CN111932184A - 一种冷鲜肉行业的可持续冷链物流系统 - Google Patents
一种冷鲜肉行业的可持续冷链物流系统 Download PDFInfo
- Publication number
- CN111932184A CN111932184A CN202010926670.1A CN202010926670A CN111932184A CN 111932184 A CN111932184 A CN 111932184A CN 202010926670 A CN202010926670 A CN 202010926670A CN 111932184 A CN111932184 A CN 111932184A
- Authority
- CN
- China
- Prior art keywords
- fresh meat
- cold
- supermarket
- order
- chilled
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 235000013372 meat Nutrition 0.000 title claims abstract description 264
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000012546 transfer Methods 0.000 claims abstract description 42
- 238000012384 transportation and delivery Methods 0.000 claims abstract description 39
- 238000005457 optimization Methods 0.000 claims abstract description 31
- 238000004519 manufacturing process Methods 0.000 claims abstract description 30
- 230000008569 process Effects 0.000 claims abstract description 27
- 238000005057 refrigeration Methods 0.000 claims abstract description 25
- 238000013439 planning Methods 0.000 claims abstract description 19
- 230000010485 coping Effects 0.000 claims abstract description 5
- 238000012544 monitoring process Methods 0.000 claims abstract description 5
- 238000009826 distribution Methods 0.000 claims description 102
- 238000005070 sampling Methods 0.000 claims description 52
- 238000001514 detection method Methods 0.000 claims description 33
- 238000003860 storage Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000004088 simulation Methods 0.000 claims description 13
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 229910052757 nitrogen Inorganic materials 0.000 claims description 6
- 230000001953 sensory effect Effects 0.000 claims description 5
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 4
- 239000007789 gas Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000000813 microbial effect Effects 0.000 claims description 2
- 238000012512 characterization method Methods 0.000 claims 1
- 238000012360 testing method Methods 0.000 claims 1
- 230000002354 daily effect Effects 0.000 description 18
- 230000000875 corresponding effect Effects 0.000 description 15
- 230000007774 longterm Effects 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 6
- 235000015277 pork Nutrition 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 235000013622 meat product Nutrition 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 244000005700 microbiome Species 0.000 description 3
- 230000001932 seasonal effect Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 241000282898 Sus scrofa Species 0.000 description 2
- 241001125929 Trisopterus luscus Species 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000010206 sensitivity analysis Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000010977 unit operation Methods 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 208000007407 African swine fever Diseases 0.000 description 1
- 101100379081 Emericella variicolor andC gene Proteins 0.000 description 1
- 208000033518 Food hoarding Diseases 0.000 description 1
- 241000282887 Suidae Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 235000021393 food security Nutrition 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000050 nutritive effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 244000144977 poultry Species 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 235000013580 sausages Nutrition 0.000 description 1
- 238000003307 slaughter Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0832—Special goods or special handling procedures, e.g. handling of hazardous or fragile goods
