CN115577982B - 供应链网络设计方法及系统、电子设备、存储介质 - Google Patents

供应链网络设计方法及系统、电子设备、存储介质 Download PDF

Info

Publication number
CN115577982B
CN115577982B CN202211471834.1A CN202211471834A CN115577982B CN 115577982 B CN115577982 B CN 115577982B CN 202211471834 A CN202211471834 A CN 202211471834A CN 115577982 B CN115577982 B CN 115577982B
Authority
CN
China
Prior art keywords
supply chain
cost
chain network
transportation
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.)
Active
Application number
CN202211471834.1A
Other languages
English (en)
Other versions
CN115577982A (zh
Inventor
殷绪螺
唐文婷
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.)
Hunan University of Technology
Original Assignee
Hunan University of Technology
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 Hunan University of Technology filed Critical Hunan University of Technology
Priority to CN202211471834.1A priority Critical patent/CN115577982B/zh
Publication of CN115577982A publication Critical patent/CN115577982A/zh
Application granted granted Critical
Publication of CN115577982B publication Critical patent/CN115577982B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种供应链网络设计方法及系统、电子设备、存储介质，所述供应链网络设计方法通过将复杂的供应链网络拆分为多个二级供应链，对于每个二级供应链，通过构造同时考虑供应链牛鞭效应和运输成本的供应链成本数学模型，并以成本最小化为目标进行优化求解得出每个二级供应链中的最优同级供应链成员数量，从而确定最优的二级供应链网络结构，最后，将得到的多个最优二级供应链网络结构组合得到设计最优的供应链网络。本发明同时考虑了牛鞭效应和运输成本对于供应链成本的影响，提升了供应链网络设计的合理性，大大提高了供应链效率，大幅降低了供应链成本。

