张 炜 侯 亮

厦门大学机电工程系，厦门，361005

0 引言

随着云服务、云计算等网络化技术逐步应用，基于云端对中小企业制造资源依据订单需求进行组合优化的云制造逐渐受到市场的关注[1-2]。云制造是传统网络协同制造的延伸[3]，它能够将分布式供应商资源进行汇聚、发现、优化配置，为不同的客户提供服务[4]。然而，基于假设的产品和供应商资源正向设计存在数据滞后和失真问题，“归一化”和“层次优化”方法难以表征两者的数据传递、耦合关系。因此，针对云平台环境下供应商资源的动态配置问题，开展基于数据驱动的产品和供应商资源协同优化研究具有重要的现实意义。

大批量定制模式下，产品配置过程大多基于主体企业，采用一一对应的资源配置服务方式，对产品的订单进行层层分解[5-6]，这通常是一个基于专家知识和历史数据驱动的正向决策过程[7-8]。于辉等[5]基于总装厂生产需求，建立了生产、运输、库存等多环节协同模型，分析循环取货模式的优点，并构建物流分布格局。李光锐等[6]针对新产品开发协同需求，整合主体企业及其下属供应商设计资源，基于排队论方法提出了设计任务和资源协同匹配方法。AMIRI[9]解决了供应链分销网络设计问题，即定位生产工厂和分销仓库，并确定产品在生产工厂、分销仓库和客户之间分销的最佳策略。由于主体企业配套供应商名录的有限性，各级供应商所提供的制造资源有限，当外部环境发生变化时，容易产生系统配置方案不匹配、资源品类不齐、生产任务不符合需求等问题。另外，基于专家知识和历史数据的正向决策过程常涉及主观判断或假设，使得模型难以表征工程实际场景，导致期望的系统响应与实际输出之间存在偏差，从而造成需求响应的滞后和失真[10]。

云计算的推广和应用，使得生产模式由主体企业引导的单一生产系统扩展到由云平台引导的企业链联盟[11]。基于云平台的制造系统不仅考虑产品制造任务分配问题，还对制造全产业链的数据信息进行感知、互联、协同、分析、决策，实现个性化定制服务，解决传统资源配置不足的缺陷[12-13]。通过对定制任务的数据分析和任务分解，针对不同任务匹配不同的供应商资源组合方案，实现对用户个性化定制的快速响应、实时反馈[14]，修正基于先验假设的正向决策的主观偏差。苏凯凯等[15]针对云平台背景资源配置问题，提出新的资源服务评价指标体系，由于需要事先假定需求偏好设置，模型可拓展性一般。和征等[16]分析了客户和云制造企业间知识转移过程及演化路径变化情况，并建立了客户和云制造企业演进博弈模型，但对博弈主体之间博弈过程数据的传导、影响机制问题没有开展深入探讨，特别是对实时需求背景下的资源配置策略问题缺乏相关分析。肖莹莹等[17]分析分布式资源背景下的产品族定制问题，提出了基于改进混合蛙跳算法的两阶段优化模型，但对供应商产能和运输能力数据进行理想化处理，不能真实地反映实际工程问题。

上述研究为制造资源之间协同起到积极作用，然而产品和供应商资源联合配置的研究大多采用“归一化”或“层次优化”方法[5-9]。“归一化”方法能很好地解决各个系统独立设计问题[18]，但产品和供应商资源协同优化的决策与多个决策的耦合有关，这需要每个优化问题冲突目标的协同，而且“归一化”是一种基于偏好的策略，权重的选择及其权衡解是高度主观的，所获得的“全局”最优解可能会牺牲某个子系统的决策变量值，这对多层次系统是不可取的。“层次优化”则是将复杂问题分解后进行优化求解，这有助于缓解同时处理大量设计变量和约束的问题[19]，但它只有在领域问题遵循分层决策流的情况下才能发挥较大作用，对涉及营销工程问题的许多问题(如产品组合规划)不能沿着学科边界进行层次分解。另外，若采用上述方法，在实时数据反馈之前很难对产品配置的成本和交货期等进行正确规划，容易造成资源配置方案不协调、需求响应滞后和失真等问题。

产品和供应商资源协同优化模型是一个包含多个事务点的动态网络，事务点之间具备主从递阶结构，且存在复杂的数据和信息交互过程。由于各利益主体之间存在相互冲突的目标、准则，意味着各方必须相互妥协以实现平衡决策[20]。这种妥协包括冲突目标之间的权衡、子系统和整个系统层面之间的权衡。当前，在集成产品设计和相关资源及系统环境方面，仍然缺乏满足上述特征的系统框架[21]。

