制造业供应链外向物流网络设计

制造业供应链外向物流网络设计摘要企业下游供应链的外向物流网络对企业成功与否影响巨大。本文运用了一种多目标条件下混合灵活的外向物流网络设计。制造业供应链分销网络包括需求已知的特定地区客户群，一组潜在的制造商，一组潜在的中央配送中心和一组潜在的区域配送中心。根据需求的不同性质，一种产品形成三种不同类别，通过三条不同的分销渠道提供给客户群。决策变量包括厂商数、中央分配中心数、区域分配中心数和通过特定分销渠道提供给客户群的每种产品类别的数量。目的是设计多目标网络以使总成本最小化，单位满足率最大化，和物流网络设备资源利用率最大化。该问题表示为一个混合整数线性规划问题，并选择多目标遗传算法（MOGA）,称为非支配排序遗传算法11（NSGA-II），用以解决由此产生的NP（非确定多项式）难题的组合优化问题。关键词外向物流网络设计制造业供应链混合整数线性规划多目标遗传算法—、引言在文明社会或工业社会中，一家企业存在的唯一目的就是通过其增值产品或服务满足社会需求。当且仅当合适的产品在合适的时间地点，以恰当的价格，保质保量送达正确的顾客手中时，社会需求才算处理得当，满足需求。而实现所有这些成果的责任在于供应链的外向物流部分。这强调了设计上佳，协调均衡的外向物流网络在所有供应链中的重要性。供应链中的外向物流网络设计是一个战略决策问题，这通常受到多种相互冲突的目标约束。物流网络设计由四个因素影响制约，分别是：成本，质量，速度和灵活性。顾客期望以尽可能最低的成本，享受到最佳速度和灵活性水平上的最优质量。所以，一条供应链中的外向物流网络的成功程度便取决于它有多快，多灵活，在提供优质产品时它有多高效。随着全球化竞争水平不断提高，企业对创新灵活的外向物流网络的需求也日益凸显，企业需要其很好地达成上述目标。因此，本文对制造业供应链提出一种新颖灵活的外向物流网络，其中单一产品的三类变种产品基于社会对每种产品的不同需求，通过三条不同的分销渠道进行运输。本文的目标有两个：（1）设计有效的外向物流网络，通过灵活的渠道运输社会需要的产品（2）当参数随多重目标的范围变化时，找出物流网络配置的不同之处。文章的其余部分安排如下。第二节概述相关文献，第三节概括问题的性质。而“数学模型，，一节提出了该问题的数学模型，“多目标优化一节”描述了多目标的概念和原则，多目标遗传算法以及非支配排序遗传算法II。“解决方案与计算实验”一节讨论了针对所得混合整数规划问题的解决方案和计算实验。“管理见解”一节概述了管理见解。最后一节“结论”总结整篇论文。二、文献综述流及供应链网络设计一直是供应链研究人员最喜欢的课题。自从20世纪80年代供应链管理学科出现以来，已经有许多人积极学习并仔细研究这个课题，并揭开了该领域很多方面神秘的面纱。由于本文讨论并提出的是一种新颖的混合灵活型物流网络设计方案，以解决制造业供应链中多目标、多阶段、确定的、单周期、单国度的战略决策问题，本文仅考虑此范围内的相关文献。过去，研究人员用各种不同的定义和术语研究供应链物流网络设计。在引用他们的成果时，我们在文献中发现了类似“供应链网络设计”，“生产分销网络设计”，“生产分销系统设计”，“物流网络设计”，“外向供应链网络设计”，“供应链配置”，“供应链设计”等名词，其中大部分名词的意义类似，规划设计下游供应链的概念相仿。比如说“供应链配置”和“供应链设计”看上去很不相同，但事实上都指的是从生产商到顾客的整条供应链区域。分销，纯粹而言，指的是供应链中，商品从制造商到顾客的运输和存储过程。分销是公司整体盈利的主要驱动力，因为它会直接影响供应链成本和客户体验(Chopraetc.，2008)。他们断言，物流网络设计决策对公司绩效有显著影响，因为这些决策决定了供应链的配置，并限定了供应链的范围，而这些正是其它供应链驱动力降低供应链成本或提高回报率的基础。此外，人们普遍认为供应链管理中低成本与高客户满意度的分销计划正是现代企业所需。