CN112288138B - 多级供应链下维修器材选址和库存方法及系统及库存仓库 - Google Patents
多级供应链下维修器材选址和库存方法及系统及库存仓库 Download PDFInfo
- Publication number
- CN112288138B CN112288138B CN202011078992.1A CN202011078992A CN112288138B CN 112288138 B CN112288138 B CN 112288138B CN 202011078992 A CN202011078992 A CN 202011078992A CN 112288138 B CN112288138 B CN 112288138B
- Authority
- CN
- China
- Prior art keywords
- warehouse
- inventory
- equipment
- cost
- maintenance
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 73
- 241000255581 Drosophila <fruit fly, genus> Species 0.000 claims description 45
- 238000005457 optimization Methods 0.000 claims description 37
- 241000255588 Tephritidae Species 0.000 claims description 17
- 230000006399 behavior Effects 0.000 claims description 9
- 230000008439 repair process Effects 0.000 claims description 8
- 238000012384 transportation and delivery Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000013178 mathematical model Methods 0.000 claims description 5
- 241000255601 Drosophila melanogaster Species 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 238000011160 research Methods 0.000 description 11
- 230000008901 benefit Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000013439 planning Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 241000287127 Passeridae Species 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000004321 preservation Methods 0.000 description 3
- 230000032258 transport Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 241000255925 Diptera Species 0.000 description 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000007630 basic procedure Methods 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 229910001092 metal group alloy Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012916 structural analysis Methods 0.000 description 1
- 238000012360 testing method Methods 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于维修器材库存数据处理技术领域,公开了一种多级供应链下维修器材选址和库存方法及库存仓库,利用混合果蝇优化算法对构建的多级供应链下维修器材的仓库选址与库存协同优化系统进行寻优更新,确定基层仓库的开设位置、维修点到基层仓库的指派以及库存控制决策,使基层仓库选址成本、订购成本和存储成本之和最小。本发明可以确定基层仓库的开设位置、维修点到基层仓库的指派以及库存控制决策使得选址成本、订购成本和存储成本之和最小。本发明重新推导并整理了基于RAND近似算法的JRD模型结构,以此设计了HFOA算法很适合求解本发明模型,该算法不易陷入局部最优且收敛稳定,对大规模选址库存问题有着更高效求解效率。
Description
技术领域
本发明属于维修器材库存数据处理技术领域,尤其涉及一种多级供应链下维修器材选址和库存方法及系统及库存仓库。
背景技术
目前,装备维修保障的物力资源主要包括装备维修保障的器材、设备、设施等物质资源,是装备维修保障活动顺利开展的物质保证。据不完全统计,器材消耗经费占到装备保障总经费的1/3左右,开展器材配置的优化研究很有意义。器材配置的研究主要体现在三个方面:(1)器材种类与数量需求预测;(2)资源储备点数量及点位部署;(3)器材库存调控。
目前,维修器材的库存控制策略模型的研究主要有两类,一类是METRIC系列模型,适合关键程度高、价值高且库存量少的库存管理,其主要修理方式为零件修复与换件修理两种。另一类是EOQ系列模型,适合关键程度一般、价值较低且需求量较多的库存管理,其主要修理方式为换件修理。EOQ系列模型的改进形式已被广泛应用于维修器材的库存调控优化问题中。从已有的研究成果来看,其改进形式大致分为三类。
