2. 智能寻源算法概述：主流寻源算法简介与风险权重的关系
智能寻源的核心目标是在海量供应商组合中，快速找到满足成本、交期、质量等多维约束的最优分配方案。风险权重作为惩罚项或约束系数，直接嵌入算法的适应度函数或目标函数中，引导搜索方向。本节概述三种主流元启发式算法——遗传算法、粒子群算法、模拟退火算法，并分析它们与风险权重的结合方式。
2.1 遗传算法（Genetic Algorithm, GA）与风险权重
遗传算法模拟自然选择与遗传变异过程，通过选择、交叉、变异操作迭代优化种群。在寻源场景中，每个个体代表一种供应商分配方案（染色体），适应度函数通常为：
Fitness = w₁·Cost + w₂·LeadTime + w₃·Quality + w₄·RiskPenalty其中 RiskPenalty 由风险权重系数 w₄ 控制。当风险权重增大时，高风险供应商组合的适应度显著下降，在轮盘赌选择中被淘汰的概率升高。
| 参数 | 典型范围 | 风险权重影响 |
|---|---|---|
| 种群大小 | 50 ~ 200 | 风险权重高时需更大种群以维持多样性 |
| 交叉概率 | 0.6 ~ 0.9 | 风险权重高时降低交叉概率，避免破坏低风险模式 |
| 变异概率 | 0.01 ~ 0.1 | 风险权重高时适当提高变异概率，跳出局部高风险区域 |
| 风险权重 w₄ | 0.1 ~ 10.0 | 直接缩放风险惩罚项，控制风险规避强度 |
实践提示：在GA中，风险权重不宜设置过高（如 > 5.0），否则适应度函数会被风险项主导，导致种群过早收敛到少数低风险但成本高昂的方案，丧失全局搜索能力。
2.2 粒子群算法（Particle Swarm Optimization, PSO）与风险权重
粒子群算法通过个体历史最优（pBest）和全局历史最优（gBest）引导粒子在解空间中飞行。每个粒子的速度更新公式为：
vᵢ(t+1) = ω·vᵢ(t) + c₁·r₁·(pBestᵢ - xᵢ(t)) + c₂·r₂·(gBest - xᵢ(t))风险权重通过两种方式影响PSO：
- 目标函数嵌入：将风险惩罚项加入适应度计算，使低风险方案成为pBest和gBest的候选。
- 约束处理：风险权重作为惩罚系数，当粒子超出风险阈值时，降低其适应度或直接重置位置。
| PSO参数 | 典型范围 | 风险权重关联 |
|---|---|---|
| 惯性权重 ω | 0.4 ~ 0.9 | 风险权重高时采用递减ω策略，后期精细搜索 |
| 学习因子 c₁, c₂ | 1.5 ~ 2.5 | 风险权重高时增大c₂，加速向全局低风险区域收敛 |
| 粒子数量 | 20 ~ 80 | 风险权重高时建议增加粒子数，覆盖更多风险组合 |
注意：PSO对风险权重敏感度较高。若风险权重突变（如从0.5跳变到5.0），粒子群可能因速度骤变而发散。建议采用渐进式风险权重调整策略，或对速度进行钳位处理。
2.3 模拟退火算法（Simulated Annealing, SA）与风险权重
模拟退火算法模拟金属退火过程，以一定概率接受劣质解，从而跳出局部最优。在寻源问题中，状态转移概率由Metropolis准则决定：
P(accept) = exp( - (E_new - E_old) / T )其中 E 为目标函数（含风险权重项），T 为当前温度。风险权重通过改变能量差 ΔE 来影响接受概率：
- 风险权重高 → 高风险方案的 ΔE 增大 → 接受概率指数级下降。
- 风险权重低 → 风险项在能量函数中占比小 → 算法更关注成本与交期。
| SA参数 | 典型范围 | 风险权重影响 |
|---|---|---|
| 初始温度 T₀ | 100 ~ 1000 | 风险权重高时需提高T₀，避免初期就拒绝所有高风险解 |
| 降温速率 α | 0.85 ~ 0.99 | 风险权重高时采用慢速降温（α > 0.95），充分探索 |
| 马尔可夫链长度 | 100 ~ 500 | 风险权重高时增加链长，在每个温度下充分采样 |
关键对比：SA与GA、PSO的核心区别在于SA是单点搜索，而GA和PSO是种群搜索。风险权重在SA中直接影响每一步的接受概率，因此对退火计划（温度调度）的依赖性更强。实际调优时，建议先固定风险权重，再调温度参数；最后联合调优。
2.4 三种算法与风险权重的协同关系
下表从风险权重适配性角度对比三种算法：
| 维度 | 遗传算法 (GA) | 粒子群 (PSO) | 模拟退火 (SA) |
|---|---|---|---|
| 搜索方式 | 种群并行 | 种群并行 | 单点串行 |
| 风险权重敏感度 | 中等 | 高 | 中等 |
| 风险权重突变适应性 | 较好（种群多样性缓冲） | 较差（速度易发散） | 一般（需重调退火计划） |
| 推荐风险权重范围 | 0.5 ~ 5.0 | 0.1 ~ 3.0 | 0.2 ~ 4.0 |
| 典型应用场景 | 多源采购、大批量分配 | 连续参数优化、动态定价 | 小规模精细寻源、路径规划 |
2.5 风险权重在算法中的嵌入模式
无论采用哪种算法，风险权重通常通过以下三种模式嵌入：
- 加权求和模式：风险作为目标函数的一个线性项，权重系数直接控制其重要性。适用于风险可量化且与其他目标独立的情况。
- 惩罚函数模式：当方案违反风险阈值时，施加惩罚项。风险权重控制惩罚力度，适用于硬约束场景。
- 多目标 Pareto 模式：将风险作为独立目标，通过非支配排序或权重向量搜索 Pareto 前沿。风险权重在此模式下转化为偏好向量。
选型建议：对于供应链寻源场景，推荐优先采用加权求和模式，因为它实现简单、调参直观，且与GA/PSO/SA的适应度函数天然兼容。当业务要求严格区分风险等级时，再升级为惩罚函数或多目标模式。