4. 策略参数配置失误：权重设置不合理、阈值过高/过低导致无结果或结果过多

在智能寻源算法中，策略参数是连接品类业务规则与数学优化模型的桥梁。权重与阈值配置失误是导致寻源结果“无解”或“爆炸”的最常见原因之一。本章将系统梳理参数配置的典型故障模式、诊断方法及调优路径。

4.1 核心参数定义与作用

智能寻源算法通常包含两类关键参数：权重（Weight）与阈值（Threshold）。权重决定多目标优化中各目标的相对重要性；阈值则作为硬性约束或过滤条件，直接决定候选供应商的准入范围。

4.2 权重设置不合理：故障模式与诊断

4.2.1 典型故障模式

• 权重极化：某一维度权重占比超过 80%，导致算法忽略其他关键约束。例如价格权重 0.9，质量权重 0.1，结果可能推荐最低价但质量不达标的供应商。
• 权重均化：所有维度权重相等（如各 0.25），未体现品类策略优先级。对于战略品类，质量权重应显著高于价格权重；均化配置会导致寻源结果“平庸化”。
• 权重与量纲不匹配：价格单位是元（范围 0~1000），质量分是百分制（范围 0~100），若未做归一化处理，权重实际效果被量纲差异扭曲。

4.2.2 诊断方法

1. 敏感性分析：固定其他参数，将目标权重从 0.1 逐步调整至 0.9，观察寻源结果中该维度指标的变化曲线。若曲线出现突变或平台期，说明权重设置不合理。
2. 帕累托前沿检查：输出多目标优化的帕累托前沿解集，检查是否存在某个维度被完全牺牲（如所有解的价格都接近上限）。
3. 业务回测：将历史中标结果代入当前权重配置，计算加权综合得分排名，与历史实际选择对比。若排名偏差超过 30%，需重新校准权重。

4.3 阈值过高/过低：故障模式与诊断

4.3.1 阈值过高导致无结果

当硬阈值设置过于严格时，算法无法找到任何满足所有约束的供应商组合。典型场景包括：

• 价格上限低于所有供应商的报价
• 质量分下限高于所有供应商的最高分
• 交期天数上限短于行业最短生产周期

4.3.2 阈值过低导致结果过多

当阈值设置过于宽松时，大量低质量供应商进入候选池，导致：

• 寻源结果数量超过业务可评审范围（如返回 500+ 家供应商）
• 算法计算时间指数级增长
• 最终推荐结果中包含明显不符合品类策略的供应商

4.3.3 阈值诊断流程

以下 SVG 流程图展示了阈值故障的系统性诊断路径：

4.4 参数配置最佳实践

4.4.1 权重配置原则

4.4.2 阈值配置原则

• 硬阈值：基于历史数据 P10~P90 分位数设定，避免使用固定值。例如价格上限设为历史报价的 P85 分位数。
• 软阈值：设置 ±15%~±25% 的缓冲区间，既保留约束效力，又给算法留出优化空间。
• 动态阈值：对于价格波动大的品类，采用滚动窗口（如过去 3 个月）动态计算阈值，而非静态配置。

4.5 故障排查清单

当寻源结果异常时，按以下清单逐项排查：

1. 检查日志输出：确认算法是否输出“无可行解”或“候选池为空”的明确错误码。
2. 验证输入数据：确认供应商报价、质量分、交期等字段是否存在异常值（如空值、负数、超出物理范围）。
3. 单维度测试：临时将其他权重设为 0，仅保留一个维度，验证该维度阈值是否合理。
4. 阈值松弛测试：将硬阈值放宽 50%，观察结果数量变化。若结果数量从 0 变为正常范围，说明原阈值过严。
5. 权重归一化检查：确认各维度数据已完成 Min-Max 或 Z-score 归一化，避免量纲干扰。
6. 业务确认：将初步结果交由品类经理审核，确认推荐结果是否符合业务直觉。