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Devices That Are Associated With Refrigeration Equipment (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种冷鲜肉行业的可持续冷链物流系统,包括冷鲜肉厂商的生产基地、中转仓配中心、客户超市、订单模块、信息采集模块、动态货架期预测模块、运输路径规划模块、质量信息追溯模块和运营优化模块;冷鲜肉运输过程中实施全程实时监控和信息共享;客户超市根据一次订货周期内预测的冷鲜肉需求量通过订单模块发送订单;订单模块根据订单信息安排订单出厂信息;货架期预测模块预测冷鲜肉的剩余货架期;运输路径规划模块根据订单给出路径规划;运营优化模块,根据三类订单的应对策略、厂商冷链运营的全年利润最大化目标、不同客户超市之间获得的冷鲜肉品质的均衡程度,对厂商自有仓配中心的吞吐规模值和轻型冷藏配送车数量进行优化。
Description
技术领域
本发明涉及一种冷鲜肉行业的可持续冷链物流系统,利用数字技术和物联网技术优化冷鲜肉厂商冷链物流的运作过程。
背景技术
长期以来,中国猪肉年产销量均达到世界总量的一半。不论是安全系数还是营养价值,冷鲜肉(Chilled Pork)都比热鲜肉、冷冻肉更有优势。农业部《全国生猪生产发展规划(2016-2020年)》指出,要以冷链流通、冷鲜上市为主攻方向,要求构建质量安全追溯体系。2018年8月以来,中国爆发了大面积的非洲猪瘟疫情,有关部门要求改调猪为调肉,即由原来的活猪运输改为屠宰之后的全程冷链运输,以防止全国性传染。但目前中国冷链物流能力仍然不足(2015年,中国肉类产品冷链流通率为34%,而欧、美、加、日等发达国家的肉禽冷链流通率已达到100%)。因此,如何让冷鲜肉行业有限的冷链资源发挥最大效用,是极具现实意义的课题。
业界普遍认为,冷链物流环节是目前冷鲜肉质量安全监管和追溯的难点。肉品质量安全涉及“养殖—屠宰—物流—销售”等多个环节,商务主管部门对冷鲜肉的源头管理进行严格把关,规范的冷鲜肉厂家也都有严格的温度检测机制。但是,在出厂后的冷链流通过程中,由于受到设施设备、运输成本、人员素质等多种因素的影响,物流环节往往成为冷鲜肉质量安全监管的难点,存在的问题包括:流通监控不到位,质量问题难溯源;仅凭感官经验判定销售期,食品安全隐患难根治;冷链运作低效,影响效益水平;冷链网络系统弹性不够,对突发市场波动的应对能力不足。
发明内容
发明目的:针对现有技术中存在的问题与不足,本发明为冷鲜肉行业厂商提供一种兼顾长短期目标的冷鲜肉可持续冷链物流系统。
技术方案:一种冷鲜肉行业的可持续冷链物流系统,包括冷鲜肉厂商的生产基地、中转仓配中心、客户超市、订单模块、信息采集模块、动态货架期预测模块、运输路径规划模块、质量信息追溯模块和运营优化模块;冷鲜肉运输过程中实施全程实时监控和信息共享;
所述客户超市根据一次订货周期内预测的冷鲜肉需求量通过订单模块发送订单;
所述冷鲜肉厂商的生产基地为冷鲜肉的出厂地;
所述中转仓配中心用于冷鲜肉从冷鲜肉厂商的生产基地到客户超市的中转,包括厂商自有仓配中心和第三方冷链仓配中心;中转仓配中心配备有轻型冷藏车;
所述客户超市拥有用于存放冷鲜肉的冷藏库和冷藏陈列柜;
所述订单模块用于接收客户订单,订单模块接收到客户订单后,根据订单信息安排订单出厂信息;所述订单出厂信息包括冷鲜肉运量、出厂采样检测指标信息、采样检测日期和出厂日期;
所述信息采集模块,用于根据订单出厂信息对冷鲜肉进行第一次采样,并记录第一次采样时间,以备检测;在冷鲜肉的运输车到达客户超市的接单处,由超市方对冷鲜肉进行第二次采样,并记录第二次采样时间;信息采集模块还用于采集冷链物流各个环节中的温度信息和相应的时间信息;
所述动态货架期预测模块获取对冷鲜肉的第一次采样检测结果和第一采样时间,预测冷鲜肉在指定冷藏温度下的剩余货架期;获取对冷鲜肉的第二次采样检测结果和第二次采样时间,预测冷鲜肉在指定冷藏温度条件下的剩余货架期;
所述运输路径规划模块,根据订单类型和订单信息,结合自有仓配中心规模和配送能力(自有仓配中心的吞吐规模值M和轻型冷藏车辆数m),以及是否有临时参与的第三方冷链仓配中心,给出对应订单的路径规划(配送车辆路径安排);
所述质量信息追溯模块,用于查询的信息包括:从冷鲜肉厂商的生产基地到客户超市的过程中,订单中所需冷鲜肉的时间—温度履历,第一次采样时间和第一次采样检测结果,第二次采样时间和第二次采样检测结果,以及根据两次采样检测结果中的TVBN指标值所预测的、在设定储藏温度条件下的剩余货架期;
所述运营优化模块,根据三类订单(日常订单、节假日订单、应急超常订单)的弹性应对策略、厂商冷链运营的全年利润、不同客户超市之间获得的冷鲜肉品质的均衡程度,进行运营优化;在厂商自有仓配中心的地点固定的情况下,对厂商自有仓配中心的吞吐规模值M和轻型冷藏车辆数m进行优化。
所述第一次采样检测结果和第二次采样检测结果均包括感官指标、理化指标和微生物指标的结果,所述动态货架期预测模块使用理化指标中的TVBN指标,进行剩余货架期预测;厂商和客户超市根据剩余货架期长短对订单涉及的冷鲜肉采取三种订单处理策略:一是正常接收;二是折价接收;三是客户超市拒收由厂商实施召回。
所述动态货架期预测模块建立了基于TVBN指标的冷鲜肉剩余货架期预测模型,如公式(1)所示;其中,SL (TVB-N) 是冷鲜肉的剩余货架期,A TVB-N0 是TVBN指标,T是存储温度(用绝对温度表示),R是气体常数;通过即时测定A TVB-N0 ,能预测出冷鲜肉在储存温度T条件下的剩余货架期寿命;公式中,当A TVB-N0 达到15mg/100g时,冷鲜肉将到达货架期寿命终点;
SL (TVB-N) =(ln(15/A TVB-N0 ))/(2.167×10 14 exp(-8.719×10 14 /RT)) (1)。
运营优化模块实现步骤如下:
步骤1,输入当前厂商自有仓配中心的轻型冷藏车辆数m和厂商自有仓配中心的吞吐规模值M;
步骤2,对各个客户超市,当已有上一次全年供应冷鲜肉的平均货架期水平统计结果时,限定平均货架期水平在各客户超市间的最大差额值,利用启发式算法修改各客户超市配送时间的优先权值;平均货架期水平是指,一年内,客户超市每次订单接收的冷鲜肉重量与其货架期的乘积,将每次的乘积加总,再除以全年接收冷鲜肉的总重量;
步骤3,对每次各个客户超市的订货配送,随机生成若干种配送方案(配送车辆路径安排方案)并计算出配送方案相应的利润,根据最大利润来获取当次的最优运输方案;并生成配送路线图,配送方案中包括每趟车的出发地、依次要去的客户超市和给每个客户超市的运量;
步骤4,累计计算全年的厂商利润值,并通过多次的全年仿真求得多个全年利润,再求得平均全年利润值;
步骤5,利用梯度法获取梯度方向上的下一组自有仓配中心轻型冷藏车数量m和自有配送中心吞吐规模值M(即依据梯度方向向量,得到m增减1辆和M值扩大或减小一定量的变化),若运营所得的平均全年利润值更大,保存相关数据,回到步骤2继续运行,否则结束。
在运输路径规划模块中,根据订单得到每次从中转仓配中心给各个客户超市的配
送,对于每次从中转仓配中心给各个客户超市的配送,用矩阵flag kt 表示针对全年第k次订
货的车辆路径安排方案,每种方案将对应有相应的利润,依据利润最大迭代搜索最优方案;
如公式(2)和(3)中所示,t表示单次订货搜寻最优车辆路径安排的迭代次数;为简化模型,
设每辆车每天最多跑两趟,每辆车每趟最多跑u个超市,来自第三方冷链仓配中心的临时车
辆数为;矩阵flag kt 的每一列表示一趟车的安排;在每一列中,第1行是轻型冷藏车从哪
个中转仓配中心出发,接下来的u行是待配送的u个超市的排序,最后u行对应给每一超市的
相应配送量;
(2)
在运营优化模块中,运营优化依据厂商全年利润最大化的目标,建模目标是在保证冷鲜肉品质安全的前提下,考虑超市之间的配送平衡,在最佳的厂商自有仓配中心吞吐规模和轻型冷藏车辆数的安排下,最大化冷鲜肉厂商的全年运营利润;目标函数如公式(4),年利润P year 是全年中单次订货所获利润P k 的累计,P k 第k次订货所获利润;
约束条件(5)是时间窗约束;设某轻型冷藏车在t i 时刻到达客户超市i,该客户超市所能容忍的时间窗为[ET i ,LT i ];
约束条件(6)是装载能力约束;轻型冷藏车j额定载重量为Z j ,j∈{1,…,n i },给客户超市i的送货量为q ij ,设每辆轻型冷藏车每趟最多跑u个超市,客户超市i订货量为Q i ,某天给其配送的车辆数为n i ;
约束条件(7)是客户超市接收冷鲜肉的品质约束;当一批冷鲜肉到达某一超市进行交接时,若预测剩余货架期在3天及以上,正常接收;若预测剩余货架期在2到3天且不足3天的,产生品质惩罚成本,为合同价格的δ 1 倍,δ 1 为惩罚系数;当预测剩余货架期在2天以下,要求厂家进行召回,δ 2 是冷鲜肉被召回导致的惩罚系数;
约束条件(8)是品质均衡约束,它反映的是各客户超市所得冷鲜肉品质的全年平均水平差距要限定在一定范围内;其中,剩余货架期是表征冷鲜肉品质的指标;公式(8)中,r sum 是每个客户超市全年接收冷鲜肉的总次数,它也是轻型冷藏车配送到达该超市的总次数;m i 是每次接收的冷鲜肉重量,H i 是这批冷鲜肉的剩余货架期的天数。