一类是多产品的联合补给问题(JRP)。Balintfy et al(1964)首先提出(S,c,s)策略,标志着多品种联合订购问题的研究的开始,但由于模型参数较多且难以求解,不利于实际应用。如今对JRP问题已有了更多深入的研究,包括定期检查策略下的多类物品联合订购策略和连续检查策略下的多类物品统一订购策略。第二类是联合补货与配送问题(JRD)。Moon et al(2011)在Kaspi和Rosenblatt(1991)开发的RAND算法的基础上,提出了改进的RAND算法用于求解基本JRD模型,改进的RAND算法显示出了非常良好的效果,无论是效率还是精度都远优于遗传算法与差分进化算法。还有一类是资源储备点选址与库存问题。在市场采购和供应链的发展中,配送中心之间的选址和库存决策也已经有了强有力的整合。
然而现有的模型更多假设了产品数和储备点的数量相同,且每个储备点只能销售一类产品,这一假设显然不现实。Carvajal,Jimmy et al(2020)的所提出多产品多零售商的联合补给与配送问题弥补了这一缺陷,但是该问题属于确定型的联合补货与配送问题,未考虑需求随机和仓库开设位置不确定这些因素。
通过上述分析,现有技术存在的问题及缺陷为:
(1)现有技术对于多品种维修器材联合补货与配送效率低。对于仓库选址和库存控制协同优化效果差,且运营总成本高。
(2)现有技术对于联合补货与配送问题模型建立缺少实际应用。对于装备维修保障该类重要的实际应用工程,仓库选址和库存控制决策意义重大,但研究尚少。
(3)现有技术缺少对随机型库存系统的研究。较少针对维修器材的需求随机因素设置安全库存水平的研究,可导致实际应用出现缺货的风险较高。
(4)现有技术对果蝇优化算法改进较少。但果蝇算法寻优机制简单明了、易于理解、编程容易实现等优点,存在容易陷入局部最优的缺陷。
解决以上问题及缺陷的难度为:仓库选址和库存控制协同优化模型的需要根据装备维修保障实际工程特点建立,对相关背景和文献资料详细的查阅与了解是建立合适模型的主要方法。仓库选址和库存控制协同优化模型较为复杂,设计合适的算法有效求解模型是解决该类协同优化研究得关键。同样,针对需求随机的联合补货与配送问题的求解,一直都是随机型库存模型较难突破的一个难点。
解决以上问题及缺陷的意义为:本发明由一个基地仓库、多个开设位置未确定的基层仓库、N个维修点以及M种维修器材组成的库存系统,开展对维修器材储备点选址问题和库存控制协同优化的研究。优化意义包含两个方面:
(1)发展和完善针对两级仓库的联合补货与配送的库存决策。目前国内库存的研究主要针对单仓库多品种物品的联合补货问题和较少的串联式(一对一)仓库系统的确定性联合补货与配送问题,且较少考虑仓库选址与库存调控的协同优化。研究两级分布式(一对多)仓库的联合补货和配送问题对完善库存决策有一定的理论意义。
(2)可以促进维修器材库存管理工作的改进,为有效实施维修器材供应保障决策提供依据。为军队进行维修器材库存管理提供科学依据,以保证一定的服务水平,降低经费占用率,由单一的追求军事效益向军事效益和经济效益相统一的方向发展。
发明内容
针对现有技术存在的问题,本发明提供了一种多级供应链下维修器材选址和库存方法及系统及库存仓库,尤其涉及一种两级供应链下维修器材选址和库存方法。
本发明是这样实现的,一种多级供应链下维修器材选址和库存方法,包括:
利用混合果蝇优化算法对构建的多级供应链下维修器材的仓库选址与库存协同优化系统进行寻优更新,确定基层仓库的开设位置、维修点到基层仓库的指派以及库存控制决策,使基层仓库选址成本、订购成本和存储成本之和最小。
进一步,所述混合果蝇优化算法包括:
步骤一,初始化参数:设置HFOA种群规模、最大迭代额外数、飞行范围FR、果蝇各类群体比例参数M,随机初始化果蝇个体位置;
步骤二,利用气味浓度判定函数Smelli=RAND(Si)计算果蝇的个体气味浓度值;
步骤三,对气味浓度值进行排序,并进行操作:记录种群的全局历史最佳位置X_axis和最佳气味浓度值Smellbest;
根据气味浓度值大小和群体比例参数M设置果蝇发现者、跟随者和反捕食行为群体;
步骤四,根据果蝇发现者位置更新方式、跟随者位置更新方式和反捕食行为位置更新方式式更新果蝇群体位置;
步骤五,若迭代额外数达到最大,停止迭代并输出结果,否则返回步骤二。
进一步,所述步骤四中,果蝇发现者位置更新方式为:
其中ST为方向判定值;FR1是初始搜索飞行范围;FR2是指定的搜索飞行范围,由仓库的单位综合成本决定,综合成本越低,向该处飞行进行搜索概率越大;
果蝇跟随者位置更新方式为:
其中为发现者目前所占据的最优位置,FR3为个体飞行范围,由/>决定,果蝇个体随机飞向发现者最优位置附近,通过设置FR3值为零的分量的个数约束飞向最优位置的距离;FR4飞行范围由/>所有分量的值决定,越多分量的值,果蝇越容易飞向该值;
果蝇反捕食行为位置更新的方式为:
其中X_axis为到t代位置获得的全局最优位置,FR5为个体飞行范围,由X_axis决定,果蝇个体随机飞向全局最优位置附近,通过设置FR5值为零的分量的个数约束飞向最优位置的距离;FR6飞行范围由X_axis所有分量的值决定,越多分量的值,果蝇越容易飞向该值。
进一步,构建的多级供应链下维修器材的仓库选址与库存协同优化系统包括基地仓库、多个开设位置未确定的基层仓库、N个维修点以及M种维修器材。
进一步,构建的多级供应链下维修器材的仓库选址与库存协同优化系统的方法包括:
通过确定基本循环周期T协调每种器材的补货与配送政策,定义基地仓库器材j的订购周期为T0j=kjT,向基层仓库w配送器材j的周期Twj不超过T0j,fwj≥k0j。
进一步,存储成本计算方法包括:
其中dzj为维修点z处产生器材j的平均需求量,σzj为维修点z处产生器材j的需求标准差,h0j为基地仓库器材j的单位存储成本;hwj为基层仓库w下器材j的单位存储成本;Lw基层仓库w的订购提前期。
进一步,所述补货成本包括基地仓库的主订购成本、额外订购成本和到基层仓库的配送成本;计算方法包括:
其中C0为主订购成本,C0j为器材j的额外订购成本,Cwj为运输器材j到基层仓库w的配送成本;
基层仓库选址成本计算方法包括:
其中pw为在候选位置w处开设基层仓库的固定开设费用,tw为基层仓库w到基地仓库的距离成本。
进一步,构建的多级供应链下维修器材的仓库选址与库存协同优化系统的数学模型包括:
TC=CH+CO+CL
s.t.
