《Computers & Industrial Engineering》:Agent-based, immune system-inspired supply chain automation for disruption management
编辑推荐:
供应链韧性(Supply Chain Resilience)近二十年来一直是供应链与运营管理的核心议题。供应链中断风险的增加进一步提升了该领域的研究热度。根据Hosseini等人(2019)、Sawik(2019)、Liu等人(2023)及Ivanov(202
供应链韧性(Supply Chain Resilience)近二十年来一直是供应链与运营管理的核心议题。供应链中断风险的增加进一步提升了该领域的研究热度。根据Hosseini等人(2019)、Sawik(2019)、Liu等人(2023)及Ivanov(2025a)的定义,供应链韧性被界定为抵御中断、在扰动期间维持可接受运作水平并实现高效恢复的能力。近年来,供应链自动化在韧性管理中扮演日益重要的角色,数字技术与人工智能(AI)在供应链韧性领域的应用日益显著。韧性管理依赖于及时的中断识别与响应协调,部分活动仍属人类决策范畴,而其他活动已实现广泛自动化并可交由AI处理。然而,现有文献缺乏可直接应用的基于智能体的供应链韧性模型,本研究旨在填补这一空白。本研究探讨供应链中断管理自动化问题,涵盖中断检测、影响评估、恢复规划与响应执行。尽管供应链中诸多运营活动已高度自动化,韧性管理在监控、分析与恢复功能层面仍呈碎片化状态。随着中断愈发频繁与复杂,亟需能够在去中心化环境下自主协调准备与恢复行动的自动化决策架构。本文提出一种通过免疫系统类比来建模供应链韧性的独特方法,并开发了受生物学免疫应答启发的、可直接应用于AnyLogic平台的多智能体系统(MAS)。与既往将智能体建模(ABM)、免疫系统、信息物理供应链、自适应物流及韧性仿真研究仅单独考虑准备或恢复阶段的去中心化决策不同,本研究将前瞻性与反应性决策加以整合。本研究以Ivanov(2024)提出的广义基于免疫系统的供应链韧性模型为基础,该模型反映免疫系统的复合结构,兼具先天性与适应性应答。此模型允许依据关键免疫系统组分(如先天性免疫、B细胞与T细胞)阐释供应链韧性,进而基于该概念框架提出多智能体系统模型。本研究贡献如下:据研究人员所知,本研究首次提出模拟免疫系统机制的基于智能体的AI环境以建模供应链韧性;该环境捕捉供应链韧性的双重属性,涵盖准备与恢复,并通过免疫系统核心组分(先天性与适应性免疫)加以阐释;在多智能体系统内实现了受免疫系统启发的供应链韧性机制;所提方法与模型可推广与扩展至供应链管理的其他自动化领域。
**研究背景与问题**
供应链韧性(Supply Chain Resilience)近二十年来始终是供应链与运营管理领域的核心议题(Blackhurst et al., 2005; Dubey et al., 2023; Sawik, 2023)。日益频繁且复杂的中断事件进一步推动了该领域的研究。既有文献从多个维度定义了供应链韧性,即承受中断、在扰动期间维持可接受运作水平以及高效恢复的能力(Hosseini et al., 2019; Sawik, 2019; Liu et al., 2023; Ivanov, 2025a)。与此同时,数字技术与人工智能(Artificial Intelligence, AI)在供应链韧性管理中的作用日益凸显(Tan and Matta, 2023; Kosasih and Brintrup, 2025; Ivanov, 2026a-d; Jackson et al., 2024a)。韧性管理高度依赖及时的中断识别与响应协调(Ashraf et al., 2026; Jackson et al., 2026; Dubey et al., 2024),部分活动仍由人类决策,但其他活动已可交由AI自动处理(AlMahri et al., 2026; Wang et al., 2025)。然而,现有文献缺乏可直接部署的、面向供应链韧性的智能体模型,这是本研究着力填补的研究空白。在自动化背景下,韧性管理在监控、分析与恢复功能间仍呈碎片化状态,缺乏能够去中心化自主协调准备与恢复行动的决策架构(Xu et al., 2021; Ivanov, 2026c)。文献中既缺乏概念框架,也缺乏与此框架融合的技术性智能体实现,本研究正是针对这一空白提出实质性贡献。
