产品库存控制与配送路径规划方法与流程

本发明涉及一种产品库存控制与配送路径规划方法。

背景技术：

在当今经济全球化下，世界各国与不同地区的经济活动越来越超出一国和地区的范围而相互紧密地联系在一起。生鲜农产品物流作为全球农产品供应链中重要的一环，发挥着不可替代的作用。生鲜农产品通常是指直接来自于农场的未经过任何加工的农产品，它的流动贯穿于生鲜农产品物流的全过程。如何解决生鲜农产品物流多周期库存控制与配送路径规划问题是供应链管理的核心问题之一。而生鲜农产品具有的品质易变性、物流成本高等特点，也增加了多周期库存控制与配送路径规划的难度。

生鲜农产品供应商往往面临着农产品品质易变的约束，即农产品物流的一个重要特点是产品品质随着存储时间的增加而不断下降，从而引起农产品价值的不断降低，同时还具有季节性和需求不确定等特点。因此，生鲜农产品的物流管理将面临如何以合适的时间、合适的数量和合适的品质安排从农场到消费点的库存和配送路径决策，达到系统成本最小化的目标。其中相关的成本包括运输成本、库存成本和农产品变质导致的浪费成本。

技术实现要素：

为解决现有技术的不足，本发明提供了一种产品库存控制与配送路径规划方法，制定最优的库存管理和配送路径决策，即在合理的时间内以满足各个零售商的需求为基础，合理安排库存水平、配送农产品的品质和数量，使得供应链总成本最小化。

为了实现上述目标，本发明采用如下方案：

一种产品库存控制与配送路径规划方法，包括以下步骤：

建立数学基本模型；

构造初始解：运用基于集成蒙特卡罗的启发式算法求库存成本解、产品品质下降导致的浪费成本解和运输成本解，最终获得初始解，即总成本最少的补货策略；

进行局部搜索求解：针对初始解，运用局部搜索算法求解零售商的最优补货策略，获得最优解；

进行全局优化改进求解：针对局部搜索求解获得的最优解，运用蒙特卡罗模拟进行迭代，得到改进后的最优解，即改进后的补货策略。

进一步地，构造初始解包括以下步骤：

输入变量，若干个零售商、一个供应商和一组周期；

设定多种补货策略，不同补货策略的补货量与需求量的比值不同；

每一个周期初，更新零售商的库存水平以及产品的品质指标，同时生成一个随机变量表示周期下零售商的需求；在设定的执行次数内遍历所有的周期、零售商以及补货策略，并计算得到每个补货策略的库存成本解和产品品质下降导致的浪费成本解。

进一步地，构造初始解还包括以下步骤：

采用矩阵表示库存需求计划，建立库存需求计划矩阵。

进一步地，设置的补货策略为11个，不同补货策略的补货量与需求量的比值从0开始，每个递增10％，直至100％。

进一步地，构造初始解包括以下步骤：

输入每个补货策略的库存成本解和产品品质下降导致的浪费成本解；

使用启发式算法计算周期下各个补货策略的运输成本；最终计算各个补货策略的总运输成本解，求总成本即总运输成本解与对应补货策略下的库存成本解和产品品质下降导致的浪费成本解之和；

迭代直至遍历所有的周期、零售商以及补货策略并更新库存需求计划矩阵；

将最低总成本对应的补货策略更新为新的初始解。

进一步地，进行局部搜索求解的方法包括以下步骤：

步骤31、将构造初始解中最终获得的初始解设为当前基解和当前最优解，设定每次迭代以预设幅度改变补货策略中的补货量；

步骤32、从库存需求计划矩阵中选择零售商以及周期，将其对应补货策略作为基础补货策略，并以预设幅度改变补货策略中的补货量，获得减少预设幅度以及增加预设幅度的补货策略，计算得到各补货策略下的总成本；

步骤33、比较基础补货策略、基础补货策略减小预设幅度的补货策略和基础补货策略增加预设幅度的补货策略对应的总成本，将最小总成本值对应的补货策略作为新的初始解，更新库存需求计划矩阵；