将单次订货中厂商所获利润记为P,如公式(9)所示,它等于单次订货中厂商对冷鲜肉的销售收入减去成本,成本包括品质惩罚成本RPC、生产成本PC、仓配中心成本OCS,以及运输成本TC;
P=S-RPC-(PC+OCS+TC)(9)。
在运营优化模块中,通过蒙特卡洛仿真对市场需求波动、冷鲜肉出厂时TVBN指标值波动、运输过程中温度异常波动变量进行随机生成,具体而言:①生成某一正态分布随机数,来模拟冷鲜肉日常的市场需求波动情况,分别模拟预计日销量和实际日销量;②生成某一正态分布随机数,来模拟出厂时冷鲜肉的挥发性盐基氮初始值,同时给出最低、最高限值;③生成服从某一参数的指数分布随机数,来模拟运输途中冷藏车车厢内温度出现异常升温的值,包括从厂商到中转仓配中心的途中、从中转仓配中心配送到各客户超市的途中温度。
运营优化模块中,对自有仓配中心的吞吐规模值M和轻型冷藏车辆数m进行初始赋值,然后,利用梯度法去不断获取对应于更大全年利润P year 的轻型冷藏车辆数m和吞吐规模值M;当两次相邻的平均全年利润值之差小于设定值时,结束梯度搜索迭代。
基于已有的一次全年冷链运营的仿真结果,根据结果中各超市所得冷鲜肉品质(基于TVBN值推算指定储藏温度下的剩余货架期,作为交接时冷鲜肉品质的表征指标)的全年对比情况,利用启发式算法调整各超市运输的优先权值,使得之后的仿真满足配送给各超市的冷鲜肉品质尽量接近。
有益效果:本发明为冷鲜肉行业的厂商冷链运营实践者提供一个系统的、客观的、可操作的解决方案。本发明从肉品质量保障、厂商长期盈利、日常路径优化、和提供公平服务的角度,给出一个相对完整的可持续冷链物流系统框架的设计说明,并对如何利用数字技术和物联网技术优化冷鲜肉厂商冷链物流的运作做出具体说明。包括:
(1)在确保冷鲜猪肉品质安全的前提下,实现厂商获取稳定的、最大化的全年利润目标。
(2)从长期可持续发展角度,为厂商规划其中转仓配中心的最佳规模(包括容量和用于转运的轻型冷藏车数量),同时,提供日常超市配送环节的最优路线决策查询。
(3)考虑物流过程中冷鲜猪肉品质的动态衰变,为实现冷链流通过程中的质量安全责任主体跟踪、产品溯源等目标,规定了冷鲜猪肉在冷链全程中的时间-温度履历记录制度,实现车厢内温度数据的实时采集、远程传输、存储及查询。
(4)设计了冷鲜肉品质惩罚成本,以促进厂商长期的保鲜努力。
系统考虑了市场需求的随机波动、超市间猪肉质量的长期均衡、第三方物流服务的灵活参与等因素。在算法上,采用蒙特卡罗法、梯度法和启发式算法搜索全年最优解,从数值算例的运行结果来看,本系统可为厂商的冷链运营从业人员提供一个系统的、可操作的解决方案,其可持续性特点体现在:保证厂商长期稳定的冷链运营利润,激发持续的保鲜努力,实现客户服务的公平性,并具备应对突发性超常市场需求的能力。
附图说明
图1为本发明系统的数据流图;
图2为梯度法寻优的迭代效果图,其中横轴代表梯度法迭代变量m和M的迭代次数,纵轴代表全年最优利润值(万元);
图3为全年最后一次订货时最优配送安排的线路图。
具体实施方式
下面结合具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本系统中,冷链物流的上游为冷鲜肉厂商的生产基地,下游为客户超市,客户超市为若干拥有冷藏库的大型超市。生产基地到超市的供应链上下游采用垂直协作、按单生产的模式,依照行业规定,冷鲜肉厂商生产基地的产品辐射半径为周边500公里以内。厂商通常先采取门对门运输方式将冷鲜肉运输至自有的中转仓配中心;再由自有的中转仓配中心配送至多个客户超市(即超市配送),超市配送环节常采用一对多的循环配送方式。此外,在配送中还可能出现不合格品召回的逆向运输。根据上述的冷鲜肉冷链物流的网络结构,在处理流程上采用事务型的数据流图,自顶向下,逐步细化,如图1所示。
参数说明:
M:厂商自有的中转仓配中心的规模,规模即能处置冷鲜肉的数量;
m:厂商自有的中转仓配中心的用于市内运输的轻型冷藏车数量;
N:订货的大型超市个数;
r:全年共定货次数(设订货周期固定);
Qi:第i个超市的订货量,∀i∈{1,2,…,N},单位为吨;
Q:某次订货时所有超市的订货总量,单位为吨;
Qˊ:某次订货周期内的预计售量,单位为吨;
Qs:某次订货周期内的实际销量,单位为吨;
R:某次订货时超市的库存量(假设全年第一次订货时R=0),单位为吨;
ω:冷鲜肉当次的合同订购价,单位为元/吨;
δ:冷鲜肉的鲜度惩罚系数;
Pyear:厂商的全年利润,单位为元;
Pk:单次订货厂商所获利润,单位为元;
SL(TVB-N):冷鲜肉的剩余货架期(以小时计);
H:超市交接时,冷鲜肉剩余货架期的预测天数(在超市冷藏库以指定温度储存);
θ:单次订货中单位产品生产成本与单位订购价格的比值;
OC1:平均单位产品运维成本(元/吨,按全年订货量均摊,对自有仓配中心);
OC2:单次租用第三方冷链仓配中心的单位产品租用成本,单位为元/吨;
V1:从冷鲜肉厂商的生产基地到仓配中心的行驶速度,单位为公里/小时;
C1:从产地到厂商自有仓配中心的运输费率,单位为元/吨·公里;
C2:超市配送环节的配送费率,单位为元/吨·公里;
C3:第三方冷链仓配中心的配送费率,单位为元/吨·公里
C2´:中转仓配中心的轻型冷藏车从最后一个超市返回中转仓配中心的运输费用(无需制冷),单位为元/公里;
C3´:第三方冷链仓配中心的轻型冷藏车从最后一个超市返程的运输费用(无需制冷),单位为元/公里;
w2:平均单次(按全年次订货均摊)中转仓配中心的轻型冷藏车出车的人员费用,单位为元;
θ 3 :第三方冷藏车每趟出车的人员费用,单位为元;
Z:冷藏车的额定载重量(假定自有车和第三方车相同),单位为吨;
A 0 :冷鲜肉出厂时的TVBN初始值;
A pin :冷鲜肉到达中转仓配中心时的TVBN值;
A pout :冷鲜肉从中转仓配中心出发时的TVBN值;
A c :冷鲜肉到达某超市交接时的TVBN值;
T 1 :从出厂到中转仓配中心使用的重型冷藏车的厢内绝对温度;
T P :中转仓配中心储存冷鲜肉时的绝对温度(假定能维持恒温);
T 2 :从中转仓配中心到目的地超市使用的轻型冷藏车的厢内绝对温度;
T c :大型超市储藏冷鲜肉时的绝对温度(假定能维持恒温);
t 1 :冷鲜肉从出厂运送到中转仓配中心的运输时间,单位为小时;
t p :在中转仓配中心存放的时间,单位为小时;
t 2 :从中转仓配中心到目的地超市的时间,单位为小时;
[ET i ,LT i ]:第i个超市交接冷鲜肉的时间窗口。
一种冷鲜肉行业的可持续冷链物流系统,包括冷鲜肉厂商的生产基地、中转仓配中心、客户超市、订单模块、信息采集模块、动态货架期预测模块、运输路径规划模块、质量信息追溯模块和运营优化模块;冷鲜肉运输过程中实施全程实时监控和信息共享。
客户超市根据一次订货周期内预测的冷鲜肉需求量通过订单模块发送订单。中转仓配中心用于冷鲜肉从冷鲜肉厂商的生产基地到客户超市的中转,包括厂商自有仓配中心和第三方冷链仓配中心;中转仓配中心配备有轻型冷藏车。客户超市拥有用于存放冷鲜肉的冷藏库和冷藏陈列柜。订单模块用于接收三类客户订单。客户订单分为日常订单、节假日订单(可选择中秋还是春节还是其他节日)、突发状况订单(对应于预报暴雪封路、防疫囤积食品等情况)三种类型,订单模块可分别进入三类订单进行处理。节假日订单为定义的节假日期间产生的订单;突发状况订单为定义的预报暴雪封路、防疫囤积食品等情况期间产生的订单;日常订单为除了节假日订单和突发状况订单外的其他订单。订单模块接收到客户订单后,根据订单信息、历史订单数据、及对应的供应合同约定等(处理成操作提示)进行订货量、合同价格等参数值的选择或输入。并根据订单信息安排订单出厂信息;订单出厂信息包括冷鲜肉运量、出厂采样检测指标信息、采样检测日期和出厂日期。
信息采集模块,用于根据订单出厂信息对冷鲜肉进行第一次采样,并记录采样时间,以备检测;在冷鲜肉的运输车到达客户超市的接单处,由超市方对冷鲜肉进行第二次采样,并记录采样时间。信息采集模块还用于采集冷链物流各个环节中的温度信息和相应的时间信息;温度信息包括订单中冷鲜肉生产基地冷藏间温度、从生产基地到中转仓配中心所在的重型冷藏运输车车厢温度、所在的中转仓配中心冷藏间温度、从中转仓配中心到客户超市所在的轻型冷藏运输车车厢温度、出库暂存区或者封闭式月台的温度、销售端超市冷藏库及冷藏陈列柜的温度。
动态货架期预测模块获取对冷鲜肉的第一次采样检测结果和采样时间,预测冷鲜肉在指定冷藏温度下的剩余货架期;获取对冷鲜肉的第二次采样检测结果和采样时间,预测冷鲜肉在指定冷藏温度条件下的剩余货架期。第一次和第二次采样检测结果包括感官指标、理化指标和微生物指标的结果,使用理化指标中的总挥发性盐基氮(TVBN)含量指标,用于进行货架期预测。厂商和客户超市根据剩余货架期长短对该批次冷鲜肉采取三种订单处理策略:一是正常接收;二是折价接收(品质惩罚系数可依据合同设定,比如5%);三是客户拒收由厂商实施召回。对冷鲜肉进行两次采样检测,是实现冷鲜肉质量可追溯的要求。