Description

供应链网络设计方法及系统、电子设备、存储介质
技术领域
本发明涉及供应链管理技术领域，特别地，涉及一种供应链网络设计方法及系统、电子设备、计算机可读取的存储介质。
背景技术
随着我国经济全球化的发展和产业交叉融合的深入，供应链逐渐呈网络形式，增加了供应链网络设计的难度。供应链网络设计涉及到供应链效率，对供应链影响具有长期性和持久性，因此，供应链网络设计至关重要，是供应链效率的保证，如何进行科学、合理地设计供应链网络，提高供应链效率是亟待解决的问题。目前，供应链网络设计忽略了牛鞭效应带来的影响，致使供应链网络设计的合理性存在问题，而牛鞭效应会影响供应链效率，增加供应链成本，普遍存在于供应链中，而且，牛鞭效应随着供应链网络结构变化而变化，影响供应链网络设计。例如，不同类型产品的超额成本和短缺成本差异较大，而这些差异会影响牛鞭效应成本，进一步会影响供应链成本。同时，运输成本也是供应链网络需重点考虑的问题，但是现有供应链网络设计忽略了运输成本对于供应链成本的影响，而不同运输方式、运输车辆型号、产品差异等因素会导致运输成本差异，致使供应链网络设计效果不理想，增加了供应链成本。例如铁路运输、公路运输、水路运输的运输成本显然存在差异；公路运输采用4.2米卡车与采用9.6米卡车的运输成本也存在差异。因此，目前的供应链网络设计方法没有考虑到牛鞭效应和运输成本对于供应链成本的影响，从而导致供应链成本较高。
发明内容
本发明提供了一种供应链网络设计方法及系统、电子设备、计算机可读取的存储介质，以解决现有供应链网络存在的供应链成本高的技术问题。
根据本发明的一个方面，提供一种供应链网络设计方法，包括以下内容：
获取供应链网络中各个成员的供应链数据，所述供应链数据包括产品需求量、运输距离、运输车辆型号及载重量、油价、通行费、产品短缺成本和产品超额成本；
将供应链网络拆解为多个二级供应链；
对于每个二级供应链，基于各个成员的供应链数据构造同时考虑供应链牛鞭效应和运输成本的供应链成本数学模型，并以供应链成本最小化为目标对所述供应链成本数学模型进行求解，以确定最优二级供应链网络结构；
对多个最优二级供应链网络结构进行组合得到设计最优的供应链网络。
进一步地，所述基于各个成员的供应链数据构造同时考虑供应链牛鞭效应和运输成本的供应链成本数学模型的过程具体包括以下内容：
基于报童模型构建二级供应链的牛鞭效应成本模型；
基于供应链供给区域面积确定产品的上端供应链运输距离和下端供应链运输距离，并基于运输方式确定单位距离成本，从而构建得到二级供应链的运输成本模型；
基于牛鞭效应成本模型和运输成本模型加总得到供应链成本数学模型。
进一步地，所述基于报童模型构建二级供应链的牛鞭效应成本模型的过程具体包括以下内容：
基于报童模型构建均值损失函数：g(p,q)=o*E(q-p)++h*E(p-q)+，其中，g()表示均值损失函数，o和h分别表示产品的超额成本和短缺成本，E()+表示取均值函数，p表示订货量，q表示需求量，(p-q)+=max{p-q,0},(q-p)+=max{q-p,0}；
将均值损失函数转化为积分形式：，其中，，f(p)表示需求量p的正态密度分布函数，其均值和方差分别为μp和σp，令，求出g(p,q)的最小值点，F()表示正态密度累积分布函数；
令z=(p-μp)/ σp代入g(p,q)得到：，其中，，为标准正态密度函数 ，而z*=(p*-μp)/ σp，则g(p,q)的最小值C0=(o+h) Φ(z*)σp，Φ()表示标准正态累积分布函数。
进一步地，所述需求量p的正态密度分布函数的方差计算过程为：
假设二级供应链成员i的需求为di,t，其需求预测方法为di,t=αi+ρdi,t-1+εt，其中，αi为常数项，εt为误差项，其服从均值为0方差为σ且相互独立的正态分布；
假设二级供应链的成员具有同质性，则二级供应链需求为：，其中，n表示同级供应链成员数量，ρ表示自相关系数，L表示前置期；
求解Pt的方差得到。
进一步地，所述运输成本模型的构建过程具体为：
基于供给区域面积和每个成员的运输距离确定上端供应链和下端供应链的每车平均运输距离为δμn1/2和δΓn-1/2，其中，δμ和δΓ分别表示上端供应链和下端供应链的距离参数，与供应链供给区域面积有关，n表示同级供应链成员数量，基于油价和通行费确定上端供应链和下端供应链的单位距离成本，从而计算得到上端供应链和下端供应链的每车平均运输成本为Ψμδμn1/2和ΨΓδΓn-1/2，其中，Ψμ和ΨΓ分别表示上端供应链和下端供应链的单位距离成本，则运输成本模型可表示为：，其中，dL表示二级供应链在前置期L的总需求量，，β表示基本需求量，d0表示初始需求量，kμ和kΓ分别表示上端供应链运载工具和下端供应链运载工具的每次装载量。
