CN113626966A - 库存补货方法、计算机可读存储介质以及终端设备 - Google Patents

库存补货方法、计算机可读存储介质以及终端设备 Download PDF

Info

Publication number
CN113626966A
CN113626966A CN202010371306.3A CN202010371306A CN113626966A CN 113626966 A CN113626966 A CN 113626966A CN 202010371306 A CN202010371306 A CN 202010371306A CN 113626966 A CN113626966 A CN 113626966A
Authority
CN
China
Prior art keywords
store
replenishment
inventory
warehouse
model
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.)
Pending
Application number
CN202010371306.3A
Other languages
English (en)
Inventor
赖素红
戴芸
邹立明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hitachi Ltd
Original Assignee
Hitachi Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hitachi Ltd filed Critical Hitachi Ltd
Priority to CN202010371306.3A priority Critical patent/CN113626966A/zh
Publication of CN113626966A publication Critical patent/CN113626966A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Finance (AREA)
  • Game Theory and Decision Science (AREA)
  • Accounting & Taxation (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种库存补货方法、计算机可读存储介质以及终端设备，其库存补货方法包括如下步骤：第一步骤，构建包括优化目标和约束条件的库存管理规则；第二步骤，设定涉及仓库、门店和物流的基本参数，所述基本参数包括仓库、门店、产品、期间中的至少两个维度，获取所述基本参数中的已知参数的数值并保存到数据库中；第三步骤，利用所述基本参数建立描述所述库存管理规则的仓库向门店补货模型；第四步骤，读取所述数据库中的所述已知参数的数值并输入到所述仓库向门店补货模型，求解所述仓库向门店补货模型得到仓库向门店的补货计划qwiwijt。通过上述库存补货方法，能够实现多目标求解，包括提高销量、提高库存周转率以及降低供应链总成本。

