CN111985674B - 一种含物联网优化的智慧供应链管理云系统 - Google Patents
一种含物联网优化的智慧供应链管理云系统 Download PDFInfo
- Publication number
- CN111985674B CN111985674B CN202010483075.5A CN202010483075A CN111985674B CN 111985674 B CN111985674 B CN 111985674B CN 202010483075 A CN202010483075 A CN 202010483075A CN 111985674 B CN111985674 B CN 111985674B
- Authority
- CN
- China
- Prior art keywords
- supply chain
- optimization
- inventory
- information
- module
- 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.)
- Active
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 120
- 238000013068 supply chain management Methods 0.000 title claims abstract description 32
- 238000004519 manufacturing process Methods 0.000 claims abstract description 40
- 238000012800 visualization Methods 0.000 claims abstract description 27
- 238000013439 planning Methods 0.000 claims abstract description 14
- 230000002618 waking effect Effects 0.000 claims abstract description 4
- 238000009826 distribution Methods 0.000 claims description 43
- 238000000034 method Methods 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000013178 mathematical model Methods 0.000 claims description 13
- 239000000463 material Substances 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 10
- 239000000243 solution Substances 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 10
- 238000012384 transportation and delivery Methods 0.000 claims description 10
- 239000011550 stock solution Substances 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000007726 management method Methods 0.000 abstract description 11
- 230000006855 networking Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 241000208125 Nicotiana Species 0.000 description 1
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种含物联网优化的智慧供应链管理云系统，系统包括登录模块，用于唤醒管理云系统；第一信息输入模块，用于输入供应链信息；供应链优化模块，用于利用优化模型优化供应链；供应链可视化模块，用于可视化供应链优化结果；第二信息输入模块，用于输入库存优化信息；安全库存优化模块，用于结合库存周期理论和库存优化信息优化安全库存量；库存优化结果可视化模块，用于可视化安全库存优化模块的优化结果。本发明在智能供应链领域实现了生产规划，供应链智能生成，安全库存优化三功能一体化，且云服务使得供应链各点的用户以及物联网接入的设备不受物理环境的限制，可以自由的在任何时间、地点、以任何联网设备使用本系统，操作简便。
Description
技术领域
本发明涉及需求预测领域，具体涉及考虑库存优化在内的供应链需求预测领域，特别涉及一种含物联网优化的智慧供应链管理云系统。
背景技术
随着智能供应链对企业发展所呈现出的日益提高的重要性，配送中心的作业也得到了广泛的认识，它不仅仅是库存囤积点，更扮演着流通运转的重要角色。根据数据统计，库存成本中的20％被用于日常必需的物流(短期库存)，而剩余的80％则被消耗在了中长期库存上。