进一步地，所述以供应链成本最小化为目标对所述供应链成本数学模型进行求解，以确定最优二级供应链网络结构的过程具体为：
供应链成本数学模型表示为：C=C0+Cp，其中，，，将数学模型C重新表示为：，，，，显然A1、A2、A3均大于0，对数学模型C关于n进行求导即可获得最优解，从而得到最优同级供应链成员数量n*。
进一步地，还包括以下内容：
将各种供应链数据分别作为一种影响因子，通过构建影响因子重要性矩阵并对矩阵中的元素进行排序，以分析各个影响因子的重要性。
另外，本发明还提供一种供应链网络设计系统，包括：
数据获取模块，用于获取供应链网络中各个成员的供应链数据，所述供应链数据包括产品需求量、运输距离、运输车辆型号及载重量、油价、通行费、产品短缺成本和产品超额成本；
供应链拆解模块，用于将供应链网络拆解为多个二级供应链；
设计优化模块，用于对于每个二级供应链，基于各个成员的供应链数据构造同时考虑供应链牛鞭效应和运输成本的供应链成本数学模型，并以供应链成本最小化为目标对所述供应链成本数学模型进行求解，以确定最优二级供应链网络结构；
网络组合模块，用于对多个最优二级供应链网络结构进行组合得到设计最优的供应链网络。
另外，本发明还提供一种电子设备，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器通过调用所述存储器中存储的所述计算机程序，用于执行如上所述的方法的步骤。
另外，本发明还提供一种计算机可读取的存储介质，用于存储进行供应链网络设计的计算机程序，所述计算机程序在计算机上运行时执行如上所述的方法的步骤。
本发明具有以下效果：
本发明的供应链网络设计方法，通过将复杂的供应链网络拆分为多个二级供应链，对于每个二级供应链，通过构造同时考虑供应链牛鞭效应和运输成本的供应链成本数学模型，并以成本最小化为目标进行优化求解得出每个二级供应链中的最优同级供应链成员数量，从而确定最优的二级供应链网络结构，最后，将得到的多个最优二级供应链网络结构组合得到设计最优的供应链网络。本发明同时考虑了牛鞭效应和运输成本对于供应链成本的影响，提升了供应链网络设计的合理性，大大提高了供应链效率，大幅降低了供应链成本。
另外，本发明的供应链网络设计系统同样具有上述优点。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明优选实施例的供应链网络设计方法的流程示意图。
图2是本发明优选实施例中对供应链网络进行劈分的示意图。
图3是本发明优选实施例的二级供应链中存在多个同级成员的示意图。
图4是图1中步骤S3的子流程示意图。
图5是本发明另一实施例的供应链网络设计方法的流程示意图。
图6是本发明另一实施例的供应链网络设计系统的模块结构示意图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明，但是本发明可以由下述所限定和覆盖的多种不同方式实施。
如图1所示，本发明的优选实施例提供一种供应链网络设计方法，包括以下内容：
步骤S1：获取供应链网络中各个成员的供应链数据，所述供应链数据包括产品需求量、运输距离、运输车辆型号及载重量、油价、通行费、产品短缺成本和产品超额成本；
步骤S2：将供应链网络拆解为多个二级供应链；
步骤S3：对于每个二级供应链，基于各个成员的供应链数据构造同时考虑供应链牛鞭效应和运输成本的供应链成本数学模型，并以供应链成本最小化为目标对所述供应链成本数学模型进行求解，以确定最优二级供应链网络结构；
步骤S4：对多个最优二级供应链网络结构进行组合得到设计最优的供应链网络。
可以理解，本实施例的供应链网络设计方法，通过将复杂的供应链网络拆分为多个二级供应链，对于每个二级供应链，通过构造同时考虑供应链牛鞭效应和运输成本的供应链成本数学模型，并以成本最小化为目标进行优化求解得出每个二级供应链中的最优同级供应链成员数量，从而确定最优的二级供应链网络结构，最后，将得到的多个最优二级供应链网络结构组合得到设计最优的供应链网络。本发明同时考虑了牛鞭效应和运输成本对于供应链成本的影响，提升了供应链网络设计的合理性，大大提高了供应链效率，大幅降低了供应链成本。
可以理解，在所述步骤S1中，收集供应链网络中各个成员的供应链数据并进行整理和筛选，其中，所述供应链数据包括产品需求量、运输距离、运输车辆型号及载重量、油价、通行费、产品短缺成本和产品超额成本，通行费包括过桥费、过路费等，运输距离包括每个成员与上级供应链之间的运输距离和与下级供应链之间的运输距离。需要尽可能地利用所有获得的数据，但需保证每个成员的供应链数据的数据频率和时间长度一致。另外，将筛选后的需求数据以csv格式保存并导入R语言软件中。
