迈创智慧供应链规划研究

1、智慧供应链实现的探索性研究以上海迈创的供应链管理系统为例作者：曹布阳摘要本研究项目来源于同济大学软件学院与上海迈创电子有限公司（Maitrox）的智慧供应链合作项目。项目背景：智慧供应链项目是迈创供应链针对国产品牌手机及消费类电子厂商提供的售后供应链整理解决方案中的IT支撑系统。在整个供应链解决方案中，旨在利用高效、低成本的IT系统来打通品牌商、OEM厂商、仓库、转运点、服务站、维修厂等各环节上的数据节点，为备件计划、运营、调拨、配送等服务提供决策支持。提高维修达成率及客户满意度，并在此基础上有效管理备件生命周期，减少库存资金占用，最终达到降低售后综合服务成本的目的。本项目针对迈创供应链物流、

2、仓储等供应链服务中的数据库管理、流程规划、仓储预警管理和运输管理等方面的业务需求，对迈创供应链进行全局规划和数据管理等关键技术上的支持和创新，从而为迈创供应链提供更加高效、合理的供应链决策方面的信息支持，提高迈创供应链供应链管理的信息化和智能化水平。供应链整体效率的高低不仅基于基础设施的完善水平，还与整个供应链上下游的衔接水平以及供应链各环节的信息化、智能化、协同化密不可分。本项目旨在通过对迈创供应链实际业务中大量数据的整理和分析工作，深入挖掘供应链中各环节的数据关联，实现数据同步，联动管理，通过预警、仓储、运输等模型优化实际业务的运营效率，提高供应链的信息化和智能化水平，并最终通过友好的交互

3、管理界面，提高日常业务管理的效率和便捷化程度。对迈创的供应链系统而言，完善信息化及智能化程度、提升数据库管理效率、补强物流和智慧供应链管理信息系统是重中之重。对于企业运营来而言，这也是弥补迈创供应链薄弱环节、打破制约效率瓶颈的重要工具，而其中完善的物流数据挖掘技术是提升物流效率和管理信息化水平的重要创新点和关键所在。高效、便捷的智慧供应链管理信息系统对于提高其自身的管理水平和核心竞争力具有非常重要的实际意义和应用价值。1、引言在如今互联网高度发达、大数据日益膨胀的年代，传统的供应链服务已然不能满足客户和供应商的需求。传统供应链由于存在大量的人工干预，因此供货效率低下、智能化水平低，不能有效的面

4、对复杂多变的仓储运输需求状况2。本课题项目在迈创供应链实际供应链业务的基础之上，通过分析业务需求，设计了配件损耗率预测、仓储预警、运输优化、物流信息系统构建等几大系统对供应链进行全局优化。其中损耗率预测模型处于供应链上游，为整个供应链业务量提供数据预测功能；仓储预警和运输优化处于供应链中游，为迈创实际业务操作提供便利化服务，降低运营成本；物流信息系统为全局系统，涵盖供应链上中下游各环节的各类物流信息，在提高迈创业务信息化水平基础上，为业务智能化提供数据支持。各系统在供应链不同环节进行优化服务，又密切协作，服务于供应链整体。图1. 1传统供应链通过构建智慧供应链，我们旨在通过互联网、数据库操作、

5、运筹学、可视化等相关技术，通过网络数据库的远程操作进行数据的处理和传输，根据迈创实际业务，运用运筹学内相应的仓储策略模型和运输优化模型，对整体供应链的关键环节加以优化，构建一套根据现有数据的供应链优化系统，通过数据分析和构建模型，对于整个供应链的供疏情况进行预测、建模，并最终通过地图和业务流程等可视化技术加以呈现，为管理人员提供库存预警和管理信息、以及运输优化方案和决策支持服务。图1. 2智慧供应链该智慧供应链服务的主要目的是减少人工干预，在节省人力成本的基础之上，提高管理的规范化水平，提升供应链的运作效率，通过提供便捷化的供应管理和可视化的运输策略，为决策提供参考支持。本文参考迈创供应链的手