分销系统设计(Goetschalckx2008)主要集中在以下五个相互联系的决策：1、 确定工厂和配送中心的合适数量2、 确定每个工厂和分销中心的位置3、 确定分配到每个工厂或分销中心的顾客数量4、 确定分配到每个工厂或分销中心的产品数量5、 确定每个工厂或分销中心的吞吐量和存储容量上述步骤意味着供应链外向物流网络需要在其受到科技、经济、政治和环境变化的影响时，能快速高效地进行配置或重新配置。大部分外向物流网络设计的文献都阐述了这一研究的主要内容：DoganandGoetschalckx(1999)，Ioannou(2005)，Rabbanietal.(2008)，Altiparmaketal.(2009)，Gebenninietal.(2009)，ChandraandGrabis(2009)，Kazemietal.(2009)，Cintronetal.(2010)，PaksoyandCavlak(2011)etc.设计与管理外向物流网络是供应链中一项通常跨越10-15年的战略决策。Thanhetal.(2008)，Bachlausetal.(2008)，ManziniandGebennini(2008)，Manzinietal.(2008)，KauderandMeyr(2009)，ManziniandBindi(2009)，Tiwarietal.(2010)等人都已经充分阐明了规划和设计外向物流网络的决策本质。给定地理区域的外向物流网络的设施处于空间分散状态。这种空间因素导致了外向物流网络的多级或多梯队结构，而这些设施网络也有不同的研究人员涉足其中。(Syarifetal.2002；SyarifandGen2003；JayaramanandRoss2003；Genetal.2006；JawaharandBalaji2009etc.)外向物流网络领域的综述文献十分丰富，读者可以参考VidalandGoetschalckx(1997)，SarmientoandNagi(1999)，Goetschalckxetal.(2002)，andMeloetal.(2009).供应链外向物流网络设计的范围和其复杂性通常在于其有一个以上的目标。多重目标在本质上又相互冲突，从而使供应链决策者的工作更加艰难而富有挑战性。供应链研究界已经对该领域进行了非常活跃的研究"ShenandDaskin2005；Dingetal.2006；Altiparamaketal.2006；ElMaraghyandMajety2008；FarahaniandElahipanah2008；KimandMoon2008；Chengetal.2009；ChengandYe2011；Pishvaeeetal.2010；BhattacharyaandBandyopadhyay2010；Liaoetal.2011)。所有这些研究都针对两个或两个以上相互冲突的目标。毫无疑问，外向物流网络总成本的最小化是所有目标中最常见的。一些研究人员也考虑过其它目标中的税后利润最大化，不同梯队下库存水平最低化，全满足率条件下顾客需求最大化和更短交货时间的响应最大化。然而，这些研究的共同之处在于，他们考虑的都是传统的外向物流网络(如图一所示)，即多梯队(或多级)外向物流网络，商品一个接一个依次从生产端(制造商工厂)移动到消费端(客户)。但是，如今的消费者需求日趋复杂，使得创新设计符合成本效益，反应灵敏，灵活多变的外向物流网络有了正当理由。最近几年，Linetal,(2009)提出了一种综合多级物流网络模型，商品通过三条不同的渠道一一正常交货，直接交货，直接装运一一以满足客户需求。在实践中，工业巨头如戴尔和固安捷，已经为他们的生产线设计了新颖的外向物流网络(Chopraetal.2008)，而他们各自都已见证了他们用自己的方法成功地前进很远。此外，Chopraetal,(2008)认为现在仍有足够的空间和范围构思规划，创新设计外向物流网络，以满足不断变化的客户需求和行业发展趋势。所以，本文对此提出一个新的概念与设计方案。本文所提出的制造业供应链混合灵活型外向物流网络的本质和功能将在下节进行阐述。P-PJanls;C-CentratDislribulionCenlcra:R一RegionalDistributionCenltrs;CZ-CustomerZcsrcsFig.1Traditionaloutboundlogisticsnetwork三、问题背景现如今许多行业都面临着客户对于增加产品种类的需求(BilgenandGunther2010)；而且这在汽车行业中非常明显。