介质中，使得处理器可通过读取并运行相应的程序代码或者代码段来执行相应的操作。

例如，本公开的示例性实施例还可以实现为计算装置，该计算装置包括存储部件和处理器，存储部件中存储有计算机可执行指令集合，当计算机可执行指令集合被处理器执行时，执行根据本公开示例性实施例的基于仿真软件的供应链仿真方法。

具体说来，计算装置可以部署在服务器或客户端中，也可以部署在分布式网络环境中的节点装置上。此外，计算装置可以是PC计算机、平板装置、个人数字助理、智能手机、web应用或其他能够执行上述指令集合的装置。

这里，计算装置并非必须是单个的计算装置，还可以是任何能够单独或联合执行上述指令(或指令集)的装置或电路的集合体。计算装置还可以是集成控制系统或系统管理器的一部分，或者可被配置为与本地或远程(例如，经由无线传输)以接口互联的便携式电子装置。

在计算装置中，处理器可包括中央处理器(CPU)、图形处理器(GPU)、可编程逻辑装置、专用处理器系统、微控制器或微处理器。作为示例而非限制，处理器还可包括模拟处理器、数字处理器、微处理器、多核处理器、处理器阵列、网络处理器等。

根据本公开示例性实施例的基于仿真软件的供应链仿真方法中所描述的某些操作可通过软件方式来实现，某些操作可通过硬件方式来实现，此外，还可通过软硬件结合的方式来实现这些操作。

处理器可运行存储在存储部件之一中的指令或代码，其中，存储部件还可以存储数据。指令和数据还可经由网络接口装置而通过网络被发送和接收，其中，网络接口装置可采用任何已知的传输协议。

存储部件可与处理器集成为一体，例如，将RAM或闪存布置在集成电路微处理器等之内。此外，存储部件可包括独立的装置，诸如，外部盘驱动、存储阵列或任何数据库系统可使用的其他存储装置。存储部件和处理器可在操作上进行耦合，或者可例如通过I/O端口、网络连接等互相通信，使得处理器能够读取存储在存储部件中的文件。

此外，计算装置还可包括视频显示器(诸如，液晶显示器)和用户交互接口(诸如，键盘、鼠标、触摸输入装置等)。计算装置的所有组件可经由总线和/或网络而彼此连接。

根据本公开示例性实施例的基于仿真软件的供应链仿真方法可被描述为各种互联或耦合的功能块或功能示图。然而，这些功能块或功能示图可被均等地集成为单个的逻辑装置或按照非确切的边界进行操作。

因此，参照图1所描述的基于仿真软件的供应链仿真方法可通过包括至少一个计算装置和至少一个存储指令的存储装置的系统来实现。

根据本公开的示例性实施例，至少一个计算装置是根据本公开示例性实施例的用于执行基于仿真软件的供应链仿真方法的计算装置，存储装置中存储有计算机可执行指令集合，当计算机可执行指令集合被至少一个计算装置执行时，执行参照图1所描述的基于仿真软件的供应链仿真方法。

以上描述了本公开的各示例性实施例，应理解，上述描述仅是示例性的，并非穷尽性的，本公开不限于所披露的各示例性实施例。在不偏离本公开的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。因此，本公开的保护范围应该以权利要求的范围为准。