其中,式和式/>为各仓库器材供应的满足率约束;式/>约束每个维修点有且只能指派给一个基层仓库;式Xwz≤Yw/>表示只有开设的基层仓库才能被指派维修点;式k0j,fwj∈N+/>规定了参数的基本类型。
本发明的另一目的在于提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:
利用混合果蝇优化算法对构建的多级供应链下维修器材的仓库选址与库存协同优化系统进行寻优更新,确定基层仓库的开设位置、维修点到基层仓库的指派以及库存控制决策,使基层仓库选址成本、订购成本和存储成本之和最小。
本发明的另一目的在于提供一种实施所述多级供应链下维修器材选址和库存方法维修器材库存仓库。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:针对多品种维修器材联合补货与配送问题,本发明提出了两级供应链下基于定期检查下的仓库选址-库存一体化模型,可求解仓库的开设点位、需求点到开设仓库的指派情况、各库存的补货时间以及库存量设置。为了提高果蝇算法(FOA)的寻优效率,引入新型麻雀搜索算法(SSA)中多类种群更新方式,结合数学模型结构特点,设计了混合果蝇优化算法(HFOA),更有效地解决了仓库选址和库存控制协同优化问题,使得库存系统保证了一定服务水平,且运营总成本最小。
相比于现有技术,本发明的优点进一步包括:本发明提出了多级供应链下维修器材的仓库选址与库存协同优化模型。该模型可以确定基层仓库的开设位置、维修点到基层仓库的指派以及库存控制决策使得选址成本、订购成本和存储成本之和最小。为了解决这一复杂的优化问题,本发明重新推导并整理了基于RAND近似算法的JRD模型结构,以此设计了HFOA算法。数值算例表明,HFOA很适合求解本发明模型,该算法不易陷入局部最优且收敛稳定,对大规模选址库存问题有着更高效求解效率。
(1)为了克服协同优化问题算法求解效率过低的问题,采用内外层循环的结构设计算法。本发明分析数学模型结构,模型可分为仓库的选址和库存决策两个部分其中选址决策部分作为算法得外层循环,使用混合果蝇算法求解;库存决策部分作为算法的内层循环,使用改进的RAND算法求解。
(2)引入新型的麻雀搜索算法(SSA)中种群的多类更新方式来改进FOA,提出新的混合果蝇算法(HFOA),保证了种群的多样性的,同时提高算法得搜索效率。本发明模型涉及的决策变量较多,容易出现算法不收敛的情况或陷入局部最优解的情况。为了解决果蝇算法的这一缺陷,需要通过优化果蝇群体的位置更新方式。
(3)算法的收敛效率得到提高。迭代次数1000次,种群规模为200的POS、GA、FOA以及HFOA四类对比算法,运行30次。HFOA不存在异常值,其运行平均成本结果最小。另外,三十次中的最差结果也好于其他算法的运行结果,收敛结果最为稳定可靠。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的两级库存系统示意图。
图2是本发明实施例提供的库存变化类型图。图2(a)基层仓库器材的消耗可以看作是连续的,其平均库存变化图;图2(b)基地仓库的器材消耗为离散型的,其平均库存变化图。
图3是本发明实施例提供的HFOA算法流程图。
图4是本发明实施例提供的算例1算法收敛过程对比图。
图5是本发明实施例提供的算例2平均收敛过程对比图。
图6是本发明实施例提供的算例2算法性能对比图。
图7是本发明实施例提供的算例2HFOA收敛过程对比图。
图8是本发明实施例提供的维修点指派情况图。
图9是本发明实施例提供的各类成本比例图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种多级供应链下维修器材选址和库存方法及系统及库存仓库,下面结合附图对本发明作详细的描述。