6、机配件采购详情，提出一整套构建智慧供应链的想法并在供应链整体考虑的基础上研究细节问题具体的实现策略。2、设想的提出构建智慧供应链是一个复杂的课题，关键在于疏理并有效构建智慧供应链的服务功能。迈创供应链在供应链上下游的功能定位，是负责从香港等发货点往亚洲一些国家配送手机配件,工作流程如下：（1）、采购的零部件从国内内地市场供应商运至发货点仓库，然后发货点再转运往国外服务商，并配送至各国家具体的维修点（简称正向运输）。正向物流运输的具体业务流程如下：迈创供应链参照配件预测模型和经验数据，整理出SR单（备件申请单），然后向企业和开放市场发出PO单（订货单），采购相应类型的配件，之后参照配件的运输时间

7、、费用要求，运送到指定仓库点（Warehouse）进行库存管理、并根据库存配件信息结合配件损耗预测模型整理出的需求单，向供应商和开放市场采购，完成业务循环。而在仓库中的配件经过调拨和分批运往服务点（Vender），或者直接装运，送往零售点。部分服务点兼具配件维修功能，能够维修从客户手中返修的零配件，这些服务点将维修过的零配件和新采购的零配件（统称好件）再返回给客户，并将从服务点向客户之间传送配件的信息录入CRM系统，完成正向物流环节。（2）、坏件（损坏的配件）回流流程如下：先从海外各地客户处收集产生坏件维修的需求，并运回当地维修点，在本地维修高维工厂维修或送往国内维修厂进行维修，维修成功的好件

8、再次经服务点出售，而未修理好的坏件则返回仓储点，并产生新的配件需求，由计划部门通知采购部直接到生产厂商和开放市场上进行采购，采购成功则再次汇入正向物流。图2. 1运输路径优化参照现代化供应链主要组成部分的功能，迈创供应链现阶段主要的功能瓶颈在于仓储的人工管理成本高昂、信息化水平不足，缺乏有效的仓储预警机制和详细分类目的仓储管理系统，包括预测需求、制定库存方案、进货预警、采购方案、订购线路等；对于物流选择，由于迈创在运输方式选择、线路选择、运输时效与仓储管理时效的同步上存在许多管理方式复杂的问题，降低了运输环节的效率。参照以上具体问题，从整个功能划分上来说，我们将制定三个系统：预测系统，库存系统

9、，运输系统，分别对应于预测模型，库存模型，运输模型。3、解决方案首先我们对于供应链中的组成部分, 即预测系统，库存系统，运输系统的功能进行简单介绍，接着详述如何把三者有机融合,以充分体现智慧供应链的在提升供应链效率中的作用。预测系统，顾名思义，就是对于未来某时间段的需求进行预测。将历史数据作为训练集，建立预测系统，输入某一类手机配件和时间参数，系统给出该手机配件在某一时间段的需求量，并将预测结果传递给库存系统。库存系统根据物流以及库存信息建立一套库存模型。手机配件缺货有单位损失费，每次进货会有固定费用，但一次进货太多则造成货物积压，又会导致存储费上升。采用不同的存储策略构建不同的存储模型都会对

10、进货策略造成影响。库存系统接收预测系统传递的预测结果，判断某一种手机配件在未来一段时间内是否缺货，缺货量为多少，并发出预警信息，并将预警信息传递给运输系统。预警信息包括在未来某段时间t和缺货量d。运输系统收集物流信息、配件成本费，关税等，并根据时间约束（预警信息中包含的时间段t）计算最优路径或者最优的配送方案（快递公司的选择）。运输系统将计算的结果进行整理展示，作为一种决策提供给决策者参考。图3. 1三个系统的衔接由上图可以看出，模式的发起点在于预测。预测的有效性与准确性直接影响智慧供应链的功能。预测之所以如此重要的原因在于：（1）、缺货时不能保证有某个仓库一定有缺少的手机配件。一种保证不缺货

11、的方案是，尽可能多的储备货物。但这会造成仓储费激增，资金积压。因此，预测某段时间某种手机配件会缺货，仓库提前备货。（2）、订货提前期。并不是有了需求预测后，缺货的情况就不会发生，因为货物从采集市场运往仓库还需要时间。例如，预测系统告知仓库，5天后电池可能会缺货，这时，物流人员去采购却发现电池最快只能在7天后送达。订货提前期的存在要求我们在做预测时必须将订货准备时间和运输时间添加到预测时间段内。接下来分别介绍三种系统的具体细节和实现方案。3.1 预测系统预测系统的核心是预测模型。在大数据理论和实践快速发展的今天，科学家建立了大量的预测方法和模型。再加上近年数据挖掘的快速发展，预测不再是那么一项艰