中国专利CN103383756A公开了一种草物流配送路径规划方法，开发出一种在总配送中心地址已确定的情况下，从烟草供应企业到终端零售户的烟草物流配送路径规划方法；该专利设计了数学模型来解决所面对的问题，并对客户进行分类聚合的方法来提高配送中心的利用效率。中国专利CN108846608A公开了一种大型风电机组备品备件库存管理及优化调度方法，该方法包括备品备件多级库存管理、订货批量模型、储存成本及缺货成本计算和库存优化调度实施方案共四个步骤，库存管理及优化调度方法通过综合分析风电场备品备件的特征，加入一些其他领域的优化手段,从而提出最适合的备品备件库存管理策略，最终作为风电领域库存管理和优化调度的参考。
上述现有技术中，均存在以下技术问题：
(1)在配送中心确定的情况下可以形成运送及生产规划，但是在配送中心选址未定的情况下未能完成全局策略。
(2)对特定产业的特定形态的供应链(如单阶段供应链或多阶段供应链)可以提供库存解决方案，但是对于更为一般的网络型供应链很难给出具有通用性的解决方案。
(3)目前尚无集物流网设计，生产规划，运输方案设计，安全库存管理功能一体化的供应链管理系统。
发明内容
本发明的目的在于针对上述问题，提供一种含物流网优化和库存管理的智能供应链系统。
实现本发明目的的技术解决方案为：一种含物联网优化的智慧供应链管理云系统，所述系统包括登录模块、第一信息输入模块、供应链优化模块、供应链可视化模块、第二信息输入模块、安全库存优化模块以及库存优化结果可视化模块；
所述登录模块，用于唤醒智能供应链管理云系统；
所述第一信息输入模块，用于输入供应链信息，包括产品信息、工厂信息、配送中心信息、客户信息，以及各客户的产品需求信息；
所述供应链优化模块，用于利用优化模型优化供应链；
所述供应链可视化模块，用于可视化供应链优化结果；
所述第二信息输入模块，用于输入库存优化信息，包括产品需求信息及物料清单信息；该产品需求信息还包括产品需求的标准差；
所述安全库存优化模块，用于结合库存周期理论和所述库存优化信息优化安全库存量；
所述库存优化结果可视化模块，用于可视化安全库存优化模块的优化结果。
进一步地，所述客户信息包括客户名及其地理位置，所述产品信息包括产品名称及重量，所述产品需求信息包括需求时间、需求方、需求产品名及需求数量，所述配送中心信息包括配送中心名称、地理位置及其存储数量上限，所述工厂信息包括工厂名称、地理位置，可生产产品清单、各种产品的生产数量上限及生产时间。
进一步地，所述供应链信息还包括配送中心可开设的数量、配送中心的建设运营成本、工厂到配送中心的单位距离单位重量的运输成本，以及工厂到客户的单位距离单位产品的配送成本。
进一步地，所述优化模型包括：
(1)优化模型的变量，包括：
各工厂i向各配送中心j生产并运输的产品p的数量xijp；
各配送中心j是否向各客户k配送的0-1变量yjk；
各配送中心j是否开设并运营的0-1变量zj；
(2)优化模型的目标函数为以下成本和的最小化，所述成本包括：
运输及配送成本；
配送中心开设成本；
配送中心运营成本；
(3)优化模型的约束条件，包括：
客户需求产品数量制约；
网络流问题所具备的节点流平衡制约条件；
配送中心库存上限制约；
工厂生产上限制约；
配送中心可开设数量上限制约；
综上，具体的优化模型为：
式中，M为工厂集合，D为配送中心集合，C为客户集合，P为产品集合，cij为工厂i向配送中心j运输时的单位重量的运输成本，ejk为配送中心j向客户k运输单位货物的配送成本，bj为配送中心j的单位库存成本，wp为单个产品p的重量，dkp为客户k对产品p的需求量，aj为配送中心j的开设费用，f为配送中心开设上限，为配送中心j的库存上限，/>为工厂i生产产品p的生产上限，其中，M、D、C、P、cij、ejk、bj、wp、dkp、aj、f、/>作为模型输入信息。
进一步地，所述利用优化模型优化供应链，具体过程包括：向优化模型输入所述供应链信息输入模块输入的所有信息，求解优化模型，输出配送中心的开设及使用方案、各工厂的生产规划方案、从工厂到配送中心以及从配送中心到客户的运输配送规划方案。
进一步地，所述供应链可视化模块可视化供应链优化结果，包括各工厂、开设及使用的配送中心，以及客户的地图显示，配送路径的地图显示，各节点间产品配送数量的二维表显示。
进一步地，所述安全库存优化模块包括依次执行的：
第一构建单元，用于建立物流网的有向图，根据物料清单以及物流网各点的信息，建立有向无环图G＝(N,A)，其中N为节点即库存点集合，A为边的集合，(i,j)∈A代表从库存点i到库存点j存在某些产品或零部件的运输配送关系；
第二构建单元，用于建立数学模型，令节点i的产品生产单位时间为Ti，库存单位成本为hi，需求的标准差为σi，所有供给点出发到达节点i的路径集合为Pi，任意一个供给点出发到达任意一个需求点的路径集合为P，任意一条路径q中所含节点的集合为Np；以节点i的库存时间NRTi为变量建立以下数学模型：
求解单元，用于利用禁忌算法求解所述数学模型，包括：
第一库存方案生成子单元，用于随机生成初期解NRTinit，作为当前最优库存方案NRT*；
第二库存方案生成子单元，用于对所述最优库存方案NRT*进行所有可能的t％程度的改变，获得新的库存方案集合；所述改变的方式为：选取t％的未被禁忌的非供给点，对该非供给点是否放置库存的决策进行0-1反转，0代表不放置库存的决策，1代表放置库存的决策；t％<100％为算法参数；