汽车制造供应链是并且一直都是一个充满活力的商业领域，该领域提供了足够的范围来研究落实供应链管理的理念。汽车行业在其发展战略中医顾客为焦点，为顾客提供生命周期更短，范围类别更广的产品(ChandraandKamrani2003)。科技的快速发展，和顾客对产品风格与设计的口味和需求的迅速变化，使得汽车行业市场大幅波动，汽车行业的本质也不断变化。这种情况由于全球营销和激烈竞争而进一步加剧。这迫使汽车行业推出新车型或改进变种车型，并回收表现出衰败趋势的车型。最终的结果就是汽车用品的寿命越来越短。在这种情况下，传统外向物流网络便显得多余而过时。所以，如今的汽车行业需要设计一种新型有效的外向物流网络。而这篇文章正是在该方向做出了研究。本文提出的汽车制造供应链外向物流网络是混合灵活的，因为每个产品基于不同需求本质的变种产品都拥有单独的分销策略和分销渠道。每个产品基于不同需求本质而分成三类变种，分别是：畅销品，平销品和滞销品。针对这些物品采取不同的分销策略。畅销品让与顾客群更近的地区分销中心存储和配送，更靠近工厂的中央分销中心则适合存储和运输平销品，而工厂内部仓库将存储配送滞销品。图二表示了混合灵活型外向物流网络的理念。上述配送渠道是基于每种情况下相关的交货时间提出的。畅销品、平销品和滞销品分别对应短、中、长预计交货时间。每种产品的存储关键是基于未来可能的召回策略。因此，滞销品由工厂自己储存，平销品储存在邻近工厂的中央分销中心。这样一来，当新产品或改进的产品发布时，它们将存储在区域分销中心，而已有的畅销品将逐渐变成平销品，被转运回中央分销中心。已有的平销品将逐渐变成滞销品，继而被转运回工厂。而已有的滞销品将从此消失。只要公司仍在营业，这一过程便不会停止。Fig.2Hybridandflexibleoutboundlogisticsnetwork四、数学模型在本节中，我们提出了为设计确定的、单一国度的、单周期、多目标、多梯队的混合灵活型外向物流网络而建立的数学模型。该模型是一个混合证书规划模型，属于NP难题(Amiri2006)。首先，我们在下面给出建立该数学模型的假设：1、 物流环节最多四个梯队，^即工厂、区域分销中心、中央分销中心和客户群；2、 该问题在单一时间段建模与解决；3、 客户需求和其他参数值是固定的，因此模型在本质上是确定的；4、 该模型本质上是针对国内的，也就是说它只涉及一个国家，客户地理上分布在一个已知区域；5、 该模型具有多重目标：外向物流网络的总成本最小化，绩效最大化（绩效用容量、需求、流量和其它资源限制下的单位满足率UFR、设备资源利用率RU来衡量）；6、 有三种分销渠道：畅销品从区域分销中心运送给客户，平销品从中央分销中心运送给客户，滞销品从工厂运送给客户；7、 畅销品和平销品从工厂分别运送到区域分销中心和中央分销中心；8、 多批次发货时允许的；9、 多方采购时允许的，比如为满足对特定产品的需求，客户可以由不止一个商家服务；10、 缺货是不允许的。解决该数学模型有望实现以下目标：1、 确定前在区域中工厂、区域分销中心和中央分销中心的所需数量，以满足客户群需求；2、 确定在不同物流节点流通的产品数量；3、 找出上述外向物流网络在不同最有条件下，考虑多目标理想水平时，各种可能的配置。以下是该数学模型中使用的符号：标记：TOC\o"1-5"\h\zi：代表工厂（i=1,2 1）j：代表中央分销中心（j=1,2 J）k：代表区域分销中心（k=1,2……K）1：代表客户群（1=1,2 L）p：代表畅销品q:代表平销品r：代表滞销品参数：I：代表工厂数量J：代表中央分销中心数量K：代表区域分销中心数量L：客户群数量Pj：UiCDC.:中央分销中心jRDCk:区域分销中MkCZl:客户群lb*畅销品p在工厂i的产能bqj：平销品q在工厂i的产能bri:滞销品r在工厂i的产能dpl:客户群l对畅销品p的需求dql:客户群I对平销品q的需求drl:客户群I对滞销品r的需求upk：区域分销中心k对畅销品p的存储量上限Kuq「中央分销中心j对平销品q的存储量上限uri:工厂i对滞销品r的存储量上限匕：运营工厂pi的固定成本f.