基于Agent的汽车零部件循环取货模型*

屈新怀，盛 敏，丁必荣

(合肥工业大学机械与汽车工程学院，合肥 230009)

0 引言

汽车零部件采购成本占据着汽车总成本的最大比重，在汽车制造讲究成本控制的精益时代，降低采购成本成为重要挖掘对象，而实施循环取货的入厂物流模式就是众多举措中的一种有效方法。汽车企业实施循环取货是指载有空料箱的一辆货车从主机厂或集配中心(RDC)出发，按既定路线和时间段依次到供应商处提取相应零部件，最后返回主机厂或集配中心的一种零部件入厂物流模式。国内外众多车企实施循环取货之后取得了可观的经济效益，如TNT在北美为福特汽车公司提供的循环取货服务，使运输滞留时间减少80%，过渡存货缩减了50%，仅1999年就为福特节约费用3000万美元;安吉天地物流公司为上海通用汽车公司提供循环取货物流服务后，运输距离减少、装载率提高，每年可节约零部件运输成本30%以上［1］。

循环取货在企业中的火热应用也促使着学术界对该问题的研究。在国外，DU研究了循环取货运行时车辆调度系统的参数设置［2］，Sadjadi，S J提出了循环取货的一种数学模型，并用遗传算法进行了求解［3］。国内方面，周欣和霍佳震证明了循环取货在提前期波动较小、需求率较低、缺货成本不高、供应商的位置集中、供应商距离较远、车载量大(相当于零部件体积小、重量轻)的情况下具有优势［4］，桂明华和马士华通过考虑单位重量零部件运输成本对承运量敏感与否，对循环取货的适应情况进行了判断分析［5］。

现有的研究方法主要是建立某类数学模型，然后运用启发式算法或数学方法进行求解。这类方法准确且严谨，但也存在难于理解和计算，不善于解决非线性、非规律、动态性问题。而基于Agent的建模和仿真正是研究非线性、动态性这些复杂适应性系统的重要手段，相比传统的数学建模，在灵活性、层次性和直观性方面有明显优势。如在研究供应链领域中的协同合作、决策方案仿真等方面该方法已有被使用［6-7］。本文首次运用基于Agent的建模方法分析循环取货的运行机制。根据该方法的研究范式，描述循环取货体系的问题模型，按Agent理论对研究对象进行Agent分类和内部模型构建，最后，采用Agent UML对Agent之间的动态交互进行了建模。

1 复杂适应系统与多Agent建模

复杂适应系统的理论由遗传算法的创始人霍兰于1994年在一次名为“隐秩序”的演讲中最先提出。其核心思想是“适应性造就复杂性”。该理论认为，系统中的成员称为具有适应性的Agent。它们能够与环境以及其他Agent进行交流，在这种交流的过程中“学习”或积累经验，并且根据学的经验改变自身的结构和行为方式［8］。系统复杂性出现的原因正是由构成系统的这些适应性Agent之间、Agent与外部环境之间不断交流和学习后，使系统在宏观上产生的涌现所致。

Agent又称之为主体、代理等名称，最早来源于人工智能领域。随着复杂系统科学成为新世纪的研究热点，和计算机仿真技术的不断发展，Agent理论逐渐被选择为复杂适应系统的建模方法。多Agent系统模型中，Agent是一个软件实现的对象，存在于一个可执行的环境中，具有主动学习和适应环境的能力［9］。复杂系统学科背景下的Agent有以下特征：反应性、自治性、交互性、移动性等。同时，Agent与对象二者之间存在很多的相似之处，面向对象技术对于理解Agent技术有很多借鉴作用。比如都可以看作是一个抽象实体，封装了某些属性和状态，通过信息传递进行通信［10］。

2 循环取货体系的多Agent模型结构

2.1 问题描述

从复杂适应性角度来看，循环取货是由供应商、物流服务提供商、主机厂这些众多主体之间的协调与合作而实现的零部件入厂，是主体聚集之后产生的一种涌现现象。具体描述为：主机厂(或RDC)M向第三方物流公司(3PL)L和众多供应商Si(i=1，2，…n)发布物料采购计划，供应商Si提前准备好供货量Qi。3PL首先通过分析供应商Si地理位置、第i个供应商供货量Qi、每辆车容积约束Vi(i=1，2，…n)和路程约束D制定多条取货路线Ri(i=1，2，…n)，然后派出T辆车按各路线Ri依次到n个供应商Si处提取零部件并最终返回主机厂(或RDC)M。要求在满足约束条件下，如何获取最优的路线选择，实现库存和运输成本最低。

2.2 Agent分类与系统模型结构

运用 Agent理论进行建模时，确定系统中的Agent粒度抽象程度，以及同质与异质分析是其中的重要一步。通过对循环取货体系进行分析，将主体分为：主机厂 Agent、3PLAgent、供应商 Agent、辅助Agent。这些Agent构成的循环取货的Agent体系结构模型，如图1。

图1 基于Agent建模的循环取货系统模型

(1)主机厂Agent。其主要职责是根据销售订单和生产能力制定生产计划，分析物料需求计划和零部件库存后向零部件供应商发布采购订单，接收入库零部件，然后组织生产活动，最后将产成品入库。相关子主体有财务 Agent、采购 Agent、生产 Agent、物管Agent，正是这些子主体的协同合作确保循环取货的正常运行。

(2)第三方物流(3PL)Agent。其主要职责是根据主机厂的采购订单准时完成零部件的取货任务，针对循环取货情况，子主体有财务Agent、调度Agent、运输 Agent。