库存方案选择及输出子单元，用于从所述新的库存方案集合中选取最优的库存方案并将路径NRT*更新为/>在此更新过程中将所有反转的节点列为禁忌对象，且禁忌期限设为tlb到tub之间的随机整数；之后判断是否到达预设迭代上限，若达到则输出当前搜索到的最优库存方案，若未达到，返回执行第二库存方案生成子单元；所述tlb、tub及预设迭代上限自定义设置。
进一步地，所述供应链管理云系统还包括存储模块，用于将供应链可视化模块以及库存优化结果可视化模块显示的信息以图、表的形式存储至客户端。
本发明与现有技术相比，其显著优点为：1)本系统通过分析供应链的全局，给出安全库存的设置方案，并优化供应链各点的安全库存量，能降低上述现有技术中80％的库存成本；2)本发明结合库存周期政策理论更精准地确定供应链各点的基本库存水准以优化库存，并利用并行计算提高优化计算速度；3)本发明通过搭载自行研发的应用于安全库存高速计算的启发式算法禁忌搜索，能够更快速、更稳定的生成安全库存；4)在智能供应链领域实现了生产规划，供应链智能生成，安全库存优化三功能一体化，且操作简便。
下面结合附图对本发明作进一步详细描述。
附图说明
图1为一个实施例中含物联网优化的智慧供应链管理云系统的结构框图。
图2为一个实施例中用户地址示意图。
图3为一个实施例中用户需求量变化图。
图4为一个实施例中用户需求量直方图。
图5为一个实施例中配送距离直方图。
图6为一个实施例中潜在供应链网络图。
图7为一个实施例中优化后的物流网络图。
图8为一个实施例中优化后的货物运送状况表示意图。
图9为一个实施例中的库存数据图。
图10为一个实施例中安全库存分布网络图。
图11为一个实施例中优化后的安全库存分布网络图。
图12为一个实施例中优化结果数据表示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，结合图1，提供了一种含物联网优化的智慧供应链管理云系统，该系统包括登录模块、第一信息输入模块、供应链优化模块、供应链可视化模块、第二信息输入模块、安全库存优化模块以及库存优化结果可视化模块；
所述登录模块，用于唤醒智能供应链管理云系统；
这里，登录模块可以采用用户名、密码模式和或指纹模式和或面容模式，还可以采用现有的其他登录方式，由此可以提高系统的安全性。
所述第一信息输入模块，用于输入供应链信息，包括产品信息、工厂信息、配送中心信息、客户信息，以及各客户的产品需求信息；
这里，所述客户信息包括客户名及其地理位置，所述产品信息包括产品名称及重量，所述产品需求信息包括需求时间、需求方、需求产品名及需求数量，所述配送中心信息包括配送中心名称、地理位置及其存储数量上限，所述工厂信息包括工厂名称、地理位置，可生产产品清单、各种产品的生产数量上限及生产时间。
这里，还可以包括输入信息可视化模块，用于可视化供应链信息。例如：用户地址显示(如图2所示)，需求量变化图(如图3所示)，需求量直方图(如图4所示)，距离直方图(如图5所示)，潜在供应链网络图(如图6所示)。
所述供应链优化模块，用于利用优化模型优化供应链；
这里具体地，向优化模型输入所述供应链信息输入模块输入的所有信息，求解优化模型，输出配送中心的开设及使用方案、各工厂的生产规划方案、从工厂到配送中心以及从配送中心到客户的运输配送规划方案。
所述供应链可视化模块，用于可视化供应链优化结果；
这里，可视化供应链优化结果包括各工厂、开设及使用的配送中心，以及客户的地图显示，配送路径的地图显示，各节点间产品配送数量的二维表显示。例如，优化后的物流网络图如图7所示，货物运送状况表如图8所示。
这里，还可以根据用户需求显示不同的信息，实现个性化定制。
所述第二信息输入模块，用于输入库存优化信息，包括产品需求信息及物料清单信息(即各产品间的需求关系，如产品汽车的生产需要四个产品轮胎以及一个产品方向盘)；该产品需求信息还包括产品需求的标准差；例如，图9示出了库存数据(阶次数据，物料清单数据)，图10示出了安全库存分布网络。
所述安全库存优化模块，用于结合库存周期理论和所述库存优化信息优化安全库存量；例如，针对图9和图10，库存优化后的结果如图11和图12所示。
这里，库存周期理论(Periodic inventorypolicy)：
产品库存时间＝产品补充生产时间-保证的交货时间
其中，产品补充生产时间意味着“当没有库存的时候，需要向下级零部件生产商订货，零部件补充完毕后，再生产产品”这个流程所需要的时间，所以产品补充生产时间也等于零部件到货时间(取决于零部件厂商的保证交货时间)加上自身生产时间的时间和；保证交货时间是指从接到上级的产品预定开始到向上级交货为止的时间。因此如果产品补充时间和保证交货时间的差值就意味着单位产品的存货时长，也就决定了产品的安全库存水准。
所述库存优化结果可视化模块，用于可视化安全库存优化模块的优化结果。
进一步地，在其中一个实施例中，所述供应链信息还包括配送中心可开设的数量、配送中心的建设运营成本、工厂到配送中心的单位距离单位重量的运输成本，以及工厂到客户的单位距离单位产品的配送成本。
进一步地，在其中一个实施例中，所述优化模型包括：
(1)优化模型的变量，包括：
各工厂i向各配送中心j生产并运输的产品p的数量xijp；
各配送中心j是否向各客户k配送的0-1变量yjk；
各配送中心j是否开设并运营的0-1变量zj；
(2)优化模型的目标函数为以下成本和的最小化，所述成本包括：
运输及配送成本；
配送中心开设成本；
配送中心运营成本；
(3)优化模型的约束条件，包括：
客户需求产品数量制约；