：运营中央分销中心j的固定成本fk：运营区域分销中心k的固定成本U：开设工厂的最大数量V：开设中央分销中心的最大数量W：开设区域分销中心的最大数量cq..：单位商品q从工厂i到中央分销中心的生产和运输费用cpik：单位商品p从工厂i到区域分销中心的生产和运输费用ikcril:单位商品r从工厂到顾客群的生产和运输费用cq.f单位商品q从中央分销中心到顾客群的持有和运输费用C%：单位商品p从区域分销中心到顾客群的持有和运输费用kl决策变量xq..：平销品q从工厂i到中央分销中心j的运输量xpik：畅销品p从工厂i到区域分销中心k的运输量ik

xril:滞销品r从工厂到顾客群l的运输量xq『 平销品q从中央分销中心j到顾客群l的运输量xpkl：畅销品p从区域分销中心k到顾客群l的运输量KlZj：如果工厂i营业，其值为1；否则为0Zj.:如果中央分销中心j营业，其值为1；否则为0Zk：如果区域分销中心k营业，其值为1；否则为0目标函数:MinZ=[Y£i=1j=1XpCr+XrCr+ijiji=1k=1MinZ=[Y£i=1j=1XpCr+XrCr+ijiji=1k=1ikilililXqCq+jljli=1l=1j=1i=1££k=1l=1Xpcq+£fz+TfZ+TfZ]

kl i^J^Ljj寸寻k(££1xr+££xq+££xp)MaxUFR=100[ j=11=1_-—k=11=1 (dp+dq+dr)

lllMaxRU=100[(££x.+1L£ xq+1££ll ji=1 l=1 j=1l=1 k=1 l=1xp)

kl约束条件:j^^x^.,Vji=1 l=1£xp,£xp,Vki=1 l=1<br,Vil=1Wxq<bq,Vij=17£xp<bp,Vik=1£x.>dr,Vli=1 j=_l=1 k(ur+Uq+Up)ijk⑴(2)⑶(4)(5)(6)(7)⑻⑼TOC\o"1-5"\h\z£XqZdq,VZ (10)j=1ILxp>dp,Vl (11)k=1£z<U (12)i=1£z<V (13)jj=1£z<W (14)k=1Xq,XP,Xr,Xq,Xp>0,Vi,j,k,l (15)z,z,ze{0,1},Vi,j,k (16)ijk方程(1)-(3)描述了该模型的三个目标。方程(1)表示最小化外向物流网络的总成本，包括生产成本，持有成本，运输成本和运营潜在物流节点的固定成本。方程⑵表示最大化单位满足率这一绩效指标，即物流节点能在何种程度上以现有库存轻而易举满足顾客需求。方程(3)表示另一绩效指标，资源利用率的最大化，即物流节点在何种程度上利用其最大库存水平。这三个目标都应该在一定容量，需求，流量和其它资源限制之下达到最优。在约束条件中，方程⑷和(5)控制了不同梯级物流节点间的产品流量。方程(6)-(8)限制了潜在工厂的产品生产量。方程(9)-(11)提供了不同客户群对产品的需求量。方程(12)-(14)限制了外向物流网络中为满足客户需求所能运营的最大工厂数量。方程(15)和(16)分别给出了非负性限制和二元决策变量的数值。五、多目标优化本节将讨论多目标优化问题的显著特征：帕累托最优，多目标遗传算法，非支配排序遗传算法II。多目标优化问题和帕累托最优多目标最优化问题同时处理多个目标函数的优化。多目标优化问题中的最优状态并不像单目标优化问题中那么明显。在多目标情况下，可能并不存在考虑到所有目标的最佳或者全局性解决方案。问题中多目标的存在通常会生成一组非支配解或非劣解，这些解大部分被称作帕累托最优解(SarkarandModak2005)。帕累托最优解中，沿着帕累托前沿的任何解的每个目标要素要想获得改进，就必须损害至少一个其它的目标要素。因为非支配集里的解决方案没有一个完全比其它解好，所以它们都是可接受解。在没有和决策者进行反复交流的情况下，要想为一个多目标问题选择特定解决方案是十分困难的，所以一般的做法是选择整组帕累托最优解。