# ================================================================
#  Многокритериальная оптимизация выбора поставщика ЭКБ
#  Среда: Engee / Julia
#  Реализует модель, описанную в статье (формулы 1–28)
# ================================================================

using Plots
using Statistics
using Printf

# ----------------------------------------------------------------
# БЛОК 1. ПАРАМЕТРЫ ЗАКУПКИ
# ----------------------------------------------------------------

Q         = 30      # Требуемое количество, шт. (формула 1)
α         = 3.0     # Порог допустимого избытка MOQ (формула 6)
p_expert  = 1.5     # Экспертное соотношение β₁/β₂ (формула 11)

# ----------------------------------------------------------------
# БЛОК 2. ИСХОДНЫЕ ДАННЫЕ КОММЕРЧЕСКИХ ПРЕДЛОЖЕНИЙ
# ----------------------------------------------------------------

suppliers = ["ООО Альфа", "ИП Бета", "АО Гамма",
             "ООО Дельта", "ЗАО Эпсилон"]

# Столбцы: c (цена), m (MOQ), t (срок)
offers = [
    120.0   10   14;   # ООО Альфа
     95.0  100   21;   # ИП Бета
    110.0   25   10;   # АО Гамма
    130.0    1    7;   # ООО Дельта
    100.0   50   30;   # ЗАО Эпсилон
]

# ----------------------------------------------------------------
# БЛОК 3. ИСТОРИЯ ВЗАИМОДЕЙСТВИЯ ИЗ ERP-СИСТЕМЫ
# ----------------------------------------------------------------

# Столбцы: N (всего), N_t (в срок), N_q (без рекламаций)
history = [
    10   9  10;   # ООО Альфа
     5   3   4;   # ИП Бета
     8   8   7;   # АО Гамма
    15  15  15;   # ООО Дельта
     2   1   2;   # ЗАО Эпсилон
]

n_sup = length(suppliers)

# ----------------------------------------------------------------
# БЛОК 4. ЗАЩИТА ВХОДНЫХ ДАННЫХ
# ----------------------------------------------------------------

@assert all(isfinite, offers)   "Таблица КП содержит NaN или Inf!"
@assert all(isfinite, history)  "Таблица истории содержит NaN или Inf!"
@assert Q > 0                   "Потребность Q должна быть > 0!"
@assert α >= 1.0                "Порог α должен быть >= 1!"

# ----------------------------------------------------------------
# БЛОК 5. ВЫЧИСЛЕНИЕ УРОВНЯ ДОВЕРИЯ r_i
#         Формулы (7)–(15) статьи
# ----------------------------------------------------------------

# Частные показатели надёжности (формулы 7–8)
p_t = zeros(n_sup)
p_q = zeros(n_sup)
r   = zeros(n_sup)

for i in 1:n_sup
    N, Nt, Nq = history[i, 1], history[i, 2], history[i, 3]
    if N == 0
        # Новый поставщик — нейтральный балл (формула 10)
        r[i] = 0.5
    else
        p_t[i] = Nt / N
        p_q[i] = Nq / N
    end
end

# Энтропийные веса β (формулы 12–14)
function entropy_weights(x1, x2)
    n   = length(x1)
    ε   = 1e-12   # защита от log(0)

    s1  = sum(x1);  s2 = sum(x2)
    p1  = (s1 > 0) ? x1 ./ s1 : ones(n) ./ n
    p2  = (s2 > 0) ? x2 ./ s2 : ones(n) ./ n

    H1  = -sum(p1 .* log.(p1 .+ ε)) / log(n)
    H2  = -sum(p2 .* log.(p2 .+ ε)) / log(n)

    d1, d2 = 1 - H1, 1 - H2
    total  = d1 + d2
    return (total > 0) ? (d1/total, d2/total) : (0.5, 0.5)
end

β1_exp = p_expert / (1 + p_expert)   # формула (11)
β2_exp = 1.0      / (1 + p_expert)

# Энтропийные веса только по поставщикам с историей
has_history = history[:, 1] .> 0
if sum(has_history) >= 2
    β1_ent, β2_ent = entropy_weights(p_t[has_history],
                                     p_q[has_history])
else
    β1_ent
    β1_ent, β2_ent = 0.5, 0.5
end