网络流问题所具备的节点流平衡制约条件；
配送中心库存上限制约；
工厂生产上限制约；
配送中心可开设数量上限制约；
综上，具体的优化模型为：
式中，M为工厂集合，D为配送中心集合，C为客户集合，P为产品集合，cij为工厂i向配送中心j运输时的单位重量的运输成本，ejk为配送中心j向客户k运输单位货物的配送成本，bj为配送中心j的单位库存成本，wp为单个产品p的重量，dkp为客户k对产品p的需求量，aj为配送中心j的开设费用，f为配送中心开设上限，为配送中心j的库存上限，/>为工厂i生产产品p的生产上限，其中，M、D、C、P、cij、ejk、bj、wp、dkp、aj、f、/>作为模型输入信息。
进一步优选地，在其中一个实施例中，所述求解优化模型具体利用分枝切割算法求解。
这里，还可以采用其他优化模型求解算法。
进一步地，在其中一个实施例中，所述安全库存优化模块包括依次执行的：
第一构建单元，用于建立物流网的有向图，根据物料清单以及物流网各点(包括工厂、配送中心、客户等)的信息，建立有向无环图G＝(N，A)，其中N为节点即库存点集合，A为边的集合，(i，j)∈A代表从库存点i到库存点j存在某些产品或零部件的运输配送关系；
第二构建单元，用于建立数学模型，令节点i的产品生产单位时间为Ti，库存单位成本为hi，需求的标准差为σi，所有供给点出发到达节点i的路径集合为Pi，任意一个供给点出发到达任意一个需求点的路径集合为P，任意一条路径q中所含节点的集合为Np；以节点i的库存时间NRTi为变量建立以下数学模型：
求解单元，用于利用禁忌算法求解所述数学模型，包括：
第一库存方案生成子单元，用于随机生成初期解NRTinit，作为当前最优库存方案NRT*；这里，库存方案为物流网各点的库存状态，包括是否要设置库存以及设置的库存量。
第二库存方案生成子单元，用于对所述最优库存方案NRT*进行所有可能的t％程度的改变，获得新的库存方案集合；所述改变的方式为：选取t％的未被禁忌的非供给点，对该非供给点是否放置库存的决策进行0-1反转，0代表不放置库存的决策，1代表放置库存的决策；t％<100％为算法参数；
这里，t％的取值根据实际对迭代时间、优化精度的要求进行动态自定义设置。
库存方案选择及输出子单元，用于从所述新的库存方案集合中选取最优的库存方案并将路径NRT*更新为/>在此更新过程中将所有反转的节点列为禁忌对象，且禁忌期限设为tlb到tub之间的随机整数；之后判断是否到达预设迭代上限，若达到则输出当前搜索到的最优库存方案，若未达到，返回执行第二库存方案生成子单元；所述tlb、tub及预设迭代上限自定义设置。
这里，返回执行第二库存方案生成子单元时，还可以适当的修改t％，例如令t％＝t％+Δt％，其中Δt％自定义设置，可以正值，也可以为负值。
进一步地，在其中一个实施例中，所述库存优化结果可视化模块以网络图、二维表及其他可视化形式实时显示安全库存优化模块的优化结果。
采用本实施例的方案，能够实现个性化定制。
进一步地，在其中一个实施例中，所述供应链管理云系统还包括存储模块，用于将供应链可视化模块以及库存优化结果可视化模块显示的信息以图、表的形式存储至客户端。
采用本实施例的方案，能够将数据实时存储，便于后续用户查看或查找问题。
在一个实施例中，提供了一种含物联网优化的智慧供应链管理方法，所述方法包括以下步骤：
步骤S01，登录智能供应链管理云系统；
步骤S02，输入供应链信息，包括产品信息、工厂信息、配送中心信息、客户信息，以及各客户的产品需求信息；
这里，所述客户信息包括客户名及其地理位置，所述产品信息包括产品名称及重量，所述产品需求信息包括需求时间、需求方、需求产品名及需求数量，所述配送中心信息包括配送中心名称、地理位置及其存储数量上限，所述工厂信息包括工厂名称、地理位置，可生产产品清单、各种产品的生产数量上限及生产时间。
步骤S03，利用优化模型优化供应链；
步骤S04，可视化供应链优化结果；
这里，可视化供应链优化结果，包括各工厂、开设及使用的配送中心，以及客户的地图显示，配送路径的地图显示，各节点间产品配送数量的二维表显示；
步骤S05，输入库存优化信息，包括产品需求信息及物料清单信息；该产品需求信息还包括产品需求的标准差；
步骤S06，结合库存周期理论和所述库存优化信息优化安全库存量；
步骤S07，可视化安全库存优化模块的优化结果。
这里，步骤S02至步骤S04与步骤S05至步骤S07可以不限于上述先后顺序执行，可以同步执行。
进一步地，在其中一个实施例中，步骤S02还包括输入配送中心可开设的数量、配送中心的建设运营成本、工厂到配送中心的单位距离单位重量的运输成本，以及工厂到客户的单位距离单位产品的配送成本。
进一步地，在其中一个实施例中，步骤S03中优化模型为：
(1)优化模型的变量，包括：
各工厂i向各配送中心j生产并运输的产品p的数量xijp；
各配送中心j是否向各客户k配送的0-1变量yjk；
各配送中心j是否开设并运营的0-1变量zj；
(2)优化模型的目标函数为以下成本和的最小化，所述成本包括：
运输及配送成本；
配送中心开设成本；
配送中心运营成本；
(3)优化模型的约束条件，包括：
客户需求产品数量制约；
网络流问题所具备的节点流平衡制约条件；
配送中心库存上限制约；
工厂生产上限制约；
配送中心可开设数量上限制约；
综上，具体的优化模型为：