本发明提供一种多级供应链下维修器材选址和库存方法,包括:
利用混合果蝇优化算法对构建的多级供应链下维修器材的仓库选址与库存协同优化系统进行寻优更新,确定基层仓库的开设位置、维修点到基层仓库的指派以及库存控制决策,使基层仓库选址成本、订购成本和存储成本之和最小。
下面结合具体实施例对本发明的技术方案作作进一步的描述。
实施例
1.选址-库存一体化模型
1.1问题描述
本发明提供一种由一个基地仓库、多个开设位置未确定的基层仓库、N个维修点以及M种维修器材组成的库存系统,如图1所示。已知各维修点产生的器材需求情况,基地仓库根据器材的消耗情况定期对自身进行补货并向开设的基层仓库进行器材配送。目标是在保证各仓库一定服务水平的前提下,制定合适的仓库选址与库存控制计划方案,使得系统总成本最小。计划方案需包括以下几点:(1)确定基层仓库的开设位置;(2)确定维修点到基层仓库的分配;(3)确定各仓库的订购周期、订购批量以及安全库存。为便于建模,建立以下基本假设:
·各维修点的器材需求服从正态分布,可用均值和标准差完全描述;
·任意一个维修点只能指派给一个基层仓库;
·只考虑基层仓库的订购提前期,且提前期是确定的;
·仓库容量空间无限制;
·运输成本与运输数量无关。
图1中,T0j表示基地仓库器材j的补货时间间隔;Tij表示基层仓库器材j的配送时间间隔;涉及的符号为:
‘0’:基底层库标识
w:基层仓库候选位置标识;
j:器材种类标识;
z:维修站点标识;
T:基本周期(决策变量);
k0j:基地仓库下器材j的补货周期乘子(决策变量);
fwj:基层仓库w下器材j的补货周期乘子(决策变量);
T0j:基地仓库器材j的订购周期,T0j=k0jT;
Twj:基层仓库w下器材j的订购周期,Twj=k0jT/fwj;Twj=k0jT/fwj;
Yw:0,1变量,决定基层仓库w是否开设(决
策变量),定义如下:
Xwz:0,1变量,决定维修点z是否指派给基层
仓库w(决策变量),定义如下:
α:订购周期内器材需求不缺货概率;
S库存水平(决策变量)
SS安全库存水平(决策变量)
1.3模型建立
通过同步仓库的补货与配送订单政策,可使运营总成本最小化,并促进物流管理。该策略的基本方法是通过确定一个基本循环周期T来协调每种器材的补货与配送政策,这里定义基地仓库器材j的订购周期为T0j=kjT,向基层仓库w配送器材j的周期Twj不得超过T0j,所以一般fwj≥k0j。本模型是仓库选址和库存调控协同优化问题,系统主要产生的成本包括存储成本、运输成本以及基层仓库的选址成本。
1)存储成本
仓库产生的年库存成本主要由循环库存成本和安全库存成本组成。循环库存量变化类型一般分为连续性和离散型两种,如图2所示。基层仓库器材的消耗可以看作是连续的,其平均库存变化如图2(a)所示。基地仓库的器材消耗为离散型的,其平均库存变化如图2(b)所示。安全库存是为防止维修器材需求的不确定性因素而准备的缓冲库存,由服务水平决定、需求标准差、订购周期和订购提前期决定,本发明所给的服务水平为仓库不发生缺货的概率,所以存储成本计算如下:
其中dzj为维修点z处产生器材j的平均需求量,σzj为维修点z处产生器材j的需求标准差,h0j为基地仓库器材j的单位存储成本;hwj为基层仓库w下器材j的单位存储成本。Lw基层仓库w的订购提前期。
2)补货成本
补货成本主要包括基地仓库的主订购成本、额外订购成本和到基层仓库的配送成本。
其中C0为主订购成本,C0j为器材j的额外订购成本,Cwj为运输器材j到基层仓库w的配送成本,
3)选址成本
选址策略主要考虑固定开设成本以及与基地仓库的距离成本。选址成本核算可采用下列公式:
其中pw为在候选位置w处开设基层仓库的固定开设费用,tw为基层仓库w到基地仓库的距离成本。
因此仓库选址—库存系统的数学模型为:
TC=CH+CO+CL (4)
s.t.
