搜索
随机需求下的物流配送中心动态选址研究物流配送中心选址的重要性•物流配送中心建设项目规划中一个非常重要的问题就是物流配送中心的选址决策。一方面，选址决策直接关系到日后物流配送中心自身的运营成本和服务水平；另一方面，由于选址决策属于物流系统的长期规划项目，在进行物流配送中心选址决策时通常要考虑众多影响因素，这使得物流配送中心选址问题一般都很复杂。•关于物流配送选址的方法：目前在物流配送中心选址方面有一些比较成熟的方法，例如重心法、最优化规划方法、启发式方法、仿真方法以及综合因素评价法。但这些选址方法建立的主要是确定型需求下的静态选址模型，很少体现在特定阶段内需求的随机性以及各阶段之间需求变化。本文以需求的随机性、多阶段决策问题与动态选址相结合为研究方向，探讨随机需求下物流配送中心动态选址过程。随机需求下的物流配送中心动态选址研究步骤：•首先依据需求特点划分整个规划期为若干阶段，对物流配送中心进行动态选址；•其次，在特定的阶段内，从需求点的需求随机性出发，采用确定性目标函数引入随机需求，建立随机需求下的物流配送中心选址的期望值模型，利用混合遗传算法进行模拟，求解在特定阶段下以及在相应阶段的需求分布下的单配送中心选址点；•最后，在确定了各阶段的单配送中心选址点的前提下，将该多阶段决策的动态选址问题转化成最短路问题，应用Dijkstra算法进行求解。多阶段决策涵义：•有一类这样的活动的过程，它的整个过程可分为若干个互相联系的阶段(stages)，在它的每一个阶段都需要做出决策，且对整个过程的效果产生影响。因此，各个阶段决策的选取不是任意确定的，它不仅依赖于当前面临的状态，且影响以后的发展。将各个阶段决策组合，就组成了一个决策序列。各阶段采取的决策一般来说与该阶段的相关信息有关。把一个问题可看作一个前后关联的、具有链状结构的多阶段过程(如图3-1)就称为多阶段决策过程，12n状态状态状态状态•多阶段决策过程：多阶段决策问题转化为最短路问题•本文假设阶段数为4，其中P1,P2,P3,P4分别代表阶段1，阶段2，阶段3和阶段4的最优决策。•P1P2P3P4阶段一阶段二阶段三阶段四•步骤一：求解出各阶段的最优策略方案在不同阶段的量化指标。•C11C21C31C41•P1•C12C22C32C43•P2•C13C23C33C43•P3•C14C24C34C44•P4•阶段一阶段二阶段三阶段四•步骤二：相邻阶段之间决策改变时，将会付出一定的代价，本文对该代价进行量化。•C11C21C31C41•P1•C12C22C32C43•P2•C13C23C33C43•P3•C14C24C34C44•P4•阶段一阶段二阶段三阶段四•步骤三将各阶段抽象成点，各阶段顶点的数目为该阶段可能会采取的决策。相邻两点之间的权值为步骤一和步骤二的量化指标之和。•上图中红线就代表由阶段一的策略P1改变到阶段二的策略P2所付出的一个量化。••P1••P2••P3••P4•阶段一阶段二阶段三阶段四•经过以上步骤，就可以将多阶段决策问题转化为最短路问题进行求解，使复杂的多阶段决策问题演变成简单的最短路问题，简化了问题的复杂性.这里使用Dijkstra算法分析最短路径。Dijkstra方法的基本思想是从起点出发至终点，逐步地探寻最短路。求出整个过程的选址策略。动态选址的涵义：•物流配送中心动态选址是指在物流配送中心规划期的基础上上，根据市场需求的特点，参照经济发展的近期、远期的期限划分，将物流配送中心的规划期分为若干个“阶段”。那么，在连续发展的各阶段所对应的需求分布下就可对各阶段做出最优决策，并分别求出各阶段的最优策略在不同阶段量化指标以及相邻节点改变时所付出代价的量化指标。在物流配送中心选址的多阶段决策问题中，随着时间的发展而产生各个阶段的决策，从而形成决策序列。这就是动态选址的意义。•需求数量•40•30•20•10时间•••第一周期第二周期第三周期混合遗传算法•混合遗传算法•基于邻域搜索算法通过邻域搜索对初始位置有较强的依赖性的缺点，和遗传算法的个体多样性，全局搜索能力强的优点，在遗传算法中加入邻域搜索思想。其步骤如下：•(1)初始化群体，规模为M；•(2)以运输费用最低把每个需求点交由被选中的配送中心配货，从而确定每个•配送中心的配送区域；•(3)计算每个个体的适应值：•(4)在每个配送中心的配送区域内，选择任意一个备选配送中心代替原来的配送中心，以运输费用最小化原则使其为该区域的其它需求点配货；•(5)计算重新分配后的适应值，如果重新分配后的优于重新分配前的则返回(4)，•否则转(6）；•(6)对重新分配后的群体进行遗传操作；•(7)判断停止准则。