云平台环境下，产品与供应商资源协同配置可以看作一个基于数据驱动反向设计(cloud platform; data-informed inverse design，DID)的主从协同决策的过程。其中，上层供应商基于正向客户需求的产品配置充当主者，下层供应商协同配置充当从者反向影响产品配置的决策。本文首先提出了基于DID的决策框架，用于建模和分析产品需求和供应商实现之间的交互作用。构建了一种具有灵活性和响应能力正反向主从协同优化模型，解决因跨产品、制造过程和供应链领域的协调涉及众多决策变量或设计参数而造成的DID决策过程复杂性问题。针对模型的多层级耦合、迭代关系，设计了一种改进的嵌套式遗传算法。以某车企座椅产品为例，与“归一化”方法[18]及“层次优化”方法[19]的优化结果进行对比，验证所提框架、模型和算法的有效性。

1 基于云平台DID的产品和供应商资源协同配置框架

基于云平台DID的产品和供应商资源协同配置框架如图1所示。首先，客户、各级供应商扮演着不同利益主体的角色。产品配置及其制造任务分解方案对应各利益主体的策略，协同配置框架目标则与满意度、交货期、成本相关。框架内数据交互演进过程具体表现为三项内容：产品配置正向设计、基于企业平台的产品和供应商资源并行设计、基于云平台DID的产品和供应商资源协同配置。在传统的任务分配策略中，定制产品的所有制造任务都由一个分配系统集中分配给最优装配厂，再由其进行任务分解和配置。体现在图1中的线路①和线路②，分别是正向设计和并行设计。

图1 基于云平台DID的产品和供应商资源协同配置框架Fig.1 Collaborative configuration framework of product and supplier resources based on DID of cloud platform

基于历史数据的产品设计问题一般称为正向设计，通常给定一个物理系统的完整描述，以预测某些测量的结果[21]，其决策流程如图1中线路①所示。假设正向设计模型Y=F(X,Q)，其输出为系统响应Y，这与产品初始决策时客户指定的功能需求相关。客户对产品的配置进行决策时，基于先验假设输入一个明确的系统参数Q，如装配厂的产能、交货期、价格等。设计变量X，如产品配置、质量、品牌等的最优值,是基于假设的Q而进行决策的。与最优设计X*相对应的设计输出是系统响应YAct。由于正向设计过程中的数据信息壁垒，客户很难获取各级厂家、供应商准确的实时系统参数QAct，导致需求及期望具有主观性特征，难以实现最佳期望YExp。

基于企业平台的并行设计的数据传递过程则反映在线路②。相对于正向设计，这种基于企业主体的网络化制造模式展示出“分布资源集中利用”的策略，但缺乏统一规划和管理，使得许多资源难以及时更新[4]。另外，相对固化的方案和固定的业务流程，使得资源配置难以达到各方都相对满意的结果[4]。

基于云平台DID驱动产品和供应商资源联合配置过程反映在线路③。首先，客户基于当前平台的资源条件QAss给出初始定制方案X，通过云平台预测评估系统进行评估及预处理，转换成预期产品功能需求。相对于传统任务分配策略，客户的需求会按照功能和层次类型进行分类，并依据类别放入相应的任务池中。其次，云平台将产品按照功能、模块层级等检索出符合需求的供应商资源为之服务[4]。在此过程中，不同层级的供应商将发送各自的资源配置状态和实时任务请求，以便从任务池中获得加工任务。平台获取的供应商配置状态和任务请求数据，即实际观测系统参数QAct。

云平台环境下，当正向设计处理初始设计变量X时，反向设计确定决策变量Q反馈给正向设计[21]。通过对实时需求数据信息(设计变量X)分析以及对供应商制造资源信息(决策变量Q)的整合，挖掘出与客户期望产品相对应的系统响应X*|YAct，即找出当前客户需求下各级供应商最优组合{X*|YAct,YAct,QAct}，实现最优产品配置和制造任务分配[22]。