(3)供应商Agent。其主要职责是处理主机厂的采购订单，组织零部件生产和入库。子主体有财务Agent、销售 Agent、生产 Agent、物管 Agent。

(4)辅助Agent。其主要职责是为上述Agent提供支持服务。相关子主体有道路Agent、物料Agent。

3 Agent内部模型构建及交互建模

3.1 Agent内部模型构建

完成Agent分类之后，需要对每个Agent进行内部模型的构建，具体包括Agent属性、行为、通信接口设计。对于循环取货研究来说，重点是对生产Agent这个层次的子主体进行内部模型设计。

3.1.1 Agent行为特征

(1)生产Agent：根据销售订单和生产能力制定生产计划;计算物料需求计划;完成产品生产。

(2)采购Agent：发布采购订单;监督第三方物流的配送情况。

(3)财务Agent：处理催/付款业务。

(4)物管Agent：接收物料;为生产提供物料;发布零部件库存信息。

(5)调度Agent：根据主机厂采购要求和道路信息制定取货路线;确定取货频次;确定取货车辆数目。

(6)运输Agent：完成货物运输。

(7)销售Agent：接收主机厂采购订单，并将信息传递至生产主体。

(8)物料Agent：提供相关零部件属性。

(9)道路Agent：提供各供应商地理位置数据和之间相距距离。

3.1.2 Agent行为描述方法

为便于理解和编程实现，采用形式化方法对系统中的Agent行为进行分析和描述［11］。Agent的行为由许多活动所体现，且每个活动是由事件激发或由Agent主动发起，每一项活动包括许多动作，这些动作并按一定的有序排列进行。有序排列包括以下三个逻辑运算：设 p，q为两个元素，则“p.◇q”表示“先 p后 q”;“p∨q”表示“p与 q并列”;“p∧q”表示p或q。Agent行为的形式表达格式：B=＜O，E，A0，V＞。O是Agent所有活动目的的集合，E是Agent能够感知的所有事件的集合，A0表示Agent内部所有动作的集合，V表示所有活动的集合。在循环取货系统中，路径选择是一个关键问题，严重影响着供应链上的库存和运输成本，承担这项任务的是3PL中的调度Agent，本文以该主体为例介绍Agent行为的形式化描述方法。

以上是对调度Agent行为的形式化描述，其他主体行为的描述类似。

3.2 Agent之间动态交互建模

通过交互作用，循环取货系统中各Agent做出相应的行为反应，协同合作完成零部件的供应任务。而描述Agent之间的这些交互可以通过采用AUML(Agent United Modeling Language，Agent统一建模语言)中的序列图来实现。AUML是对UML的扩展，是目前对Agent建模普遍采用的方法［12］。

循环取货体系中各Agent之间的动态交互模型包括三方面：①循环取货计划制定模型，涉及采购Agent、调 度 Agent、运 输 Agent、销 售 Agent、道 路Agent;②财务业务交互模型，涉及主机厂、3PL和各供应商的财务Agent、主机厂物管Agent;③零部件交货业务模型，涉及主机厂的生产Agent、物管Agent、采购Agent，3PL的运输Agent，供应商的物管Agent。

本文通过采用AUML的序列图分析了循环取货计划制定的交互行为模型，见图2，交互过程如下：主机厂根据生产Agent生产计划和物料Agent的BOM信息后，发布采购订单给3PL的调度Agent和各供应商销售 Agent，3PL的调度 Agent综合供应商销售Agent所提供的库存信息和道路Agent中的路况信息判断能否满足主机厂供货需求。如果不能满足，将信息反馈至主机厂采购Agent，采购Agent再修改采购订单信息。如果能满足，3PL调度Agent制定循环取货路径计划，并将计划发布给主机厂采购Agent、3PL的运输Agent、各供应商销售Agent。

图2 循环取货计划制定序列图

4 结束语

本文实现了Agent建模方法在构建循环取货体系中的应用，是在如何认识循环取货模型过程中进行的一次新尝试。循环取货作为一种新的入厂物流模式，体现了出其复杂适应特征，因此，将基于Agent的建模与仿真方法运用到循环取货问题研究既是对复杂适应性理论应用领域的一个推广，也是解决循环取货问题的一种新思路。

［1］左晓露，刘志学，郑长征.汽车零部件循环取货物流模式的分析与优化［J］.汽车工程，2011(1)：79－84.

［2］Du T，Wang F K，Lu P.A real-time vehicle-dispatching system for consolidating milk runs［J］.Transportation Research Part E 43.2007：565 －577.

［3］Sadjadi S J，Jafari M，Amini T.A new mathematical modeling and a genetic algorithm search for milk run problem［J］.Int J Adv Manuf Technol.2009(44)：194 －200.

［4］周欣，霍佳震.随机提前期下考虑循环取货的最优采购策略［J］.系统管理学报，2011(3)：287－295.

［5］桂华明，马士华.Supply-hub环境下的多源供货模式与协同批量决策研究［J］.中国管理科学，2010(1)：78－82.

［6］李锋，魏莹.决策行为影响牛鞭效应的仿真［J］.系统管理学报，2011(5)：533－538.

［7］唐建生，郑江波.制造型企业供应链的冲突机理及多agent系统的研究［J］.组合机床与自动化加工技术，2004(8)：42－44.

［8］徐国志.系统科学［M］.上海：上海科技教育出版社，2000.

［9］方美琪，张树人.复杂系统建模与仿真［M］.北京：中国人民大学出版社，2011.

［10］葛世伦，聂冬芹.基于multi-agent的第四方物流信息平台结构模型的研究［J］.计算机应用研究，2012(2)：575－578.

［11］曹军海，张和明，熊光楞.多Agent仿真中Agent行为的形式化描述方法［J］.系统仿真学报，2004(11)：2398－2400.

［12］林勇，刘卫国，黄志刚，等.基于AUML的Agent建模方案研究［J］.计算机与数字工程，2009(12)：70－75.