式中，M为工厂集合，D为配送中心集合，C为客户集合，P为产品集合，cij为工厂i向配送中心j运输时的单位重量的运输成本，ejk为配送中心j向客户k运输单位货物的配送成本，bj为配送中心j的单位库存成本，wp为单个产品p的重量，dkp为客户k对产品p的需求量，aj为配送中心j的开设费用，f为配送中心开设上限，为配送中心j的库存上限，/>为工厂i生产产品p的生产上限，其中，M、D、C、P、cij、ejk、bj、wp、dkp、aj、f、/>作为模型输入信息。
进一步地，在其中一个实施例中，步骤S03所述利用优化模型优化供应链，具体过程包括：向优化模型输入所述供应链信息输入模块输入的所有信息，利用分枝切割算法求解优化模型，输出配送中心的开设及使用方案、各工厂的生产规划方案、从工厂到配送中心以及从配送中心到客户的运输配送规划方案。
进一步地，在其中一个实施例中，步骤S06所述结合库存周期理论和所述库存优化信息优化安全库存量，具体过程包括：
步骤S061，建立物流网的有向图，根据物料清单以及物流网各点的信息，建立有向无环图G＝(N，A)，其中N为节点即库存点集合，A为边的集合，(i，j)∈A代表从库存点i到库存点j存在某些产品或零部件的运输配送关系；
步骤S062，建立数学模型，令节点i的产品生产单位时间为Ti，库存单位成本为hi，需求的标准差为σi，所有供给点出发到达节点i的路径集合为Pi，任意一个供给点出发到达任意一个需求点的路径集合为P，任意一条路径q中所含节点的集合为Np；以节点i的库存时间NRTi为变量建立以下数学模型：
步骤S063，利用禁忌算法求解所述数学模型，包括：
步骤S0631，随机生成初期解NRTinit，作为当前最优库存方案NRT*；
步骤S0632，对所述最优库存方案NRT*进行所有可能的t％程度的改变，获得新的库存方案集合；所述改变的方式为：选取t％的未被禁忌的非供给点，对该非供给点是否放置库存的决策进行0-1反转，0代表不放置库存的决策，1代表放置库存的决策；t％<100％为算法参数；
步骤S0633，从所述新的库存方案集合中选取最优的库存方案并将路径NRT*更新为/>在此更新过程中将所有反转的节点列为禁忌对象，且禁忌期限设为tlb到tub之间的随机整数；之后判断是否到达预设迭代上限，若达到则输出当前搜索到的最优库存方案，若未达到，返回执行步骤S0632；所述tlb、tub及预设迭代上限自定义设置。
进一步地，在其中一个实施例中，所述含物联网优化的智慧供应链管理方法还包括：
步骤S08，将步骤S04、步骤S07的可视化结果存储至客户端。
关于含物联网优化的智慧供应链管理方法的具体限定可以参见上文中对于含物联网优化的智慧供应链管理系统的限定，在此不再赘述。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
步骤S01，登录智能供应链管理云系统；
步骤S02，输入供应链信息，包括产品信息、工厂信息、配送中心信息、客户信息，以及各客户的产品需求信息；
步骤S03，利用优化模型优化供应链；
步骤S04，可视化供应链优化结果；
步骤S05，输入库存优化信息，包括产品需求信息及物料清单信息；该产品需求信息还包括产品需求的标准差；
步骤S06，结合库存周期理论和所述库存优化信息优化安全库存量；
步骤S07，可视化安全库存优化模块的优化结果；
步骤S08，将步骤S04、步骤S07的可视化结果存储至客户端。
对于每一步的限定具体限定可以参见上文中对于含物联网优化的智慧供应链管理方法的限定，在此不再赘述。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
步骤S01，登录智能供应链管理云系统；
步骤S02，输入供应链信息，包括产品信息、工厂信息、配送中心信息、客户信息，以及各客户的产品需求信息；
步骤S03，利用优化模型优化供应链；
步骤S04，可视化供应链优化结果；
步骤S05，输入库存优化信息，包括产品需求信息及物料清单信息；该产品需求信息还包括产品需求的标准差；
步骤S06，结合库存周期理论和所述库存优化信息优化安全库存量；
步骤S07，可视化安全库存优化模块的优化结果；
步骤S08，将步骤S04、步骤S07的可视化结果存储至客户端。
对于每一步的限定具体限定可以参见上文中对于含物联网优化的智慧供应链管理方法的限定，在此不再赘述。
本发明在智能供应链领域实现了生产规划，供应链智能生成，安全库存优化三功能一体化，且云服务使得供应链各点的用户以及物联网接入的设备不受物理环境的限制，可以自由的在任何时间、地点、以任何联网设备使用本系统，操作简便。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (9)
1.一种含物联网优化的智慧供应链管理云系统，其特征在于，所述系统包括登录模块、第一信息输入模块、供应链优化模块、供应链可视化模块、第二信息输入模块、安全库存优化模块以及库存优化结果可视化模块；
所述登录模块，用于唤醒智能供应链管理云系统；
所述第一信息输入模块，用于输入供应链信息，包括产品信息、工厂信息、配送中心信息、客户信息，以及各客户的产品需求信息；
所述供应链优化模块，用于利用优化模型优化供应链；
所述供应链可视化模块，用于可视化供应链优化结果；
所述第二信息输入模块，用于输入库存优化信息，包括产品需求信息及物料清单信息；该产品需求信息还包括产品需求的标准差；
所述安全库存优化模块，用于结合库存周期理论和所述库存优化信息优化安全库存量；所述库存周期理论为：