Description

库存补货方法、计算机可读存储介质以及终端设备
技术领域
本发明涉及一种库存补货方法、计算机可读存储介质以及终端设备。
背景技术
日益增长的需求不确定性给供应链中的库存控制带来了更多的挑战。为了降低库存不足的可能性，供应链网络的各个环节都有越来越多的安全库存，导致资金严重积压。因此，对于制造商、分销商和零售商来说，期望在保持高库存周转率的同时满足客户的需求，同时降低成本。
对于拥有大量供应商品和销售网络的公司来说，在考虑到最大限度地实现总收益时，库存补货计划非常复杂，基于个人经验的全球优化很难实现。智能优化算法通常被认为是解决这类问题的有效工具，它在复杂计算中具有明显的优势。此外，智能优化算法的通用性、灵活性使得它在许多领域得到了广泛的应用。
专利文献1公开了一种自动分配、补充和转移货物给仓库的方法和系统。能够根据分配策略生成的补货订单、退货订单和调拨订单，将货物运送到库房。该方法旨在提高从总仓到门店的货物运输决策的准确性和效率，这是手工作业难以实现的。
现有技术文献
专利文献1:CN109615184A
发明内容
【发明要解决的技术问题】
然而，专利文献1的货物分配结果并不是最优化的。首先，专利文献1不是多目标求解。物流效率与成本降低之间存在一定的冲突。例如，高库存周转率可能导致高运输成本。管理人员可能需要根据不同的情况保持平衡或倾向于一方。解决办法应该是多目标的，并允许确定优先次序，使其更加灵活。其次，专利文献1不是多重周期解。补货订单按期执行，这意味着如果订单逐日生成，则每天交货。没有考虑多期合并订单以降低物流成本。
本发明是为了解决这样的课题而完成的，提供了一种多目标库存补货方法，能够实现多目标求解，包括提高销量、提高库存周转率以及降低供应链总成本。而且，本发明求解的补货计划是多重周期解，相较于定时补货的方式，补货时间更加灵活。而且，补货货物来自上游网点和同一级网点之间的库存共享，在来自上游网点的补货计划存在不足的情况下，可以利用同一级网点之间的库存共享来弥补，充分激活整个网络中的库存，实现包括提高销量、提高库存周转率以及降低成本的多目标求解。
【解决问题的技术手段】
为了达成上述的目的，本发明的方案1所记载的发明中，库存补货方法用于针对各门店的各个产品制定在各个期间的补货计划，所述库存补货方法的特征在于，包括如下步骤：第一步骤，构建包括优化目标和约束条件的库存管理规则；第二步骤，设定涉及仓库、门店和物流的基本参数，所述基本参数包括仓库、门店、产品、期间中的至少两个维度，获取所述基本参数中的已知参数的数值并保存到数据库中；第三步骤，利用所述基本参数建立描述所述库存管理规则的仓库向门店补货模型；第四步骤，读取所述数据库中的所述已知参数的数值并输入到所述仓库向门店补货模型，求解所述仓库向门店补货模型得到仓库向门店的补货计划qwiwijt，所述补货计划qwiwijt表示第t期从仓库w向门店i的产品j的补货量。
通过上述库存补货方法，能够实现多目标求解，包括提高销量、提高库存周转率以及降低供应链总成本。而且，求解的补货计划是多重周期解，相较于定时补货的方式，补货时间更加灵活。
方案2所记载的发明中，库存补货方法用于针对各门店的各个产品制定在各个期间的补货计划，所述库存补货方法的特征在于，包括如下步骤：第一步骤，构建包括优化目标和约束条件的库存管理规则；第二步骤，设定涉及仓库、门店和物流的基本参数，所述基本参数包括仓库、门店、产品、期间中的至少两个维度，获取所述基本参数中的已知参数的数值并保存到数据库中；第三步骤，利用所述基本参数建立描述所述库存管理规则的仓库向门店补货模型和门店间补货模型；第四步骤，读取所述数据库中的所述已知参数的数值并输入到所述仓库向门店补货模型，求解所述仓库向门店补货模型得到仓库向门店的补货计划qwiwijt以及未满足销售量，所述补货计划qwiwijt表示第t期从仓库w向门店i的产品j的补货量；以及第五步骤，在所述未满足销售量大于零的情况下，读取所述数据库中的所述已知参数的数值并输入到所述门店间补货模型，求解所述门店间补货模型得到门店间的补货计划qmimijt，所述补货计划qmimijt表示第t期从门店m向门店i的产品j的补货量。
通过上述库存补货方法，进一步地，补货货物来自上游网点和同一级网点之间的库存共享，在来自上游网点的补货计划存在不足的情况下，可以利用同一级网点之间的库存共享来弥补，充分激活整个网络中的库存，实现包括提高销量、提高库存周转率以及降低成本的多目标求解。