12、巨的任务。基本上，建立了预测模型，使用训练数据训练模型，并用测试数据计算错误率。基于错误率，我们就可以对现实的情况进行预测了。下图展示了建立预测模型的过程。该过程是数据挖掘、机器学习的一般化步骤。图3. 2建立预测模型的过程首先我们对于收集到的历史数据进行划分训练数据和测试数据，两者比例一般是7:3。通过使用R语言进行线性回归分析，回归拟合曲线、卡方优度检验、K-means聚类分析等分析方法，分析出手机配件损耗率的关键因素。1 在保量当在保量数据小于2000时，手机配件的损耗率随着在保量的增加而减小，变化比较明显，当在保量的数据大于2000以后，手机配件的损耗率趋近与平稳。但是在保量的数据量大

13、部分都在5000一下，通过聚类分析，在保量在第一个聚类中心1546时，聚类的大小已经为14902，在21596条数据中已经占了近75%，而在这个范围内，手机配件损耗率随着在保量变化明显。所以在保量是影响手机配件损耗率的一个关键因素。2 国家或地区通过卡方优度检验方法，假设手机配件的损耗率与国家和地域无关，得出的概率值P<0.01，所以假设不成立，手机配件的损耗率和国家/地域有关，另外通过分析结果也可以看出，每一个国家或者地区手机配件的损耗率都不同。另外从影响手机配件的损耗率的因素考虑，不同的国家/地域，在保量的大小不同，温湿度不同等等，也可以看出，国家/地域是影响手机配件损耗率的一个关键

14、因素。3 售出时长通过分析手机售出时间长度，根据回归拟合曲线可以看出，手机配件的损耗率是随着时间的变化而变化的。比如到售出产品7个月的时候，故障率会达到一个峰值，这个时候是手机返修比较多的时候，所以在手机配件的时候，也会注意到什么时候备货量应该比较多。所以售出时长也是影响手机配件损耗率的一个关键因素。4 配件种类 使用R语言单独分析手机的每一种配件可以发现，不同种类的手机配件故障率是不同的，而且每一中配件的变化情况也是不相同的，而且每种配件的保修期，保修数量，故障情况也是不相同的。所以手机配件种类也是影响手机故障率的一个关键因素。参考图3.2，建立预测模型的过程简述如下： 选择并建立预测模型。

15、常见的预测模型有贝叶斯预测模型、平均值模型、回归模型、时间序列法、灰色预测模型等。具体到迈创供应链手机配件运输项目上，选用贝叶斯预测模型和时间序列法，给定时间参数和配件参数就能得到预测的需求。将训练数据输入预测模型后就得到了具有实际预测功能的模型了。 计算错误率。将测试数据输入建立好的预测模型。将预测结果与实际结果进行对比，计算错误率（error rate）。错误率error rate=错误预测数预测总数必须强调的是，所谓错误并不是指预测结果实际结果，比如，预测需求为100但实际需求为101。我们不能因此判断预测结果不准确。在使用假设检验的基础上，我们才能在合理的置信区间内对预测结果进行评估。

16、 预测实际需求。输入时间参数和预测的手机配件种类。模型返回该手机配件的预测需求。最后，部署模型。模型按照接口规范对外提供了数据调用接口传入模型，调用方式可通过公司内部管理应用系统输入参数调用，也可通过第三方Web服务应用输入参数调用。该预测数据相对于工作人员通过经验来进行备货具有较高的准确性和可靠性，目前，该套预测系统已经在公司服务器部署试运行，可直接调用预测数据。3.2库存系统库存系统的核心是库存模型。单独的仓库管理系统只能起到记录货物数量，管理配件信息的作用。为了使库存系统新增预警功能，我们必须设定货物的存储策略。不同的存储策略适用于不同的配件类型。因此，我们首先应该对于配件进行分类。3.

