联合采购配送优化模型.doc

联合采购配送优化模型 ; 1 引言; 联合采购问题(Joint Replenishment Problem,JRP)是指从一个供应商处对多种产品进行分组采购,从而分摊主要准备费用,使订购费用得到节省,其学术价值和广泛的适用性自早期Shu[1]的研究以来被广泛认同[2]。相关研究又可分为间接成组和直接成组策略:(1)间接成组策略是通过寻求最合理的联合补充周期(T0)和各品种货物的补充周期(Ti),从而使总的相关费用最小化;(2)直接成组策略是研究如何将N个品种分成M组,使得总费用最小化,在每个组都需要确定一个固定的T0,在每次订货时本组中的每个物品都需要进行补货。因其在企业中有很强的应用背景,过去几十年中联合补货问题被广泛重视,较常见的有单企业多产品JRP以及多企业多产品JRP(M-JRP)。为提高实用性,不少学者对其经典JRP进行了扩展,一种扩展是放松确定性需求的假设,研究随机性JRP,如文献[3]讨论了需求服从正态分布的JRP,文献[4]研究了需求服从泊松分布的JRP;另一种扩展是增加资源或者运输条件约束[5-6]。遗憾的是目前文献多集中于研究单纯的JRP,较少联合考虑配送决策。其实,将JRP与配送相结合是非常有意义的,因为联合补货可以整合运输资源并可能获得批量折扣。如果从供应商的角度看,多企业供应问题可以采用类似供应商管理库存(Vendor Managed Inven-tag,VMI)方式进行管理,也可将其转化为JRP和旅行商问题(Traveing Salesman Problem,TSP)相结合的问题,如Qu等站在单一中心仓库向多家供应商订货的角度,同时决定中心仓库的库存策略及路径,以最小化长期总成本[7];文献[8]描述了已知联合补货信息后,如何进行配送的问题,并考虑了最小化每时期需配送产品的最大值、最小化每时期需配送用户的最大值、最小化需配送用户的总数、最小化所需车辆数等四种情况,并设计了复杂的启发式算法进行求解;文献[9]研究了在一个配送中心,N个零售商的供应链中应用多品种联合补货模式,并针对多品种联合采购与配送调度优化提出了更灵活的策略,设计了解决此问题的混合遗传算法并与其他启发式算法进行了比较。文献[8,9]研究的缺点在于假设需求为确定的,实用价值有限。; JRP研究的难点之一在于模型的求解,确定性JRP已被证明是NP难题[10]。对于确定性JRP模型,已有一些较为成熟的算法[11],然而考虑到需求的随机性且与配送调度相结合,模型求解变得非常复杂。而传统的方法又存在自身难以克服缺陷:(1)枚举法在枚举空间比较大时,算法效率较低,有时甚至在目前先进计算工具上仍无法求解。(2)常规的启发式算法对每个问题必须找出特有的启发式规则,难度高且无通用性。(3)也有学者采用遗传算法(Genetic Algorithm,GA)进行求 解[8],结果证实GA也是一种可行的方法,但GA存在复杂的进化操作使其计算费用随着问题规模的扩大和复杂度的提高呈指数级增长,而且在一些特定的应用场合,算法搜索后期容易出现停滞现象,收敛到最优解的比率待提高。因此迫切需要寻找一种高效稳定通用的方法来突破此类复杂问题的瓶颈。作为一种随机的并行直接搜索算法,差分进化(Differential Evolu-tion,DE)算法保留了基于种群的全局搜索策略,采用实数编码、基于DE的简单变异操作和一对一的竞争生存策略,降低了遗传操作的复杂性[12],具有以下优点:(1)算法通用,不依赖于问题信息,所需调节的参数较少;(2)算法原理简单,容易实现;(3)群体搜索,具有记忆个体最优解的能力;(4)协同搜索,具有利用个体局部信息和群体全局信息指导算法进一步搜索的能力;(5)易于与其他算法混合,构造出具有更优性能的算法。DE算法以其易用性、稳健性和强大的全局寻优能力在众多应用领域取得成功[13-15],但在库存控制领域应用却相对较少[16]。但是,DE算法本身的也存在缺陷,容易陷于局部最优解,出现早熟现象,也有待改进。; 因此,本文研究了随机需求、允许缺货环境下多企业多产品联合补货与配送集成优化模型及其求解算法。本文问题与文献[7]接近,文献[7]设计了一个启发式算法得到最优解,但需对特定的问题找出特有的启发式规则,且难度很高无通用性。因此,本文借鉴DE进化与遗传算法的优点,设计了一个改进的HDE算法,并将该算法应用于多企业联合补货与配送相结合的优化模型求解难题中,算例表明本文算法求出的总费用比该文献给出的要小,且本文算法收敛速度快,尤其难得的是稳定性高;此外,设计了一个先联合补货再配送的两阶段模型,通过算例证实联合补货与配送相结合的好处。另外,对相关决策参数进行了敏感性分析,以期得到有益的管理启示。; 2 问题描述及模型建立; 考虑一个在分散地点拥有多家零售