方案3所记载的发明中，在第三步骤中建立所述仓库向门店补货模型时，所述优化目标包括最大销售量、最大库存周转率以及最小总成本，所述约束条件为仓库向各门店的补货量之和不超过仓库的库存量。
方案4所记载的发明中，所述约束条件还包括：门店的产品在本期的期初库存量根据上期的期初库存量、补货量以及销售量来确定，其中，第1期的期初库存量是已知参数；门店的产品在本期的销售量根据本期的期初库存量和作为已知参数的需求量来确定；以及门店的产品在本期的未满足销售量根据本期的销售量和需求量来确定。
方案5所记载的发明中，在第四步骤中求解所述仓库向门店补货模型时，选择所述优化目标中的至少一个，利用遗传算法进行求解，在求得多个最优解时，根据优先的优化目标选择一个最优解。
通过上述库存补货方法，实现多目标求解，并在存在多个最优解时，能够根据实际需求选择最优解。
方案6所记载的发明中，在第三步骤中建立所述门店间补货模型时，所述优化目标包括最大新增销售量和最小新增成本，所述约束条件包括：门店的输出货量不能超过该门店的库存量；门店在满足自身需求后才允许门店间输出；以及对于同一门店，门店间输入和门店间输出不能同时存在。
方案7所记载的发明中，在第五步骤中求解所述门店间补货模型时，选择所述优化目标中的至少一个，利用遗传算法进行求解，在求得多个最优解时，根据优先的优化目标选择一个最优解。
通过上述库存补货方法，实现多目标求解，并在存在多个最优解时，能够根据实际需求选择最优解。
【发明的效果】
通过本发明的库存补货方法，能够实现多目标求解，包括提高销量、提高库存周转率以及降低供应链总成本。而且，本发明求解的补货计划是多重周期解，相较于定时补货的方式，补货时间更加灵活。而且，补货货物来自上游网点和同一级网点之间的库存共享，在来自上游网点的补货计划存在不足的情况下，可以利用同一级网点之间的库存共享来弥补，充分激活整个网络中的库存，实现包括提高销量、提高库存周转率以及降低成本的多目标求解。
附图说明
图1是示出本发明第一实施方式的库存补货方法的流程图。
图2是示出仓库和门店间的补货方式的示意图。
图3是示出本发明的第二实施方式的库存补货方法的流程图。
图4是示出求解仓库向门店补货模型得到的帕累托最优解的图。
图5是示出本发明的仓库向门店的补货计划的图。
图6是示出求解门店间补货模型得到的帕累托最优解的图。
图7是示出常规补货方式的补货计划的图。
具体实施方式
以下，参照附图对本发明的具体实施方式进行说明。
为了便于解释，本发明中假设上游网点是仓库，需求端的网点是面向消费者的门店，
(第一实施方式)
第一实施方式采用仓库向门店补货的库存补货方式。图1是示出本发明第一实施方式的库存补货方法的流程图。
在第一步骤中，构建包括优化目标和约束条件的库存管理规则(步骤S11)。根据产品类型的不同，库存管理规则也有所不同。例如，高价值的商品会迅速周转，以防止占用大量资金，因此会频繁和小规模的补货。然而，低价值货物则相反。此外，业务运作规则也有很大的不同。充资计划必须根据实际业务情况进行调整。因此，用户需要首先构建规则。本发明中库存管理规则包括优化目标和约束条件两个方面。本文总结了一些常见的规则，但不限于此，用户可以根据实际情况补充规则。在一次定义规则后，这些规则将存储在数据库中。在随后的分析中，用户可以根据场景选择最优化目标和约束条件。优化目标和约束条件的实例将再后文中详细叙述。
在第二步骤中，设定涉及仓库、门店和物流的基本参数，基本参数包括仓库、门店、产品、期间中的至少两个维度，获取基本参数中的已知参数的数值并保存到数据库中(步骤S12)。各个维度的集合分别表示为：仓库集合w＝{1,2,…,w}；门店集合i＝{1,2,…,I}；产品集合：j＝{1,2,…,J}；期间集合：t＝{1,2,…,T}。
在第三步骤中，利用基本参数建立描述库存管理规则的仓库向门店补货模型(步骤S13)。在建立仓库向门店补货模型时，优化目标包括最大销售量、最大库存周转率以及最小总成本。
作为优化目标之一，最大销售量的数学表达式如下式(1)所示。其中，salesijt表示门店i产品j第t期的销售量，是基本参数中的变量。z1表示周期内总销量，即所有门店、所有产品、所有期间的总销售量。