17、2.1 配件分类分类的主要目的是通过对品种，规格极为繁多的库存物资进行分类，使得企业管理人员把主要注意力集中在金额较大，最需要加以重视的产品上，达到节约资金的目的。传统的分类或者称之为管理方法有ABC库存分类法。简言之就是：A类物资占总品种的10%以下，年金额占全部库存物资的年金额的60%到70%。特点是品种数量不多，但价格高，需求不稳定。B类物资占全部库存物资总品种的20%到30%，年金额占全部库存物资的年金额的20%左右，需求量一般。C类物资占全部库存物资总品种的60%到70%，年金额占全部库存物资的年金额的10%到20%。特点是品种数量多，单价低，需求量大、稳定。除了传统的ABC库存分类

18、法外，我们也可以使用数据挖掘的技术对货物进行分类。由于这里我们讨论的分类数据并不具有明确的类标号，即现实中我们并不清楚该种物资分为哪一类，因此实质上，我们这里所说的分类是指无监督的分类，即聚类。聚类方法纷繁复杂，我们在这里只讨论一种具体的实现k均值（k-Means）。K均值聚类用于n维连续空间中的对象。为了简便，我们假设对货物分类时只考虑两个属性：货物的种类和单价。基于这两个数据，对配件的模拟分类结果如下：图3. 3货物分类结果如图3.3所展示的，红色点分布趋向于种类少而单价贵，因此代表A类，绿色点分布趋向于种类偏多而单价偏贵，因此代表B类，蓝色点分布趋向于种类多而单价低，因此代表C类。实际分

19、类中不可能只根据单价和种类这两个数据，还必须考虑实际业务需求。3.2.2存储策略分类后，我们对不同类型的手机配件应用不同的存储策略。通常存储策略分为以下三类：S,s策略S,s,t策略t循环策略图3. 4三种存储策略t-循环策略：每隔时间t补充存储量Q。适用于需求稳定的C类货物。S,s策略：当前库存量q > s时不补充，q <= s时，立刻补充存货。补货量Q = Sq。适用于需求随机、不稳定的系统。S,s,t策略：每隔时间t检查一次，当存量q > s时不补充，当存量q <= s时，补充量Q = Sq。适合需求随机的系统。模型中的各个参数需要用到实际的业务数据计算得出。这些

20、业务数据可能包括：需求率、单位存储费、订购费、订货量、单位缺货费等。其中有些数据并不是原始数据，需要根据业务需求得出。三种存储策略各有优劣。从实用性上来看，似乎S,s策略最好，因为S,s策略随时监控仓库存储，一旦缺货立即补货，不太可能产生缺货情况。但若对所有C类配件都采用S,s策略，计算出的最低库存s可能偏低甚至接近0而最大库存S可能过高，因为C类配件种类多，单价便宜，需求量大，因此适合大量进货且缺货带来的损失小。综上，我们可以得出初步的结论：C类货物采取t循环策略，B类货物采取S,s,t策略，A类货物采取S,s策略。但实际中我们往往不这样做。首先随时监控对系统资源的开销太大，且没有必要，因为

21、在实际的运送中，时间没办法精确的到小时或者更细的颗粒度。具体落实到迈创供应链的实际业务，考虑效率和成本上的影响，计划人员不可能在货物缺货的任意时刻都立刻对货物进行补充。因此我们假设业务人员每天在固定的时刻统一对所有缺少的货物进行配送。在该时刻过后新产生的缺货预警则留到第二天处理。库存系统每天只需要定时对所有货物进行检查一次即可。如下图：图3. 5系统每天检查一次是否缺货考虑到迈创供应链的业务和实际应用情形，我们建议采取S,s,t策略来管理预警货物。因为该库存策略最能适应公司纷繁复杂的业务需求。实际上，配件分类并不是建立库存模型的必要步骤。分类的目的是为了更好的管理，更好地适应库存模型，若公司本

22、身就有一套对于配件的分类机制，那么不建议对货物配件进行重新分类。同理对于存储策略，也不仅仅局限于以上三种，需要明确的是建立存储策略的根本目的是建立预警机制,在下一节我们将详细讨论有关的预警机制。3.2.3 预警机制首先需要讨论的是，为什么需要预警机制。正如前文所介绍，并不是任何时候都可以进货，货物的配送需要时间（订货提前期），这使得我们需要提醒计划人员何时进货以及进货量。预警的真正目的是：在合适的时间将预测需求反馈给计划人员。如何计算预警的时间？如前所述，我们需要订货提前期。这里我们假设订货提前期是一个固定的值t，下一节将会详述订货提前期。以S,s库存策略为例，当库存降低至s时，我们需要立刻补