用来获得非支配帕累托最优解的算法包括：禁忌搜索，模拟退火，蚁群-Q算法，模糊逻辑，进化策略，神经网络和遗传算法(Luhetal.2003)。多目标遗传算法进化算法在同时处理一组可能的解决方案方面拥有独特优势，运行一次便能生成一整套最优解，而不需要像传统数学规划方法一样进行一系列独立的运作。因此，进化算法被认为非常适合处理多目标优化问题。而且，进化算法更不易被帕累托前沿的形状或连续性影响。进化算法的这些优良特性使得许多进化多目标优化算法得到了发展。多目标遗传算法分为帕累托型方法和非帕累托型方法。前者明确地运用了帕累托理念，而后者不直接结合帕累托最优的理念。向量评估遗传算法(VEGA)是一种非帕累托型的方法，是第一个为多目标问题提出的遗传算法。很多帕累托型进化多目标算法都是由帕累托最优和帕累托改进这两个原则发展而来(Goldberg.1989)。帕累托最优的原则有助于充分利用帕累托前沿方向上的搜索空间，而帕累托改进则有助于沿着帕累托前沿探索搜索空间以维持多样性。帕累托型方法包括多目标遗传算法，改进帕累托遗传算法，非支配排序遗传算法，强化帕累托进化算法，多目标进化算法等。读者可以参考Konaketal.(2006)深入了解使用遗传算法的多目标优化，参考Deb(2001)充分回顾该领域的技术情况。非支配排序遗传算法IIGoldberg(1989)最早提出了非支配排序遗传算法的概念，而SrinivasandDeb(1995)则是首先实现这一概念的人。非支配排序的中心思想是：用排序选择方法辨别出优秀个体，用改进法维持优秀个体的稳定子群体。非支配排序遗传算法仅在选择运算符的运作方式上不同于单纯的遗传算法。非支配遗传算法的功效在于通过创建前沿数量将多目标转化为符合单目标的条件，根据非支配进行分类。尽管非支配排序遗传算法已被有效地运用于各种多目标问题，它也存在一定的缺陷：1.目标数量和人口大小的非支配排序计算十分复杂；2.缺少精英策略；3.需要人为指定共享变量。因此，为解决这些限制，Debetal.(2002)提出了一种改进非支配排序遗传算法，称作非支配排序遗传算法II(NSGA-II)。NSGA-II通过引入带计算复杂度、精英策略和一个保留多样性的无参数改进运算符来突破非支配排序遗传算法的局限性。近些年来，一些研究人员已经将NSGA-II成功运用于解决优化控制问题和供应链管理问题：SarkarandModak(2005)用NSGA-II解决了一个多目标优化控制问题；Dingetal.(2006)利用NSGA-II优化企业网络布置，Serranoetal.(2007)用NSGA-II处理供应链中断情况下的多目标问题；Amodeoetal.(2008)用NSGA-II优化搜索过程，以寻找能够实现供应链有效库存管理，低库存成本和优质客户服务的高质量解决方案；Kooetal.(2008)在供应链管理中利用NSGA-II，以面对保持客户期望满意度的同时削减成本，提高利润给公司带来的持续压力；BhattacharyaandBandyopadhyay(2010)用NSGA-II解决了一个混合整数规划表示的双目标设施选址问题；ChengandYe(2011)成功利用NSGA-II找到了一个双目标供应链问题的帕累托可行解集，该问题中订单被拆分给平行供应商以提高敏捷性和竞争力。然而，目前还没有任何文献利用NSGA-II解决外向物流网络设计问题。因此，为解决上文提出的多目标外向物流网络数学模型，本文选择了NSGA-II。下面将介绍NSGA-II的一些其它特征(ChengandYe2011)，这是本文选择NSGA-II作为解决办法的原因：结构模块化且灵活多变；将单目标遗传算法升级为非支配排序遗传算法II的可能性；成功运用于范围广泛的优化问题接下来的一节将描述NSGA-II在本模型中的解决方法及为获得外向物流网络问题结果的计算实验。六、解决方法与计算实验NSGA-II利用快速非支配排序方法区分解决方案，这是基于帕累托最优和帕累托改进的理念。该算法的伪代码示于表一中。本文在单独的NSGA-II标准框架下解决了提出的问题。对一个拥有4家工厂（I）、3个中央分销中心（J）、5个区域分销中心（K）、7个客户群（L）的外向物流网络中，共有116个连续变量和12个二元变量。