结合现行国家和行业标准规定(冷鲜肉中TVBN含量≤15mg/100g;当TVBN含量≥15mg/100g时,不宜再作为冷鲜肉进行售卖,货架期终结),动态货架期预测模块根据冷鲜肉中TVBN的含量预测订单中冷鲜肉的剩余货架期,建立了基于TVBN指标的冷鲜肉剩余货架期预测模型,如公式(1)所示。其中,SL (TVB-N) 是冷鲜肉的剩余货架期(以小时计),A TVB-N0 是挥发性盐基氮指标值,T是绝对温度,R是气体常数〔8.3144J/(mol·K)〕。显然,通过即时测定A TVB-N0 ,就可预测出冷鲜肉在储存温度T条件下的剩余货架期寿命。公式中,当A TVB-N0 达到15mg/100g时,冷鲜肉将到达货架期寿命终点。
SL (TVB-N) =(ln(15/A TVB-N0 ))/(2.167×10 14 exp(-8.719×10 14 /RT)) (1)
运输路径规划模块,根据订单类型和订单信息中的具体订单量,结合自有仓配中心规模和配送能力,以及是否有临时参与的第三方冷链仓配服务,给出该次的路径规划。
春节等重大节假日往往导致冷鲜肉市场需求巨幅增长;预报极端恶劣天气情况下机动车限行也将产生超常量的备货需求。预设来自第三方冷链仓配中心具可得性,但各项费用都高于自有的中转仓配中心的成本。
在运输路径规划模块中,根据订单得到每次从中转仓配中心给各个客户超市的配
送任务。对于每次从中转仓配中心给各个客户超市的配送,用矩阵flag kt 表示针对全年第k
次订货(∀k∈{1,…,r})的车辆路径安排方案,每种方案将对应有相应的利润(计算详见后
文中公式(9)),依据利润最大迭代搜索最优方案。如公式(2)和(3)中所示,t表示单次订货
搜寻最优安排的迭代次数;为简化模型,假设每辆车每天最多跑两趟(通常情况下销售端超
市要求在每天开始营业之前送到),每辆车每趟最多跑u个超市,来自第三方冷链仓配中心
的临时车辆数为(若有);矩阵flag kt 的每一列表示一趟车的安排;在每一列中,第1行
是轻型冷藏车从哪个中转仓配中心出发,接下来的u行是待配送的u个超市的排序,最后u行
对应给每一超市的相应配送量。
对每次给所有客户超市的订货配送安排方案,随机生成300种(t的预设值,可根据具体情况调整,这里t表示单次订货搜寻最优安排的迭代次数)车辆路径安排方案并计算出相应的利润,根据利润最大化来获取当次的最优运输方案(车辆路径安排方案);并生成配送路线图,配送方案中包括每趟车的出发地、依次要去的超市和给每个超市的运量。
质量信息追溯模块,用于查询的信息包括:从冷鲜肉厂商生产基地到客户超市的过程中,订单中所需冷鲜肉的时间—温度履历(即经历的各个温度和处在各温度条件下的时间);第一次采样时间和第一次采样检测结果,第二次采样时间和第二次采样检测结果,以及根据两次采样检测结果中的TVBN指标值所预测的、在特定储藏温度条件下的剩余货架期。上述信息的查询,可用于冷鲜肉质量安全追溯。上述两次对冷鲜肉采样所获的感官指标、理化指标和微生物指标的检测结果,在冷鲜肉质量安全管理控制中,可以相互验证,从而增强冷链全程可追溯体系的可靠性。
运营优化模块,根据三类订单的弹性应对策略、厂商冷链运营的全年利润、不同客户超市之间获得的冷鲜肉品质的均衡程度,进行运营优化。以上是考虑到在实际的冷鲜肉厂商冷链运营中,厂商自有仓配中心的地点通常是既定的,但厂商自有仓配中心的建设规模(即吞吐规模值M)和轻型冷藏车辆数m是需要进行优化的。
在运营优化模块中,在尽可能接近真实的冷鲜肉冷链运作的前提下,做如下假设设定:
假设1:冷鲜肉在出厂后的冷链全程(包括运输、贮存、配送、交接)都保持在0-4℃温度条件下进行。在运输过程中,车厢内温控体系出现异常升温的概率服从指数分布。
假设2:依法建立产品追溯和召回制度,将冷鲜肉在运输、仓储、配送、交接等过程中经历的“时间—温度”履历形成记录制度和程序文件;厂商与客户超市协同,共建共享质量安全相关信息。双方约定:①每批冷鲜肉在出厂时和到达超市交接时,进行两次标准的采样检测(含理化指标和微生物指标);②在超市处交接时,基于可快速测出的TVBN这一理化指标值,测算冷鲜肉的剩余货架期,然后,将结果只取其整数部分(在非营业时间,肉品变质持续进行),作为判定肉品质量等级的依据,同时也是最大可销售天数的限值。对品质不合格的冷鲜肉由厂商召回。
假设3:假设第三方冷链仓配中心和其冷藏配送车在需要时可获得,但第三方冷链仓配中心的物流服务的单位价格更贵。
假设4:厂商会在凌晨前将冷鲜肉运送到其自有仓配中心,在超市开门营业前,冷鲜肉要被配送到位,因此在超市配送环节,轻型冷藏车每天最多能往返的次数有限。
假设5:不妨设大型超市每两天订货一次,订单在中午前发送给冷鲜肉厂商;订购日和后一日的预期销售量之和,减去订购日的营业前库存量,即订购量。
假设6:厂商按订单生产,假设所有订单需求都能被满足,在超市订货的下一天开业前,冷鲜肉应被送至超市完成交接。冷鲜肉每次的配送任务可知,每次可根据具体的配送任务和可用资源生成配送作业安排。
运营优化依据厂商全年利润最大化的目标,具体而言,建模目标是在保证冷鲜肉品质安全的前提下,考虑超市之间的配送平衡,在最佳的厂商自有仓配中心处理规模(M,单位:吨)和轻型冷藏车辆数(m)的安排下,最大化冷鲜肉厂商的全年运营利润。目标函数如公式(4),年利润P year 是全年中单次订货所获利润P k 的累计(订货周期固定,全年定货次数r是可知的),P k 第k次订货所获利润,单位为元。
S.t.
约束条件(5)是时间窗约束。设某辆冷藏配送车在t i 时刻到达超市i,该超市所能容忍的时间窗为[ET i ,LT i ]。
约束条件(6)是装载能力约束。轻型冷藏车j(自有或第三方的)额定载重量为ET i ,Z j ,j∈{1,…,n i },单位为吨,给超市i的送货量为q ij 。假设每辆车每趟最多跑u个超市,超市i订货量为Q i ,单位为吨,某天给其配送的车辆数为n i 。
约束条件(7)是超市接收冷鲜肉的品质约束。当一批冷鲜肉到达某一超市进行交接时,若货架期测算在3天及以上,正常接收;若货架期测算在2到3天且不足3天的,产生品质惩罚成本,为合同价格的δ 1 倍,δ 1 为惩罚系数;当预测货架期在2天以下,要求厂家进行召回,δ 2 是冷鲜肉被召回导致的惩罚系数。厂家对被召回的冷鲜肉,通过加工腊肠等其他肉制品等措施,可弥补损失,具体措施在本模型中不做探讨。
约束条件(8)是品质均衡约束。它反映的是各超市所得冷鲜肉品质的全年平均水平差距要限定在一定范围(h)内。(8)中,r sum 是每个超市全年接收冷鲜肉的总次数,它也是轻型冷藏车配送到达该超市的总次数;m i 是每次接收的冷鲜肉重量,H i 是这批冷鲜肉的货架期天数。H(σ,i)和H(γ,i)分别表示在全年的第i次订货时,N个超市中第σ个超市和第γ个超市在交接时接收的冷鲜肉的货架期天数。这是考虑到超市间的攀比心理,全年来看,各个超市所得冷鲜肉的品质应该相对均衡;其中,货架期是表征冷鲜肉品质的指标。
将单次订货中厂商所获利润记为P,如公式(9)所示,它等于单次订货中厂商对冷鲜肉的销售收入减去成本,成本包括品质惩罚成本RPC、生产成本PC、仓配中心成本OCS,以及运输成本TC。
P=S-RPC-(PC+OCS+TC)(9)
①厂商对冷鲜肉的销售收入S。与一次订货时所有超市订货总量Q(单位:吨),和当次的
订购价(记为ω,单位:元/吨)有关。对第i个超市而言,某次订货周期内的预计销量为,
若当次订货周期内的实际销量为,则公式(12)为下次订货时的库存量R i (设全年第一次
订货时R 1 =0),下一次订货时要在预计售量的基础上减去库存量。
显然,超市冷鲜肉的日销量具有随机性,不仅有季节波动,在重大节日或是预报出现极端天气时,更是可能出现巨幅需求波动。假设冷鲜肉日销量波动服从正态分布。
②冷鲜肉品质下降的惩罚成本RPC。RPC体现对冷鲜肉品质安全的保障,如公式(13)所示,δ是冷鲜肉的鲜度惩罚系数,它由冷鲜肉的剩余货架期长短决定。在本问题中,当一批冷鲜肉到达某一超市进行交接时,依据剩余货架期的长短分正常接收、折价接收和厂家召回三种情况(详见约束条件公式(7))。厂商需要加强保鲜工作,避免利润损失。
对于每批到达超市的冷鲜肉,通过冷鲜肉剩余货架期预测模型(如(14)所示),可预测出在超市储存温度T c 下的货架期天数。
H=(ln(15/A c ))/(24×2.167×10 14 exp(-8.719×10 14 /(R×T)))(14)
其中,A c 是到达某超市交接时,冷鲜肉中TVBN的推算值,A c 可根据从出厂到中转仓配中心再到目的地超市过程中的“时间—温度”履历,通过公式(15)~(18)得出。现实中,超市在交接时,会对冷鲜肉进行采样检测,可用TVBN指标的实测值与推算值A c 进行比对验证。如(15)所示,第一次出厂采样检测结果中冷鲜肉中TVBN含量A 0 值存在波动,不妨设A 0 是服从正态分布的随机数,其中,μ k 存在季节性波动,高温季节均值略高。这里,方差通常取决于检测仪器,可以假设为同一个值。A pin 是冷鲜肉到达中转仓配中心时的TVBN值;A pout 是冷鲜肉从中转仓配中心出发时的TVBN值。