步骤34、重复执行步骤32和步骤33，直至遍历库存需求计划矩阵中的所有元素，获得最优解。

进一步地，预设幅度为10％。

进一步地，全局优化改进求解包括以下步骤：

步骤41、将局部搜索求解获得的最优解作为当前基解和当前最优解并设定每次迭代以预定幅度改变补货策略中的补货量；

步骤42、从库存需求计划矩阵中随机选择零售商以及周期，选择数量从1逐步增加到库存需求计划矩阵中所有元素的数量；将零售商以及周期对应补货策略作为基础补货策略，并以预定幅度改变补货策略中的补货量；

步骤43、比较基础补货策略下的总成本和补货策略增加预定幅度和减少预定幅度的补货量下的总成本，并将最小值对应的补货策略作为新的基解和最优解；

步骤44、重复步骤42和步骤43直至遍历所有的补货策略以及选择数量增加到库存需求计划矩阵中所有元素的数量或者达到最大迭代次数，返回最优解。

进一步地，建立数学基本模型包括构建产品物流优化模型目标函数；

产品物流优化模型目标函数包括：

库存成本函数；

产品品质下降导致的浪费成本函数；

运输成本函数。

进一步地，建立数学基本模型还包括设立模型约束条件；

设立模型约束的条件包括：

要保证每次的补货量不超过运输车辆的车载量，补货之后零售商的库存不超过其最大库存容量；

确保只给需要补货的零售商补货；

确保运输车辆在一个周期内只进行一轮运输并最终回到起点，且运输需在本周期内完成；

保证周期下每一个需要补货的零售商都能被补货，同时运输车辆在该周期离开零售商。

本发明的有益之处在于能够制定最优的库存管理和配送路径决策，即在合理的时间内以满足各个零售商的需求为基础，合理安排库存水平、配送农产品的品质和数量，使供应链成本最小化。

生鲜农产品物流多周期库存控制与配送路径规划问题是一类典型的np-hard问题，随着配送网络中节点个数的增加，计算量将呈指数增长，传统算法计算效果差、耗时长。本发明提供了一种基于局部搜索和蒙特卡罗模拟的产品库存控制与配送路径规划方法来解决农产品供应链中集成库存控制和配送路径规划的联合优化问题，弥补了这方面研究的空缺。本发明划分了算法的执行阶段和周期，能够根据问题求解的规模和网络结构进行适应性调整，提高了算法的灵活性；设置矩阵表示库存需求计划，使得产品品质指标、补货策略中的补货量等参数能够根据解的变化自动进行调节，有效地平衡了算法中的集中性和多样性；构造了基于局部搜索的启发式算法和集成蒙特卡罗模拟的启发式算法分别用于特定周期特定零售商的最优供应链总成本求解和对局部最优解的进一步全局寻优，提高了库存和运输决策能力，使得最终的供应链总成本最低，并满足应用中的实时性要求。同时，本发明也可应用于其他易逝品的集成库存管理和配送联合规划问题，如血液供应链和短寿命的技术产品等。

附图说明

图1是产品库存控制与配送路径规划问题的示意图；

图2是集成蒙特卡罗模拟的元启发式解法中库存成本和浪费成本解的执行过程示意图；

图3是集成蒙特卡罗模拟的元启发式算法执行过程示意图；

图4是一种局部搜索阶段的执行过程示意图；

图5是一种全局优化改进阶段的执行过程示意图；

图6是本发明的产品库存控制与配送路径规划的流程图。

具体实施方式

以下结合附图和具体实施例对本发明作具体的介绍。

如图1至图6所示，生鲜农产品物流多周期库存控制与配送路径规划是典型的生鲜农产品多周期库存控制与配路径规划问题。

具体实施例中以生鲜农产品为例进行说明，当然产品并不限于生鲜农产品。本发明也可应用于其他易逝品的集成库存管理和配送联合规划问题，如血液供应链和短寿命的技术产品等。

最小化生鲜农产品变质浪费成本的一个重要途径是对生鲜农产品供应链各环节的集成管理。从生鲜农产品的收集、加工到配送的各供应链环节的集成管理有利于实现生鲜农产品的全局优化。为此，本发明将研究生鲜农产品物流系统中的库存控制与配送的集成优化，该问题可归结为一类具有多周期随机需求的易逝品物流库存控制与配送路径联合规划问题。针对上述问题，本发明将设计一种基于局部搜索和蒙特卡罗模拟的产品库存控制与配送路径规划方法。