用于NSGA-II优化的参数在表二中列出。表三列出了用于该数学模型的参数值都是通过均匀分布随机生成的。表四列出了两组包含潜在节点和最大运营节点数量的数据。该代码在不同人口和代际组合下运行，以获得最佳优化措施，使外向物流网络性能更佳。表一NSGA-II伪代码1)Generateinitialsolutionofrandomsolutions2)Repeat2.1)Evaluatefitnessofeachsolutioninthepopulation2.2)ParetoFront=12.3)Repeat2.3.1)Findnon-dominatedsolutionsinthecurrentpopulation2.3.2)RankParetooptimalfrontfromamongthenon-dominatedsolutions2.3.3)ApplyCrowdingDistancestrategytomaintaindiversityinthesolutions2.3.4)Removenon-dominatedsolutionsfromthecurrentfrontfromfurtherconsideration2.3.5)ParetoFront=ParetoFront+12.4)Untilallthesolutionsinthefrontareranked2.5)Selectsolutionsbasedonnon-dominatedrankforreproduction2.6)Applygeneticoperatorscrossoverandmutationtogeneratenewsolutions3)Untiltheterminationconditionsaresatisfied表二用于优化的NSGA-II参数参数值人口大小200选择策略轮盘赌选择交叉型（二进制）多点交叉交叉型（真实）模拟二进制交叉突变型（二进制）按位变异突变型（真实）多项式突变交叉概率0.85突变概率（二进制）0.08突变概率（真实）0.05分配系数（交叉）25分配系数（突变）125代的最大数目2，000

终止标准指定代的数目表三参数值范围工厂产能（标准箱）畅销品35，000-36，000平销品17，000-18，000滞销品3，500-3，600客户群需求（标准箱）畅销品9，000-1，0000平销品4，500-5，000滞销品900-1，000节点固定成本工厂5，400，000-6，300，000中央分销中心1，600，000-1，800，000区域分销中心2，500，000-2，700，000单位运输成本畅销品（从工厂到RDCs）10-15畅销品（从RDCs到客户群）6-9平销品（从工厂到CDCs）6-9平销品（从CDCs到客户群）16-20滞销品（从工厂到客户群）21-27物流节点存储容量（标准箱）畅销品（在RDCs）20，000平销品（在CDCs）20，000滞销品（在工厂）4，000表〔四数据组节点潜在节点数最大营业节点数数据组1工厂42CDCs32RDCs54数据组2工厂43CDCs53RDCs75七、结果与讨论本文为提出的外向物流网络计算实验考虑了两组数据。本文为两个绩效指标，单位满足率和资源利用率，指定的最低基准线为80%。单位满足率表示以现有库存迅速满足顾客需求的水平，资源利用率表示物流网络中设备资源使用情况。对第一组数据不同人口和代际组合获得的计算结果显示列在图一。图中列出了外向物流网络的成本，相应的物流网络配置，单位满足率和资源利用率。第一组所有实验获得的总体结果列在图二。从中可以看出最低成本在4.38E+07时获得，相应的配置是2家工厂，1个中央分销中心和3个区域分销中心，单位满足

