正如博客"Supply Optimizer:the Mathematics behind"中所述，优化器将业务场景转换为数学模型表示形式——混合整数线性规划（MILP）。然后通过市场上最好的解决方案之一来解决这个问题。由于底层算法的性能强烈依赖于模型结构和约束，因此几乎不可能对运行时进行任何预测。由于模型取决于具体的供应场景和使用的特性，因此有必要对实际数据集进行早期测试，以避免在项目后期进行任何较大的重构。

本文展示了影响供应优化器性能的典型方面和可能的缓解方案。我们提供了一些来自客户群的性能信息，并与APO SNP优化进行了比较，并解释了您的场景如何帮助提高优化器的性能。

性能因素

主要因素是模型的大小，使用的特征和可能的数字困难：

（1）场景的大小主要由：

有效客户和产品组合的数量来定义有效位置和产品组合的数量计划期内的周期数

对于每个周期和位置/产品组合，需要一个变量来表示库存水平。附加变量表示采购决策，例如运输量或生产量。

可能的缓解方案：（4）+（5）在下一节

（2）一些特征需要离散的决策变量，这使得问题更难解决。它们用于这些特性：

最小批量增量批量固定成本

特别是增量批量大小具有很高的影响，因为它们需要整数变量，因为最小批量大小和固定成本仅使用二进制变量。

可能的缓解方案：（1）+（5）在下一节

（3）一些特性需要许多附加变量。这里最突出的是公平份额分配，因为对于所有相应的客户/产品，每个细分市场都需要一个变量。位置/产品。延迟需求交付是另一个备选方案，对于每个可能延迟交付的需求的每个可能周期，需要一个额外的变量。

可能的缓解方案：（4）+（5）在下一节

（4）一些特性通过引入包含许多变量的约束使模型复杂化。典型的例子是广泛使用的资源和聚合约束。

（5）当相关变量的范围非常大和/或目标函数的范围非常大时，就会出现数值困难。根本原因是浮点表示法：它只有有限的精度，这导致了由于强加的不精确性而产生的数字问题。通常情况下，计算机大数据，解算器需要大量时间来处理这些不准确的情况，有时也可以在结果中看到它们。例如，如果某些产品以千克为单位，而另一些产品以吨为单位，那么生产来源中可能会产生较大的系数。目标函数中的范围主要通过成本来定义。我们经常看到非常小的值，如0.001，此外还有较大的值，如999999。在这样的范围内，基于小系数的决策在目标函数中没有显著的相关性，云服务器价格，因此可能产生不想要的结果。大量增加的批量大小也会对数值产生不良影响，因为相关的限制需要相应地调整。

可能的缓解方案：（2）+（3）在下一节

最佳实践

如果遇到性能问题，通常这些更改帮助最大：

（1）尽可能减少离散决策。最简单的方法是使用离散化视界将它们限制在前n个周期。配置细节可以在TS-Based Supply Optimizer=>Optimizer Parameters=>Discretization.

（2）限制数值范围：

保持成本系数范围尽可能低，特别是不要使用像99999999这样的非常高的成本值。对于优化器应该坚持非常高优先级的决策，建议使用基于模型中最高成本的值。E、 g.如果生产的最高成本是100，那么对于这种高评级的决策，使用10*100=1000。避免优化器配置文件中的高全局成本因素避免高增量批量

（3）避免无法满足的最小值和/或调整值。它们会在目标函数中占很大的比例，造成数值困难。

（4）尽量减小模型尺寸。典型的选择是：

限制规划范围使用子网络分别优化可能的独立部分或松散耦合部分。例如，不同的工厂通常可以单独规划。尽可能限制公平份额部分的数量避免多期延迟交货避免供应期，多期最大覆盖

（5）使用时间聚合。特别是如果计划发生在日常时段。

（6）使用优化专家咨询服务。有关更多信息，大数据专业，人工智能网络，请参阅SAP note 2427153。

性能数字

下表给出了我们客户群的一些示例。

很明显，优化运行时不一定取决于模型大小，通常离散决策的数量和数值挑战是更大的影响因素。由于各种影响因素，如果没有概念证明，很难对性能进行任何估计。

与APO-SNP优化的比较

我们经常被问到如何将性能与APO-SNP中的优化器进行比较。一般来说，它们的性能相对相似，实际上它们共享很大的编码部分。但由于不同的型号和可用的功能有一些差异。SNP优化器的一些性能特性（如分解技术）在IBP中还不可用。由于SAP HANA在IBP中的使用，必要的预处理和后处理步骤通常要快得多，优化器总是能从我们和我们的解算器提供商那里得到最新的性能改进。

最后的评论