23、充货物。那么我们自然是希望，当运货运送至仓库的那一刻，当前库存刚好降低至s。于是我们需要提前t天订货。但相对应的问题是，虽然我们知道要提前多少天，但我们无法直接得出具体的订货日期，因为我们也不知道那一天库存刚好降低至s。这时就需要预测系统了。我们将订货提前期t输入预测系统，系统会计算未来t天的需求量Qt，若当前库存Q-Qts，那么根据预测，我们会得出结论：t天后，库存将降低至安全库存s以下；如果我现在进货，那么当货物送达时，库存刚好降低至s，库存得到补充。对于需求不确定的配件，预测模型需要每天都重新计算一次需求，因为从第一天开始经过t天后的需求和从第二天开始经过t天后的需求不同。但对于需求稳定

24、的配件，从任意时刻开始的任何相等的时间段内需求都相同，这时，我们只需要根据当前库存量来判断是否进货：当前库存Qs+Qt时进货，否则不进货。如下图3.6.图3. 6预警指示图另外需要讨论的是加强预警模型的预测条件。在以上讨论中，我们将订货提前期等同于运输时间，但实际中，两者是包含关系。订货提前期还包括准备时间、货物采集时间、装卸货时间等。于是，将这些为了订货而开销的时间都考虑进来，我们可以采取二次预警机制，即在订货提前期的基础上在增加一个时间段t0，t0可以根据实际情况进行假设，比如设为固定值3天。在订货的前三天就发出一次预警，提醒计划人员可以开始准备采购计划了。若在三天内该预警没被处理，则发出

25、二次预警，表示必须立即备货，否则可能面临库存降低至安全库存线s下的风险，影响到运输等其他业务的运行效率。预警系统的建立将极大改善系统的智能化，因为企业不必每次等到库存降至0时才去进货。且不用面临缺货损失费。比如，我们假设单位缺货损失费为2，单位库存为1，每天的需求为10，运输时间为10。那么当库存为100时，就发出进货预警并即刻进货。10天后，货物送达，库存刚好降至为0。在此期间，总的损失费为：库存量×单位库存费×存储时间=1×100÷2×10=500但若当库存降至0时才开始进货，则不仅存在库存费，还将面临缺货损失费：库存费+缺货损失费=500

26、+10×10×2=700.当然损失的不仅仅是费用，还有客户的信赖和期望。3.3 运输系统运输系统的核心是运输模型。串联库存模型和运输模型的是订货提前期。3.3.1 订货提前期在上文的库存模型讨论中，我们为了简便将订货提前期其当成固定值讨论。正如前文所述，订货提前期并不是一个固定值。在运输系统中，运输时间是通过模型计算得出的，因此是一个变量。然而，订货提前期的改变会对库存模型的实际库存量产生微小的震动。比如，库存模型假设订货提前期是10天，而货物在8天内就送达了，因此货物送达时，当前库存并没有降至安全库存线s以下。图3. 7提前送达造成货物积压这就增加了仓库费用，因为最好的订

27、货时间是提前8天而并不是提前10天，多出来的2天会增加额外的存储费。一种简单的解决方案是放任不管。即在库存模型中假设订货提前期为固定值而不管实际的运输时间是多少。当仓库成本很低而物流成本很高时这是一种较好的策略。因为，我们没有必要为了高额的物流费用而必须使得运输时间和预期的订货提前期一致，虽然这样可以降低微不足道的仓储费。这种策略要求我们优先考虑运输费用，而后考虑运输时间。另外，库存系统将需求传递给运输系统时，会传递一个时间参数订货提前期。对于运输系统来说，得到的订货提前期就是时间限制，即运输系统计算出的最优路径（可能不止一条）其运输时间可以小于等于订货提前期，但不能大于订货提前期，否则仓库会