可以理解，在所述步骤S2中，将供应链成员作为拓扑图中的点、成员之间的联系作为拓扑图中的边，将供应链网络转化为拓扑图形式，通过对拓扑图进行点劈分以将供应链网络拆分为多个二级供应链。
具体地，如图2所示，根据拓扑图理论的定义，将复杂供应链网络中的成员视为拓扑图中的点，将成员之间的联系视为边，从而可以将复杂的供应链网络转化为拓扑图形式，通过进行点劈分运算，任何复杂的供应链网络都可以劈分为简单的二级供应链。因此，通过拓扑图理论和点劈分运算，可以将供应链网络拆分为多个二级供应链，后续只需获得这些二级供应链的最优结构，借助于拓扑图的可加性，即可完成整个供应链网络设计。
可以理解，在本发明的其它实施例中，所述步骤S1和步骤S2的顺序可以互换。
可以理解，如图3所示，在现有的供应链网络中，二级供应链中经常会存在多个同级成员，如何设计同级供应链成员数量是供应链网络优化设计的关键。一般地，同级供应链成员数量增加，会导致供应链牛鞭效应增加，进而会增加供应链成本。另外，运输距离对供应链成本也有很大的影响，而同级供应链成员数量的变化对于上端供应链和下端供应链的运输距离影响是有差异。而最优同级供应链成员数量一般需要通过构建数学模型来确定。
可以理解，如图4所示，在所述步骤S3中，所述基于各个成员的供应链数据构造同时考虑供应链牛鞭效应和运输成本的供应链成本数学模型的过程具体包括以下内容：
步骤S31：基于报童模型构建二级供应链的牛鞭效应成本模型；
步骤S32：基于供应链供给区域面积确定产品的上端供应链运输距离和下端供应链运输距离，并基于运输方式确定单位距离成本，从而构建得到二级供应链的运输成本模型；
步骤S33：基于牛鞭效应成本模型和运输成本模型加总得到供应链成本数学模型。
具体地，在所述步骤S31中，先基于报童模型构建均值损失函数：g(p,q)=o*E(q-p)++h*E(p-q)+，其中，g()表示均值损失函数，o和h分别表示产品的超额成本和短缺成本，E()+表示取均值函数，p表示订货量，q表示需求量，(p-q)+=max{p-q,0},(q-p)+=max{q-p,0}。
然后，将均值损失函数转化为积分形式：，其中，，f(p)表示需求量p的正态密度分布函数，其均值和方差分别表示为μp和σp。则g(p,q)的一阶导数为，其中，F(p) 表示需求量P的正态密度累积分布函数，二阶导数大于0，因此，g(p,q)在处取最小值，即可求出需求量p的最小值。
令z=(p-μp)/ σp代入g(p,q)以对p分布进行标准正态化，得到：，其中，，为标准正态密度函数，而z*=(p*-μp)/ σp，则g(p,q)的最小值表示为：C0=(o+h) Φ(z*)σp，Φ()表示标准正态累积分布函数。
其中，所述需求量p的正态密度分布函数的方差σp的计算过程为：
假设二级供应链成员i的需求为di,t，其需求预测方法为di,t=αi+ρdi,t-1+εt，其中，αi为常数项，εt为误差项，其服从均值为0方差为σ且相互独立的正态分布；
假设二级供应链成员具有同质性，则二级供应链需求为：，其中，n表示同级供应链成员数量，ρ表示自相关系数，L表示前置期；
求解Pt的方差得到。
因此，牛鞭效应成本模型可表示为：。
具体地，在所述步骤S32中，所述运输成本模型的构建过程具体为：
假设a为二级供应链的供给区域面积，则基于供给区域面积和每个成员的运输距离可以确定上端供应链和下端供应链的每车平均运输距离为δμn1/2和δΓn-1/2，其中，δμ和δΓ分别表示上端供应链和下端供应链的距离参数，与供给区域面积a有关，n表示同级供应链成员数量。
然后，基于油价和通行费确定上端供应链和下端供应链的单位距离成本，从而可以计算得到上端供应链和下端供应链的每车平均运输成本为Ψμδμn1/2和ΨΓδΓn-1/2，其中，Ψμ和ΨΓ分别表示上端供应链和下端供应链的单位距离成本，则运输成本模型可表示为：，其中，dL表示二级供应链在前置期L的总需求量，，β表示基本需求量，d0表示初始需求量，kμ和kΓ分别表示上端供应链运载工具和下端供应链运载工具的每次装载量。
可以理解，在所述步骤S33中，供应链成本数学模型可表示为C=C0+Cp，其中，，。
从上式可以看出，供应链成本数学模型C是关于n的函数，以成本最小为目标对数学模型C进行求解可以获得最优的n，从而得到最优的二级供应链网络结构。将数学模型C重新表示为：，，，，显然A1、A2、A3均大于0。因此，对数学模型C关于n进行求导即可获得最优解，从而得到最优同级供应链成员数量n*。