产品库存时间＝产品补充生产时间-保证的交货时间
所述库存优化结果可视化模块，用于可视化安全库存优化模块的优化结果；
所述优化模型包括：
(1)优化模型的变量，包括：
各工厂i向各配送中心j生产并运输的产品p的数量xijp；
各配送中心j是否向各客户k配送的0-1变量yjk；
各配送中心j是否开设并运营的0-1变量zj；
(2)优化模型的目标函数为以下成本和的最小化，所述成本包括：
运输及配送成本；
配送中心开设成本；
配送中心运营成本；
(3)优化模型的约束条件，包括：
客户需求产品数量制约；
网络流问题所具备的节点流平衡制约条件；
配送中心库存上限制约；
工厂生产上限制约；
配送中心可开设数量上限制约；
综上，具体的优化模型为：
式中，M为工厂集合，D为配送中心集合，C为客户集合，P为产品集合，cij为工厂i向配送中心j运输时的单位重量的运输成本，ejk为配送中心j向客户k运输单位货物的配送成本，bj为配送中心j的单位库存成本，wp为单个产品p的重量，dkp为客户k对产品p的需求量，aj为配送中心j的开设费用，f为配送中心开设上限，为配送中心j的库存上限，/>为工厂i生产产品p的生产上限；其中，M、D、C、P、cij、ejk、bj、wp、dkp、aj、f、/>作为模型输入信息。
2.根据权利要求1所述的含物联网优化的智慧供应链管理云系统，其特征在于，所述客户信息包括客户名及其地理位置，所述产品信息包括产品名称及重量，所述产品需求信息包括需求时间、需求方、需求产品名及需求数量，所述配送中心信息包括配送中心名称、地理位置及其存储数量上限，所述工厂信息包括工厂名称、地理位置，可生产产品清单、各种产品的生产数量上限及生产时间。
3.根据权利要求1或2所述的含物联网优化的智慧供应链管理云系统，其特征在于，所述供应链信息还包括配送中心可开设的数量、配送中心的建设运营成本、工厂到配送中心的单位距离单位重量的运输成本，以及工厂到客户的单位距离单位产品的配送成本。
4.根据权利要求1所述的含物联网优化的智慧供应链管理云系统，其特征在于，所述利用优化模型优化供应链，具体过程包括：向优化模型输入所述供应链信息输入模块输入的所有信息，求解优化模型，输出配送中心的开设及使用方案、各工厂的生产规划方案、从工厂到配送中心以及从配送中心到客户的运输配送规划方案。
5.根据权利要求4所述的含物联网优化的智慧供应链管理云系统，其特征在于，所述求解优化模型具体利用分枝切割算法求解。
6.根据权利要求1或4所述的含物联网优化的智慧供应链管理云系统，其特征在于，所述供应链可视化模块可视化供应链优化结果，包括各工厂、开设及使用的配送中心，以及客户的地图显示，配送路径的地图显示，各节点间产品配送数量的二维表显示。
7.根据权利要求1所述的含物联网优化的智慧供应链管理云系统，其特征在于，所述安全库存优化模块包括依次执行的：
第一构建单元，用于建立物流网的有向图，根据物料清单以及物流网各点的信息，建立有向无环图G＝(N,A)，其中N为节点即库存点集合，A为边的集合，(i,j)∈A代表从库存点i到库存点j存在某些产品或零部件的运输配送关系；
第二构建单元，用于建立数学模型，令节点i的产品生产单位时间为Ti，库存单位成本为hi，需求的标准差为σi，所有供给点出发到达节点i的路径集合为Pi，任意一个供给点出发到达任意一个需求点的路径集合为P，任意一条路径q中所含节点的集合为Np；以节点i的库存时间NRTi为变量建立以下数学模型：
求解单元，用于利用禁忌算法求解所述数学模型，包括：
第一库存方案生成子单元，用于随机生成初期解NRTinit，作为当前最优库存方案NRT*；
第二库存方案生成子单元，用于对所述最优库存方案NRT*进行所有可能的t％程度的改变，获得新的库存方案集合；所述改变的方式为：选取t％的未被禁忌的非供给点，对该非供给点是否放置库存的决策进行0-1反转，0代表不放置库存的决策，1代表放置库存的决策；t％<100％为算法参数；
库存方案选择及输出子单元，用于从所述新的库存方案集合中选取最优的库存方案并将路径NRT*更新为/>在此更新过程中将所有反转的节点列为禁忌对象，且禁忌期限设为tlb到tub之间的随机整数；之后判断是否到达预设迭代上限，若达到则输出当前搜索到的最优库存方案，若未达到，返回执行第二库存方案生成子单元；所述tlb、tub及预设迭代上限自定义设置。
8.根据权利要求1所述的含物联网优化的智慧供应链管理云系统，其特征在于，所述库存优化结果可视化模块以网络图、二维表及其他可视化形式实时显示安全库存优化模块的优化结果。
9.根据权利要求1所述的含物联网优化的智慧供应链管理云系统，其特征在于，所述供应链管理云系统还包括存储模块，用于将供应链可视化模块以及库存优化结果可视化模块显示的信息以图、表的形式存储至客户端。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010483075.5A CN111985674B (zh) | 2020-06-01 | 2020-06-01 | 一种含物联网优化的智慧供应链管理云系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010483075.5A CN111985674B (zh) | 2020-06-01 | 2020-06-01 | 一种含物联网优化的智慧供应链管理云系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111985674A CN111985674A (zh) | 2020-11-24 |