28、面临缺货的风险。因此，对于运输系统来说，他的任务就是计算出一条运输时间小于等于订货提前期且运输费用最少的线路，我们称之为最优路线。当库存费用不能忽视时，我们就需要考虑另一种优先考虑时间后考虑运输费用的策略了。3.3.2最优订购时间优先考虑仓库费用，我们可以采取迭代的思想。库存系统首先假设订货提前期为t，此时通过运输模型计算出在满足运输时间小于等于订货提前期t的所有线路中，运输费用最小的运输线路所需的运输时间是否恰好为t。若是，则发出预警。否则不发出预警，因为我们有理由认为，当前并不是订货的最佳时机，而应该经过一段时间再选用该最优的运输线路。然而，采取以上策略面临该最优线路可能不存在的风险。如下

29、如：图3. 8选择合适的送货时机库存模型预计，t1时刻经过订货提前期t后（到达t4时刻）库存将刚好降低至安全库存线下。因此将需求信息发送给运输系统。运输系统计算的最优路径其运输时间小于t，为t，如上图。因此，采取在t2时刻发货。易得，t2=t1+t-t。按照假设，t2时刻配送，经过时间t后货物刚好在t4时送达。但问题是，我们无法保证在t2时刻原来的最优线路还存在，因为原来的最优线路是在t1时刻计算出来的。具体应用中，我们不必具体到每分每秒。库存系统每天检查一次仓库，基于此，我们可以让运输系统每天都检查一次最优路径，查看最优路径是否发生变化。在图3.8的基础上，我们对于当前策略进行改进，如下图:

30、图3. 9迭代计算最优路线对图3.9的展示进行说明如下：在day1时，库存系统向运输系统发出请求运输线路的需求（包含时间约束t和货物运量等），要求运输系统给出最优线路。此时运输系统计算出满足时间约束的最优路径所需运输时间为t1(见图3.9中红色时间段)，t1小于t。因此，库存系统判断现在不必进货，因为我们可以再库存降到安全线下前，以最优路径将货物送达。于是，day1的库存系统任务结束。到第二天，重复day1的流程，不同的是，库存模型发送给运输系统的时间约束为(t-1)（因为经过了一天），库存模型仍然判断不必进货（因为t2<t-1）。同理第三天也如此。第四天，库存模型向运输系统发出请求最优

31、运输线路的需求（时间约束为t-3），此时计算得出最优线路的运输时间为t4，且t4=t-3（见图中绿色时间段），即此时采用最优线路运输货物恰能在在库存降到安全线以下运到。故在day4这一天发出预警需求。由此我们能归纳出该过程的流程图或算法：图3. 10迭代计算最优线路从实际角度考虑，运输线路的费用一般为固定值，故某一段时间内计算的最优路径一般都会是同一条，前提是该路径的发货点有货这就是为什么运输系统每天都会计算一次的原因，因为，我们不能保证今天的最优路径到明天后还存在，比如该路径的发货点在今天被调出了一批货物而存储不足。从实践的角度而言, 没有那一种策略是最好的，只有最适合的。从简单考虑，我们可

32、以直接采用3.3.1节中提到的放任不管的策略。订货提前期的计算是为了和库存系统形成对接，上文的讨论无形中对运输系统的功能提出了要求根据时间约束计算出最优路径。下面一节进入运输系统的正式构建阶段。3.3.3 模型构建首先明确运输系统的作用根据时间约束计算最优路径。在所要求解的运输问题中, 除了要考虑费用因素外，还需要考虑运输风险、机会成本、人工成本等。往细了说，我们建立一套积分模型，对于各种因素打分，评估出一套对运输线路打分的模型（类似于银行的征信系统）。但实际中，最直接的优劣判断就是运输带来的费用，这可能包括：运输费、海关费、装卸费等。这些费用都是由于运输产生的，我们可以将其合并为运输费。图3

33、. 11费用合并图3.11中，c代表该线路的运输费用，c1,c2,c3分别代表从Philippines,Thailand,Malaysia运往India的运输费，c0代表海关费。将c0分别添加到c1,c2,c3上，作为整体的运输费用。除了费用，还需要考虑运输时间，即整条线路上的运输时间和必须小于时间约束。因此，线路规划的目标就是：找出满足时间约束条件的费用最小的线路。到这里，我们已经建立了运输网络的模型。这是一个有向图，每条边上有两个权值。库存系统向运输系统传递的预测需求中还包含另一个参数货运终点，即告诉运输系统那个仓库缺货。从这层意义上说，运输系统只知道线路的终点，并不知道起点。潜在的起点是