可以理解，在所述步骤S4中，基于拓扑图的可加性，将得到的多个最优二级供应链网络对应组合即可得到设计最优的供应链网络。
可以理解，如图5所示，在本发明的另一实施例中，所述供应链网络设计方法还包括以下内容：
步骤S5：将各种供应链数据分别作为一种影响因子，通过构建影响因子重要性矩阵并对矩阵中的元素进行排序，以分析各个影响因子的重要性。
可以理解，本发明的供应链成本数学模型基于各个成员的多种供应链数据构建而成，而不同的供应链数据对于供应链成本的影响是有差异的，例如，不同的产品需求量和不同的油价对于供应链成本的影响存在明显差异，产品需求量对于供应链成本的影响要大于油价的影响。因此，而本发明通过将各种供应链数据分别作为一种影响因子，通过构建影响因子重要性矩阵并对矩阵中的元素进行排序，从而可以分析各个影响因子的重要性，为后续供应链网络的优化设计提供参考依据，有利于进行供应链成本控制。
其中，作为一种选择，可以以构建的供应链成本数学模型为基础构建因子重要性矩阵并对矩阵中的元素进行排序。具体地，构建因子重要性矩阵A：，m表示矩阵的维数，矩阵A中的元素为：，其中，xi表示第i个影响因子，例如为运载工具、运输方式、油价、产品短缺成本、产品超额成本等中的任一者，|C(xi+1)-C(xi)|表示第i个影响因子的数值增加1时供应链成本的变化值，|C(xj+1)-C(xj)|表示第j个影响因子的数值增加1时供应链成本的变化值，当第i个影响因子相比于第j个影响因子更重要时，|C(xi+1)-C(xi)|/ |C(xj+1)-C(xj)|越大，即ai,j的值越大。然后，利用order函数对矩阵A中的各个元素进行排序，具体表示为： Domcost=order(Am×m)，其中，Domcost表示基于供应链成本为基础的影响因子重要性序列，从而根据Domcost中的排序情况就可以获知各种供应链数据对于供应链成本的重要性，有利于进行供应链成本控制。
可选地，作为另一种选择，也可以以网络结构为基础构建因子重要性矩阵并对矩阵中的元素进行排序。具体地，构建因子重要性矩阵B：，其维数为m，矩阵B中的元素为：，其中，xi表示第i个影响因子，例如为运载工具、运输方式、油价、产品短缺成本、产品超额成本等中的任一者。|n*(xi+1)-n*(xi)|表示第i个影响因子的数值增加1时最优同级供应链成员数量n*的变化值，|n*(xj+1)-n*(xj)|表示第j个影响因子的数值增加1时最优同级供应链成员数量n*的变化值，当第i个影响因子相比于第j个影响因子更重要时，|n*(xi+1)-n*(xi)|/|n*(xj+1)-n*(xj)|越大，即bi,j的值越大，意味着第i个影响因子对于最优二级供应链网络结构的影响大于第j个影响因子。然后，利用order函数对矩阵B中的各个元素进行排序，具体表示为：Domstr=order(Bm×m)，其中，Domstr表示基于网络结构为基础的影响因子重要性序列，从而根据Domstr中的排序情况就可以获知各种供应链数据对于供应链网络结构的重要性，例如可以找出哪个影响因子对于最优同级供应链成员数量的影响最大，从而可以进行针对性、高效率的网络结构调整。
可以理解，运输成本受车辆型号、运输方式（铁路运输、水路运输、公路运输等）的影响，不同车辆型号和不同运输方式的运输成本存在差异，这会影响以成本最小化的供应链网络设计。同时，不同类型的产品，超额成本与短缺成本差异较大，这种差异会影响牛鞭效应成本，进而影响供应链网络设计。因此，作为优选的，在所述步骤S5中，还构建了运输成本比例和产品成本比例o/h这两个影响因子，分别对这两个影响因子进行成本重要性分析和结构重要性分析，从而可以探索这两个影响因子的变化对于供应链成本、网络结构的影响差异。可以理解，具体的分析过程如上所述，在此不再赘述。
另外，如图6所示，本发明的另一实施例还提供一种供应链网络设计系统，优选采用上述的方法，该系统包括：
数据获取模块，用于获取供应链网络中各个成员的供应链数据，所述供应链数据包括产品需求量、运输距离、运输车辆型号及载重量、油价、通行费、产品短缺成本和产品超额成本；
供应链拆解模块，用于将供应链网络拆解为多个二级供应链；
设计优化模块，用于对于每个二级供应链，基于各个成员的供应链数据构造同时考虑供应链牛鞭效应和运输成本的供应链成本数学模型，并以供应链成本最小化为目标对所述供应链成本数学模型进行求解，以确定最优二级供应链网络结构；
网络组合模块，用于对多个最优二级供应链网络结构进行组合得到设计最优的供应链网络。
