# 数据结构定义：存储订单、企业、供应商数据及算法配置
class OrderData:
    """订单数据类：存储物料需求、交货期、成本等信息（贴合生产实际优化）"""

    def __init__(self):
        self.I = 12  # 物料种类数（12种，分3类：核心/常规/小众）
        # 需求数量：核心物料(1-3)需求量大(1.5-2.5万)、常规物料(4-9)中等(0.7-1.2万)、小众物料(10-12)小(0.3-0.5万)
        self.Q = [22000, 25000, 18000, 11000, 9500, 12000, 8500, 7000, 9000, 4500, 3800, 5000]
        self.Dd = 35  # 交货期微调为35（12种物料需更合理的生产周期）
        # 风险企业采购价：核心物料批量效应价低(28-35)、常规中等(38-45)、小众物料价高(48-52)
        self.P0 = [32, 28, 30, 42, 40, 45, 38, 41, 43, 50, 48, 52]
        # 风险企业运输成本：距离近（20），成本整体偏低(5-8)，小众物料因量小单位运输成本略高
        self.T0 = [5, 6, 5, 7, 6, 7, 6, 8, 7, 8, 7, 8]
        self.transport_speed = 12  # 运输速度微调为12（更贴合实际公路运输效率）


class RiskEnterpriseData:
    """风险企业数据类：存储风险企业的产能、距离等信息（优化产能梯度）"""

    def __init__(self):
        self.I = 12  # 物料种类数（与订单一致）
        # 单物料最小产能：核心物料产能高(120-150)、常规中等(80-110)、小众低(50-70)
        self.C0_i_min = [140, 150, 130, 100, 90, 110, 85, 80, 95, 65, 55, 70]
        self.C0_total_max = 1100  # 总产能上限（适配12种物料的综合供应，略高于原数值）
        self.distance = 20  # 风险企业优先布局在需求点附近，距离保持低值


class SupplierData:
    """供应商数据类：7家供应商（专业化分工+数值贴合实际供需）"""

    def __init__(self, I=12):
        self.I = I  # 物料种类数
        self.supplier_count = 7  # 供应商数量（7家，分综合/专业/小众类型）
        self.names = ["S0", "S1", "S2", "S3", "S4", "S5", "S6"]  # 供应商命名

        # 生产权限矩阵（7×12）：体现专业化分工
        # S0：全品类（头部综合供应商）；S1：核心+部分常规；S2：常规物料；S3：小众+部分常规；S4-S6：专用物料（按物料组分工）
        self.can_produce = [
            [1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1],  # S0：全品类覆盖
            [1, 1, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0],  # S1：核心(1-3)+常规(4-6)
            [0, 0, 0, 1, 1, 1, 1, 1, 1, 0, 0, 0],  # S2：常规物料(4-9)
            [0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1],  # S3：常规(7-9)+小众(10-12)
            [1, 0, 0, 1, 0, 0, 1, 0, 0, 1, 0, 0],  # S4：专用组1（1/4/7/10）
            [0, 1, 0, 0, 1, 0, 0, 1, 0, 0, 1, 0],  # S5：专用组2（2/5/8/11）
            [0, 0, 1, 0, 0, 1, 0, 0, 1, 0, 0, 1]  # S6：专用组3（3/6/9/12）
        ]

        # 单物料最小产能（7×12）：0=不能生产，产能与物料类型匹配
        self.Cj_i_min = [
            [130, 140, 120, 95, 85, 105, 80, 75, 90, 60, 50, 65],  # S0：全品类产能均衡
            [145, 155, 135, 100, 90, 110, 0, 0, 0, 0, 0, 0],  # S1：核心物料产能偏高
            [0, 0, 0, 98, 88, 108, 82, 78, 92, 0, 0, 0],  # S2：常规物料产能中等
            [0, 0, 0, 0, 0, 0, 83, 79, 93, 62, 52, 67],  # S3：小众物料产能偏低
            [135, 0, 0, 96, 0, 0, 81, 0, 0, 61, 0, 0],  # S4：专用组1产能适配
            [0, 142, 0, 0, 87, 0, 0, 76, 0, 0, 51, 0],  # S5：专用组2产能适配
            [0, 0, 132, 0, 0, 106, 0, 0, 89, 0, 0, 66]  # S6：专用组3产能适配
        ]

        # 总产能上限：头部供应商(S0)最高，专业供应商次之，小众供应商最低（符合实际供应链层级）
        self.Cj_total_max = [950, 880, 820, 750, 700, 680, 650]

        # 最小起订量：核心物料起订量高(2000-3500)、常规中等(800-1800)、小众低(300-600)
        self.MinOrder = [
            [3200, 3500, 2800, 1600, 1200, 1800, 1000, 800, 1400, 500, 350, 550],
            [3300, 3600, 2900, 1700, 1300, 1900, 0, 0, 0, 0, 0, 0],
            [0, 0, 0, 1650, 1250, 1850, 1050, 850, 1450, 0, 0, 0],
            [0, 0, 0, 0, 0, 0, 1100, 900, 1500, 550, 400, 600],
            [3250, 0, 0, 1620, 0, 0, 1020, 0, 0, 520, 0, 0],
            [0, 3550, 0, 0, 1280, 0, 0, 880, 0, 0, 380, 0],
            [0, 0, 2850, 0, 0, 1880, 0, 0, 1480, 0, 0, 580]
        ]

