1.04第三方逆向物流再制造网络模型与算法设计

1、 第三方逆向物流再制造网络模型与算法设计1 引言第三方逆向物流不同于企业自身的逆向物流，它是以服务制造企业、物流企业、分销商等整个产品生命周期中出现的各种行业企业为目的的，包括仓储、运输、分拣等内容的独立机构1。采用这种合同化的方式为自己的企业服务，能够实现节约化、规模化、专业化等目的。尽管第三方物流在现代物流活动中起着相当重要的作用，并且得到了较好的发展，但是由于缺乏整体规划和集成的供应链物流管理信息的支持，使其在运作过程中没有发挥最佳的效果 2。尤其是在逆向物流的再制造网络方面的不合理设计，直接对逆向物流的管理效率和效益产生重大影响。本文研究基于第三方的逆向物流管理网络设计问题，给出了再制

2、造物流网络的结构和功能。通过对再制造物流网络中的回收产品数量和质量不确定性的量化，提出将回收产品按质量等级分为可用于再制造和需要报废处理两类，同时建立基于机会约束的随机规划模型。本文采用融合随机模拟、神经网络和遗传算法等关键技术的混合智能算法对模型进行优化求解。最后用实例验证的方式对模型的有效性进行了探讨。实例分析结果表明本模型对于带有随机变量的物流设施服务能力的满足概率为94%，完全能够达到第三方逆向物流高效率、高可靠性的要求。2 第三方逆向物流再制造网络模型设计收稿日期：2010-00-00；修订日期：2010-00-00第三方逆向物流与企业自身的逆向物流的区别就在于前者将整个再制造过程都

3、由与生产实体存在合同及合作关系的独立企业完成3。在产品的再制造物流网络结构上的表现为正向物流有企业自身或其他第三方正向物流单位负责，而整个产品的逆向物流的从回收处理到再制造过程，甚至废弃物处理都由第三方逆向物流企业负责。其结构图为图1所示。图1 第三方再制造逆向物流网络结构示意图产品供应商产品制造商中间商消费者退货及回收处理中心可再制造产品废弃处理产品废弃产品处理中心再制造物流网络结构一般有三种构建方法：在正向物流的基础上扩展构建逆向物流网络；考虑正向物流和逆向物流设施的整合；建立正向和逆向物流相结合的集成物流网络；构建独立的逆向物流网络4。在我们的设计中考虑一个三级的制造/再制造物流网络，包

4、括回收中心、再制造厂和再分销中心三种物流设施，以及再制造和废弃物处理两种方式。本第三方逆向物流网络模型在设计之初需要对模型建立条件进行假设，具体为: 消费区域的划分已知，每个消费区域既是废旧品收集源，又是新生品的市场，产品需求为已知的常量，回收产品中两类不同质量的废旧产品分别为相互独立的随机变量；再制造厂的数目、位置已知，生产能力已知；产品的运输成本与运输距离成正比，各种物流设施的固定投资已知；模型仅考虑单产品单周期的情况，即考虑运营期可计量的经济成本，不考虑时间成本和社会效益。依据这些假设，我们建立了基于第三方逆向物流的网络模型。从图1中可以看出第三方逆向物流主要与消费者、产品制造商、产品供

5、应商、废弃产品处理中心有关，因此其模型的具体形式也将体现这几个方面的内容，第三方逆向物流的目标函数模型如式1所示。 (1)在上述模型中假设第三方逆向物流单位m承担的与消费者n、与产品制造商i、与产品供应商j、垃圾处理站点的单位交易费用函数分别为式25，且它们均假设为对于交易量的连续可微凸函数。 （2） （3） （4） （5）第三方逆向物流单位的固定运营费用包括收购、运输、仓储、分类检修、再加工等，其总费用函数如式6所示。第三方逆向物流单位的再制造网络模型的固定假设如式711所示。 （6） （7） （8） （9） （10） （11）3第三方逆向物流再制造网络模型算法设计第三方逆向物流再制造网络模

6、型涉及到的因素非常多，因此其结构也异常复杂，传统的精确算法对这种模型的应用效果并不明显，我们采用一种混合式智能算法来对上一部分中确定的网络模型进 行求解。这种混合式算法融合了当前流行的随机模拟、神经网络及遗传算法等主流技术的关键部分。本文设计神经网络最基本的三层结构，该结构由输入层、一个隐含层和输出层以前向的方式连接而成。算法设计主要包括编码、适应度计算与评价及选择、交叉、变异等操作步骤。假定回收产品中可再利用的产品和报废产品数量分别服从U(a ,b)均匀分布，且这两个变量是相互独立的。设包括设施选址和各设施之间的物流量的所有决策变量向量Y，则可以得到一训练神经网络不确定函数。针对该不确定函数

7、可以进行上述的编码、适应度计算等算法设计。针对式1中的模型，决策变量Y决定了变量x的取值，即只有当Y为1时x才有可能不全是0。反映到具体的模型上就是当第三方逆向物流的某个备选地址被选中时，才有对产品进行回收的可能。在我们的算法中采用三个消费区和三个备选地址的编码方案，其中Y为二进制编码，其他变量为浮点数编码，且只能取0，1值。具体的编码格式如表1所示。表1 第三方逆向物流再制造网络模型算法编码方式示意图123123101第三方逆向物流再制造网络模型算法的个体适应度计算通过神经网络来完成。将任意个体染色体的编码作为神经网络的输入，可以得到2个输出。定义适应度函数，即若是当前第k个个体，则适应值，

8、其中由U (Y)即可确定，当个体对应的方案不可行时，M大于1，否则等于1，若值越小，则适应度越高。在选择、交叉和变异的选择操作上我们采用比例选择法来选择各个个体向下一代进行遗传的概率值，这是一种回放式随机采用方法。4 实例分析基于第三方逆向物流的网络模型与算法确定后要对其有效性进行验证，仿真和实例验证都是一种非完全实际环境下的验证手段，但相对于仿真的纯模拟性实例验证具有一定的半实物实验的特点，因此其有效性比完全简化的仿真要可靠得多，因此我们采用实例分析的方法对模型与算法进行验证。该实例描述情况如下：针对某种产品有再制造中心一个，废弃物品处理中心一个，消费区域三个，建立回收处理中心的备选地址有四

9、个，以整个处理过程耗费费用最小为最终目标。从不同的处理中心到达不同的区域所用的单位运费设定如表2所示，其中路线1为从分销中心到消费区域的单位距离的运费，路线2为从制造中心到回收处理中心的单位距离运费，路线3为从回收处理中心到再制造中心的单位运费。表2 区域间的运费设定情况表项目路线1路线2路线3新产品0.0020.015无再生品0.0030.0120.004再制造中心的生产能力为5000台套，3个消费区有的逆向物流产品均在第三方逆向物流企业中进行处理，这些废弃产品的单位处理费用为1.2元，各消费区域的回收回收产品中可再制造的产品都服从为均匀分布U(360,500)，报废产品数量服从均匀分布U(200,360)。取置信度为0.6，为0.8，混合智能算法随机模拟200次，得到200组样本数据，训练神经网络，得到合适的权重，种群规模为180，遗传算法交叉概率为0.8，变异概率为0.2，迭代90次，便可以得到最优的方案。第三方逆向物流再制造网络模型与算法的验证通过这种实例方式可以得到较为准确的结果。本方案对带有随机变量的约束条件即物流设施服务能力满足的概率进行验算，建立回收处理中心地址的服务能力满足的概率为94%，这足以说明所得到的方案是能满足