**研究内容与结论**
本研究提出一种以免疫系统类比供应链韧性的建模方法,并开发了在AnyLogic平台上可直接运行的多智能体系统(Multi-Agent System, MAS),该系统受生物免疫应答机制启发。区别于以往分别考虑准备阶段或恢复阶段去中心化决策的研究,本研究将前瞻性(proactive)与反应性(reactive)决策统一整合。研究以Ivanov (2024)提出的广义免疫系统供应链韧性模型为基础,将供应链韧性对应免疫系统的先天性与适应性应答机制,并具体映射至先天性免疫、B细胞与T细胞等关键组分。研究的主要结论如下:第一,所提出的MAS环境首次实现模拟免疫系统机制的供应链韧性建模;第二,该环境捕捉了韧性兼具准备与恢复的双重属性;第三,在MAS中成功实现了受免疫系统启发的韧性管理机制;第四,所提方法与模型具有可扩展性,能够推广至供应链管理的其他自动化领域。
**关键方法与技术**
本研究综合运用了多种建模与仿真技术。概念框架层面,研究借鉴分子生物学与免疫学理论,构建了供应链韧性的免疫系统类比模型。模型实现层面,研究采用AnyLogic平台,融合了离散事件仿真(Discrete-Event Simulation, DES)与智能体建模(Agent-Based Modeling, ABM)两种仿真范式。智能体架构层面,研究采用了基于规则和基于优化策略相结合的方式,并通过网络优化与仿真模块对恢复方案进行评估。此外,研究探索了基于大语言模型(Large Language Model, LLM)的风险预警智能体与检索增强生成(Retrieval-Augmented Generation, RAG)技术的集成,以增强中断的早期检测能力。实验部分采用了简化的汽车制造供应链算例,包含一家总装厂与两家供应商,基于Ivanov等人(2025)的AnyLogic模型扩展而来。
**研究结果**
**5.1 过程模型**
实验采用排队系统模型描述过程逻辑,构建了包含总装厂、两家供应商及产成品运输的简化汽车制造供应链。装配线以10辆为一批次进行处理,机器M1与M2的批次平均处理时间均为1天,处理时间变异性均为30%。客户订单到达服从正态分布,日均25辆,标准差10辆。若订单等待超过14天则被取消,每辆车产生400美元损失。实验期365天,仿真时长365秒。
**5.2 性能与韧性关键绩效指标(KPI)**
研究使用KPI仪表板分析结果,关键指标包括库存管理成本、订单履行率(Fill Rate, FR)、产能利用率以及提前期与流转时间。韧性通过FR偏差进行度量(Ivanov, 2025c)。FR定义为从现有库存成功履行的客户订单数与总订单数的比率。98%的FR被认定为可接受水平,低于该阈值则表明韧性下降。
**5.3 智能体**
**5.3.1 生产-库存控制智能体**
该智能体采用基于指数平滑预测的订货至目标库存水平(order-up-to-level)补货策略。供应商1和供应商2的交货提前期分别为3天和5天,材料库存持有成本为每单位材料每天10美元,每次订货成本为9000美元。该智能体负责生成需求预测、计算补货数量并维护库存状态。