# Комбинированные веса (формула 15)
denom = β1_exp * β1_ent + β2_exp * β2_ent
β1 = (denom > 0) ? (β1_exp * β1_ent) / denom : 0.5
β2 = (denom > 0) ? (β2_exp * β2_ent) / denom : 0.5

# Уровень доверия (формула 9)
for i in 1:n_sup
    if history[i, 1] > 0
        r[i] = β1 * p_t[i] + β2 * p_q[i]
    end
    # иначе r[i] = 0.5 уже задан выше
end

println("=" ^ 60)
println("  БЛОК: УРОВЕНЬ ДОВЕРИЯ")
println("=" ^ 60)
@printf("%-16s | β₁=%.3f (эксп.), β₁_ent=%.3f → β₁=%.3f\n",
        "", β1_exp, β1_ent, β1)
@printf("%-16s | β₂=%.3f (эксп.), β₂_ent=%.3f → β₂=%.3f\n",
        "", β2_exp, β2_ent, β2)
println("-" ^ 60)
@printf("%-16s | %-8s | %-8s | %-8s\n",
        "Поставщик", "p_t", "p_q", "r_i")
println("-" ^ 60)
for i in 1:n_sup
    @printf("%-16s | %-8.3f | %-8.3f | %-8.3f\n",
            suppliers[i], p_t[i], p_q[i], r[i])
end

# ----------------------------------------------------------------
# БЛОК 6. ПРИВЕДЁННАЯ ЦЕНА И ФИЛЬТРАЦИЯ ПО MOQ
#         Формулы (3)–(6) статьи
# ----------------------------------------------------------------

c_real   = zeros(n_sup)
Q_real   = zeros(Int, n_sup)
excluded = falses(n_sup)

for i in 1:n_sup
    c_i   = offers[i, 1]
    m_i   = offers[i, 2]

    Q_real[i]  = max(Q, m_i)                         # формула (3)
    c_real[i]  = c_i * Q_real[i] / Q                 # формула (4)
    ratio      = Q_real[i] / Q

    if ratio > α                                      # формула (6)
        excluded[i] = true
    end
end

println()
println("=" ^ 65)
println("  БЛОК: ФИЛЬТРАЦИЯ ПО MOQ  (Q=$(Q) шт., α=$(α))")
println("=" ^ 65)
@printf("%-16s | %-6s | %-8s | %-6s | %-12s | %s\n",
        "Поставщик", "m_i", "Q_real", "ratio", "c_real,руб", "Статус")
println("-" ^ 65)
for i in 1:n_sup
    ratio  = Q_real[i] / Q
    status = excluded[i] ? "✗ ИСКЛЮЧЁН" : "✓ допустим"
    @printf("%-16s | %-6d | %-8d | %-6.2f | %-12.2f | %s\n",
            suppliers[i], offers[i,2], Q_real[i],
            ratio, c_real[i], status)
end

# Индексы допустимых поставщиков
active = findall(.!excluded)
@assert length(active) >= 1  "Все поставщики исключены! Увеличьте α."

# ----------------------------------------------------------------
# БЛОК 7. МАТРИЦА ПАРНЫХ СРАВНЕНИЙ МАИ
#         Формулы (20)–(26) статьи
# ----------------------------------------------------------------

# Матрица задаётся экспертом:
# критерии: [1]=цена, [2]=срок, [3]=доверие
A_ahp = [
    1.0    2.0   3.0;
    1/2    1.0   2.0;
    1/3    1/2   1.0;
]

function ahp_weights(A)
    k        = size(A, 1)
    # Нормировка столбцов (формулы 21–22)
    col_sums = sum(A, dims=1)
    A_norm   = A ./ col_sums
    # Веса = среднее по строкам (формула 23)
    w        = vec(mean(A_norm, dims=2))
    # Проверка согласованности (формулы 24–26)
    λ_max    = sum((A * w) ./ w) / k

