基于生产商的供应链协调机制的研究大学论文

1、基于生产商的供应链协调机制的研究摘要：本文首先引出了供应链和供应链的层级关系，接着建立了基于生产商的供应链协调机制 的模型，最后应用模拟退火算法对模型进行分析求解。关键词：供应链的层级关系，供应链协调，模拟退火算法Abstract: This paper refers to the supply chain and supply-chain hierarchy, and then,established based on the manufacturers supply chain coordination mechanism of the model, Finally, app licati

2、on of simulated annealing algorithm to solve the model for analysis.Keywords: relationshi p between the level of the supply chain, supply chain coordination, simulated annealing1引言近年来，供应链管理在理论和实践上都快速发展进步。经济全球化的背景下， 企业更加注重加强公司的核心竞争力，将公司的物流过程划分为多个可独立操作的决策单元,这些所谓的决策单元在物料流和信息流的网络中通过契约所发挥作用,供应链管理可以被认为是通过

3、有序的控制各种独立的决策单元已达到整个物流过程的协调。因此供应链管理在整个供应网络就变得更具有操作性。首先分析供应链网络中的生产商和供应商。如图1所示。为了满足外部消费市场上客户的需求，生产商向供应商订购用于生产产品所需用的零部件,供应商根据自己的供货能力状况，不断交付零部件。虽然供应商很有可能在某一时期内未按订单量及时交付零部件,但长期来看，供应商的交付量和生产商的订单量是相符合的。17图1供应链因此，我们认为生产商和供应商之间是有层级关系的,生产商处于上层级，而供应商处为了于下层级。从生产商的角度看， 他并不完全知道供应商的按时交付零部件的供货能力, 协调供应链，我们设置了一种因供应商不能

4、按期按量及时交货的惩罚成本的措施。如图所示。为了满足外部市场需求，我们可以考虑把整个过程划分成t=1,.,T个时期，q =( q1 ,.,qT)代表生产商的订单量，和相应的交付量是相互协调的。图2生产商和供应商的层级更确切的说，订单q是自上而下影响的，是属于面向任务性的层次结构, 是属于面向控制性的层次结构，面向控制性的层次结构是领导协调性质的,应链的正确有效执行。再看一下信息对称的冋题。一般来说，供应链中存在信息不对称的情况,而惩罚成本K它能保证整个供即生产商和供应商并不全部透露其数据信息,各自会保留一些私人信息。 也就是说，他们不透露其所有信息，这就导致了信息的不对称性。信息不对称性会导致

5、机会主义行为的产生，机会主义行为使得人们就很难掌握供应链的特性，这就往往难以形成一种长期的信任协调机制。由于存在私有信息，我们可以关注并量化私有信息对整个供应链整体性能的影响。通常供应链协调的问题应处于供应链网络之中去考虑。比如说，一个供应商可以对应多个生产商。考虑到这种在网络中影响的存在，我们可以把供应商的供应能力看成是动态随机 的。2模型首先，我们建立基于生产商的供应链模型，接着讨论它是如何协调的。生产商生产来自外部消费市场中客户订购的各种产品。因此，生产商模型将被视为有限产能的线性规划模型。为了简单定量分析，让我们假定整个规划客户所订购的时期T是已知的，这些订单I (1=1, T)代表生

6、产制造一系列的产品j (j=1,j),每种订单I都有相同的到期时间E。为了完成客户订单，生产商需向他的供应商订购对零部件i的订单量qit。目标函数:TT IC (CY +c弋 + + C_Y_)吃 2 Pidittz1t=1 i =l+ 2 F max 也jl =1能力适应约束:齐+ =Yt +x+X V1,. .T-1,Y乜Y 和x,Yt-兰Y-maxvt能力约束:j t无无 aj,t+上Xjk Yt +yt j J kA/t = 1,. .T,1,网络约束:Tpi Vj,T送（t + Dj）Xjt -LTU1到期期限时间巧6699977图4外部订单结构产品j时期11234567140帕20