云平台任务配置需要各利益主体的多次迭代优化。首先，将Q*|YAct反馈回上一代正向设计过程以代替原有假设，即QAss←QAct，YExp←YAct，形成设计决策的闭环，实现对产品正向决策的修正。如果当前供应商资源最优组合所能提供的系统响应YAct与客户的需求期待YExp差异较大，则通过用户、配置供应商等利用交互系统进行协同规划，对个性化需求YExp及设计参数X进行改进调整后再实施。另外，云平台环境下，最优设置Q*就是各利益主体在平台的数据交互学习中得到各自的信息，从而形成表示个性化定制的设计知识。根据实际系统性能的输出，发掘潜在的客户需求和供应商资源配置之间的分布关系，进而得到有关系统参数的预测模型，即Q≅G(X,Y)|{X*|YAct,YAct,QAct}；基于模型对供应商资源实时状态、历史数据、个性化需求等数据分析，获取需求和配置的关联演化和传播机理，从而实现个性化需求预测、供应商资源配置升级演进。

上述各方实时数据信息集成分析可以通过数据预处理、遗传算法等方法进行，并反馈给系统决策人员以提供分析依据。从这个意义上说，它是“数据挖掘”的延伸——基于一些事实或者观测数据的集合，通过遗传算法等优化算法进行配置决策的优化，并寻找模式的决策支持过程。

由于各利益主体存在多维层次耦合关系，故可以利用主从协同优化方法，对系统响应Y中各优化目标以平衡解集的形式获取最优设置Q*。在主从协同优化过程中，数据挖掘任务表达为一种搜索问题，利用遗传算法搜索能力找到综合最优解。这恰恰体现了云平台驱动产品和供应商资源协同配置的优势——能够实时提供多种解决方案供各利益方选择。

2 基于云平台DID的主从协同优化决策模型

一个主从协同优化问题的基本决策结构具有双层性质，它通常包含一个上层优化问题和一个或多个下层优化问题。这类问题的上下层模型通常具有一定程度的自主权，会采取各自的策略来优化自己的目标。其中，从者通过某些共同的决策变量和主者的决策相互作用，这体现了模型相互冲突的决策机制。云平台环境下产品和供应商资源之间正反向数据传递、耦合关系与主从协同优化问题的双层、冲突的决策机制契合，因此，基于主从协同优化方法来表征这种关系。该优化方法的目标是基于对多源信息的分析和分布式制造资源实时数据信息整合，对一系列过程进行组合和优化，实现更好的相关任务分配，并加快实时决策效率。

图2所示为基于DID的产品和供应商资源主从协同优化决策模型，左右两部分分别为主从协同优化模型及其所代表的云平台DID的产品和供应商资源协同过程。如图2右上部分所示，基于云平台将客户需求转换成为产品配置，并按照功能、层次将产品配置拆分成相应的制造任务，依据层级进行分类并按特定的顺序放入相应的任务池中，生成正向模型Y1=F1(X,Q)=F1(P1,T1,C1)，以产品配置P1、交货期T1作为设计变量。云平台生成的产品配置及制造任务分解等数据信息与图2左上部分主从协同优化模型中的主者/上层优化模型对应。

上层主者的决策结果传递给下层优化模型(图2左下部分)，构成其决策先决条件和约束。下层从者的决策过程是制造任务的匹配过程。例如，将装配任务传递给多个装配厂，评估装配可行性以及装配线布局变更、成本、交期，等等；配置模块则向下传递给各个模块制造商，用以评估其开发、制造、运输等综合成本(图2右下部分)。

利用主从协同优化方法可以获取各制造资源实时状态，并如实表征产品和供应商资源之间数据迭代关系，所以能够在搜索过程中以最优的方式将制造任务分配给最合适的供应商。值得注意的是，上下层模型之间是一个迭代决策的过程，体现了协同优化问题中耦合决策的本质权衡，因此，

图2 基于云平台DID的主从协同优化决策模型Fig.2 Cloud platform DID based leader-follower joint optimization decision model

以上下层各自的目标组成的Pareto解作为总体优化目标，以展现这种数据耦合、权衡。

2.1 上层产品配置决策模型

上层的目标函数用于支持产品配置优化，个性化需求背景下，产品的更迭周期日趋加速。除了关注产品成本之外，还需要考虑客户的产品满意度以及产品的交货提前期。从本质上，这种目标函数的建立充分考虑了客户和企业双方利益的权衡。构建上层优化模型如下：

maxUi& minCi& minTi

(1)

其中，Ui代表产品满意度，Ci代表产品成本，Ti代表产品交货期。除了功能需求以外，客户对品牌的认可度也对满意度起到影响作用[23]，因此，客户产品的满意度数学模型构建需要考虑各级供应商对产品满意度的影响作用。客户产品满意度表达式如下：

(2)