本发明将通过建立数学基本模型、构造初始解、局部搜索、全局优化改进四个步骤来解决该问题，具体步骤如下：

步骤1建立数学基本模型。

步骤11构建生鲜品物流优化模型目标函数。

步骤111生鲜品物流网络表示。

采用集合v＝{0，1，...n}来表示生鲜品物流网络节点，包括n个零售商和一个供应商(0)，其中n个零售商可以被表示为v^*＝v\{0},

农产品的品质会随着时间的改变而下降，从而产生浪费成本。因此对于每一个特定的零售商i，需要计算在各个周期p下不同品质指标b的农产品的库存量lipb。

在周期p下品质指标b的农产品库存量lipb计算如下：

其中，l′ipb表示在周期p末零售商i中品质指标为b的农产品库存量，qip表示周期p下零售商i的需求。

顾客需求是一个随机变量，假设各个零售商i的顾客需求彼此独立，零售商i均使用品质指标最低的农产品库存来满足需求。

周期p内顾客对零售商i中品质指标为b的农产品的需求量dipb计算如下：

其中，dip表示周期p内顾客对零售商i的需求量。

零售商i在周期p初的库存量lip计算如下：

lip＝σb∈blipb

其中，b表示为产品的品质指标。

步骤112生鲜品相关物流成本计算。

农产品的价值会随着品质指标的降低而下降，从而导致浪费成本w，具体计算如下；

w＝∑p∈pσl∈v*∑b∈bwb×l′ipb

其中，wb表示品质指标为b的农产品变质导致的浪费成本。

农产品被存储在仓库中时，会产生一定的库存持有成本，具体计算如下:

s＝σp∈pσi∈v*λl′ip

其中，λ表示周期p末的单位库存持有成本，l′ip表示零售商i在周期p末的库存量。

在路径规划中，需要满足各个周期p下零售商i的需求qip。引入数组g＝(v,e),其中v表示各个需求点(即零售商)，e表示连接供应商与各个零售商i的路径。由于顾客的需求量dip决定零售商i的需求qip，且当qip＞0时，运送至零售商i的路径v存在。因此，用顾客需求量dip来决定零售商i的路径v。全部周期的总运输成本计算如下：

