1、商業(yè)智能及HiQube簡介
商業(yè)智能的概念于1996年最早由加特納集團（Gartner Group）提出，加特納集團將商業(yè)智能定義為：商業(yè)智能描述了一系列的概念和方法，通過應用基于事實的支持系統(tǒng)來輔助商業(yè)決策的制定。商業(yè)智能技術(shù)提供使企業(yè)迅速分析數(shù)據(jù)的技術(shù)和方法，包括收集、管理和分析數(shù)據(jù)，將這些數(shù)據(jù)轉(zhuǎn)化為有用的信息，然后分發(fā)到企業(yè)各處。
可以認為，商業(yè)智能是對商業(yè)信息的搜集、管理和分析過程，目的是使企業(yè)的各級決策者獲得知識或洞察力（insight），促使他們做出對企業(yè)更有利的決策。商業(yè)智能一般由數(shù)據(jù)倉庫、聯(lián)機分析處理、數(shù)據(jù)挖掘、數(shù)據(jù)備份和恢復等部分組成。商業(yè)智能的實現(xiàn)涉及到軟件、硬件、咨詢服務及應用，其基本體系結(jié)構(gòu)包括數(shù)據(jù)倉庫、聯(lián)機分析處理和數(shù)據(jù)挖掘三個部分。
因此，把商業(yè)智能看成是一種解決方案應該比較恰當。商業(yè)智能的關(guān)鍵是從許多來自不同的企業(yè)運作系統(tǒng)的數(shù)據(jù)中提取出有用的數(shù)據(jù)并進行清理，以保證數(shù)據(jù)的正確性，然后經(jīng)過抽�。‥xtraction）、轉(zhuǎn)換（Transformation）和裝載（LOAd），即ETL過程，合并到一個企業(yè)級的數(shù)據(jù)倉庫里，從而得到企業(yè)數(shù)據(jù)的一個全局視圖，在此基礎上利用合適的查詢和分析工具、數(shù)據(jù)挖掘工具、OLAP工具等對其進行分析和處理（這時信息變?yōu)檩o助決策的知識），最后將知識呈現(xiàn)給管理者，為管理者的決策過程提供支持。
HiQube是一套采用了獨特技術(shù)的高性能商業(yè)智能軟件解決方案，它能夠快速深入的進行商業(yè)數(shù)據(jù)分析，并具有超強的報告功能。HiQube技術(shù)易于使用，是首個集成了分層、關(guān)系和多維度數(shù)據(jù)庫的技術(shù)�；诖�，它給用戶帶來了空前的決策系統(tǒng)。新數(shù)據(jù)庫管理系統(tǒng)的核心技術(shù)源于意大利，并于2007年被Altair公司收購。HiQube商業(yè)智能軟件解決方案及技術(shù)支持已遍布世界各地。同時HiQube是業(yè)界唯一一款具有優(yōu)化分析能力的商業(yè)智能軟件。
2、HiQube中已封裝的優(yōu)化算法介紹
為了實現(xiàn)優(yōu)化分析功能，HiQube高度封裝了多種優(yōu)化算法，并通過Altair專有優(yōu)化技術(shù)實現(xiàn)。主要已封裝算法包括：ARSM/MFD/SQP/GA/MOGA/BB。分別介紹如下：
2.1 自適應響應面法ARSM（Adaptive Response Surface Method）
響應面法是一種結(jié)合數(shù)理統(tǒng)計與試驗設計，利用設計空間中樣本點構(gòu)造復雜問題近似模型的方法。為了提高響應面近似模型的精度，基于自適應的方法不斷優(yōu)化更新響應面．自適應響應面法的優(yōu)化迭代流程如下：
1)給定優(yōu)化變量、優(yōu)化目標、初始優(yōu)化空間；
2)利用智能試驗設計方法生成樣本點庫，并調(diào)用有限元正向模擬計算出各樣本點的優(yōu)化目標響應值；
3)利用已有樣本點構(gòu)造響應面函數(shù)；
4)對響應面函數(shù)優(yōu)化，尋找最優(yōu)點；
5)計算優(yōu)化點的真實響應值，并將優(yōu)化點存入樣本點庫；
6)當滿足以下停止條件，跳到步驟8)；
a)當前優(yōu)化點與前次優(yōu)化點之間的差值小于給定的閾值；
b)迭代次數(shù)大于給定最大迭代數(shù)；