③厂商生产一定数量冷鲜肉所需的成本PC。生产成本为合同订购价ω的θ倍,θ∈(0, 1),它跟产量正相关。
PC=θ×ω×Q(19)
④仓配中心成本OCS。公式(20)的第一部分是按全年订货次数平均的单次厂商自有仓配中心运维成本,第二部分是租用第三方冷链仓配中心(本次订货中若有)的成本。厂商自有仓配中心的最大规模规划为M吨,平均单次(按全年订货次数均摊)的单位运维成本(制冷、调度、建设运维等)为OC 1 (元/吨),第三方冷链仓配中心单次的租用成本为每吨OC 2 元。
⑤运输成本TC。它由两部分组成(见公式(21)),先是由厂商生产基地运到仓配中心(含自有或第三方冷链)的运输成本TC 1 ,再是由自有/第三方冷链仓配中心运输到各超市并返回自有/第三方冷链仓配中心的运输成本TC 2 。假设距离单位是公里。厂商到中转仓配中心距离D 1 公里,运输速度为V 1 公里/小时,这一阶段的运输费率C 1 元/吨·公里(门对门运输,不存在路径优化)。
在超市配送阶段,当自有能力不足完成当次配送任务时,租用第三方冷链仓配中心及
其冷藏配送车。公式(23)、(24)中,D 2 为厂商自有仓配中心的配送车的当天总运输距离,D 3 为
当天第三方冷链仓配中心冷藏配送车(若有)的总运输距离;q和分别为当天厂商自有仓
配中心的配送车和第三方冷链仓配中心配送车完成的运输量;C 2 和C 3 分别为厂商自有仓配
中心的配送车和第三方冷链仓配中心配送车的运输费率(单位:元/公里),w 2 为当天厂商自
有仓配中心的配送车的出车人工成本(按自有车保有量总数m计算)。假设从最后一个超市
返程时无需制冷,为厂商自有仓配中心的配送车从最后一个超市返程的费用,为第
三方冷链仓配中心配送车从最后一个超市返程的费用。是第三方冷链仓配中心配送车
单趟出车费用,是第三方冷链仓配中心配送车当天总出车次数。
在运营优化模块中,对如上所述建立的模型考虑了各种随机性并通过蒙特卡洛(Monte Carlo,MC)全年仿真来进行处理。MC仿真体现在对市场需求波动、冷鲜肉出厂时TVBN指标值波动、运输过程中温度异常波动等变量的随机生成,具体而言:①生成某一正态分布随机数,来模拟冷鲜肉日常的市场需求波动情况(分别模拟预计日销量和实际日销量);②生成某一正态分布随机数,来模拟出厂时冷鲜肉的挥发性盐基氮初始值,同时给出最低、最高限值。③生成服从某一参数的指数分布随机数,来模拟运输途中冷藏车车厢内温度出现异常升温的值,包括从厂商到中转仓配中心的途中、从中转仓配中心配送到各超市的途中温度。上述各随机变量旨在更逼真地刻画新型冷鲜肉供应链的日常情况,以便寻找全年统计规律。
对运营优化模块中所建模型的算法说明如下:
针对适用于全年的自有仓配中心规划规模M和轻型冷藏车保有数量m(两个待求控制变量),依一定规则对二者进行初始赋值,然后,利用梯度法去不断获取对应于更大全年利润P year 的m和M。算法中的梯度法搜索体现在目标函数值(多次仿真情形下的平均全年利润值)寻优时,对m和M的搜索。确定搜索方向后,根据前期调试选取恰当的步长,当两次相邻的平均全年利润值之差小于设定值(即收敛)时,结束梯度搜索迭代。基于梯度法搜索,可以提高搜索的方向性,缩短搜索时间。
特别地,考虑零售超市之间的攀比心理(现实中的具体表现是,各个超市对于配送到店的冷鲜肉品质和到达时间先后存在攀比),从全年统计情况来看,不能出现持续性的“不公平”现象。本系统在算法设计上,基于已有的一次全年仿真结果,可以根据结果中各超市所得冷鲜肉品质的对比情况,利用启发式算法调整各超市运输的优先权值,使得之后的仿真满足配送给各超市的冷鲜肉品质尽量接近。
具体而言,运营优化模块通过以下算法步骤实现:
步骤1,输入当前厂商自有仓配中心的轻型冷藏车辆数m和厂商自有仓配中心的吞吐规模值M(能处置冷鲜肉的吨数);
步骤2,对长期供应的各个客户超市,当已有上一次全年供应冷鲜肉的平均货架期水平统计结果时,限定这一水平在各超市间的最大差额值,利用启发式算法修改各客户超市配送时间的优先权值,以确保长期的服务公平性。此处,年平均货架期水平是指按重量做全年平均的货架期水平(一年内,超市每趟接收的冷鲜肉重量与其货架期的乘积,加总,再除以全年接收冷鲜肉的总重量)。
步骤3,对每次各个客户超市的订货配送,随机生成300种(预设值,可根据具体情况调整)配送方案并计算出相应的利润,根据最大利润来获取当次的最优运输方案;并生成配送路线图,配送方案中包括每趟车的出发地、依次要去的超市和给每个超市的运量,详见前文中的公式(2)和(3);
步骤4,累计计算全年的厂商利润值,并通过多次的全年仿真求得多个全年利润,再求得平均全年利润值;
步骤5,利用梯度法获取梯度方向上的下一组自有仓配中心的轻型冷藏车数量m和自有配送中心吞吐规模值M,若运营所得的平均全年利润值更大,保存相关数据,回到步骤2继续运行,否则结束。
案例1
本案例以包含一个冷鲜肉生产商、一个自有仓配中心、一个可能的临时第三方冷链仓配中心、10个大型超市(有自己的冷藏库)组成的三级冷链物流系统为研究对象。在对冷鲜肉生产企业和大型超市进行调研的基础上,设定算例的相关数值。
冷鲜肉生产成本定为冷鲜肉价值的75%。假设生产企业到中转仓配中心使用城际配送的中重型冷藏车(载重量10吨~30吨不等),市内配送使用的轻型冷藏车的载重量为1.5吨。厂商到中转仓配中心和临时第三方冷链仓配中心的距离均为350公里,平均车速70km/h。从中转仓配中心到各大型超市(简称“超市配送”)时,运输时速为35km/h,每辆配送车每天最多跑两趟,每趟至多跑3个超市。在超市配送环节中,如图3,自有仓配中心、可能的第三方冷链仓配中心和10个大型超市(有冷藏库)的位置坐标分别为(15,1)、(17,1)、(11,14)、(13,15)、(22,11)、(13,23)、(4,9)、(1,17)、(19,24)、(23,19)、(27,8)、(30,13),距离单位为公里。在超市交接时,卸货速度为20分钟/吨。
蒙特卡罗仿真的三种随机变量生成算法分别为:①生成标准差为0.2的正态分布随机数,来模拟冷鲜肉日常的日需求和日销量的波动情况;10个大型超市基准的日均需求量依次为0.55吨、0.78吨、0.65吨、0.72吨、0.58吨、0.75吨、0.96吨、0.82吨、0.62吨、0.65吨。②生成标准差为0.2的正态分布随机数,来模拟出厂时冷鲜肉的挥发性盐基氮初始值,基准的均值是7.02(考虑存在5%季节波动),同时给出上下限值[6,8]。③生成服从参数为0.3的指数分布随机数,来模拟运输途中冷藏车车厢内温度出现异常升温的值。
假设在中转仓配中心和超市的储存温度保持恒温4℃。交接时若预测冷鲜肉货架期大于或等于3天时正常接收;货架期预测值在2到3天之间时的惩罚成本系数为5%;当货架期预测值低于2天由厂家召回,假设厂家能通过加工肉制品等措施维持不赚不赔,即利润为0。
考虑冷鲜肉市场需求的异常波动。春节前夕,需求量可能放大到平常的2倍左右;中秋、元旦、五一和十一等节假日,也可能使需求扩大到平常的1.5倍左右,相应在算例中逐日需求量中加以体现。假设来自临时第三方冷链仓配中心和临时冷藏配送车(载重量为1.5吨)具可得性,但各项费用都高于自有成本。详细参数见表1。
表1 运算的基础参数值
参数名称 | 参数值 | 参数名称 | 参数值 |
冷鲜肉订购价格(ω) | 20000元/吨 | 品质惩罚成本 | 0.05*ω |
从产地到中转仓配中心的运输费率(门对门运输) | 3元/吨·公里 | 配送到超市的单位运输成本(第三方服务为其1.5倍) | 3元/公里 |
第三方冷链仓配中心单次的租用成本 | 720元/吨 | 超市配送用轻型冷藏车的单位制冷成本(第三方服务为其1.5倍) | 1元/公里 |
中转仓配中心平均单次(全年182次订货)的单位运维成本 | 240元/吨 | 每辆第三方冷藏车单趟出行的人员成本 | 1.5×300/2=225元 |
自有仓配中心的全年运维成本(规划规模为M吨) | M*240*182元 | 自有轻型冷藏车的全年人员成本(保有<i>m</i>辆) | <i>m</i>*182*300元 |
借助Matlab对模型算例进行求解,首先,对每次订货,随机生成300种配送方案并计算出相应的利润,依据利润最大化来获取当次的最优配送方案;订货周期为两天,累加全年182次订货的利润将得到厂商的全年利润。考虑到数据的随机性,通过10次全年仿真求得一个平均全年利润值,作为统计意义上的一年总利润。其次,利用梯度法,获取目标函数值年利润和两个待求变量(自有仓配中心的规划规模M和自有冷藏配送车保有量m)的最优解,图2给出了某一次运行的寻优过程中的实验结果,目标函数全年最优利润值结果是800.14万元,相应的自有仓配中心的规划规模为15.45吨,保有冷藏配送车为6辆。
全年最后一次订货时的最优配送安排(当天300次方案安排中的最优)如表2,超市配送线路如图3。图3中,每条Line中最后一段虚线表示返程。记自有仓配中心和第三方冷链仓配中心分别是D和D0,S1~S10是10个大型超市。