其中,式(5)和式(6)为各仓库器材供应的满足率约束;式(7)约束每个维修点有且只能指派给一个基层仓库;式(8)表示只有开设的基层仓库才能被指派维修点;式(9)规定了参数的基本类型。
3.算法设计
3.1RAND算法
3.1.1模型结构分析
为了方便描述,本发明将所有的k0j和fwj所组成集合分别记作K和F。由式(5)和(6)可知,只要知道基本周期T和各周期乘子可求出各仓库的库存水平S,当然也易求出安全库存水平SS。另外,对于决策变量Yw和Xwz,显然根据约束条件式((7)和(8)可知,只要求出Xwz,就可以得到Yw。因此模型关键是求解变量T、K、F和Xwz。模型可分为基层仓库的选址和库存决策两个部分,Xwz的求解属于选址决策部分,T、K、F的求解属于库存决策部分。另外,库存决策部分由于需求标准差的存在,又分为了随机部分和确定部分,因此随机部分只存在于安全库存成本里。表明同时优化这两个部分,求解方法繁琐且缓慢。该类模型的总成本主要由确定部分决定,所以本发明考虑用确定型的近似求解方法来分析目标函数的主要性质,然后选择修正的RAND算法求解使目标函数最小的T、K、F。
假设给定一组确定的选址向量Xwz,本发明可获得开设仓库的集合W={w|Yw=1}和被指派给任一基层仓库w的所有维修点集合Zw={z|Xwz=1}。通过式(10)来分析决策变量T、K、F的近似最优条件。
对于给定的K和F,De为凸函数。通过得到最优基本周期T*。
对于给定的T和F,最优值K满足De(kj)≤De(kj+1)且De(kj)≤De(kj-1),即:
对于给定的T和K,最优值F满足De(fwj)≤De(fwj+1)且De(fwj)≤De(fwj-1),即:
3.1.2RAND算法步骤
利用上述新的最优性条件,采用改进的RAND算法求解库存控制决策变量T、K、F并将其设为算法得内环。修了RAND算法中T的边界,由(17)式可得出T的边界如下式。
K和F的初始下界设为1,初始上界可通过数学规划得出。
算法1的基本步骤如下:
Step 1.利用式(14)和(15)计算T的边界:Tmax,Tmin;
Step 2.将[Tmax,Tmin]分成m-1个等间距的T值:(T1,T2,…,Tm),令j0=1,r=1;
Step 3.令
Step 4.对于给定的和F(r),通过式(12)计算/>
Step 5.对于给定的和/>通过式(13)计算/>
Step 6.对于给定的和/>通过式(11)计算/>
Step 7.如果r=r+1,转Step4;否则/> 通过式(4)计算/>
Step 8.如果j0≠m,j0=j0+1,转Step 3;否则停止并选择使TC最小的(T*,F*,K*)。
3.2HFOA求解库存调控
RAND算法是基于选址确定的情况下求解库存调控变量的,对于选址-库存协同优化问题,本发明采用混合果蝇算法HFOA进行求解,主要操作流程如图3。果蝇优化算法(FOA)具有寻优机制简单明了、易于理解、编程容易实现等优点。但本发明模型涉及的决策变量较多,容易出现算法不收敛的情况或陷入局部最优解的情况。为了解决果蝇算法的这一缺陷,需要通过优化果蝇群体的位置更新方式。引入最新的麻雀搜索算法(SSA)中种群的多类更新方式来改进FOA,提出新的混合果蝇算法(HFOA),保证了种群的多样性的,同时提高算法得搜索效率。
3.2.1种群更新方式
因为FOA的气味浓度值Si=1/Dist在解空间中分布不均匀的,所以选择放弃果蝇距离Disti的计算,设置每个果蝇个体i的位置向量对应着n个维修点与基层仓库的指派情况。直接将果蝇的气味浓度判定值设定为Si=Xi,并引入SSA种群位置更新方式。
1)果蝇“发现者”位置更新方式
设置果蝇“发现者”,进行大方向范围搜索,是一种多样性保存策略。
其中ST为方向判定值;FR1是初始搜索飞行范围;FR2是指定的搜索飞行范围,由仓库的单位综合成本决定,综合成本越低,向该处飞行进行搜索概率越大。
2)果蝇“跟随者”位置更新方式
设置果蝇“跟随者”,跟随发现者进行二额外搜索,是一种加速收敛的策略。
其中为“发现者”目前所占据的最优位置,FR3为个体飞行范围,由/>决定,果蝇个体随机飞向发现者最优位置附近,可通过设置FR3值为零的分量的个数约束飞向最优位置的距离;FR4飞行范围由/>所有分量的值决定,越多分量的值,果蝇越容易飞向该值。
3)果蝇“反捕食行为”方式
通过设置“反捕食行为”来防止果蝇总是停留在某一位置,陷入局部最优,是一种最优保存策略。
其中X_axis为到t代位置获得的全局最优位置,FR5为个体飞行范围,由X_axis决定,果蝇个体随机飞向全局最优位置附近,可通过设置FR5值为零的分量的个数约束飞向最优位置的距离;FR6飞行范围由X_axis所有分量的值决定,越多分量的值,果蝇越容易飞向该值。
3.2.2HFOA基本步骤
Step1:初始化参数。设置HFOA种群规模、最大迭代额外数、飞行范围FR、果蝇各类群体比例等参数M,随机初始化果蝇个体位置;
Step2:计算果蝇的个体气味浓度值。本发明气味浓度判定函数为3.1中修正的RAND算法,即Smelli=RAND(Si);