可以理解，本实施例的供应链网络设计系统，通过将复杂的供应链网络拆分为多个二级供应链，对于每个二级供应链，通过构造同时考虑供应链牛鞭效应和运输成本的供应链成本数学模型，并以成本最小化为目标进行优化求解得出每个二级供应链中的最优同级供应链成员数量，从而确定最优的二级供应链网络结构，最后，将得到的多个最优二级供应链网络结构组合得到设计最优的供应链网络。本发明同时考虑了牛鞭效应和运输成本对于供应链成本的影响，提升了供应链网络设计的合理性，大大提高了供应链效率，大幅降低了供应链成本。
可以理解，本实施例的系统中的各个模块分别与上述方法实施例的各个步骤相对应，故各个模块的具体工作过程和工作原理在此不再赘述，参考上述方法实施例即可。
另外，本发明的另一实施例还提供一种电子设备，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器通过调用所述存储器中存储的所述计算机程序，用于执行如上所述的方法的步骤。
另外，本发明的另一实施例还提供一种计算机可读取的存储介质，用于存储进行供应链网络设计的计算机程序，所述计算机程序在计算机上运行时执行如上所述的方法的步骤。
其中，一般计算机可读取存储介质的形式包括：软盘（floppy disk）、可挠性盘片（flexible disk）、硬盘、磁带、任何其与的磁性介质、CD-ROM、任何其余的光学介质、打孔卡片（punch cards）、纸带（paper tape）、任何其余的带有洞的图案的物理介质、随机存取存储器（RAM）、可编程只读存储器（PROM）、可抹除可编程只读存储器（EPROM）、快闪可抹除可编程只读存储器（FLASH-EPROM）、其余任何存储器芯片或卡匣、或任何其余可让计算机读取的介质。指令可进一步被一传输介质所传送或接收。传输介质这一术语可包含任何有形或无形的介质，其可用来存储、编码或承载用来给机器执行的指令，并且包含数字或模拟通信信号或其与促进上述指令的通信的无形介质。传输介质包含同轴电缆、铜线以及光纤，其包含了用来传输一计算机数据信号的总线的导线。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种供应链网络设计方法，其特征在于，包括以下内容：
获取供应链网络中各个成员的供应链数据，所述供应链数据包括产品需求量、运输距离、运输车辆型号及载重量、油价、通行费、产品短缺成本和产品超额成本；
将供应链网络拆解为多个二级供应链；
对于每个二级供应链，基于各个成员的供应链数据构造同时考虑供应链牛鞭效应和运输成本的供应链成本数学模型，并以供应链成本最小化为目标对所述供应链成本数学模型进行求解，以确定最优二级供应链网络结构；
对多个最优二级供应链网络结构进行组合得到设计最优的供应链网络；
所述基于各个成员的供应链数据构造同时考虑供应链牛鞭效应和运输成本的供应链成本数学模型的过程具体包括以下内容：
基于报童模型构建二级供应链的牛鞭效应成本模型；
基于供应链供给区域面积确定产品的上端供应链运输距离和下端供应链运输距离，并基于运输方式确定单位距离成本，从而构建得到二级供应链的运输成本模型；
基于牛鞭效应成本模型和运输成本模型加总得到供应链成本数学模型；
所述基于报童模型构建二级供应链的牛鞭效应成本模型的过程具体包括以下内容：
基于报童模型构建均值损失函数：g(p,q)＝o*E(q-p)++h*E(p-q)+，其中，g()表示均值损失函数，o和h分别表示产品的超额成本和短缺成本，E()+表示取均值函数，p表示订货量，q表示需求量，(p-q)+＝max{p-q,0}，(q-p)+＝max{q-p,0}；
将均值损失函数转化为积分形式：
Figure FDA0004056859120000021
其中，
Figure FDA0004056859120000022
Figure FDA0004056859120000026
f(p)表示需求量p的正态密度分布函数，其均值和方差分别为μp和σp，令g′(p，q)＝0，求出g(p,q)的最小值点
Figure FDA0004056859120000023
F()表示正态密度累积分布函数；
令z＝(p-μp)/σp代入g(p,q)得到：g(p，q)＝o(z+θ(z))σp+hθ(z)σp，其中，
Figure FDA0004056859120000024
φ()为标准正态密度函数，而z*＝(p*-μp)/σp，则g(p,q)的最小值C0＝(o+h)Φ(z*)σp，Φ()表示标准正态累积分布函数。
2.如权利要求1所述的供应链网络设计方法，其特征在于，所述需求量p的正态密度分布函数的方差计算过程为：