7、20201020-1401020201034G20420图5 t时期产品j的市场消费能力常量数值C山5（元/小时）C十1 （元加时）cr叱元/小时）40 （元）y + iH 垂（元）y - iDB30元）C2 （元/小时）/-閒（元/小时）Z （元/祥）卩】.e10（元/件）K1.5（元/件）图6生产商数据4模型算法设计本模型中应用模拟退火算法进行分析设计。模拟退火算法来源于固体退火原理，将固体加温至充分高，再让其徐徐冷却，加温时,固体内部粒子随升温变为无序状，内能增大，而徐徐冷却时粒子渐趋有序，在每个温度都达 到平衡态，最后在常温时达到基态，内能减为最小。模拟退火算法（Simulated A

8、nnealing， SA）最早由Kirkpatrick等应用于组合优化领域，它是基于Mente-Carlo迭代求解策略的一种随机寻优算法，其出发点是基于物理中固体物质的退火过程与一般组合优化问题之间的相似性。模拟退火算法从某一较高初温出发，伴随温度 参数的不断下降，结合概率突跳特性在解空间中随机寻找目标函数的全局最优解，即在局部最优解能概率性地跳出并最终趋于全局最优。模拟退火算法是一种通用的优化算法，理论上算法具有概率的全局优化性能，目前已在工程中得到了广泛应用，诸如VLSI、生产调度、控制工程、机器学习、神经网络、信号处理等领域。从而可有效避模拟退火算法是通过赋予搜索过程一种时变且最终趋于零

9、的概率突跳性,免陷入局部极小并最终趋于全局最优的串行结构的优化算法。4.1解的编码r 1产品j在t时期内生产 xt j= JL 0产品J在t时期内不生产4.2初始解的形式4.3XMN=0,0,0,0,1,0,0,1,1,0,1,1,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0市场消费能力的的编码4.4市场消费能力的的形式CCt jr I产品j在t时期内有市场需求0产品j在t时期内无市场需求ccMN=0,0,1,1,1,1,1,1,1,0,1,1,0,1,1,1,0,0,1,0,0,1,0,0,0,0,0,0,0,1,0,0,0;4.5产品j的数量vN=0,

10、10,10,20,20,20,10,104.6产品j的零部件数量nN=0,10,10,20,20,20,10,104.7马氏链长度Lk=16384此数值表示在一次降温过程中解在搜索领域中所遍历一次的次数。4.8温度初始温度：T=100终止温度：Tmi n=0.14.9退火温度变化系数5.1首次降温中与解随机搜索相对应的目标值的分布，见图图7首次降温中与解随机搜索相对应的目标值的分布e=0.954.10模拟退火算法程序流程图详见附页1图10 4.10算法程序详见附页 25算法结果分析:7.横坐标表示解在随机搜索过程中（马氏链自增过程） 被接受的次数，纵坐标表示目标函 数值的大小。从图7中可以清晰

11、地看到，模拟退火算法在T=100的首次降温中目标函数值随着每次解的随机搜索的变化而变化的随机分布过程。5.2最优解随降温次数的变化分布，见图8.图8最优解随降温次数的变化分布横坐标表示降温的次数，纵坐标表示目标值的大小。从图8中可以看到，模拟退火算法在随机搜索该模型中目标函数最优解的过程中取得了 很好的效果，最后的得到一个稳定的最优解。5.3程序最终输出结果，见图 9.tc= 1T=Q.103505 m=135871 OSO.OOthof array is：O,1.,0.0,1,0,0,0,0.1,1,0,0.1,0,1,0,0,0,1,O,O,*O,Q,Q,Q,th bst total co

12、st of th b3t array is：1030.ooooooPress any key to continue图9程序最终输出结果从图9的模拟退火算法程序的输出结果中我们看到,降温共经历了 134次，最终温度是13587次，而解在这13587次随机搜0.103505，解在领域随机搜索中满足消费能力的次数是索中目标函数值被优化的次数为5482次，最后得到的目标函数最优解是1080元，并相应得到解在领域随机搜索中的最优解。参考文献:1谢金星，邢文训.最优化理论与智能算法.清华大学出版社.2000.2 Christoph Schneeweiss *, Kirstin Zimmer. Hiera

13、rchical coordination mechanisms within the supply chain.European Journal of Operational Research 153 (2004) 687 - 703附页1:模拟退火算法程序流程图:图10模拟退火算法程序流程图附页2:模拟退火算法程序（用C语言编写，在 Visual C+ 6.0软件上实现）：#includevstdio.h#includevstdlib.h#include#include#define M 5#define N 8float random0_1();/产生0到1的随机函数int random1