34、那些存储该种手机配件的仓库。因此，运输系统的任务就简化成从多个已知（哪些仓库存储该种配件显然已知）起点中计算出到终点的最优线路。不失一般性，我们只需要单独计算从指定起点到指定终点的最优路径，再比较这些最优路径，从中选择一条最优路径即可。因此，运输系统的任务可以简化为：求解带时间约束的最短路径问题。运输系统的任务图3. 12运输系统的任务图3.12中，运输系统首先生成左图的运输网络图，并指定起终点。运输网络图中包含运输线路的时间和费用。时间和费用分别是该路段的运输时间和运输费用。右图是运输模型计算得出的最优的运输线路及其运输方式（蓝色线条表示）。对于带时间约束的最短路径问题，有许多不同的解法，最

35、简单的蛮力法首先计算两点间的所有路径，这可以通过深度优先遍历来实现。然后计算每条路径的总时间和总费用并比较得出最优路径。该种算法的时间复杂度是O(n2)，对于该算法的优化，可以考虑动态规划、剪枝等策略。我们建议将运输模型中的核心算法做成一个模块，这样可以随时切换算法，使用不同的算法来比较运算时间。为了能更深刻地说明问题，我们举一个例子实际计算实例来展示运输系统的作用。如图3.12所示，图中每个圆表示货运点，圆之间的连线表示路径，路径上标有运输方式（sea，海运，air，航空，highway,公路，train,铁路）。每种运输方式后面带有两个数字表示该边上该运输方式的权值：时间和费用。需求的目标

36、是：在规定时间（Timelimit）内将货物从HK运到TH，使得总运输费用最少。由上图可得，从HK到TH一共有四条路径：HKàTH;HKàINàTH;HKàIDàTH;HKàIDàPHàTH每个路段又有多种运输方式，因此综合考虑运输方式，所有情况考虑如下：HKàTH(3种运输方式的组合) HKà(air)àTH; HKà(train)àTH; HKà(highway)àTHHKàINàTH(2种运输方式的组合) HKà

37、;(air)àINà(air)àTH; HKà(air)àINà(sea)àTHHKàIDàTH(1种运输方式的组合) HKà(air)àIDà(highway)àTHHKàIDàPHàTH(2种运输方式的组合) HKà(air)àIDà(air)àPHà(air)àTH; HKà(air)àIDà(sea)àPHà(air)&

38、#224;TH即综合共有8中不同的运输方式。我们计算出每种运输方式的总时间和总费用。并按费用优先降序，时间第二降序，排列如下： time:7;cost:4 time:5;cost:5 time:7;cost:5 time:3;cost:6 time:4;cost:6 time:6;cost:6 time:3;cost:8 time:2;cost:9时间限制（Timelimit）为6，故满足时间限制的最少运输费用为方案（总时间为5<6）。3.4 其他问题以上步骤并不是必须的，在很多时候我们需要联系业务来设定系统目标。虽然我们想尽量独立业务考虑一种通用的企业级解决方案，但现实中无论如何还是要

39、面临纷繁复杂的业务。首先是预测模型。作为解决方案的起点，预测模型的预测结果是智慧供应链最能体现“智慧”一词的产物。未来的需求没有人能百分百掌握，虽然统计学和数据挖掘在这块领域大有作为，但实际的预测结果仅仅是比经验预判高了几个百分点而已。我们必须正视预测不准可能带来的后果：库存偏高或偏低，货物送达时间过早或过迟。运输费用的不确定性同样是需要注意的问题。实际业务中，费用的计算过程甚至有一套专门的公式。如何将所有费用集中到一条线路中，对于不同的业务是个不小的挑战，虽然在3.3.3节中我们介绍了一种简单实用的想法，但实际中，这种方法未必行的通。说到运输系统，另外一点是，对于运输线路中的大部分计算可能都是无用的。根据迈创供应链的实际运输显示，最优线路往往就是直接从起点运往终点的那条，几乎不存在从起点反复曲折经过不同的运输方式才到终点的线路是最优路径这种情况。这意味着，我们在求最优路