假设二级供应链成员i的需求为di,t，其需求预测方法为di,t＝αi+ρdi,t-1+εt，其中，αi为常数项，εt为误差项，其服从均值为0方差为σ且相互独立的正态分布；
假设二级供应链的成员具有同质性，则二级供应链需求为：
Figure FDA0004056859120000025
Figure FDA0004056859120000027
其中，n表示同级供应链成员数量，ρ表示自相关系数，L表示前置期；
求解Pt的方差得到
Figure FDA0004056859120000031
3.如权利要求2所述的供应链网络设计方法，其特征在于，所述运输成本模型的构建过程具体为：
基于供给区域面积和每个成员的运输距离确定上端供应链和下端供应链的每车平均运输距离为δμn1/2和δΓn-1/2，其中，δμ和δΓ分别表示上端供应链和下端供应链的距离参数，与供应链供给区域面积有关，n表示同级供应链成员数量，基于油价和通行费确定上端供应链和下端供应链的单位距离成本，从而计算得到上端供应链和下端供应链的每车平均运输成本为Ψμδμn1/2和ΨΓδΓn-1/2，其中，Ψμ和ΨΓ分别表示上端供应链和下端供应链的单位距离成本，则运输成本模型可表示为：
Figure FDA0004056859120000032
其中，dL表示二级供应链在前置期L的总需求量，
Figure FDA0004056859120000033
β表示基本需求量，d0表示初始需求量，kμ和kΓ分别表示上端供应链运载工具和下端供应链运载工具的每次装载量。
4.如权利要求3所述的供应链网络设计方法，其特征在于，所述以供应链成本最小化为目标对所述供应链成本数学模型进行求解，以确定最优二级供应链网络结构的过程具体为：
供应链成本数学模型表示为：C＝C0+Cp，其中，
Figure FDA0004056859120000034
Figure FDA0004056859120000041
将数学模型C重新表示为：
Figure FDA0004056859120000042
Figure FDA0004056859120000043
Figure FDA0004056859120000044
Figure FDA0004056859120000045
显然A1、A2、A3均大于0，对数学模型C关于n进行求导即可获得最优解，从而得到最优同级供应链成员数量n*。
5.如权利要求1所述的供应链网络设计方法，其特征在于，还包括以下内容：
将各种供应链数据分别作为一种影响因子，通过构建影响因子重要性矩阵并对矩阵中的元素进行排序，以分析各个影响因子的重要性。
6.一种供应链网络设计系统，采用如权利要求1～5任一项所述的供应链网络设计方法，其特征在于，包括：
数据获取模块，用于获取供应链网络中各个成员的供应链数据，所述供应链数据包括产品需求量、运输距离、运输车辆型号及载重量、油价、通行费、产品短缺成本和产品超额成本；
供应链拆解模块，用于将供应链网络拆解为多个二级供应链；
设计优化模块，用于对于每个二级供应链，基于各个成员的供应链数据构造同时考虑供应链牛鞭效应和运输成本的供应链成本数学模型，并以供应链成本最小化为目标对所述供应链成本数学模型进行求解，以确定最优二级供应链网络结构；
网络组合模块，用于对多个最优二级供应链网络结构进行组合得到设计最优的供应链网络。
7.一种电子设备，其特征在于，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器通过调用所述存储器中存储的所述计算机程序，用于执行如权利要求1～5任一项所述的方法的步骤。
8.一种计算机可读取的存储介质，用于存储进行供应链网络设计的计算机程序，其特征在于，所述计算机程序在计算机上运行时执行如权利要求1～5任一项所述的方法的步骤。
CN202211471834.1A 2022-11-23 2022-11-23 供应链网络设计方法及系统、电子设备、存储介质 Active CN115577982B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211471834.1A CN115577982B (zh) 2022-11-23 2022-11-23 供应链网络设计方法及系统、电子设备、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211471834.1A CN115577982B (zh) 2022-11-23 2022-11-23 供应链网络设计方法及系统、电子设备、存储介质