Figure BDA0002478393560000051
作为优化目标之一，尽可能提高库存周转率，等价于尽可能降低库存周转天数。库存周转天数z2＝周期天数T*平均库存/周期内总销量z1，相应的数学表达式如下式(2)所示。其中，sv0ij表示门店i产品j在上一个周期的期末库存，是基本参数中的已知参数。svij(T+1)表示门店i产品j在第t期期末的库存，是基本参数中的变量。
Figure BDA0002478393560000052
作为优化目标之一，尽可能降低总成本。总成本z3包括固定物流成本c1，变动物流成本c2和滞销成本c3。数学表达式如下式(3)～(6)所示，其中，wcwi表示从仓库w往门店i补货一次的物流固定成本，是基本参数中的已知参数。qwiwijt表示第t期从仓库w向门店i的产品j的补货量，是基本参数中的变量，也是本模型的输出变量。CLwi表示从仓库w往门店i补货的单位变动物流成本，是基本参数中的已知参数。svijt表示门店i产品j在第t期期初的库存，是基本参数中的变量。uscij表示门店i产品j的滞销成本，如因降价处理损失的利润，退货处理产生的操作费用，是基本参数中的已知参数。
Figure BDA0002478393560000053
Figure BDA0002478393560000061
Figure BDA0002478393560000062
min z3＝c1+c2+c3 (6)
在第三步骤中建立仓库向门店补货模型时，约束条件为仓库向各门店的补货量之和不超过仓库的库存量，该约束条件例如可以表示为第t期仓库w的产品j的期初库存量wvwjt非负。仓库w的产品j在本期(第t期)的期初库存量wvwjt可以根据仓库w的产品j在上期(第t-1期)的期初库存量wvwjt-1、上期仓库w到各门店i的补货量qwiwijt-1之和以及本期上游网点到仓库的补货量wpwjt来确定，上游网点可能是工厂、区域总仓。wpwjt表示第t期仓库w的产品j从上游网点的补货量，是基本参数中的已知参数。仓库w的产品j在第1期的期初库存量为在第1期的上游网点到仓库w的补货量。
作为约束条件，门店i的产品j在本期(第t期)的期初库存量svijt根据门店i的产品j在上期(第t-1期)的期初库存量svijt-1、上期各仓库到门店的补货量qwiwijt-1之和以及上期门店的销售量salesijt-1来确定，是基本参数中的变量。门店i的产品j在第1期的期初库存量根据上一个周期的期末库存sv0ij和第1期的前采购量qwi0wij来确定。上一个周期的期末库存sv0ij和第1期的前采购量qwi0wij都是已知参数，因此，第1期的期初库存量也是已知参数。
作为约束条件，第t期门店i的产品j的销售量salesijt根据第t期的期初库存量svijt和作为已知参数的需求量demandijt来确定。在期初库存量能够满足需求量的情况下，销售量为需求量，反之在期初库存量不能够满足需求量的情况下，销售量为期初库存量。
作为约束条件，第t期门店i的产品j的未满足销售量usorderijt根据本期的销售量salesijt和需求量demandijt的差值来确定。未满足销售量usorderijt是基本参数中的变量，也是本模型的输出变量。
作为约束条件，门店i产品j第t期期末的库存量sveijt根据期初库存量svijt与销售量salesijt的差值来确定。sveijt表示只有仓库补货无门店间库存共享时，门店i产品j在第t期期末的库存，是基本参数中的变量，也是本模型的输出变量。
在第四步骤中，读取数据库中的已知参数的数值并输入到仓库向门店补货模型，求解仓库向门店补货模型得到仓库向门店的补货计划qwiwijt，补货计划qwiwijt表示第t期从仓库w向门店i的产品j的补货量。
在求解仓库向门店补货模型时，选择上述优化目标中的至少一个，应用遗传算法求解多目标问题。公知的遗传算法的步骤包括生成初始种群、计算个体适应度、遗传操作(选择、交叉和变异)、生成新种群、迭代和获得帕累托最优解。在求得多个帕累托最优解时，根据优先的优化目标选择一个最优解。
本实施方式中将补货量qwiwijt、未满足销售量usorderijt以及期末的库存量Sveijt作为仓库向门店补货模型的输出变量，实际上模型中的基本参数中的变量都能够作为输出变量进行输出，可以根据实际需求选择需要的输出变量。