其中，k表示运输车辆的集合，表示周期p内车辆k是否连接需求点i、j的路径e，cij表示单位车辆从点i到点j的运输成本。

假设顾客需求能够得到满足，因此周期p时当零售商i处的库存lip无法满足顾客需求dip时，供应商会瞬时补货。由此产生的成本即为缺货成本，具体计算如下：

g＝σp∈pσi∈v*gip

其中，ci0表示由供应商0运往零售商i的运输成本，gip表示在周期p下零售商i的缺货成本。

步骤12设立模型约束条件。

首先，要保证每次的补货量不超过运输车辆的车载量，补货之后零售商i的库存不超过其最大库存容量，具体约束如下：

其中，表示零售商i的最大库存容量，表示周期p初零售商i的库存水平。

其次，确保只给需要补货的零售商i补货，具体约束如下：

其中，yip是一个0-1变量，决定是否在周期p给零售商i补货，m为一个极大值。

然后，确保运输车辆k在一个周期p内只进行一轮运输并最终回到起点，且该次运输需在本周期内完成，具体约束如下：

最后，保证周期p下每一个需要补货的零售商i都能被补货，同时运输车辆在该周期离开零售商i，具体约束如下：

步骤2构造初始解。

采用构造性启发式算法来计算并比较各个补货策略运用于所有零售商时的总成本，最终解得一个供应链总成本最少的补货策略，即初始解。具体实现方法如下：

步骤21计算库存成本以及浪费成本。

运用基于集成蒙特卡罗的元启发式解法求得初始库存成本和农产品变质导致的浪费成本解，流程如图2所示。具体步骤如下：

步骤211输入变量：若干个零售商(v^*)、一个供应商(0)和一组周期(p)，零售商的农产品被存储在仓库(b)中，其补货策略为t。

步骤212设定11个补货策略，补货量分别为需求量的0％、10％、......、100％。分别代入至每一周期下的各个零售商，并设定初始执行次数为0。

步骤213在每一个周期p初，更新零售商i的库存水平lip以及产品的品质指标d，同时生成一个随机变量d表示周期p下零售商rci的需求。在设定的执行次数内遍历所有的周期、零售商以及补货策略，并计算得到每个补货策略的预期库存成本s+g和农产品变质导致的浪费成本w。

步骤214用v^*行和p列的矩阵去表示库存需求计划，其中矩阵中的每个单元格(i，p)表示在阶段p交付给零售商i的农产品补货量(即补货策略t)。

步骤22计算运输成本。

运用基于集成蒙特卡罗的元启发式解法求得初始运输成本解，流程如图3所示。具体步骤如下：

步骤221输入每个补货策略t对应的期望库存成本s+g以及劣化成本w，并设置初始执行次数为0。

步骤222使用节约启发式随机搜索算法计算特定周期p下各个补货策略t的运输成本。最终计算各补货策略t的总运输成本，求它与对应补货策略下的库存成本以及变质导致的浪费成本之和。

步骤223将计算得到的总成本与初始解下的总成本进行比较，由此选择最低总成本的补货策略t作为初始解x0，更新库存需求计划矩阵，并将最低总成本称作c0。

步骤224迭代直至达到最大执行次数或遍历所有的周期p、零售商i以及补货政策t，并最终得到初始解x0(即最低总成本下的补货策略t)，最低总成本c0。

步骤3进行局部搜索求解。

运用局部搜索方法求解某一特定阶段下零售商i的最优补货策略，流程如图4所示。具体实现方法如下：

步骤31将上一阶段生成的初始解x0的值作为当前基解b0和当前最优解m0，设定每次迭代以10％的幅度改变补货策略中的补货量。作为可选的实施方式，幅度并不限定为10％，可以根据需要设置为不同的数值。

步骤32从库存需求计划矩阵中随机选择零售商i以及周期p，将其对应补货策略t作为基础补货策略，并以10％的幅度改变补货策略中的补货量，获得补货策略t-10、t+10，计算得到各补货策略下的供应链总成本c1。

步骤33比较补货策略t下的供应链总成本c0和补货策略t-1，t+10下的供应链总成本c1的大小，并将最小值对应的补货策略作为新的初始解x0，更新库存需求计划矩阵。

步骤34重复步骤32和步骤33，直至遍历矩阵中的所有元素，返回局部最优解(m0)、期望成本c0和库存需求计划矩阵。

步骤4全局优化改进求解。

运用蒙特卡罗模拟进行迭代，得到全局最优解，流程如图5所示。具体实现方法如下：

步骤41将上一阶段生成的最优解(m0)作为当前基解b0和当前最优解m0，设定每次迭代以10％的幅度改变补货策略中的补货量，有限迭代次数为n。

步骤42从库存需求计划矩阵中随机选择零售商i以及周期p，选择数量n从1到n逐步增加(n为矩阵中所有元素的数量)。零售商i以及周期p对应补货策略t作为基础补货策略，并以10％的幅度改变补货策略中的补货量。作为可选的实施方式，幅度并不限定为10％，可以根据需要设置为不同的数值。

步骤43比较补货策略t下的供应链总成本c0和补货策略t-10、t+10下的供应链总成本c1大小，并将最小值对应的补货策略作为新的基解(b0)和最优解(m0)。

步骤44重复步骤42和步骤43，直至遍历所有的补货策略t以及选择数量n或者达到最大迭代次数n，返回最优解(m0)。

至此，就实现了一种基于局部搜索和蒙特卡罗模拟的产品库存控制与配送路径规划方法。

以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。