    CI = (λ_max - k) / (k - 1)
    RI_table = Dict(1=>0.00, 2=>0.00, 3=>0.58,
                    4=>0.90, 5=>1.12, 6=>1.24, 7=>1.32)
    RI = get(RI_table, k, 1.49)
    CR = (RI > 0) ? CI / RI : 0.0

    return w, λ_max, CI, CR
end

w, λ_max, CI, CR = ahp_weights(A_ahp)

println()
println("=" ^ 60)
println("  БЛОК: МАИ — ВЕСА КРИТЕРИЕВ")
println("=" ^ 60)
@printf("  w₁ (цена)    = %.4f\n", w[1])
@printf("  w₂ (срок)    = %.4f\n", w[2])
@printf("  w₃ (доверие) = %.4f\n", w[3])
@printf("  Σw           = %.4f\n", sum(w))
println("-" ^ 60)
@printf("  λ_max = %.4f\n", λ_max)
@printf("  CI    = %.4f\n", CI)
@printf("  CR    = %.4f\n", CR)
if CR < 0.1
    println("  ✅ Суждения согласованы (CR < 0.1)")
else
    println("  ❌ Суждения НЕ согласованы — пересмотрите матрицу A!")
end

# ----------------------------------------------------------------
# БЛОК 8. НОРМИРОВКА КРИТЕРИЕВ
#         Формулы (16)–(19) статьи
# ----------------------------------------------------------------

# Матрица критериев для активных поставщиков:
# столбцы: c_real, t, r
data_active = hcat(
    c_real[active],
    Float64.(offers[active, 3]),
    r[active]
)

dirs          = [:min, :min, :max]  # направления оптимизации
n_active      = length(active)
n_crit        = 3
normalized    = zeros(n_active, n_crit)

for j in 1:n_crit
    v     = data_active[:, j]
    v_min = minimum(v)
    v_max = maximum(v)

    for i in 1:n_active
        if v_max ≈ v_min          # вырожденный случай (формула 19)
            normalized[i, j] = 1.0
        elseif dirs[j] == :min    # формула (17)
            normalized[i, j] = (v_max - v[i]) / (v_max - v_min)
        else                      # формула (18)
            normalized[i, j] = (v[i] - v_min) / (v_max - v_min)
        end
    end
end

# ----------------------------------------------------------------
# БЛОК 9. ЦЕЛЕВАЯ ФУНКЦИЯ И РАНЖИРОВАНИЕ
#         Формулы (27)–(28) статьи
# ----------------------------------------------------------------

F_scores  = normalized * w          # формула (27)
best_local = argmax(F_scores)
best_idx   = active[best_local]

order_local = sortperm(F_scores, rev=true)

println()
println("=" ^ 70)
println("  БЛОК: РАНЖИРОВАНИЕ ПОСТАВЩИКОВ")
println("=" ^ 70)
@printf("%-4s %-16s | %-10s | %-8s | %-8s | %-8s | %s\n",
        "Ранг", "Поставщик",
        "c_real", "Срок", "Доверие", "F(s_i)", "")
println("-" ^ 70)

for (rank, idx_local) in enumerate(order_local)
    idx    = active[idx_local]
    marker = (idx == best_idx) ? "← ОПТИМАЛЬНЫЙ" : ""
    @printf("%-4d %-16s | %-10.2f | %-8.0f | %-8.3f | %-8.4f | %s\n",
            rank,
            suppliers[idx],
            c_real[idx],
            offers[idx, 3],
            r[idx],
            F_scores[idx_local],
            marker)
end

println()
println("  Исключены по MOQ:")
for i in findall(excluded)
    @printf("  ✗ %-16s (MOQ=%d, ratio=%.2f, c_real=%.2f руб./шт.)\n",
            suppliers[i], offers[i,2],
            Q_real[i]/Q, c_real[i])
end

# ----------------------------------------------------------------
# БЛОК 10. АНАЛИЗ ЧУВСТВИТЕЛЬНОСТИ
#          Варьируем веса — проверяем устойчивость победителя
# ----------------------------------------------------------------

scenarios = [
    "Базовый (МАИ)"      w[1]  w[2]  w[3];
    "Приоритет цены"     0.70  0.20  0.10;
    "Приоритет срока"    0.20  0.60  0.20;
    "Приоритет доверия"  0.20  0.20  0.60;
    "Равные веса"        0.333 0.333 0.333;
]