本发明通过构建模型的优化目标和约束条件，建立多目标化模型，带入已知参数到模型中，求解得到从仓库到门店的四维补货计划(qwiwijt)。本发明的多目标库存补货方法，能够实现包括提高销量、提高库存周转率以及降低供应链总成本的多目标求解。而且，本发明的库存补货方法是多重周期解，相较于定时补货的方式，补货时间更加灵活。
(第二实施方式)
第一实施方式采用仓库向门店补货的库存补货方式，然而，在一个产品供应网络中，存在两种库存补货渠道。一个是从仓库向门店补货，另一个是门店间库存共享。第二种渠道通常被忽视，因为人们认为这是由于第一种渠道补货分配不均衡造成的，他们只是试图改善第一种渠道补货的性能。然而，库存共享是资源再分配的一种好方法，如果它被正确使用，可以提高销售量和库存周转率。与确保仓库的供应相比，库存共享能够实现更快的补充。图2示出了仓库补货和门店间库存共享两种库存补货方式。第二实施方式考虑了仓库向门店补货和门店间库存共享的库存补货方法。图3是示出本发明的第二实施方式的库存补货方法的流程图。
如图3所示，第二实施方式的第一步骤(S21)与第二步骤(S22)与第一实施方式的第一步骤(S11)与第二步骤(S12)大体相同，区别仅在于增加了门店间库存共享的方式库存管理规则和基本参数，具体的规则和参数将在下文中具体描述。
在第三步骤中，利用基本参数建立描述库存管理规则的仓库向门店补货模型和门店间补货模型(步骤S23)。建立仓库向门店补货模型时的规则与参数与第一实施方式相同，这里省略相关说明。
在建立门店间补货模型时，优化目标包括最大新增销售量和最小新增成本。
作为优化目标之一，最大新增销售量的数学表达式如下式(7)所示。其中，newsalesijt表示第t期门店i产品j通过库存共享方式增加的销量。
Figure BDA0002478393560000081
作为优化目标之一，最小新增成本的数学表达式如下式(8)所示。其中，CLmi表示从门店m往门店i补货的单位变动物流成本，是基本参数中的已知参数。qmimijt表示第t期门店m往门店i调拨产品j的补货量，是基本参数中的变量，也是本模型的输出变量。
Figure BDA0002478393560000082
在第三步骤中建立门店间补货模型时，约束条件包括：门店的输出货量不能超过该门店的库存量；门店在满足自身需求后才允许门店间输出。该约束条件例如可以表示为门店i产品j在第t期期末的库存sveijt非负，并且，同时存在仓库补货和门店共享时、门店i产品j在第t期期末的库存sve2ijt也非负。
约束条件还包括：对于同一门店、门店间输入和门店间输出不能同时存在，也就是说对于同一门店、门店间输入的货量和门店间输出的货量中的至少一个货量为零。
第t期门店i产品j的新增销售量newsalesijt可以根据第t期门店i产品j的未满足销售量usorderijt和第t期门店m往门店i调拨产品j的补货量qmimijt中的最小值来确定。
在第四步骤中，读取数据库中的已知参数的数值并输入到仓库向门店补货模型，求解仓库向门店补货模型得到仓库向门店的补货计划qwiwijt以及未满足销售量usorderijt(步骤S24)。
在第五步骤中，在未满足销售量大于零的情况下(步骤S25判断为“是”)，读取数据库中的已知参数的数值并输入到门店间补货模型，求解门店间补货模型得到门店间的补货计划qmimijt，补货计划qmimijt表示第t期从门店m向门店i的产品j的补货量(步骤S26)。在本实施方式中，根据实际需要，仓库向门店补货模型的输出变量中的未满足销售量usorderijt以及期末的库存量Sveijt也输入到门店间补货模型中。
求解门店间补货模型的条件是在仓库补货计划下存在未满足的销量。在未满足销售量为零的情况下，结束求解。第四步骤输出的仓库向门店的补货计划qwiwijt即是最优解。
在求解门店间补货模型时，选择上述优化目标中的至少一个，应用遗传算法求解多目标问题。公知的遗传算法的步骤包括生成初始种群、计算个体适应度、遗传操作(选择、交叉和变异)、生成新种群、迭代和获得帕累托最优解。在求得多个帕累托最优解时，根据优先的优化目标选择一个最优解。
在第二实施方式中，补货货物来自上游网点和同一级网点之间的库存共享，在来自上游网点的补货计划存在不足的情况下，可以利用同一级网点之间的库存共享来弥补，充分激活整个网络中的库存，实现包括提高销量、提高库存周转率以及降低成本的多目标求解。
