.png){kind=icon}
返回
Viable supply chain network design: machine learning-derived chance-constrained programming
.png){kind=icon}
PRE
AI
DOI：10.1007/s10479-026-07310-x.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文研究了一种可行的两层级供应链网络设计问题，其中设施可能受到中断影响。与现有研究将供应链层级孤立考虑不同，所提出的模型明确捕捉跨层级中断并量化纳入此类相互依赖关系所带来的价值。网络可行性通过结合备用再分配的韧性、移动设施的敏捷性以及排放限制等环境因素实现。这些要素共同有助于维持两个层级的需求满足，并支持长期网络性能。开发了两种混合整数规划模型：第一种是基于情景的模型，第二种是隐式模型，两者均最小化预期的固定和服务成本。为处理概率服务需求，隐式模型整合了一种机器学习增强的机会约束规划方法。在此框架中，难以处理的容量机会约束通过学习线性切面近似，应用95%的服务置信水平。这些切面使用多种分类方法训练，包括逻辑回归、L1正则化逻辑回归、随机梯度下降、感知器算法以及正则化参数为0.1的逻辑回归。表现最佳的分类器被选为代理模型。为提高可扩展性，为隐式模型开发了两种固定-松弛启发式算法，而样本平均近似（SAA）方法用于基于情景的模型。计算实验表明，隐式模型为基于情景的模型提供了计算高效且高质量的替代方案。此外，所提出的启发式算法和SAA方法有效解决了中大规模实例，在可接受的计算时间内提供了高质量的解。
Keyword:
Supply chain network design
Viable supply chain
Fix and relax heuristic
Machine learning
Chance-constrained programming
Sample average approximation
期刊
IF:
4.5
论文数:
8.1K
被引数:
2.1W
机构
引用论文
Modeling and solving an integrated periodic vehicle routing and capacitated facility location problem in the context of solid waste collection在固体废物收集的背景下，对集成周期性车辆路径和容量设施选址问题进行建模与求解
OAAI
OAAI分享收藏
Applications of advances in operations research methods to achieve sustainable development goals (SDGs) in a supply chain management environment: Review and future direction of research将运筹学方法进展应用于供应链管理环境，以实现可持续发展目标（SDGs）的应用：综述与研究未来方向.png)
IF0
PREAI
分享收藏The Industry 5.0 framework: viability-based integration of the resilience, sustainability, and human-centricity perspectives行业5.0框架: 基于可行性的弹性、可持续性和以人为本观点的整合
PREAI
分享收藏Managing resilience and viability of supranational supply chains under epidemic control scenarios
PREAI
分享收藏分享收藏
查看更多内容