| CN111985674B true CN111985674B (zh) | 2024-02-13 |
Family
ID=73441842
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010483075.5A Active CN111985674B (zh) | 2020-06-01 | 2020-06-01 | 一种含物联网优化的智慧供应链管理云系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111985674B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11315055B2 (en) * | 2018-07-26 | 2022-04-26 | Salesforce.Com, Inc. | System and method for visualizing an order allocation process |
| CN113850448B (zh) * | 2021-12-01 | 2022-04-05 | 广东立升数字技术有限公司 | 一种用于备件的消耗和调度的管理方法和系统 |
| CN115496366B (zh) * | 2022-09-23 | 2023-12-22 | 南京简亿网络科技有限公司 | 一种供应链安全评估优化方法及系统 |
| CN116720643B (zh) * | 2023-06-26 | 2024-04-09 | 武汉金力软件有限公司 | 一种基于供应链的智能管理系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105243442A (zh) * | 2015-09-29 | 2016-01-13 | 武汉宝钢华中贸易有限公司 | 基于产能供应链的库存优化管理信息模型 |
| CN108985486A (zh) * | 2018-05-24 | 2018-12-11 | 上海大学 | 一种闭环供应链系统成本的优化方法及装置 |
| CN109711639A (zh) * | 2019-01-16 | 2019-05-03 | 辽宁工程技术大学 | 一种绿色供应链协同设计与优化系统及方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| IN2014MU00735A (zh) * | 2014-03-04 | 2015-09-25 | Tata Consultancy Services Ltd |
-
2020
- 2020-06-01 CN CN202010483075.5A patent/CN111985674B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105243442A (zh) * | 2015-09-29 | 2016-01-13 | 武汉宝钢华中贸易有限公司 | 基于产能供应链的库存优化管理信息模型 |
| CN108985486A (zh) * | 2018-05-24 | 2018-12-11 | 上海大学 | 一种闭环供应链系统成本的优化方法及装置 |
| CN109711639A (zh) * | 2019-01-16 | 2019-05-03 | 辽宁工程技术大学 | 一种绿色供应链协同设计与优化系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111985674A (zh) | 2020-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111985674B (zh) | 一种含物联网优化的智慧供应链管理云系统 | |
| Tsang et al. | Integrating Internet of Things and multi-temperature delivery planning for perishable food E-commerce logistics: A model and application | |
| Jayaram | Lean six sigma approach for global supply chain management using industry 4.0 and IIoT | |
| Liu et al. | A solution algorithm for integrated production-inventory-routing of perishable goods with transshipment and uncertain demand | |
| Islam et al. | An inventory model for a three-stage supply chain with random capacities considering disruptions and supplier reliability | |