是，输出当前全局最优；否，返回到(2）•随机需求下的物流配送中心动态选址模型的建立：最后：实例分析•现有某公司准备建设物流配送中心，以便有效降低物流成本，提高客户服务质量，增强市场竞争力。一下是各需求点在每年的需求量以及供应点的供应情况。需求点D1在不同阶段的需求范围及需求概率需求量需求概率需求量需求概率需求量需求概率需求量需求概率阶段一1500.32500.43000.25000.1阶段二1800.13000.23800.45000.3阶段三2000.43000.13300.15000.4阶段四2000.33200.13500.35000.3需求点D2在不同阶段的需求范围及需求概率需求量需求概率需求量需求概率需求量需求概率需求量需求概率阶段一00.2800.22500.53000.1阶段二200.31000.33000.23300.2阶段三600.11500.43500.33600.2阶段四1000.41500.43500.24000需求点D3在不同阶段的需求范围及需求概率需求量需求概率需求量需求概率需求量需求概率需求量需求概率阶段一00.4400.22000.22500.2阶段二600.21000.42200.32700.1阶段三1000.21500.32500.43000.1阶段四1500.11800.13000.23500.6需求点D4在不同阶段的需求范围及需求概率需求量需求概率需求量需求概率需求量需求概率需求量需求概率阶段一300.1900.31500.42000.2阶段二500.21000.21300.41500.2阶段三00.4200.4500.2800阶段四00.5300.4400.1600.1供应点的生产量PLANT1PLANT2PLANT3供应量300500400注：每一阶段供应点的供应量是相等的。物流配送中心的相关信息固定投资单位产品处理费用容量上限（单位：万元）（单位：元）DC165194110DC280161165DC375149140DC450180100供应点到物流配送中心的运输费率（元/吨）DC1DC2DC3DC4PLANT1100500150330PLANT2300400380220PLANT3300450200320配送中心到需求点的运输费率（元/吨）D1D2D3D4DC1500510350100DC2300500490480DC3180170330220DC4490400200259随机优化求解最佳选址点•利用混合遗传算法对随即需求下的物流配送中心选址进行模拟，求解在不同阶段以及该阶段所对应的需求分不下的物流配送中心最佳选指点；同时求解在该阶段的最佳选址点时不同阶段一级该阶段所对应的需求分布下的期望最小总费用，•DC4DC1DC3DC2•阶段一阶段二阶段三阶段四配送中心在不同阶段在不同选址点下的总费用阶段一阶段二阶段三阶段四P1137.52417.57558.24425.55P2406.42138.04436.65439.26P3272.64551.96139.32424.71P4544.04274.16140.03142.76阶段二的选址点变动成本P1P2P3P4P1020.58430.8P266.9074.434P358.562.2045P449.517.4560阶段三的选址点变动成本P1P2P3P4P1069.217.713P275.2015.714.4P36650.8013.9P455.659.211.80阶段四的选址点变动成本P1P2P3P4P1087.64511P247.7039.912.2P341.732.1011.7P435.137.5300第一阶段各节点之间的权值矩阵137.52406.42272.64544.04第二阶段各节点之间的权值矩阵417.47158.54635.96304.96484.47138.04626.36308.16476.07153.50551.96307.16467.07155.44552.52274.16第三阶段各节点之间的权值矩阵558.24505.85157.02153.03633.40436.65155.02154.43624.24487.45139.32153.93613.84495.70151.12140.03第四阶段各节点之间的权值矩阵425.55526.86469.71153.76473.25439.26464.61154.96467.25471.36424.71154.46460.65476.76454.71142.76••P1••P2•voV0'•P3••P4•阶段一阶段二阶段三阶段四利用Dijkstra算法求解：结论：14V42V•在随机多阶段决策下的物流配送中心选址方案为：•总费用为593.25。32V21V