(3)

(4)

(5)

(6)

(7)

式(2)等号右边3项分别代表客户对装配厂、制造厂和供应商的客户满意度；式(3)为产品i的成本；式(4)为产品i的实际交货期；式(5)为产品i的装配时间；式(6)为产品i内模块j的交货提前期；式(7)表示只有1家装配厂被选上。

2.2 下层装配厂成本决策模型

客户需求配置的数字化信息通过云平台被云平台上的各个生产系统所识别和确认，并进行分析、决策、规划和组织生产。产品的成本需要考虑产品的开发成本、装配成本、产品模块的成本及库存成本。具体模型如下：

(8)

(9)

(10)

(11)

(12)

2.3 下层制造厂生产决策模型

基于获取到的模块结构、数量、交货期等要求，下层各模块厂家决策其相关生产配置。模块的总成本如下：

(13)

(14)

(15)

(16)

(17)

(18)

式(13)是模块制造厂生产模块j的总成本，等号右边第1项是模块j的开发成本，第2项是模块j的制造成本，第3项是模块j的转运成本，第4项是制造厂m存储各零件的库存成本。式(14) 是模块j的需求量；式(15) 是模块j对零件k的需求量。式(16)代表j的开发成本。式(17)表示制造厂m生产模块j的单位成本。式(18)代表模块j的转运成本。

2.4 下层供应商决策模型

具体模型如下：

(19)

(20)

(21)

(22)

(23)

(24)

(25)

(26)

2.5 协同配置优化

基于上下层产品配置模型和各层零部件成本模型，可以建立产品与供应商配置主从协同优化模型如下：

(27)

因篇幅原因，本节中各符号及其含义可通过扫描本文首页OSID码获取。

3 双层嵌套遗传算法

本文基于云平台DID的产品与供应商协同优化是上下层模型之间的一个正反向反复迭代决策过程。双层优化问题的求解往往比单层优化问题复杂。当上层约束包含下层问题的最优方案时，导致的可行域不连续也是一个挑战。传统的求解方法包括分枝定界法[24]、线性情况下的极值点法[25]、罚函数法等[26]。即使双层优化模型是线性的，它也是一个NP-hard问题。随着产品模块数量和供应商数量的增加，其计算搜索空间呈现指数型增长，采用传统的方法难以实现寻优求解。

为了寻找最优产品与供应商问题，提出利用双层嵌套遗传算法来求解主从协同优化问题，通过上层优化过程做符合性筛选，它能够有效减小搜索空间。基于云平台DID产品和供应商资源交互过程涉及三个阶段：产品制造任务分解、基于云平台的任务检索与配置、供应商资源综合优化。首先，从上层优化问题开始，找寻可行的方案。然后，下层使用上层变量作为参数变量来解决下层问题；如果下层解与上层解一致，则此方案被视为双层模型的最优解；否则，迭代上述过程直到得到满意的结果。由于决策者能够实时掌握云平台的数据信息，使其明确了问题的状态和决策目标，故可以进行最佳决策。图3所示为双层嵌套遗传算法的流程，这与双层联合优化的固有决策机制是一致的。该算法的步骤如下：

图3 双层嵌套遗传算法的流程图Fig.3 Flow chart of Bi-level nested genetic algorithm

(1)参数设置。确定问题的参数，如产品需求配置、数量、各厂家初始信息等。

(2)上层种群初始化。对种群规模及最大迭代次数等进行设置。

(3)种群个体判断。对上层种群的各个个体进行约束判断，若满足约束，则将个体传递到下层，执行步骤(4)；否则，将该个体的适应度值设为零，转步骤(6)。

(4)下层优化。基于上层可行的产品配置初始化下层种群，若下层某个体不满足相应约束条件，则将其适应度值设为零。然后进行选择、交叉、变异操作，直至达到最大迭代次数，获得以上层种群可行个体为参数的下层问题的最优供应商个体及相应的适应度值，并将其传递回上层。

(5)适应度评价。基于上层得到的产品配置信息、满意度值和下层的供应商配置、整体成本、交期对上层个体进行适应度值评价。

(6)终止条件判断。设置适应度函数值和最大迭代次数作为算法终止条件，若未达到，则对个体进行选择、交叉、变异，返回步骤(3)；若达到，则记录上层最优个体及其相应的下层最优个体，并记录上下层各自的目标函数，结束。