7)更新優(yōu)化空間及樣本點，返回3)；
8)最優(yōu)點搜尋結(jié)束。
自適應響應面法具有較好的魯棒性, 計算效率高。不受連續(xù)、可微等條件的約束，適用范圍很廣。
2.2 可行方向法MFD（Method of Feasible Directions）
可行方向法能較好的解決帶約束優(yōu)化問題。此類方法可看做無約束下降算法的自然推廣�？尚蟹较蚍ǖ幕舅枷胧菑钠鹗键c出發(fā)，沿可行下降方向進行搜索，求出使目標函數(shù)值下降或使約束違反得以減小的迭代點。算法包括選擇搜索方向和確定搜索步長兩個主要方面。
2.3 序列二次規(guī)劃法SQP（Sequential Quadratic Programming）
序列二次規(guī)劃法的主要思路是：利用原來非線性約束優(yōu)化問題的有關(guān)信息來構(gòu)造某一簡單的近似優(yōu)化問題，通過求解它來給出對當前迭代點的修正，主要用一系列的線性規(guī)劃或二次規(guī)劃來逐次逼近原非線性規(guī)劃問題。盡管開始時的SQP方法存在著QP子問題可能不可行及馬洛托斯(Maratos)效應等不足，但經(jīng)過人們對其不斷進行改進與進一步的發(fā)展，現(xiàn)在，SQP類方法已成為求解非線性約束優(yōu)化問題的一類非常有效的算法。它能較好的處理帶有等式約束和不等式約束的優(yōu)化問題。這類算法不僅具有全局收斂性，而且具有超線性收斂的速度。
2.4 遺傳算法GA（Genetic Algorithm）
遺傳算法是由美國的J. Holland教授于1975年在他的專著《自然界和人工系統(tǒng)的適應性》中首先提出的，它是一類借鑒生物界自然選擇和自然遺傳機制的隨機化搜索算法 。遺傳算法模擬自然選擇和自然遺傳過程中發(fā)生的繁殖、交叉和基因突變現(xiàn)象，在每次迭代中都保留一組候選解，并按某種指標從解群中選取較優(yōu)的個體，利用遺傳算子(選擇、交叉和變異)對這些個體進行組合，產(chǎn)生新一代的候選解群，重復此過程，直到滿足某種收斂指標為止。
遺傳算法本質(zhì)上是對染色體模式所進行的一系列運算，即通過選擇算子將當前種群中的優(yōu)良模式遺傳到下一代種群中，利用交叉算子進行模式重組，利用變異算子進行模式突變。通過這些遺傳操作，模式逐步向較好的方向進化，最終得到問題的最優(yōu)解。
遺傳算法的特點：群體搜索，易于并行化處理； 不是盲目窮舉，而是啟發(fā)式搜索；適應度函數(shù)不受連續(xù)、可微等條件的約束，適用范圍很廣。遺傳算法具有較好的全局搜索能力，適于求解具有多個局部極值的優(yōu)化問題。但該算法通常需要很多的計算資源。
2.5 多目標遺傳算法MOGA（Multiply Objective Genetic Algorithm）
多目標優(yōu)化問題可以歸結(jié)為： 尋求一組決策變量，使其在滿足約束的條件下，同時優(yōu)化多個目標函數(shù)。在求解多目標優(yōu)化問題中， 多目標遺傳優(yōu)化算法顯示了強大的優(yōu)勢。該算法與GA有著相同的特點。
2.6 分支定界算法BB(branch and bound)
分支定界算法是一種求解離散最優(yōu)化問題的計算分析方法。它是由R.J.達金和蘭德－多伊格在20世紀60年代初提出的。這種方法通常僅需計算和分析部分允許解，即可求得最優(yōu)解。因此在求解分派問題和整數(shù)規(guī)劃問題時常用此法。
基本方法：求解一個約束條件較多的問題A，可以暫緩考慮部分條件，變換成問題B，先求B的最優(yōu)解。B的最優(yōu)解一定比 A的好（或相當）。再將原來暫緩考慮的部分條件逐步插入問題B中，得到B的若干子問題，稱為分枝。求解這些子問題，淘汰較差的解，直到所有暫緩考慮的部分條件全部插入為止。這時求得的最優(yōu)解就是問題A的最優(yōu)解。
3、HiQube中優(yōu)化使用方法（函數(shù)）介紹
HiQube對集成的優(yōu)化算法進行了高度封裝，使得終端用戶對優(yōu)化功能的使用非常簡單。HiQube中實現(xiàn)優(yōu)化的主要功能語句如下：