| US20140279669A1 (en) | Predictive Order Scheduling | |
| Fakhrzad et al. | Green vendor managed inventory with backorder in two echelon supply chain with epsilon-constraint and NSGA-II approach | |
| Benotmane et al. | A cloud computing model for optimization of transport logistics process | |
| US11687875B2 (en) | Distribution-independent inventory approach under multiple service level targets | |
| Wang et al. | Optimizing the joint replenishment and channel coordination problem under supply chain environment using a simple and effective differential evolution algorithm | |
| CN108428075A (zh) | 一种库存信息更新方法和装置 | |
| Wang et al. | Modeling and optimization of stochastic joint replenishment and delivery scheduling problem with uncertain costs | |
| Bayley et al. | A hybrid Benders approach for coordinated capacitated lot-sizing of multiple product families with set-up times | |
| JP7426341B2 (ja) | カスタマイズ可能な機械予想を有する拡張可能なソフトウェアツール | |
| Chinnaraj et al. | A new methodology for secured inventory management by average fitness‐based colliding bodies optimization integrated with block chain under cloud | |
| US10783485B2 (en) | Integrated container management system | |
| Madsen et al. | Real-time multi-agent forecasting and replenishment solution for legos branded retail outlets | |
| Leuveano et al. | Development of genetic algorithm on multi-vendor integrated procurement-production system under shared transportation and just-in-time delivery system | |
| Selcuk | Dynamic performance of hierarchical planning systems: modeling and evaluation with dynamic planned lead times | |
| Maity et al. | Multi-item multi-choice integrated optimisation in inventory transportation problem with stochastic supply | |
| Marmolejo et al. | A decomposition strategy for optimal design of a soda company distribution system | |
| Mrad et al. | A GENETIC ALGORITHM FOR THE INTEGRATED WAREHOUSE LOCATION, ALLOCATION AND VEHICLE ROUTING PROBLEM IN A POOLED TRANSPORTATION SYSTEM. | |
| US11100454B1 (en) | CDD with heuristics for automated variable use-case based constrained logistics route optimization | |
| Arts et al. | Base-stock policies for lost-sales models: Aggregation and asymptotics | |
| Kharodawala et al. | Multi-modal supply chain distribution problem |
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 |