Publications (2)

Publication Number Publication Date
CN115577982A CN115577982A (zh) 2023-01-06
CN115577982B true CN115577982B (zh) 2023-04-07

Family

ID=84590633

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211471834.1A Active CN115577982B (zh) 2022-11-23 2022-11-23 供应链网络设计方法及系统、电子设备、存储介质

Country Status (1)

Country Link
CN (1) CN115577982B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114708043A (zh) * 2022-05-25 2022-07-05 湖南工商大学 一种供应链牛鞭效应测度方法及系统、设备、存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030236718A1 (en) * 2002-06-14 2003-12-25 Yang Lou Ping Buyer, multi-supplier, multi-stage supply chain management system
US11328229B1 (en) * 2019-06-03 2022-05-10 Blue Yonder Group, Inc. Time-based decomposition for supply chain optimization problem
AU2020379834A1 (en) * 2019-11-05 2022-06-09 Strong Force Vcn Portfolio 2019, Llc Control tower and enterprise management platform for value chain networks

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114708043A (zh) * 2022-05-25 2022-07-05 湖南工商大学 一种供应链牛鞭效应测度方法及系统、设备、存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
郭海峰 ; 李白 ; .基于模型参考预测控制的时滞闭环供应链仿真分析.沈阳理工大学学报.2020,(03),58-64,74. *

Also Published As

Publication number Publication date
CN115577982A (zh) 2023-01-06

Similar Documents

Publication Publication Date Title
Niavis et al. Ranking and causes of inefficiency of container seaports in South-Eastern Europe
Singh et al. Evaluation of common barriers to the combined lean-green-agile manufacturing system by two-way assessment method
CN110555640A (zh) 路由规划的方法和装置
CN113077103B (zh) 运输网络规划方法和装置
Rabbouch et al. Efficient implementation of the genetic algorithm to solve rich vehicle routing problems
CN109471783A (zh) 预测任务运行参数的方法和装置
CN111967796A (zh) 食品企业信用评分方法、装置和电子设备
Jiang et al. A scheme for determining vehicle routes based on Arc-based service network design
CN113537850A (zh) 仓储优化方法、装置、计算机设备和存储介质
CN114202256B (zh) 架构升级预警方法、装置、智能终端及可读存储介质
CN114708043B (zh) 一种供应链牛鞭效应测度方法及系统、设备、存储介质
JP5831363B2 (ja) 製造工期予測装置、製造工期予測方法、及びコンピュータプログラム
Shaabani et al. A matheuristic for the multi-product maritime inventory routing problem
CN115577982B (zh) 供应链网络设计方法及系统、电子设备、存储介质
CN117787563A (zh) 基于大数据的产业园供应链服务系统及方法
CN110706019A (zh) 有效价签推送方法、装置、计算机设备和存储介质
CN116739332A (zh) 一种基于大数据的产业链智能管理方法、系统及介质
Deflorio et al. Freight distribution performance indicators for service quality planning in large transportation networks
CN112561412B (zh) 目标对象标识的确定方法、装置、服务器及存储介质
CN113837677A (zh) 物流线路生成策略的确定方法、装置以及设备
CN113421014A (zh) 一种目标企业确定方法、装置、设备和存储介质
Chang et al. Probe of the replenishment strategy and grouping rule in the semiconductor industry
Yang et al. A Learning and Optimization Framework for Collaborative Urban Delivery Problems with Alliances
Wang et al. Ride-hailing origin-destination demand prediction with spatiotemporal information fusion
CN117807377B (zh) 多维度物流数据挖掘与预测方法及系统

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