**5.3.2 供应商智能体**
供应商智能体负责材料交付,协调生产-库存控制智能体的补货请求。模型采用AnyLogic中的Hold模块,根据材料净库存情况决定是否放行代理(即批次车辆)进入加工队列。当有批次订单生成时,通过inject()函数在源节点注入订单数量,生成Material1代理,经延迟模块模拟供应商提前期后到达,增加可用材料净库存。
**5.3.3 B细胞智能体**
B细胞智能体在供应商智能体发出中断警报后被激活。该智能体基于TTR/TTS估计决定是否激活T细胞智能体。TTS(生存时间)根据材料净库存与日均需求消耗率计算;TTR(恢复时间)由供应商智能体报告或由T记忆细胞智能体基于历史数据估计。若TTS大于TTR,则无需激活适应性应答;若TTS小于TTR,则激活T记忆与T辅助细胞智能体。
**5.3.4 T细胞智能体**
T记忆细胞智能体负责搜索相似中断模式及成功响应案例;T辅助细胞智能体提出候选恢复行动(如启用替代供应商);候选方案在供应链分析模块中通过AnyLogistix网络优化(基于CPLEX)与AnyLogic离散事件仿真进行验证;T杀伤细胞智能体负责实施经批准的适应行动。
**5.3.5 智能体交互**
研究通过表格形式详述了各智能体的输入、决策/算法、输出及接收智能体。该MAS并非单一顺序算法,而是去中心化的分布式决策架构,各智能体拥有独立的状态变量、决策规则与信息范围,系统行为源于多智能体交互、反馈回路及记忆状态的演变。
**5.4 数值结果**
无中断基期情形下,FR为99%,表明供应链运作具有韧性。随后模拟供应商1中断6周的场景:方案(i)启用替代供应商,TTA(适应时间)为3天;方案(ii)无替代源。中断发生在第280天。无适应情形下,第322天恢复供应,中断期间357辆汽车未能生产(订单流失),FR从99%降至92%。启用适应机制后,T辅助细胞智能体建议启用替代供应商,经仿真验证后由T杀伤细胞智能体实施,FR保持在99%,生产运营未发生中断。
**5.5 面向LLM智能体的扩展**
所提出的MAS可作为供应链智能体数字孪生(agentic digital twin)的组成部分,借助LLM智能体与RAG技术增强中断的早期检测能力。LLM智能体信号可自动更新优化与仿真模型,使每次仿真或优化均基于实时数据启动。实际压力测试应用包括实时检测中断事件、映射供应链结构并部署仿真与优化模型评估中断影响。
**结论与讨论**
本研究的目标是基于免疫系统视角的韧性概念模型,开发新型供应链自动化智能体系统。研究结果表明,TTR属于买方难以影响的外部因素,而TTS与TTA则处于买方控制之下;韧性越好,TTA越短,TTS越长。从实践角度看,所提出的MAS可直接在AnyLogic平台中使用,并可供不同中断类型与韧性策略场景下的扩展应用。该模型结合离散事件与智能体建模,支持供应链压力测试、恢复策略生成与验证。本研究的局限性包括:单个MAS未能涵盖免疫系统中与供应链韧性相关的全部方面,如先天免疫受体、诱导性先天应答、适应性免疫的识别与效应机制、多阶段体液免疫应答以及B细胞与T细胞的复杂相互作用。未来扩展方向包括:将LLM风险智能体集成至MAS实现中断文本分析预警;探索警报的智能体预分级处理或直接分发路径;考虑数据安全与AI可解释性;开发基于真实数据与实验场景的验证程序。研究鼓励供应链学者与分子生物学、免疫学等领域专家展开跨学科合作,共同完善基于免疫系统类比的供应链韧性建模与仿真方法。总体而言,本研究的方法与模型可推广应用于供应链管理的其他自动化领域,TTA/TTR与安全库存的敏感性实验有望产生新的管理洞见。此外,研究还指出恢复过程中的资源竞争问题——如同生物体感染时多个器官同时受损但恢复资源和速度有限,供应链中不同环节的恢复也存在类似的优先级协调难题,这为未来研究提供了方向。本研究受到Horizon Europe框架下ACCURATE项目(资助协议号101138269)、PRIMA计划CERERE项目(资助协议号2331)及德国研究联合会(DFG, Project-ID 528278755, FIP3)的资助。