println()
println("=" ^ 65)
println("  БЛОК: АНАЛИЗ ЧУВСТВИТЕЛЬНОСТИ")
println("=" ^ 65)
@printf("%-22s | %-6s %-6s %-6s | %s\n",
        "Сценарий", "w1", "w2", "w3", "Победитель")
println("-" ^ 65)

for row in eachrow(scenarios)
    name   = row[1]
    ws     = Float64.([row[2], row[3], row[4]])
    ws    ./= sum(ws)     # нормировка на случай округлений
    f_sens = normalized * ws
    winner = suppliers[active[argmax(f_sens)]]
    @printf("%-22s | %-6.3f %-6.3f %-6.3f | %s\n",
            name, ws[1], ws[2], ws[3], winner)
end

============================================================
  БЛОК: УРОВЕНЬ ДОВЕРИЯ
============================================================
                 | β₁=0.600 (эксп.), β₁_ent=0.900 → β₁=0.931
                 | β₂=0.400 (эксп.), β₂_ent=0.100 → β₂=0.069
------------------------------------------------------------
Поставщик        | p_t      | p_q      | r_i     
------------------------------------------------------------
ООО Альфа        | 0.900    | 1.000    | 0.907   
ИП Бета          | 0.600    | 0.800    | 0.614   
АО Гамма         | 1.000    | 0.875    | 0.991   
ООО Дельта       | 1.000    | 1.000    | 1.000   
ЗАО Эпсилон      | 0.500    | 1.000    | 0.535   

=================================================================
  БЛОК: ФИЛЬТРАЦИЯ ПО MOQ  (Q=30 шт., α=3.0)
=================================================================
Поставщик        | m_i    | Q_real   | ratio  | c_real,руб   | Статус
-----------------------------------------------------------------
ООО Альфа        | 10     | 30       | 1.00   | 120.00       | ✓ допустим
ИП Бета          | 100    | 100      | 3.33   | 316.67       | ✗ ИСКЛЮЧЁН
АО Гамма         | 25     | 30       | 1.00   | 110.00       | ✓ допустим
ООО Дельта       | 1      | 30       | 1.00   | 130.00       | ✓ допустим
ЗАО Эпсилон      | 50     | 50       | 1.67   | 166.67       | ✓ допустим

============================================================
  БЛОК: МАИ — ВЕСА КРИТЕРИЕВ
============================================================
  w₁ (цена)    = 0.5390
  w₂ (срок)    = 0.2973
  w₃ (доверие) = 0.1638
  Σw           = 1.0000
------------------------------------------------------------
  λ_max = 3.0092
  CI    = 0.0046
  CR    = 0.0079
  ✅ Суждения согласованы (CR < 0.1)

======================================================================
  БЛОК: РАНЖИРОВАНИЕ ПОСТАВЩИКОВ
======================================================================
Ранг Поставщик        | c_real     | Срок     | Доверие  | F(s_i)   | 
----------------------------------------------------------------------
1    АО Гамма         | 110.00     | 10       | 0.991    | 0.9582   | ← ОПТИМАЛЬНЫЙ
2    ООО Дельта       | 130.00     | 7        | 1.000    | 0.8098   | 
3    ООО Альфа        | 120.00     | 14       | 0.907    | 0.7817   | 
4    ЗАО Эпсилон      | 166.67     | 30       | 0.535    | 0.0000   | 

  Исключены по MOQ:
  ✗ ИП Бета          (MOQ=100, ratio=3.33, c_real=316.67 руб./шт.)

=================================================================
  БЛОК: АНАЛИЗ ЧУВСТВИТЕЛЬНОСТИ
=================================================================
Сценарий               | w1     w2     w3     | Победитель
-----------------------------------------------------------------
Базовый (МАИ)          | 0.539  0.297  0.164  | АО Гамма
Приоритет цены         | 0.700  0.200  0.100  | АО Гамма
Приоритет срока        | 0.200  0.600  0.200  | ООО Дельта
Приоритет доверия      | 0.200  0.200  0.600  | АО Гамма
Равные веса            | 0.333  0.333  0.333  | АО Гамма

Модель многокритериальной оптимизации выбора поставщика

Тип

Краткое описание

Связанные материалы

Теги

Категории

Языки

Форматы

Уровень

Статус

Опубликовано

Обновлено

Источник