编码方式。根据产品零部件和各级供应商组合优化问题的特点，采用整数编码的方式建立编码体系。染色体的基因表示各个零部件，基因数量表示各级零部件种类数，不同的基因值表示各级模型中每个零部件选择了不同供应商。

选择个体。采用非线性排序选择。将规模为n的群体按个体适应值以降序的方式排列。p(k)是序号为k的个体被选择的次数概率，有

p(k)=q(1-q)k-1

(28)

双层嵌套遗传算法中，个体的适应度值愈接近最大的适应度值，该个体的交叉概率以及变异概率就越小；当其适应度值等于最大适应度值时，其交叉概率和变异概率为零。这种方法在进化后期较为适合，但在前期当较优个体处在不变的状态且不是全局最优解时，容易陷入局部最优。为此，文献[27]对交叉概率Pc和变异概率Pm做进一步的改进，但是，改进遗传算法[27]存在一定缺陷：当种群的最大适应度值与平均适应度值相等时会使Pc和Pm算式中分母为零而失效。

对原算式进行修正，增加考虑fmax=favg的情形。其中，fmax为种群中的最大个体适应度；favg为种群的平均个体适应度。在改进的算式中，当最大适应度值fmax与平均适应度值favg相等时，仍能保持一定的交叉和变异概率。改进算式如下：

(29)

(30)

式中，f′为要交叉的两个体中较大的适应度。

交叉算子。对于当前群体的个体，任意挑选两个个体，随机选择交叉点位置，两个个体在交叉点位置兑换基因码，形成新的两个子个体，并标记为已交配。逐个检查，直至所有的个体都进行交配。

变异算子。根据预设概率选取个体并随机选取个体中需待变异的两个节点，兑换两个节点位置，即兑换各级零部件的配套供应商。

4 案例分析

基于云平台DID的主从协同优化为产品和供应商选择提供了新的方法。本案例选取云平台系统中某客车企业的座椅产品作为研究对象。通过该企业与不同层次的10家供应商协同生产该产品下的6个模块、10组零部件来验证所提方法的有效性。云平台环境包含产品的组成、供应商区域以及装配运输等信息，可以看作一个具有完整信息的多方非合作博弈。产品包含了公共模块和可选模块及组成各个模块的组件等数据信息。模块、零部件之间的组合关系见表1,其中，靠背(J1)、坐垫(J2)、座椅骨架(J3)为公共模块；调角器(J4)、滑轨(J5)、扶手(J6)则为可选模块。

表1 产品零部件层次数量关系表

在基于云平台DID的主从协同优化模型中，客户需求充当上层主者。基于客户需求的座椅配置过程是各个功能模块的选择过程，目的是单位成本下获得满意度最大的一种产品，并考虑产品的交货期。云平台根据产品不同功能模块和层次类型对任务进行分类，并建立相应的n个任务池，分别为T={t1,t2，…,tn}，它对应于n组利益群体。

云平台任务池中的各级供应商充当下层从者。根据各级供应商的加工能力和特点，将供应商分为不同的组，进入云平台进行任务配置优化。每个下层从者试图通过选择决定实现其合适的加工任务处理策略来使它的利益最大化。基于该方法，供应商组数和任务池数是相互匹配的。

表2展示了各级供应商的能力配套情况。其中，1代表能生产，0代表不能生产。各个厂家的产能情况见表3。只有客户的需求在供应商的制造能力范围内，供应商才会发出生产请求。因篇幅有限，各供应商的产品开发成本、运输成本等表格省略。

联合决策是基于主从协同优化模型展开的，在分析目标函数时，需要获取各个产品及其下级组件的成本、交期、品牌等基础数据。基于实时数据信息进行策略调整，则体现了上下层之间的信息交互。边际成本更新是经过云平台系统一个较长周期反复迭代的结果，因此在当前目标函数决策过程中不做调整。反复迭代的过程中，相关需求和产能的约束与响应会做一定的改变。云平台环境下的产品需求约束所带来的是各个配套供应商资源响应。如果反馈的信息与正向设计的预期偏差较大，则对客户需求进行调整，并重新放入任务池中并发送任务请求，以获得新的供应商反馈。反复迭代，最终将每个任务分配给最佳配置厂家。

表2 各级供应商能力配套表

表3 各级供应商产能表

考虑到供应商和客户之间本质矛盾诉求，两者优化问题的目标往往相互冲突。另外，供应商的收益不仅受到自己选择策略的影响，还受到其他供应商选择的策略的影响，这需要主从协同优化模型来表征这种关系。联合决策的综合利益目标包括客户满意度、产品交期、供应商成本，它们充当各个利益个体策略的引导。不失一般性，本例假设某客户需求的产品变型模块为J1、J2、J3、J4、J6,利用基于云平台DID的主从协同优化方法求得产品及其最佳供应商资源配置。