(实施例)
下面结合具体的实施例来对本发明的实施方式进行具体说明。
表1示出实施例中的基本参数的四个维度。表2～表9示出本实施例中的已知参数的数值。表2～表9所示的已知参数包括表1的四个维度中的至少2个维度。
表1
维度 代号
4个产品 产品ID＝482,2808,3734,6457
5家门店 门店ID＝18,25,26,31,50
1个仓库 W_B
7天补货 2019/10/25-2019/10/31
表2示出门店i产品j在上一个周期的期末库存(sv0ij)。
表2
Figure BDA0002478393560000091
表3示出从门店m往门店i补货的单位变动物流成本(CLmi)。
表3
Figure BDA0002478393560000092
表4示出从仓库w往门店i补货的单位变动物流成本(CLwi)。
表4
Figure BDA0002478393560000101
表5示出t＝1时仓库w往门店i补送产品j的到货量，即一个采购提前期的前采购的量(qwi0wij)
表5
Figure BDA0002478393560000102
表6示出第t期仓库w的产品j从上游网点的补货量，上游网点可能是工厂、区域总仓(wpwjt)。
表6
Figure BDA0002478393560000103
表7示出门店i产品j的滞销成本，如因降价处理损失的利润，退货处理产生的操作费用(uscij)。
表7
Figure BDA0002478393560000104
表8示出从仓库w往门店i补货一次的物流固定成本(wcwi)。
表8
Figure BDA0002478393560000105
表9示出门店i产品j在第t期的需求量(demandijt)。
表9
Figure BDA0002478393560000111
Figure BDA0002478393560000121
Figure BDA0002478393560000131
Figure BDA0002478393560000141
实施例分析了以提高销量为导向的经典场景，将表2～表9所示的已知参数的数值作为仓库向门店补货模型的输入，选择最大销量(等价于最小未满足销量)和最小库存周转天数作为优化目标。求解仓库向门店补货模型，如图4所示得到7个帕累托最优解。考虑以销量最大化优先，所以最适合的解是未满足销量为4、周转天数为2.35的解，其相应的补货计划如图5所示。由于未满足销量大于0，下一步将进行门店间库存共享的方式的模型求解。
将仓库向门店补货模型的输出变量及其他基本参数作为门店间补货模型的输入，选择最大新增销售量(等价于最小未满足销量)和最小新增成本作为优化目标。求解门店间补货模型，如图6所示得到5个帕累托最优解。考虑以新增销量最大化优先，其中一个解未满足销量为0，实现了100％的订单满足率，符合新增销量最大化的目标，相应的共享计划如表10所示。
表10
输出门店 输入门店 产品 期间 补货量
25 31 2808 第1期 2
25 50 3734 第1期 1
26 50 3734 第1期 1
将上述结果与常规补货方式的结果进行对比。所谓常规补货方式即定时不定量的补货。常规补货方式的补货计划如图7所示。比较结果如表11所示。本发明的库存补货方法能够实现包括提高销量、提高库存周转率以及降低供应链总成本的多目标求解。
表11
指标 优化模型补货 定时不定量补货
订单满足率 100％ 98.6％
库存周转次数 3.2 1.136
总成本(RMB) 7349 7749
本申请还公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实施如本申请的库存补货方法。
相应地，本申请还公开了一种终端设备，包括：存储器，其存储有计算机程序；处理器，其连接至存储器，并且配置为执行计算机程序，计算机程序被处理器执行以实施如本申请的库存补货方法。电子设备可以为服务器、PC机、移动终端、个人数字助理、平板电脑等。
以上对本申请提供的一种库存补货方法、计算机可读存储介质以及终端设备进行了详细介绍，本文中应用了具体实施例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本申请的限制。