Step3:对气味浓度值进行排序,并进行操作:(1)记录种群的全局历史最佳位置X_axis和最佳气味浓度值Smellbest;(2)根据气味浓度值大小和群体比例参数M设置果蝇“发现者”,“跟随者”和“反捕食行为”群体;
Step4:根据式(16)-(18)更新果蝇群体位置;
Step5:若算法迭代额外数达到最大,停止迭代并输出结果,否则返回Step2。
4.下面结合算例分析对本发明作进一步描述。
根据实际情况设定参数如表1所示,随机生成实例数据对算法进行测试。此外,本发明假定维修点29,30不可指派给基层仓库1和2,维修点1,2不可指派给基层仓库3,4,5。选择HFOA求解问题,并对比算法GA、PSO和FOA的优化结果,来验证HFOA算法的有效性。所有算法均采用Matlab R2017b进行编程,种群规模为200,迭代额外数为1000额外,HFOA算法的其余参数设置为M=1:2:2、ST1,ST2,ST3=0.5。
表1参数设置
根据表1随机生成2个算例数据,利用上述四种算法进行求解。随机运行一额外算例1,运行结果如图4所示。容易看出,FOA收敛速度较快,但收件效果最差。这是因为与HFOA相比,果蝇种群位置更新方式单一,只向历史全局最优位置飞行,容易过早收敛。GA算法收敛最慢,需要较大的种群规模或迭代额外数才有可能的有较好的收敛结果。这可能是因为染色体过长,交叉、变异等操作对总成本影响较小造成的。POS收敛结果较好,但逊于HFOA,同样出现了过早收敛的现象。
图5是本发明实施例提供的算例2平均收敛过程对比图。
图6是本发明实施例提供的算例2算法性能对比图。
为了更加直观地验证HFOA的稳定性,各算法对算例2运行三十额外进行详细对比分析。平均收敛过程如图5所示,可以看出结论同算例1类似。进一步验证算法的稳定性,将三十额外的运行结果做进一步的处理,结果如图6所示。从箱线图中可以看出HFOA三十额外的运行结果最差也不超过1.6万元,且不存在异常值,收敛结果最为稳定可靠。第十九额外运行取得最佳收敛结果,图7展示了HFOA最佳收敛过程与平均收敛过程,收敛结果相差只有500元左右。综上,HFOA相比于其他算法具有更好的寻优能力。
本发明以第十九额外仿真结果为例设计选址-库存计划方案。选址方案如图8所示,选择在2号位和4号位开设基层仓库,1-4、6、9、10、12、20、21、23、28、30号维修点指派给2号位基层仓库,剩余维修点指派给4号位基层仓库。库存调控方案如表3所示,设置基本周期为0.069年,约25天,所以基地仓库各器材的订货周期(KT)为25天;基层位置2号位仓库各器材补货周期(KT/F2)分别为8.3天、12.5天以及25天;4号位仓库各器材的补货周期为8.3天、8.3天以及12.5天。其余决策变量参考表3设置,可保证满足规定的服务水平。图9显示了计划方案各成本比例,可以看出库存调控成本占了总成本的主要成分。
表2计划方案
表3计划方案
本发明提出了多级供应链下维修器材的仓库选址与库存协同优化模型。该模型可以确定基层仓库的开设位置、维修点到基层仓库的指派以及库存控制决策使得选址成本、订购成本和存储成本之和最小。为了解决这一复杂的优化问题,本发明重新推导并整理了基于RAND近似算法的JRD模型结构,以此设计了HFOA算法。数值算例表明,HFOA很适合求解本发明模型,该算法不易陷入局部最优且收敛稳定,对大规模选址库存问题有着更高效求解效率。
在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上;术语“上”、“下”、“左”、“右”、“内”、“外”、“前端”、“后端”、“头部”、“尾部”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”等仅用于描述目的,而不能理解为指示或暗示相对重要性。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种多级供应链下维修器材选址和库存方法,其特征在于,所述多级供应链下维修器材选址和库存方法包括:利用混合果蝇优化算法对构建的多级供应链下维修器材的仓库选址与库存协同优化系统进行寻优更新,确定基层仓库的开设位置、维修点到基层仓库的指派以及库存控制决策,使基层仓库选址成本、订购成本和存储成本之和最小;
存储成本计算方法包括:
其中dzj为维修点z处产生器材j的平均需求量,σzj为维修点z处产生器材j的需求标准差,h0j为基地仓库器材j的单位存储成本;hwj为基层仓库w下器材j的单位存储成本;Lw基层仓库w的订购提前期;
补货成本包括基地仓库的主订购成本、额外订购成本和到基层仓库的配送成本;计算方法包括:
其中C0为主订购成本,C0j为器材j的额外订购成本,Cwj为运输器材j到基层仓库w的配送成本;
基层仓库选址成本计算方法包括:
其中pw为在候选位置w处开设基层仓库的固定开设费用,tw为基层仓库w到基地仓库的距离成本;
构建的多级供应链下维修器材的仓库选址与库存协同优化系统的数学模型包括:
TC=CH+CO+CL
s.t.
