基于序优化与技能优化算法协同的约束离散随机优化问题高效求解方法

针对约束离散随机优化问题(CDSOP)求解效率低下的难题，台湾学者提出融合序优化(OO)与技能优化算法(SOA)的OSOA新算法。该研究通过RMTB近似模型、ASOA全局搜索和EOCBA局部搜索三模块协同，成功应用于多物品库存系统优化，在计算效率和求解质量上均超越五种启发式算法，为供应链库存管理提供创新解决方案。

　　

在新冠疫情冲击全球供应链的背景下，制造商面临"牛鞭效应"导致的库存积压难题。维持低库存虽能节约成本，但会导致缺货损失；高库存虽保障供应，却增加持有成本。这种多物品库存系统的优化问题本质上属于约束离散随机优化问题(CDSOP)——具有随机目标函数和确定性不等式约束的NP难问题。传统优化算法因解空间指数级增长而难以高效求解，序优化(OO)框架虽能处理非解析形式问题，但约束条件仍显著影响其效率。

台湾国立勤益科技大学Shih-Cheng Horng团队在《Mathematics and Computers in Simulation》发表研究，提出OSOA算法创新性地结合序优化与技能优化算法。该算法采用三阶段策略：首先通过正则化最小能量张量积B样条(RMTB)建立快速评估的近似模型；其次开发改进技能优化算法(ASOA)进行全局搜索，筛选N个优质候选解；最后通过增强最优计算预算分配(EOCBA)进行局部精细搜索。应用于多物品库存系统时，该算法需同时决策物品库存水平与客户需求分配，在满足车辆容量约束下最大化预期利润（收入减去缺货与可变成本）。

关键技术包括：1）RMTB近似建模快速评估解质量；2）ASOA算法改进解空间探索能力；3）EOCBA动态分配计算资源。实验表明OSOA在计算效率和解质量上均优于五种基准算法，特别适合解决具有复杂约束的随机优化问题。

【CDSOP建模】
研究将多物品库存问题建模为含整数变量x和二元变量y的CDSOP，目标函数E[g(x,y)]需满足D个约束h_d(x)≤0。通过OO框架保持解序的稳健性，克服评估噪声影响。

【Multiple-Item Inventory System】
后疫情时代的高通胀使库存优化更为迫切。OSOA算法成功解决车辆库存与客户分配的联合决策问题，其中客户需求形成聚合需求分布，不同于传统报童问题。

【结论】
OSOA算法通过ASOA的多样化搜索与EOCBA的精细化搜索协同，显著提升CDSOP求解效率。其创新性在于：1）首次将SOA算法适配于OO框架；2）为供应链库存管理提供可扩展解决方案。研究获台湾科技部资助(NSTC113-2221-E-324-008)，作者声明无利益冲突。该成果对应对供应链中断风险具有重要实践价值，未来可扩展至其他资源分配场景。