Claims (9)

1.一种库存补货方法，其用于针对各门店的各个产品制定在各个期间的补货计划，所述库存补货方法的特征在于，包括如下步骤：
第一步骤，构建包括优化目标和约束条件的库存管理规则；
第二步骤，设定涉及仓库、门店和物流的基本参数，所述基本参数包括仓库、门店、产品、期间中的至少两个维度，获取所述基本参数中的已知参数的数值并保存到数据库中；
第三步骤，利用所述基本参数建立描述所述库存管理规则的仓库向门店补货模型；以及
第四步骤，读取所述数据库中的所述已知参数的数值并输入到所述仓库向门店补货模型，求解所述仓库向门店补货模型得到仓库向门店的补货计划qwiwijt，所述补货计划qwiwijt表示第t期从仓库w向门店i的产品j的补货量。
2.一种库存补货方法，其用于针对各门店的各个产品制定在各个期间的补货计划，所述库存补货方法的特征在于，包括如下步骤：
第一步骤，构建包括优化目标和约束条件的库存管理规则；
第二步骤，设定涉及仓库、门店和物流的基本参数，所述基本参数包括仓库、门店、产品、期间中的至少两个维度，获取所述基本参数中的已知参数的数值并保存到数据库中；
第三步骤，利用所述基本参数建立描述所述库存管理规则的仓库向门店补货模型和门店间补货模型；
第四步骤，读取所述数据库中的所述已知参数的数值并输入到所述仓库向门店补货模型，求解所述仓库向门店补货模型得到仓库向门店的补货计划qwiwijt以及未满足销售量，所述补货计划qwiwijt表示第t期从仓库w向门店i的产品j的补货量；以及
第五步骤，在所述未满足销售量大于零的情况下，读取所述数据库中的所述已知参数的数值并输入到所述门店间补货模型，求解所述门店间补货模型得到门店间的补货计划qmimijt，所述补货计划qmimijt表示第t期从门店m向门店i的产品j的补货量。
3.根据权利要求1或2所述的库存补货方法，其特征在于，
在第三步骤中建立所述仓库向门店补货模型时，所述优化目标包括最大销售量、最大库存周转率以及最小总成本，所述约束条件为仓库向各门店的补货量之和不超过仓库的库存量。
4.根据权利要求3所述的库存补货方法，其特征在于，
所述约束条件还包括：
门店的产品在本期的期初库存量根据上期的期初库存量、补货量以及销售量来确定，其中，第1期的期初库存量是已知参数；
门店的产品在本期的销售量根据本期的期初库存量和作为已知参数的需求量来确定；以及
门店的产品在本期的未满足销售量根据本期的销售量和需求量来确定。
5.根据权利要求3所述的库存补货方法，其特征在于，
在第四步骤中求解所述仓库向门店补货模型时，选择所述优化目标中的至少一个，利用遗传算法进行求解，在求得多个最优解时，根据优先的优化目标选择一个最优解。
6.根据权利要求2所述的库存补货方法，其特征在于，
在第三步骤中建立所述门店间补货模型时，所述优化目标包括最大新增销售量和最小新增成本，所述约束条件包括：门店的输出货量不能超过该门店的库存量；门店在满足自身需求后才允许门店间输出；以及对于同一门店，门店间输入和门店间输出不能同时存在。
7.根据权利要求6所述的库存补货方法，其特征在于，
在第五步骤中求解所述门店间补货模型时，选择所述优化目标中的至少一个，利用遗传算法进行求解，在求得多个最优解时，根据优先的优化目标选择一个最优解。
8.一种计算机可读存储介质，在计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被计算机执行以实施权利要求1～7中任一项所述的库存补货方法。
9.一种终端设备，包括：存储器，其存储有计算机程序；处理器，其连接至所述存储器，并且配置为执行所述计算机程序，其特征在于，所述计算机程序被所述处理器执行以实施权利要求1～7中任一项所述的库存补货方法。
CN202010371306.3A 2020-05-06 2020-05-06 库存补货方法、计算机可读存储介质以及终端设备 Pending CN113626966A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010371306.3A CN113626966A (zh) 2020-05-06 2020-05-06 库存补货方法、计算机可读存储介质以及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010371306.3A CN113626966A (zh) 2020-05-06 2020-05-06 库存补货方法、计算机可读存储介质以及终端设备

