订货、运货优化LINGO程序.docVIP

模型解释： a、当n=12时没有满足所有约束条件的方程的解，再给n逐步加1再次运行程序，直到n=16，程序才可以运行出满足所有约束条件的解。（运行LINGO程序结果见附2） b、数据处理：由于货物件数取整数，所以为了满足供货要求，对订货数量按进1法取整。 c、结果表示： （1）订货方案： (1.1)从每个工厂分别订每种货物的数量。一年共取货16次，每次从A1厂订货物M1数量=113件…… 列表如下： 数量 M1 M2 M3 M4 M5 M6 M7 M8 M9 M10 A1 113 -- 178 47 197 63 -- 125 78 75 A2 125 69 -- 63 -- 84 125 77 -- 75 A3 -- 157 50 94 -- 63 72 -- 157 94 (1.2)各种货物总量： 数量 M1 M2 M3 M4 M5 M6 M7 M8 M9 M10 MQ 238 225 228 204 197 209 197 202 234 244 （2）从工厂到仓库运货方案： （2.1）从每个工厂到各个仓库运输的10种货物总数量。(例如从A1工厂送到B2仓库中的货物为A1-B2：563件) 数量 B1 B2 B3 B4 B5 A1 -- 632 0 0 240 A2 0 0 -- 617 0 A3 0 0 684 0 -- （2.2）各个仓库中所存不同货物数量。（例如：B2仓库中存货物B2-M1为30件） 数量 M1 M2 M3 M4 M5 M6 M7 M8 M9 M10 B1 0 0 0 0 0 0 0 0 0 0 B2 172 225 0 0 0 209 0 0 0 28 B3 67 0 42 165 197 0 0 0 216 0 B4 0 0 187 0 0 0 197 0 19 217 B5 0 0 0 39 0 0 0 202 0 0 （3）从仓库到个分店的运货方案： （3.1）从每个仓库到各个分店的送货量。（例如：从B3仓库送到C1店的货物数量B3-C1为106件） 数量 C1 C2 C3 C4 C5 C6 C7 C8 B1 0 0 0 0 0 0 0 0 B2 -- 168 0 -- 0 304 0 162 B3 0 -- 279 300 -- 0 -- 106 B4 0 151 0 0 153 -- 314 -- B5 206 0 0 0 0 0 0 35 （3.2）每个分店所存各类货物的数量。(例如：C1店存货物C1-M1为4件) 数量 M1 M2 M3 M4 M5 M6 M7 M8 M9 M10 C1 4 19 50 7 13 38 25 5 10 38 C2 6 50 32 75 32 25 13 7 50 32 C3 10 32 25 50 38 -- 50 50 25 -- C4 19 25 13 25 10 50 32 10 94 25 C5 25 -- 10 7 13 19 -- 25 6 50 C6 32 13 63 -- 25 10 63 63 13 25 C7 50 75 6 10 6 63 6 32 7 63 C8 94 13 32 32 63 6 10 13 32 13 按上述分配方案可得：一次订货后的总花费为p=959543.179+10000=969543.179元。 模型检验、结果分析及改进： （1）模型检验：将上述优化方案各个数值代入目标函数中计算解得P=970790,比求解结果大，正是由于用了进一法确定货物数量。通过表中的分配数据可看出此程序与实际情况很吻合，不失为一个好的数学模型。 （2）结果分析：根据（附2）中LOINGO程序的运行结果分析报告中的数值，从工厂订货方案的缩减成本系数值取零，为最优解；而从工厂到仓库的运货方案及从仓库到各个分店的运货方案中并不是所有的缩减成本系数值为0，所以此模型满足了货物需求量花费最少的优化配置，而并未同时满足运输货物花费最少的最优化，在LINGO求解报告中可看出运输费上还有很大的优化空间，此无疑为模型明显的缺点。究其原因是我们在模型假设中假设订货数量=需求数量，为满足此等式条件，限制运货方案的不等式条件就需作出让步，而我们当初作此假设，目的是为了在下次订货时达到零库存，从而充分利用仓库容量，而且充分利用最大流动资金上限。 （3）模型改进：通过“结果分析”中指出的问题，对已建立模型目标函数的约束条件上进行改进，即将假设订货数量=需求数量改为“>=”剩余条件，通过计算机程序达到解决方案的优化。 模型应用及推广： （1）应用：优化问题现已成为各个领域中最常遇到的一类问题，本题模型涉及到订货方案、两次运货方案的多重优化，环环相扣，若不应用一定的数学模型去优化设计，很难