表2 全年最后一次订货的最优配送安排
配送线路 | 路线途经 | 给第1个超市的运量(吨) | 给第2个超市的运量(吨) | 给第3个超市的运量(吨) |
Line1 | D→S1→S4→D | 1.24 | 0.26 | - |
Line2 | D0→S10→D0 | 1.50 | - | - |
Line3 | D→S7→S3→S5→D | 0.94 | 0.33 | 0.23 |
Line4 | D0→S8→S9→D0 | 0.02 | 0.21 | - |
Line5 | D→S9→S8→S5→D | 0.96 | 0.51 | 0.03 |
Line6 | D→S3→D | 1.50 | - | - |
Line7 | D→S3→S7→D | 0.01 | 1.38 | - |
Line8 | D→S3→S6→S5→D | 0.03 | 1.27 | 0.20 |
Line9 | D→S2→S5→D | 1.05 | 0.45 | - |
Line10 | D→S6→S1→S10→D | 0.39 | 0.15 | 0.60 |
Line11 | D→S2→S5→S8→D | 0.14 | 0.13 | 1.20 |
Line12 | D→S4→D | 0.83 | - | - |
从全年均值来看,10个大型超市所获冷鲜肉的品质差异很小,按重量平均的货架期水平(某超市每趟接收的冷鲜肉重量与其货架期的乘积,加总,再除以全年接收冷鲜肉的总重量)如表3,可见,本系统中,对各超市供应冷鲜肉时兼顾了肉品和服务效率的公平性。
表3 各超市获得冷鲜肉的年平均货架期水平(按重量平均,单位:天)
S1 | S2 | S3 | S4 | S5 | S6 | S7 | S8 | S9 | S10 |
3.00 | 3.01 | 3.01 | 3.00 | 3.00 | 3.01 | 3.00 | 3.02 | 3.01 | 3.00 |
针对两个控制变量(超市配送环节的自有轻型冷藏车保有数量m和自有仓配中心规划规模M)进行敏感性分析。如表4所示,不管m和M的初始赋值怎样变化,本系统运行结果中目标函数厂商年利润的最优解都有很好的稳定性。
表4 m和M的不同初始值对系统优化结果的影响
第1次 | 第2次 | 第3次 | 第4次 | 第5次 | |
[m,M]的初始赋值 | [1,12.14] | [2,11.63] | [3,9.56] | [4,10.89] | [5,13.04] |
[m,M]的优化结果 | [6,15.00] | [6,15.61] | [6,14.05] | [6,14.86] | [6,15.76] |
厂商年利润<i>P</i><sub><i>year</i></sub>(万元) | 799.04 | 797.46 | 800.30 | 799.84 | 799.27 |
在实际的冷鲜肉厂商冷链运营中,其中转仓配中心的地点通常是既定的,但中转仓配中心建设规模能力的大小和冷藏配送车的保有量是需要进行决策优化的;同时,每次订货时,可对超市配送环节的车辆安排方案进行优化。通过本系统,可在确保食品安全性和公平性的基础上,达到厂商经营新型冷鲜肉供应链的年利润最大化目标,经灵敏度分析,系统稳定性强。
Claims (10)
1.一种冷鲜肉行业的可持续冷链物流系统,其特征在于,包括冷鲜肉厂商的生产基地、中转仓配中心、客户超市、订单模块、信息采集模块、动态货架期预测模块、运输路径规划模块、质量信息追溯模块和运营优化模块;冷鲜肉运输过程中实施全程实时监控和信息共享;
所述客户超市根据一次订货周期内预测的冷鲜肉需求量通过订单模块发送订单;
所述冷鲜肉厂商的生产基地为冷鲜肉的出厂地;
所述中转仓配中心用于冷鲜肉从冷鲜肉厂商的生产基地到客户超市的中转,包括厂商自有仓配中心和第三方冷链仓配中心;中转仓配中心配备有轻型冷藏车;
所述客户超市拥有用于存放冷鲜肉的冷藏库和冷藏陈列柜;
所述订单模块用于接收客户订单,订单模块接收到客户订单后,根据订单信息安排订单出厂信息;所述订单出厂信息包括冷鲜肉运量、出厂采样检测指标信息、采样检测日期和出厂日期;
所述信息采集模块,用于根据订单出厂信息对冷鲜肉进行第一次采样,并记录第一次采样时间,以备检测;在冷鲜肉的运输车到达客户超市的接单处,由超市方对冷鲜肉进行第二次采样,并记录第二次采样时间;信息采集模块还用于采集冷链物流各个环节中的温度信息和相应的时间信息;
所述动态货架期预测模块获取对冷鲜肉的第一次采样检测结果和第一次采样时间,预测冷鲜肉在指定冷藏温度下的剩余货架期;获取对冷鲜肉的第二次采样检测结果和第二次采样时间,预测冷鲜肉在指定冷藏温度条件下的剩余货架期;
所述运输路径规划模块,根据订单类型和订单信息,结合厂商自有仓配中心的吞吐规模值M和轻型冷藏车辆数m,以及是否有临时参与的第三方冷链仓配中心,给出对应订单的配送车辆路径安排;
所述质量信息追溯模块,用于查询的信息包括:从冷鲜肉厂商的生产基地到客户超市的过程中,订单中所需冷鲜肉的时间—温度履历,第一次采样时间和第一次采样检测结果,第二次采样时间和第二次采样检测结果,以及根据两次采样检测结果中的TVBN指标值所预测的、在设定储藏温度条件下的剩余货架期;
所述运营优化模块,根据不同类订单的应对策略、厂商冷链运营的全年利润最大化目标、不同客户超市之间获得的冷鲜肉品质的均衡程度,进行运营优化;在厂商自有仓配中心的地点固定的情况下,对厂商自有仓配中心的吞吐规模值M和轻型冷藏车数量m进行优化。
2.根据权利要求1所述的冷鲜肉行业的可持续冷链物流系统,其特征在于,所述第一次采样检测结果和第二次采样检测结果均包括感官指标、理化指标和微生物指标的结果,所述动态货架期预测模块使用理化指标中的TVBN指标,进行剩余货架期预测;厂商和客户超市根据剩余货架期长短对订单涉及的冷鲜肉采取三种订单处理策略:一是正常接收;二是折价接收;三是客户超市拒收由厂商实施召回。
3.根据权利要求1所述的冷鲜肉行业的可持续冷链物流系统,其特征在于,所述动态货架期预测模块建立了基于TVBN指标的冷鲜肉剩余货架期预测模型,如公式(1)所示;其中,SL (TVB-N) 是冷鲜肉的剩余货架期,A TVB-N0 是TVBN指标,T是储存温度,用绝对温度表示,R是气体常数;通过即时测定A TVB-N0 ,能预测出冷鲜肉在储存温度T条件下的剩余货架期寿命;公式中,当A TVB-N0 达到15mg/100g时,冷鲜肉将到达货架期寿命终点;
SL (TVB-N) =(ln(15/A TVB-N0 ))/(2.167×10 14 exp(-8.719×10 14 /RT)) (1)。
4.根据权利要求1所述的冷鲜肉行业的可持续冷链物流系统,其特征在于,运营优化模块实现步骤如下:
步骤1,输入当前厂商自有仓配中心的轻型冷藏车辆数m和厂商自有仓配中心的吞吐规模值M;
步骤2,对各个客户超市,当已有上一次全年供应冷鲜肉的平均货架期水平统计结果时,限定平均货架期水平在各客户超市间的最大差额值,利用启发式算法修改各客户超市配送时间的优先权值;平均货架期水平是指,一年内,客户超市每次订单接收的冷鲜肉重量与其货架期的乘积,所有的乘积加总,再除以全年接收冷鲜肉的总重量;
步骤3,对每次各个客户超市的订货配送,随机生成若干种配送方案并计算出配送方案相应的利润,根据最大利润来获取当次的最优运输方案;并生成配送路线图,配送方案中包括每趟车的出发地、依次要去的客户超市和给每个客户超市的运量;所述配送方案指的是配送车辆路径安排方案;
步骤4,累计计算全年的厂商利润值,并通过多次的全年仿真求得多个全年利润,再求得平均全年利润值;
步骤5,利用梯度法获取梯度方向上的下一组厂商自有仓配中心的轻型冷藏车数量m和自有配送中心吞吐规模值M,若运营所得的平均全年利润值更大,保存相关数据,回到步骤2继续运行,否则结束。
5.根据权利要求1所述的冷鲜肉行业的可持续冷链物流系统,其特征在于,在运输路径
规划模块中,根据订单得到每次从中转仓配中心给各个客户超市的配送,对于每次从中转
仓配中心给各个客户超市的配送,用矩阵flag kt 表示针对全年第k次订货的车辆路径安排方
案,每种方案将对应有相应的利润,依据利润最大迭代搜索最优方案;如公式(2)和(3)中所
示,t表示单次订货搜寻最优安排的迭代次数;为简化模型,设每辆车每天最多跑两趟,每辆
车每趟最多跑u个超市,来自第三方冷链仓配中心的临时轻型冷藏车辆数为;矩阵flag kt
的每一列表示一趟车的安排;在每一列中,第1行是轻型冷藏车从哪个中转仓配中心出发,
接下来的u行是待配送的u个超市的排序,最后u行对应给每一超市的相应配送量;
(2)
6.根据权利要求1所述的冷鲜肉行业的可持续冷链物流系统,其特征在于,在运营优化模块中,运营优化依据厂商全年利润最大化的目标,建模目标是在保证冷鲜肉品质安全的前提下,考虑超市之间的配送平衡,在最佳的厂商自有仓配中心吞吐规模和轻型冷藏车辆数的安排下,最大化冷鲜肉厂商的全年运营利润;目标函数如公式(4),年利润P year 是全年中单次订货所获利润P k 的累计,P k 第k次订货所获利润;
