基于供应链中断风险的多重网络化产业链中的任务迁移策略

《ACM Transactions on Intelligent Systems and Technology》：Chain Disruption Risk-Oriented Task Migration in Multiplex Networked Industrial Chains

工业供应链中断影响主体协作能力，COVID-19期间任务迁移需求凸显。多复形网络中单层中断引发跨层级级联失效，导致任务分配错配与迁移规模指数级增长。本文提出基于多复形潜在场的层次化任务迁移算法，通过跨层依赖建模和上下文感知迁移，在实验中实现任务完成率提升26.7%，执行成本降低18.4%，计算效率比CPLEX优化器快3.2倍，并在FAO粮食贸易网络验证了有效性。

　　

摘要AI摘要

摘要

摘要

在工业生产过程中，产业链中的中断会严重影响生产各方的协作能力。一个显著的例子发生在COVID-19大流行期间，许多生产方面临中断风险，无法参与协调生产。在这种情况下，确保生产连续性需要将任务从受影响的方转移到其他可行的替代方。然而，设计有效的任务迁移策略必须考虑到现代产业链的多重性。在这些多层次的工业网络中，某一层的中断风险可能会传播到其他层，导致整个系统出现级联故障。这带来了两个主要挑战：（1）中断风险不仅会导致产品生产方与任务之间的不匹配，还会导致网络各层之间的不匹配，从而增加问题的复杂性；（2）多个生产方和多个层同时发生中断会大大增加需要迁移的任务量，从而大幅扩展解决方案的空间。为了解决这些问题，我们提出了“多重势场”这一概念，该概念能够捕捉多层次工业网络中的相互依赖关系和系统级动态。基于这一概念，我们开发了一种分层上下文任务迁移算法，该算法利用多重势场来指导层间和层内的任务重新分配。大量实验表明，与基准算法相比，我们的方法能够持续提高效用，显著提升任务完成率，并降低执行成本。此外，其解决方案的质量可与最优CPLEX求解器的质量相媲美，同时所需的计算时间大大减少。最后，对粮农组织（FAO）国际食品贸易网络进行的案例研究证明，所提出的框架不仅在理论上具有鲁棒性，在实际应用于大规模复杂系统时也表现出色。

AI摘要

AI生成的摘要（实验结果）

此摘要是使用自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助读者发现研究价值、评估文章的相关性，并协助相关领域的读者理解文章内容。它是对作者提供的摘要的补充，作者提供的摘要仍是文章的正式摘要。完整文章才是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于我们改进未来的摘要版本。

AI生成的摘要不可用。

此内容由AI生成。了解更多