其中,式和式/>为各仓库器材供应的满足率约束;式/>约束每个维修点有且只能指派给一个基层仓库;式表示只有开设的基层仓库才能被指派维修点;式规定了参数的基本类型。
2.如权利要求1所述的多级供应链下维修器材选址和库存方法,其特征在于,所述混合果蝇优化算法包括:
步骤一,初始化参数:设置HFOA种群规模、最大迭代额外数、飞行范围FR、果蝇各类群体比例参数M,随机初始化果蝇个体位置;
步骤二,利用气味浓度判定函数Smelli=RAND(Si)计算果蝇的个体气味浓度值;
步骤三,对气味浓度值进行排序,并进行操作:记录种群的全局历史最佳位置X_axis和最佳气味浓度值Smellbest;
根据气味浓度值大小和群体比例参数M设置果蝇发现者、跟随者和反捕食行为群体;
步骤四,根据果蝇发现者位置更新方式、跟随者位置更新方式和反捕食行为位置更新方式式更新果蝇群体位置;
步骤五,若迭代额外数达到最大,停止迭代并输出结果,否则返回步骤二。
3.如权利要求2所述的多级供应链下维修器材选址和库存方法,其特征在于,所述步骤四中,果蝇发现者位置更新方式为:
其中ST为方向判定值;FR1是初始搜索飞行范围;FR2是指定的搜索飞行范围,由仓库的单位综合成本决定,综合成本越低,向该处飞行进行搜索概率越大;
果蝇跟随者位置更新方式为:
其中为发现者目前所占据的最优位置,FR3为个体飞行范围,由/>决定,果蝇个体随机飞向发现者最优位置附近,通过设置FR3值为零的分量的个数约束飞向最优位置的距离;FR4飞行范围由/>所有分量的值决定;
果蝇反捕食行为位置更新的方式为:
其中X_axis为到t代位置获得的全局最优位置,FR5为个体飞行范围,由X_axis决定,果蝇个体随机飞向全局最优位置附近,通过设置FR5值为零的分量的个数约束飞向最优位置的距离;FR6飞行范围由X_axis所有分量的值决定。
4.如权利要求1所述的多级供应链下维修器材选址和库存方法,其特征在于,构建的多级供应链下维修器材的仓库选址与库存协同优化系统包括基地仓库、多个开设位置未确定的基层仓库、N个维修点以及M种维修器材。
5.如权利要求1所述的多级供应链下维修器材选址和库存方法,其特征在于,构建的多级供应链下维修器材的仓库选址与库存协同优化系统的方法包括:
通过确定基本循环周期T协调每种器材的补货与配送政策,定义基地仓库器材j的订购周期为T0j=kjT,向基层仓库w配送器材j的周期Twj不超过T0j,fwj≥k0j。
6.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行权利要求1~5任意一项所述多级供应链下维修器材选址和库存方法的步骤。
7.一种实施权利要求1~5任意一项所述多级供应链下维修器材选址和库存方法维修器材库存仓库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011078992.1A CN112288138B (zh) | 2020-10-10 | 2020-10-10 | 多级供应链下维修器材选址和库存方法及系统及库存仓库 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011078992.1A CN112288138B (zh) | 2020-10-10 | 2020-10-10 | 多级供应链下维修器材选址和库存方法及系统及库存仓库 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112288138A CN112288138A (zh) | 2021-01-29 |
CN112288138B true CN112288138B (zh) | 2023-07-25 |
Family
ID=74422383
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011078992.1A Active CN112288138B (zh) | 2020-10-10 | 2020-10-10 | 多级供应链下维修器材选址和库存方法及系统及库存仓库 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112288138B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113222497B (zh) * | 2021-04-19 | 2022-11-29 | 中国民航大学 | 基于metric的航材共享中心库选址方法 |
CN113326987B (zh) * | 2021-06-02 | 2024-05-07 | 武汉理工大学 | 一种铁路中心站轨道式集装箱起重机协同优化调度方法 |
CN114971497B (zh) * | 2022-07-06 | 2022-10-21 | 国网浙江省电力有限公司金华供电公司 | 基于协同互联的物资供应链全链感知的数据处理方法 |
CN116976484B (zh) * | 2022-12-21 | 2024-03-26 | 上海朗晖慧科技术有限公司 | 一种大数据分析的仓储布局优化方法及系统 |
CN117371621B (zh) * | 2023-12-06 | 2024-02-27 | 湖北浩蓝智造科技有限公司 | 基于改进果蝇优化算法的库位分配方法、系统及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107590561A (zh) * | 2017-09-05 | 2018-01-16 | 天津市电力科技发展有限公司 | 一种基于电网线路运行误差远程校准的电能表有序换装方法 |
CN108960474A (zh) * | 2017-11-06 | 2018-12-07 | 杭州览众数据科技有限公司 | 一种考虑交叉的仓库网络中在线零售商的仓库选址方法 |
CN109919541A (zh) * | 2019-02-27 | 2019-06-21 | 华南理工大学 | 一种多级定位库存路径问题的建模求解方法 |
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
- 2020-10-10 CN CN202011078992.1A patent/CN112288138B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107590561A (zh) * | 2017-09-05 | 2018-01-16 | 天津市电力科技发展有限公司 | 一种基于电网线路运行误差远程校准的电能表有序换装方法 |
CN108960474A (zh) * | 2017-11-06 | 2018-12-07 | 杭州览众数据科技有限公司 | 一种考虑交叉的仓库网络中在线零售商的仓库选址方法 |