约束条件(5)是时间窗约束;设某轻型冷藏车在t i 时刻到达客户超市i,该客户超市所能容忍的时间窗为[TE i ,LT i ];
约束条件(6)是装载能力约束;轻型冷藏车j额定载重量为Z j ,j∈{1,…,n i },给客户超市i的送货量为q ij ,设每辆轻型冷藏车每趟最多跑u个超市,客户超市i订货量为Q i ,某天给其配送的车辆数为n i ;
约束条件(7)是客户超市接收冷鲜肉的品质约束;当一批冷鲜肉到达某一超市进行交接时,若预测剩余货架期在3天及以上,正常接收;若预测剩余货架期在2到3天且不足3天的,产生品质惩罚成本,为合同价格的δ 1 倍,δ 1 为惩罚系数;当预测剩余货架期在2天以下,要求厂家进行召回,δ 2 是冷鲜肉被召回导致的惩罚系数;
约束条件(8)是品质均衡约束,它反映的是各客户超市所得冷鲜肉品质的全年平均水平差距要限定在一定范围内;其中,剩余货架期是表征冷鲜肉品质的指标;公式(8)中,r sum 是每个客户超市全年接收冷鲜肉的总次数,它也是轻型冷藏车配送到达该超市的总次数;m i 是每次接收的冷鲜肉重量,H i 是这批冷鲜肉的剩余货架期的天数。
7.根据权利要求1所述的冷鲜肉行业的可持续冷链物流系统,其特征在于,将单次订货中厂商所获利润记为P,如公式(9)所示,它等于单次订货中厂商对冷鲜肉的销售收入减去成本,成本包括品质惩罚成本RPC、生产成本PC、仓配中心成本OCS,以及运输成本TC;
P=S-RPC-(PC+OCS+TC)(9)。
8.根据权利要求1所述的冷鲜肉行业的可持续冷链物流系统,其特征在于,在运营优化模块中,通过蒙特卡洛仿真对市场需求波动、冷鲜肉出厂时TVBN指标值波动、运输过程中温度异常波动变量进行随机生成,具体而言:①生成某一正态分布随机数,来模拟冷鲜肉日常的市场需求波动情况,分别模拟预计日销量和实际日销量;②生成某一正态分布随机数,来模拟出厂时冷鲜肉的挥发性盐基氮初始值,同时给出最低、最高限值;③生成服从某一参数的指数分布随机数,来模拟运输途中冷藏车车厢内温度出现异常升温的值,包括从厂商到中转仓配中心的途中、从中转仓配中心配送到各客户超市的途中温度。
9.根据权利要求1所述的冷鲜肉行业的可持续冷链物流系统,其特征在于,运营优化模块中,对厂商自有仓配中心的吞吐规模值M和轻型冷藏车辆数m进行初始赋值,然后,利用梯度法去不断获取对应于更大全年利润P year 的轻型冷藏车辆数m和吞吐规模值M;当两次相邻的冷链运营平均全年利润值之差小于设定值时,结束梯度搜索迭代。
10.根据权利要求1所述的冷鲜肉行业的可持续冷链物流系统,其特征在于,基于已有的一次全年冷链运营的仿真结果,根据结果中各超市所得冷鲜肉品质的全年对比情况,利用启发式算法调整各超市运输的优先权值,使得之后的仿真满足配送给各超市的冷鲜肉品质尽量接近,所述冷鲜肉品质是基于TVBN值推算指定储藏温度下的剩余货架期,作为交接时冷鲜肉品质的表征指标。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010926670.1A CN111932184B (zh) | 2020-09-07 | 2020-09-07 | 一种冷鲜肉行业的可持续冷链物流系统 |
LU500507A LU500507B1 (en) | 2020-09-07 | 2021-08-04 | Sustainable cold-chain logistics system for chilled fresh meat industry |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010926670.1A CN111932184B (zh) | 2020-09-07 | 2020-09-07 | 一种冷鲜肉行业的可持续冷链物流系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111932184A true CN111932184A (zh) | 2020-11-13 |
CN111932184B CN111932184B (zh) | 2020-12-25 |
Family
ID=73308820
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010926670.1A Active CN111932184B (zh) | 2020-09-07 | 2020-09-07 | 一种冷鲜肉行业的可持续冷链物流系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111932184B (zh) |
LU (1) | LU500507B1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113011817A (zh) * | 2021-03-18 | 2021-06-22 | 广州市华溢饮食服务有限公司 | 农产品运输监控方法、装置、计算机设备以及存储介质 |
CN113516485A (zh) * | 2021-03-15 | 2021-10-19 | 北京戴纳实验科技有限公司 | 一种物品溯源和警示方法 |
CN113554321A (zh) * | 2021-07-28 | 2021-10-26 | 陕西科技大学 | 一种乳制品冷链物流质量安全预警方法 |
US11188596B2 (en) * | 2019-11-07 | 2021-11-30 | International Business Machines Corporation | Storage optimization for products manufacturing |
CN113762933A (zh) * | 2021-09-15 | 2021-12-07 | 北京大道信通科技股份有限公司 | 一种智慧社区管理系统 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115759514A (zh) * | 2022-11-18 | 2023-03-07 | 广东豆加壹科技有限公司 | 一种冷链配送车调度管理方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101769884A (zh) * | 2009-12-21 | 2010-07-07 | 上海海洋大学 | 冷鲜猪肉货架期预测指示器 |
CN103593746A (zh) * | 2013-10-24 | 2014-02-19 | 浙江求是人工环境有限公司 | 具有货架寿命预测功能的冷链物流管理装置及方法应用 |
CN104298868A (zh) * | 2014-09-30 | 2015-01-21 | 北京农业信息技术研究中心 | 一种冷链物流的冷却肉货架期预测方法及系统 |
CN106054778A (zh) * | 2016-07-22 | 2016-10-26 | 北京农业信息技术研究中心 | 冷链运输过程智能监测采样方法、装置及冷链车辆 |
CN108574738A (zh) * | 2018-06-25 | 2018-09-25 | 广东机电职业技术学院 | 一种基于nb-iot冷链物流过程制冷监测系统及方法 |
-
2020
- 2020-09-07 CN CN202010926670.1A patent/CN111932184B/zh active Active
-
2021
- 2021-08-04 LU LU500507A patent/LU500507B1/en active IP Right Grant
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101769884A (zh) * | 2009-12-21 | 2010-07-07 | 上海海洋大学 | 冷鲜猪肉货架期预测指示器 |
CN103593746A (zh) * | 2013-10-24 | 2014-02-19 | 浙江求是人工环境有限公司 | 具有货架寿命预测功能的冷链物流管理装置及方法应用 |
CN104298868A (zh) * | 2014-09-30 | 2015-01-21 | 北京农业信息技术研究中心 | 一种冷链物流的冷却肉货架期预测方法及系统 |
CN106054778A (zh) * | 2016-07-22 | 2016-10-26 | 北京农业信息技术研究中心 | 冷链运输过程智能监测采样方法、装置及冷链车辆 |
CN108574738A (zh) * | 2018-06-25 | 2018-09-25 | 广东机电职业技术学院 | 一种基于nb-iot冷链物流过程制冷监测系统及方法 |