为了确定产品及其供应商的最优联合配置，采用双层嵌套遗传算法搜索最优配置，并与归一化方法[18]及层次优化方法[19]对比。种群规模设为100，迭代次数200，初始变异率为0.05，初始交叉率为0.80。优化的结果见表4。其中，基于DID主从协同优化方法的方案选择了其Pareto权衡解集中单位效用最大的与其他两种方法进行比较。单位效用的表达式如下：

(31)

其中，r为常数。单位效用为单位成本下所能获取的满意度。

表4 供应商资源配置及优化结果

从优化结果(图4)来看，层次优化方法的客户产品配置满意度值为0.9236，几乎与基于DID主从方法所得到的满意度值(0.9227)一致，优于归一化法所得到的结果(0.9060)，但是，在产品单价上明显差于其他两种方法。就层次优化而言，产品配置选择以及供应商成本考虑大多基于历史数据先行对产品配置进行决策，随着时间的变动而发生的供应商数据变动难以被考虑到，导致其期望结果与实际不相符。

图4 客户满意度值对比Fig.4 Comparison of customer satisfaction value

基于DID主从协同优化的方法所得到的单位效用从层次优化的31.66提高到35.90，根本原因是层次优化的方法首先考虑了客户满意度问题，并通过对历史数据的估计来考虑供应商成本，对新增供应商资源中具有成本效益的模块配置很难加以利用。而采用基于DID主从协同优化的方式进行产品配置是可以同时考虑产品供应商成本的。

“归一化”方法则是将产品和供应商资源在同一纬度进行集成考虑。由于它们属于不同时域、不同层次的问题，两者的“归一化”使得求解过程将两者的约束同时考虑，这必然减少了求解域。如图5所示，基于DID主从协同优化的方式得到的结果的单位成本为257.05，而“归一化”方法得到的是261.2。另外，表4中，其单位效用是34.68，低于主从优化的单位效用35.90。而在满意度方面，“归一化”方法也逊于基于DID主从协同优化。

图5 单位成本对比Fig.5 Comparison of unit cost

从上述比较可以得出：①个性化市场背景下，云平台根据客户需求数据提供相应的产品，数据的实时反馈能够使主从双方获取的信息更加透明化，从而使配套企业赢得市场竞争。②产品配置过程是一个客户为主者的正向需求过程。云平台内各级供应商为从者，在获取生产任务时需要考虑其成本效益，这些数据反馈回上层客户端反向影响产品配置决策。基于DID主从协同模型进行联合配置优化，企业可以获得较高的客户满意度和相对较低的成本。③对于为个性化定制产品提供制造服务的企业，无论是“归一化”方法还是基于DID主从协同优化方法，其成本优化结果均优于层次优化。

5 结语

云平台更广的分布式资源和实时数据反馈，使得产品配置基于平台反馈的数据做出更明智的决策，即通过挖掘和分析供应商反馈数据来获取系统最优配置。构建一种具有灵活性和响应能力的主从协同优化模型，可在保证供应商成本效益的基础上满足客户的需求。该模型具有迭代结构，给定初始解后，基于搜索方式进行下层优化，并反馈回上层进行迭代更新。

本文针对模型的多层级耦合、迭代关系，设计了一种改进的嵌套式遗传算法。不同层次模型分别优化可以缩短计算时间，并显著减少整个系统级的搜索空间；主从协同过程使子系统级的Pareto前沿解转移到系统级内。在交叉、变异操作阶段引入自适应调节方法，避免了提前收敛，提高算法的全局搜索和求解能力。利用算法获得模型Pareto权衡解，并以一个实例验证了基于DID主从协同决策的有效性。结果表明，采用基于DID主从式结构的双层规划方法在产品设计决策和供应链配置联合优化方面具有明显的优势。

虽然本文所提模型的大多数假设较为理想化，模型和方法仍然可以适用。本文还存在以下局限性：首先，本文不涉及产品价格波动的情形，个性化产品需求下产品模块的需求应是跟其需求数量、交期、个性化程度等相关的函数；其次，当供应商配置信息数据反馈至客户端时，其所涉及的变动应该包括如随机库存模型和缺货订货模型等。今后，应该在模型的适用性方面加以拓展。