CN109919541A (zh) * | 2019-02-27 | 2019-06-21 | 华南理工大学 | 一种多级定位库存路径问题的建模求解方法 |
Non-Patent Citations (1)
Title |
---|
供应链设计模型与分析方法研究综述;王志强;王新民;胡宝民;;河北工业大学学报(第05期);第57-66页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112288138A (zh) | 2021-01-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112288138B (zh) | 多级供应链下维修器材选址和库存方法及系统及库存仓库 | |
Gen et al. | Recent advances in hybrid priority-based genetic algorithms for logistics and SCM network design | |
Negahban et al. | Simulation for manufacturing system design and operation: Literature review and analysis | |
Lejeune et al. | An efficient trajectory method for probabilistic production-inventory-distribution problems | |
Nakasuka et al. | Dynamic scheduling system utilizing machine learning as a knowledge acquisition tool | |
Covaliu et al. | Representation and solution of decision problems using sequential decision diagrams | |
Puchkova et al. | Balancing push and pull strategies within the production system | |
CN112561194B (zh) | 一种混合流水车间生产与物流集成调度方法及系统 | |
Prakash et al. | Constraint-based simulated annealing (CBSA) approach to solve the disassembly scheduling problem | |
Manavizadeh et al. | A multi-objective mixed-model assembly line sequencing problem in order to minimize total costs in a Make-To-Order environment, considering order priority | |
Lee et al. | Decomposition heuristic to minimize total cost in a multi-level supply chain network | |
Jackson et al. | The combination of discrete-event simulation and genetic algorithm for solving the stochastic multi-product inventory optimization problem | |
Keskin et al. | Production/distribution system design with inventory considerations | |
CN112001506A (zh) | 一种装备自主保障的供应链成本优化方法 | |
Zhang et al. | Effective genetic approach for optimizing advanced planning and scheduling in flexible manufacturing system | |
Sarrafha et al. | A multi-objective evolutionary approach for integrated production-distribution planning problem in a supply chain network | |
Cheng et al. | An optimization model of partner selection of joint distribution alliance considering the supply and demand matching degree | |
El Raoui et al. | Optimization/simulation in the supply chain context: a review | |
Chan et al. | Hybrid TSSA algorithm-based approach to solve warehouse-scheduling problems | |
Ferretti et al. | Q-Learning for Inventory Management: an application case | |
Zhou et al. | Dynamic cyclic kitting part-feeding scheduling for mixed-model assembly line by a hybrid quantum-behaved particle swarm optimization | |
Harhalakis et al. | Hierarchical decision making in computer integrated manufacturing systems | |
Manimaran et al. | Particle swarm optimisation for multi stage supply chain network associated with fixed charges | |
Nielsen et al. | Towards constraint programming driven methodology for online multi-project planning and control | |
Chan et al. | Rescheduling precast production with multiobjective optimization |
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 |