率为91%,资源利用率为81%。以最低成本获取最高单位满足率的情况是物流网络中有2家工厂，2个中央配送中心，3个区域配送中心。类似地，以最低成本获取最高资源利用率的情况是物流网络中有2家工厂，2个中央分销中心和3个区域分销中心。100%的单位满足率和100%的资源利用率分别在成本为8.72E+07和9.71E+07时达成。对于第二组数据的类似结果显示在图三和图四。两组数据计算结果的样本配置对比显示在图五和图六。此外，计算研究的折线图分别展示于图七、八、九、十。图一SnoCostofOLN$ConfiguraticnofOLNaUFR(%)RU(%)RcmiirksPianlsCDCsRDCs40: 40016.UE±07001I101100118680MinCcyst27.21E+07001110i110119QSO3T71E+07010000100111808549.71E+07010000100011S31005136E±0811000011!10]70095MaxCostPopulathn:70;Gcncfaiicms:70016.33E±0710/001Ioioi19683MinCost28.27E-F07101001I0M11998038J2E+07101001I01I11100跚43.O9E+脂0010001000018399MaxCos!Populalioft:90;Gene/atiens:90014.3SE+O701100011!010918]MiffCost25..96E+0701100111101095803L21E+O80]10o1i11011100864御E+081000001000018699MaxCastPopulalhfi：160;Generaiions:160018.54E+0710100011000]9581MiffCost2L45E+081010o1i11001的803233E+081010011101011008141.64E+O91001007000018797MaxCos!PopidaihfK200;Generalians:200015.10E+O710011101)0109084MinCost21.64E+09100}10110J1110080McixCcfst图二_八管理见解、CostoiOLNS八管理见解、CostoiOLNSConiigurationofOLNaUFR(%)RU(%)RemarksPlants.CDCsRDCs14.38E+07011000]1I0109181MostMinCost25.IOE+O71001110110109084MinCostwithHighestRU3633E+071010011010119683MinCostwithHighestUFR48.72E-I-0710100110I11I10080HighesLUFR9.7]E+07010000I0001183100HighestRU■Overallresults本研究取得的成果为业务经理探索自身优势，利用最佳潜能提供了更广阔的范围。该结果可以延伸全任意目标的任意网络配置问题：在已知网络成本下更低成本或更高单位满足率或更高资源利用率或任何单位满足率与资源利用率的组合。比如说，一些管理人员可以自行决定的选项如下：单位满足率和资源利用率都在80%以上时最低物流网络成本的配置；最高单位满足率，物流网络成本可接受水平时的配置；最高资源利用率，物流网络成本可接受水平时的配置；100%单位满足率，不考虑物流网络成本时的配置；100%资源利用率，不考了物流网络成本时的配置；因此，经理们将会有诸多选择以适应所有实际情况与限制。图三Table7Compunationalresultsfordataset2SnoCostofOLN$ConfiguralionofOLNaUFR(%)RU(%)RemarksPlantsCDCsRDCsPopidmioft:40;Generariof^:400II..2937Eooooio93.308930MinCost2001010000OI1IOOO98301003L2940E+151101IOOOIoionoi88.3092.50MaxCostPopidmiofj：70;Generations:7001I2937E+151010mooDIOIIOO93.149930MinCost21001onio111010092,609630311010101100101119L4090.9042.2939E+15001