3.1 OptimizeBegin（ARSM/MFD/SQP/GA/MOGA/BB）
該語句的功能為：開始一個優(yōu)化模型的定義。包含一個參數(shù)，該參數(shù)用于標明具體使用的優(yōu)化算法，可選參數(shù)為ARSM/MFD/SQP/GA/MOGA/BB。
3.2 OptimizeEnd
該語句的功能為：標識一個優(yōu)化模型定義的結(jié)束。無參數(shù)。
3.3 OptimizeAddObjective（MINIMIZE/MAXIMIZE, varname$, obj_function$）
該語句用于定義優(yōu)化目標。三個參數(shù)的意義分別為：定義最大/最小，優(yōu)化目標名稱，優(yōu)化目標公式。
3.4 OptimizeAddDesignVariable（V_low_bound, DV_high_bound, varname$ [, DV_name$, DV_initial_value]）
該語句用于定義設計變量。五個參數(shù)的意義分別為：變量的下限值，變量的上限值，變量名稱（用于HiQube后續(xù)具體運算中），設計變量名稱（用于標識優(yōu)化問題），變量初始值。其中后兩個參數(shù)為可選。該語句在同一個優(yōu)化問題的定義中可根據(jù)實際問題一次或多次使用。
3.5 OptimizeAddConstraint（">=" / "<=" / "=", bound_value, constraint_formula$, varname$ [, constraint_name$]）
該語句用于定義約束條件。五個參數(shù)的意義分別為：（不）等式約束，邊界值，約束條件公式，約束條件名稱（用于HiQube后續(xù)具體運算中），約束條件名稱（用于標識優(yōu)化問題）。該語句在同一個優(yōu)化問題的定義中可根據(jù)實際問題一次或多次使用。
3.6 一個優(yōu)化問題的HiQube語句描述示例
一個簡單優(yōu)化問題的數(shù)學描述如下：
對應的，在HiQube中對該優(yōu)化問題的表述如下：
4、HiQube優(yōu)化模型示例
本優(yōu)化模型建立在一個成衣零售數(shù)據(jù)庫基礎之上。成衣類型包括10種：男（女）褲子/襯衫/鞋子/外套/帽子。每種成衣均有以下數(shù)據(jù)：在不同地區(qū)/月份的成本、利潤、總價、單件成本，單件價格、產(chǎn)品銷量。優(yōu)化的問題為：在總投入資金一定的情形下，各種成衣的月平均銷量分別為多少時，才能獲得成本最小/收入最高/利潤最大。
HiQube模型的主界面如下：
4.1 定義設計變量
在已有數(shù)據(jù)中，包含10個小項，分別為男（女）褲子/襯衫/鞋子/外套/帽子，用戶可以根據(jù)需要選擇某一個或多個作為設計變量，并在主界面中分別設置其最大/小值及初始值，
4.2 確定優(yōu)化目標：
可以選擇其中之一：成本最小/收入最高/利潤最大
4.3 約束條件：輸入最大的投資額
4.4 優(yōu)化計算及結(jié)果顯示
點擊“優(yōu)化”按鈕，HiQube自動進行優(yōu)化計算，結(jié)算的優(yōu)化結(jié)果顯示在Result編輯框中，同時每個設計變量對應的最優(yōu)月平均銷量顯示在屏幕右側(cè)圖中，其上為實際月平均銷量對比圖。
核心關(guān)注：拓步ERP系統(tǒng)平臺是覆蓋了眾多的業(yè)務領域、行業(yè)應用，蘊涵了豐富的ERP管理思想，集成了ERP軟件業(yè)務管理理念，功能涉及供應鏈、成本、制造、CRM、HR等眾多業(yè)務領域的管理，全面涵蓋了企業(yè)關(guān)注ERP管理系統(tǒng)的核心領域，是眾多中小企業(yè)信息化建設首選的ERP管理軟件信賴品牌。
轉(zhuǎn)載請注明出處：拓步ERP資訊網(wǎng)http://www.oesoe.com/
本文標題：HiQube中的優(yōu)化功能介紹
相關(guān)文章