Non-Patent Citations (3)
Title |
---|
夏翔: "基于物联网技术的冷链物流管理研究 ——以冷鲜肉为例", 《中国优秀硕士学位论文全文数据库(电子期刊)》 * |
徐丽敏等: "《基于物联网的冷鲜肉冷链物流信息采集及监控系统》", 《电子产品世界》 * |
郭欣慧等: "《综合型物流企业的物流直接成本核算方法研究》", 《特区经济》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11188596B2 (en) * | 2019-11-07 | 2021-11-30 | International Business Machines Corporation | Storage optimization for products manufacturing |
CN113516485A (zh) * | 2021-03-15 | 2021-10-19 | 北京戴纳实验科技有限公司 | 一种物品溯源和警示方法 |
CN113516485B (zh) * | 2021-03-15 | 2023-10-31 | 北京戴纳实验科技有限公司 | 一种物品溯源和警示方法 |
CN113011817A (zh) * | 2021-03-18 | 2021-06-22 | 广州市华溢饮食服务有限公司 | 农产品运输监控方法、装置、计算机设备以及存储介质 |
CN113554321A (zh) * | 2021-07-28 | 2021-10-26 | 陕西科技大学 | 一种乳制品冷链物流质量安全预警方法 |
CN113762933A (zh) * | 2021-09-15 | 2021-12-07 | 北京大道信通科技股份有限公司 | 一种智慧社区管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111932184B (zh) | 2020-12-25 |
LU500507B1 (en) | 2022-03-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111932184B (zh) | 一种冷鲜肉行业的可持续冷链物流系统 | |
Hsiao et al. | Last-mile distribution planning for fruit-and-vegetable cold chains | |
Fikar | A decision support system to investigate food losses in e-grocery deliveries | |
Darestani et al. | Robust optimization of a bi-objective closed-loop supply chain network for perishable goods considering queue system | |
Goodarzi et al. | A new bi-objective vehicle routing-scheduling problem with cross-docking: Mathematical model and algorithms | |
Jia et al. | Integrated inventory routing problem with quality time windows and loading cost for deteriorating items under discrete time | |
Shi et al. | Optimizing distribution strategy for perishable foods using RFiD and sensor technologies | |
Song et al. | An integrated approach for optimizing location-inventory and location-inventory-routing problem for perishable products | |
Kukartsev et al. | Solving the problem of trucking optimization by automating the management process | |
Millstein et al. | Total hockey optimizes omnichannel facility locations | |
Theodorou et al. | Optimizing inventory control through a data-driven and model-independent framework | |
Guzenko et al. | Process optimization for last mile logistics | |
Paeizi et al. | A multi-stage stochastic programming approach for an inventory–routing problem considering life cycle | |
Nozari et al. | A Comprehensive Strategic-Tactical Multi-Objective Sustainable Supply Chain Model with Human Resources Considerations | |
Pan et al. | Truck Scheduling for Cross‐Docking of Fresh Produce with Repeated Loading | |
Chen et al. | Integrated online order picking and vehicle routing of food cold chain with demand surge | |
Orjuela-Castro et al. | Logistics IRP model for the supply chain of perishable food | |
CN114819805A (zh) | 车辆运输管理系统 | |
Ghomi | Cross-Docking: A Proven LTL Technique to Help Suppliers Minimize Products' Unit Costs Delivered to the Final Customers | |
Babagolzadeh et al. | Optimal delivery and replenishment policies for perishable products considering lost sale cost: An efficient hybrid algorithm | |
Chai | STUDY ON ROUTE OPTIMIZATION OF COLD CHAIN LOGISTICS OF FRESH FOOD. | |
Andrejić et al. | Value stream mapping in ordering process—A case of retail chain | |
Wyciślak et al. | Supply chain control tower and the adoption of intelligent dock booking for improving efficiency | |
WO2022004833A1 (ja) | 装置、方法、およびプログラム | |
Li et al. | Optimisation of multi-level logistics network for agricultural products under community group buying model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230531 Address after: No. 168, Group 9, Liujiachong Village, Longzhouping Town, Changyang, Yichang City, Hubei Province, 443000 Patentee after: Changyang Huimin Food Co.,Ltd. Address before: 210044 No. 219, Ning six road, Nanjing, Jiangsu Patentee before: Nanjing University of Information Science and Technology |