100100010110180.609】34MaxCostPopulauon:90;Ceneralictns:9001L2937E+I511.0()01000i00000196.20K84MinCost211.0000WIOOlGOOl94.7088.83()010000111000111923086.S42..2939E+15100001000100011182.9093-6MaxCostPopiihiiciH：160;Ce/icrations:16001I.2937E+150M1If100OGIIIOO93.90皿10MmCost21101omo000(X)10967093.80301H01011101001。96.1189.1043J938E+15111001101010100192.8089/10MaxCostPopidation:200;Ceneratlons;20001I..2937E+150[]I01IUI010101096.60%30ManCost2111000011111.011095.6089.2032.2939E+15IMO01001ooooioo90.7089.60MaxCost图四OverallresultsSnoCo&tofOLNSConfigurationofOLNaUFR(%)RU(%)RemarksPlantsCDCs RDCs]I.2937E+15no]01011 00101II91.4090.90MostMinCost2I.2937E+I5001010000 011100098.30100MinCostwithHighestRU3I.2937E011300098.30100MinCostwilhHighestUFR4I.2937E+I5001010000 01110009830100HighestUFRL2937E+I5001010000 011100098.30tooHighestRU九、结语本文为汽车制造供应链提出了一种新型混合外向物流网络设计，通过一组潜在物流节点，即确定的，单周期，单国度，多目标背景下的制造工厂、中央分销中心、区域分销中心，运输一类产品基于已知地区客户群的不同需求形成的三个变种（畅销品，平销品，滞销品）。本文提出的物流网络设计目标为，在容量、需求、流量和资源限制下，最低化物流网络总成本，最大化单位满足率和最大化资源利用率。调查显示该问题构建的混合整数规划模型是NP难题，而被称作NSGA-II的多目标进化算法用于解决这个难题，并获得该网络中的不同配置。在有竞争力的成本数值下，通过改变绩效指标的水平，即单位满足率和资源利用率，结果得到了一组不同的网络配置。该研究的结果被证实对相似供应链的管理层是有益的。该理念与研究的可能延伸大概包括：全球网络，多周期，可扩展设备容量，及不确定性需求因素、单位成本和产能等，使该问题在方法和范围上更加贴近现实。图五图六Populationvs,Totaloutboundlogisticscost($)2S0Populationvs,Totaloutboundlogisticscost($)2S0图七®9WE+07g8WE+07科7WE+07§6.0QE+07£S.OQE+07fl4.QQE+07M3.00E+07e52.00E+070"1.0DE+07*gO-OOE+OQ图八UnitFillRate(UFR)图九ReficourceLtilLzfioiivs<Totalourbouudlogisticscost(£)ResourceUtilization(RU)图十参考文献Altiparamak,F.,Gen,M.,Lin,L.,&Paksoy,T.(2006).Ageneticalgorithmapproachformulti-objectiveoptimizationofsupplychainnetworks.ComputersandIndustrialEngineering,51(1),196-215.Altiparmak,F.,Gen,M.,Lin,L.,&Karaoglan,I.(2009).Asteadystategeneticalgor