        # 最大供应量：不低于订单需求（避免供应不足），核心物料供应能力强，小众物料供应有限
        self.MaxOrder = [
            [25000, 28000, 21000, 14000, 12000, 15000, 11000, 9000, 12000, 6000, 5000, 7000],
            [26000, 29000, 22000, 15000, 13000, 16000, 0, 0, 0, 0, 0, 0],
            [0, 0, 0, 14500, 12500, 15500, 11500, 9500, 12500, 0, 0, 0],
            [0, 0, 0, 0, 0, 0, 12000, 10000, 13000, 6500, 5500, 7500],
            [25500, 0, 0, 14200, 0, 0, 11200, 0, 0, 6200, 0, 0],
            [0, 28500, 0, 0, 12800, 0, 0, 9800, 0, 0, 5200, 0],
            [0, 0, 21500, 0, 0, 15800, 0, 0, 12800, 0, 0, 7200]
        ]

        # 单位采购价：核心物料因批量大价低(28-35)、常规中等(38-45)、小众高(48-55)；专业供应商比综合供应商价略低（专业化优势）
        self.P_ij = [
            [30, 28, 29, 40, 38, 43, 39, 41, 42, 50, 48, 51],
            [29, 27, 28, 39, 37, 42, 0, 0, 0, 0, 0, 0],
            [0, 0, 0, 38, 36, 41, 37, 39, 40, 0, 0, 0],
            [0, 0, 0, 0, 0, 0, 38, 40, 41, 49, 47, 50],
            [31, 0, 0, 40, 0, 0, 39, 0, 0, 51, 0, 0],
            [0, 28, 0, 0, 37, 0, 0, 40, 0, 0, 49, 0],
            [0, 0, 29, 0, 0, 42, 0, 0, 41, 0, 0, 52]
        ]

        # 单位运输成本：与距离正相关（核心优化点），小众物料因运输量小单位成本略高
        self.T_ij = [
            [8, 7, 8, 10, 9, 11, 9, 10, 10, 13, 12, 14],
            [7, 6, 7, 9, 8, 10, 0, 0, 0, 0, 0, 0],
            [0, 0, 0, 11, 10, 12, 10, 11, 11, 0, 0, 0],
            [0, 0, 0, 0, 0, 0, 12, 11, 12, 14, 13, 15],
            [9, 0, 0, 10, 0, 0, 9, 0, 0, 13, 0, 0],
            [0, 8, 0, 0, 9, 0, 0, 10, 0, 0, 12, 0],
            [0, 0, 8, 0, 0, 11, 0, 0, 11, 0, 0, 14]
        ]

        # 供应商距离：梯度分布（40-80），运输成本随距离递增（贴合实际物流成本逻辑）
        self.distance = [50, 40, 60, 70, 55, 45, 65]
class Config:
    """算法参数配置类：存储NSGA-II的各类参数"""
    def __init__(self):
        # 种群参数
        self.pop_size = 400  # 种群大小（相对越多越好）
        self.N1_ratio = 0.2  # 优先成本的种群比例
        self.N2_ratio = 0.2  # 优先延期的种群比例
        self.N3_ratio = 0.3  # 强制风险企业的种群比例
        self.N4_ratio = 0.3  # 随机种群比例
        # 遗传操作参数
        self.crossover_prob = 0.8  # 交叉概率
        self.mutation_prob = 0.3  # 变异概率
        self.max_generations = 1000  # 最大进化代数
        # 惩罚系数
        self.delta = 1.3  # 变更惩罚系数
        # 早停参数
        self.early_stop_patience = 100  # 连续多少代无改进则早停
        self.early_stop_threshold = 0.15  # 目标值变化阈值（相对越高，收敛越稳定）
        # 目标函数数量
        self.objective_num = 2  # 双目标（成本+延期）
        self.duplicate_threshold = 0.02  # 和种群数量相乘，重复解保留数量比例（根据种群数量选择）
        self.print_top_n = 10  # 打印前N个最优解

class DataStructures:
    """数据结构工具类：提供评价指标计算等功能"""
    @staticmethod
    def calculate_evaluation_index(objectives, optimal_cost, optimal_tardiness, max_cost, max_tardiness):
        """
        计算评价指标
        : objectives: 解的目标值 (成本, 延期)
        : optimal_cost: 最优成本值
        : optimal_tardiness: 最优延期值
        : max_cost: 最大成本值
        : max_tardiness: 最大延期值
        :return: 评价指标值
        """
        cost, tardiness = objectives
        if max_cost - optimal_cost == 0:
            cost_ratio = 0
        else:
            cost_ratio = cost/(max_cost - optimal_cost)
        if max_tardiness - optimal_tardiness == 0:
            tardiness_ratio = 0
        else:
            tardiness_ratio = tardiness/( max_tardiness - optimal_tardiness)
        return cost_ratio + tardiness_ratio