随机需求下的机动车零部件库存运输整合优化

发布时间：2019-09-27 19:46

【摘要】：以机动车供应链为背景,从供应链协同的角度研究机动车零部件库存运输整合优化问题。在需求随机情景下,建立了基于循环取货(Milk-Run)的机动车零部件库存运输双层迭代优化模型,即分别对上层的库存模型和下层的运输模型进行建模优化。通过混合规划模型方法和改进的遗传算法,反复迭代来平衡库存与运输之间的效益悖反关系,优化系统总成本,找出集成情形下的最优解。最后通过实际算例验证了模型和算法的有效性。
【图文】：

整合优化,随机需求,零部件库,周期

供应商立送的物流模式圈2混合取货模式划周期按荃本订货周期分成K个取货周期;式(3)表示零部件在K个取货周期中要保

最优解,路径,供应商,步骤

分别为Q0和C0I。步骤2基于Q0，对下层的VRP问题进行求解，得到最优取货周期和最优运输成本T0和CT0，并且迭代次数t=t+1。步骤3重复步骤1和步骤2，直到得到CIt+1+CTt+1≥CIt+CTt，则转入步骤4。步骤4得到结果Q,CI,T和CT。5实例分析以天津某拖拉机生产商的实际数据进行分析。模型中涉及的参数取值如下：α=0.95，CP=300元/次，Cd=0.25元/km。供应商的相关信息见表2。表2相关供应商数据根据上述条件，基于4.1、4.2和4.3节的算法，进行相关优化得到如图3所示的最优路径。由图3可得，供应商按照取货量、取货周期和距离可以分为4条取货路线，分别为(0,2,5,8,0)、(0,3,0)、(0,6,1,10,9,0)和(0,7,4,0)，这4条线上，车辆在载重限制下的满载率分别为：90.53%，91.05%，97.72%，72.54%，由实际情况可知，Milk-Run大大优化了车辆的装载效率。图3最优循环取货路径经计算，上层规划的最优解为Q*=(8.42,6.33,10.38,5.94,2.86,1.73,2.33,1.13,0.24,0.75)，最优值C*I=1142.08；下层规划的最优解为T*=(1/2,1/2,1,1/2,1,2,1/4,1)，最优值C*T=4685.58；取货物流网络的总成为5827.66。下面对基于Milk-Run的送货模式和供应商自主送货的模式进行对比分析。分析结果见表3。表3入厂物流模式对比分析由表3可知相比于供应商自主送货模式，Milk-Run取货模式保证一个基本取货周期内需求的零部件即可，同时根据供应商按距离、取货周期和取货量，把供应商分成一个循环的取货线路，满足在小批量多批次取货的同时不造成空载率，减少了运输费用，与供应商自主送货模式相比，，其系统总成本大大降低。这就是Milk-Run取货模式平衡二者效益悖反的成效所在。6结论本文从供应
【作者单位】：天津大学管理与经济学部;
【分类号】：F224;F426.471;F253.4

【参考文献】