Publications (1)

Publication Number Publication Date
CN113626966A true CN113626966A (zh) 2021-11-09

Family

ID=78376475

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010371306.3A Pending CN113626966A (zh) 2020-05-06 2020-05-06 库存补货方法、计算机可读存储介质以及终端设备

Country Status (1)

Country Link
CN (1) CN113626966A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117196479A (zh) * 2023-09-18 2023-12-08 陕西众维信息科技有限公司 一种基于epr系统的补货方法、装置、设备及存储介质
CN117273599A (zh) * 2023-08-22 2023-12-22 昆仑数智科技有限责任公司 一种商品需求的预测和商品补货数量的确定方法与系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117273599A (zh) * 2023-08-22 2023-12-22 昆仑数智科技有限责任公司 一种商品需求的预测和商品补货数量的确定方法与系统
CN117196479A (zh) * 2023-09-18 2023-12-08 陕西众维信息科技有限公司 一种基于epr系统的补货方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
Troncoso et al. Forestry production and logistics planning: an analysis using mixed-integer programming
Boute et al. Dual sourcing and smoothing under nonstationary demand time series: Reshoring with SpeedFactories
Kim et al. Optimal inventory control in a multi-period newsvendor problem with non-stationary demand
Wu et al. Supply chain risk, simulation, and vendor selection
Caldentey et al. Analysis of a decentralized production-inventory system
Agrawal et al. Optimal inventory management for a retail chain with diverse store demands
CN110276571A (zh) 货物调度方法和装置以及计算机可读存储介质
CN111815198B (zh) 一种门店补货方法、装置和设备
Mokhtari et al. A single-supplier, multi-buyer, multi-product VMI production-inventory system under partial backordering
Agrawal et al. Optimal retail assortments for substitutable items purchased in sets
CN109784984A (zh) 一种生鲜门店智能订货系统
Bhatnagar et al. The joint transshipment and production control policies for multi-location production/inventory systems
CN113469597A (zh) 智慧供应链系统及服务器平台
CN113626966A (zh) 库存补货方法、计算机可读存储介质以及终端设备
CN114118503A (zh) 供应链库存优化方法、装置、设备和存储介质
WO2023020255A1 (zh) 数据处理方法、装置、设备及存储介质
CN112990590A (zh) 一种网络货运平台背景下的电商物流中转优化方法及系统
Fumero et al. A multiproduct batch plant design model incorporating production planning and scheduling decisions under a multiperiod scenario
Lorente-Leyva et al. Optimization of the master production scheduling in a textile industry using genetic algorithm
CN113592240A (zh) 一种mto企业订单处理方法及系统
Valery et al. Designing the analytical base for optimal allocation of stocks in supply chains
WO2023202326A1 (zh) 数据处理方法及相关装置
CN114169557A (zh) 库存补货方法、计算机可读存储介质以及终端设备
JPH0798741A (ja) 生販物統合管理方法
Behin et al. Optimization of supply chain planning with considering defective rates of products in each echelon

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