14、_4();/产生1到4的随机函数void decision_variables_change(int xMN);解的领域随机搜索函数int consu mp tion_constaints(int xMN);/消费能力约束函数float inventory_cost(int xMN);/库存成本函数float p roduction_ca pacity_cost(int xMN);float total_cost(int xMN);/生产能力成本函数/总成本函数/主程序void main()int ccMN=0,0,1,1,1,1,1,1,1,0,1,1,0,1,1,1,0,0,1,0,0,1

15、,0,0,0,0,0,0,0,1,0,0,0;/int xNN=0,0,0,0,1,0,0,1,1,0,1,1,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0;int xNN=0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,1,1,1,1,1,1;int nN=0,10,10,20,20,20,10,10;int vN=0,10,10,20,20,20,10,10;int i,j,k=0,m=0,c=0;int XMN;int L;/马氏链长度值int Lk=16384;/马氏链长度int Xbes

16、tMN;/最优解float F0;/目标函数初值float F,E,w,s;float Fbest;/目标函数最优值float T=100;/初始温度float Tmin=0.1;float e=0.95;最终温度温度变化系数/ T=e*T;prin tf(T=%fn,T);降温while(T=Tmin)/判断温度模拟退火算法外循环/k=0;/m=0;L=0;if(T=100)马氏链长度初值/为目标函数最优值赋初值Fbest=total_cost(x); p rintf(Fbest=%fn,Fbest);srand(unsigned) time(NULL);while(LvLk)/马氏链长度判

17、断模拟退火算法内循环p rintf(T=%.2fn,T);decision_vanables_change(X);/ 一次降温过程中解的一次领域随机搜索L+;P rintf(L=%dn,L);一次降温过程中马氏链长度自增c=consu mp tion_constaints(X);p rintf(c=%dn,c);if(c=1)/解是否消费能力约束m+;P rintf(m=%dn,m);一次降温过程中解满足消费能力约束的次数/for(i=1;iM;i+)/for(j=1;j0|ws)判断目标值的优越性/if(Fbest-F)0|ex p( (Fbest-F)/T)ra ndomO_1()/if(

18、Fbest-F)0)p rintf(w=%fn,w);p rintf(s=%fn,s);p rintf(the new random of array is:n);for(i=1;iM;i+)for(j=1;jN;j+)p rintf(%d,Xij);if(j=N-1) p rintf(n);k+;printf(k=%dn,k);/ 一次降温过程中测试可行解的产生次数for(i=1;iM;i+)for(j=1;jN;j+)/Xbestij=Xij;/产生最优解Fbest=F;continue;break;prin tf(n);P rintf(T=%fn,T);输出温度p rintf(Fbest

19、=%fn,Fbest);产生最优目标值T=e*T;/降温P rintf(m=%dn,m);/输出随机解满足消费能力的次数p rintf(k=%dn,k);/输出随机解满足被优化的次数/输出最优解p rintf(the best of array is:n);for(i=1;iM;i+)for(j=1;jvN;j+)if(j=N-1) p rintf(n);Printf(the best total cost of the best array is:);/ 输出最优目标值p rintf(%fn,Fbest);p rintf(n);总成本函数float total_cost(int aMN)in

20、t p=10;float tc=0;tc=100* p+p roduction_ca pacity_cost(a)+inventory_cost(a);retum(tc);float production_ca pacity_cost(int aMN)/ 生产能力成本函数int vN=0,10,10,20,20,20,10,10;产品 j 的零部件数量int i,j,n=0,Ynormal=0,Yincrease=0,Ydecrease=0,Yovertime=0;/float Cnormal=0.5,Cincrease=1.0,Cdecrease=0.2,Covertime=2.0; / 生

21、产能力成本系数float k=0,cc=0;for(i=1;iM;i+)for(j=1;j=0&*=40) Ynormal=n;Yincrease=0;Ydecrease=40-n;Yovertime=0;if(n=40&*=70) Ynormal=40;Yincrease=n-40;Ydecrease=0;Yovertime=0;if(n=70) Ynormal=40;Yincrease=30;Ydecrease=0;Yovertime=n-70;k=0.5*Ynormal+1*Yincrease+0.2*Ydecrease+2*Yovertime;/k=Cnormal*Ynormal+Cincrease*Yincrease+Cdecrease*Ydecrease+Covertime*