本站提供的设计资料 都是已经做好的,现成的作品都是审核过的,保证质量和规范.
QQ临时会话 可能会导致消息无法正常接收,咨询前请务必先加客服为好友.
提供 千万级庞大的文档数据资料,您可随时随地搜索下载您需要的精品文档
您专业的文档资料分享平台文库168

混合渠道分销企业动态库存的发展策略研究

编辑:admin   来源:未知   作者:admin   指数:   编号:992920140325

 1引言
  随着市场竞争的加剧及电子商务的兴起,很多企业在保持传统销售渠道的同时积极开拓网络渠道,网上商店的出现不仅改变着市场的销售模式,而且也改变着企业的物流决策。考虑到新建配送网络带来的巨大成本及管理混乱,目前大部分企业选择改造现有设施以满足混合渠道的需求,由此产生的库存及在线需求分配问题也引起了学术界的广泛关注。
  Seifert[1]建立一个有限容量的虚拟库满足在线需求,当虚拟库缺货时由库存充足的实体库出货,若所有实体库库存均不足则客户需等待至期末库存剩余,此种策略的问题在于难以准确掌握库存能力,造成在线需求积压且损失量大。Mahar[2]指出首先积累待满足的在线需求,后基于期望库存、运输成本进行分配,此种策略的问题在于牺牲了客户服务水平。Bretthauer[3]设置一个独立仓库专门存储在线需求,且实体店可同时满足在线需求,二者均有容量限制且分配无优先次序,但此模型仅考虑系统总成本,而忽略了配送时效性这一电子商务的关键因素。以上研究虽然取得了一定的成果,但讨论的均为静态策略,设施与需求点保持固定的对应关系,无法根据实时需求状况动态调整,因此可能造成成本增加及服务水平损失。
  基于此,本文提出混合渠道企业动态库存及分配策略,在静态策略的基础上允许企业根据各设施实时库存状态动态分配在线需求。提出动态策略下配送中心库存分配方式以及在线需求分配原则,以期实现各时刻满足各地在线需求的期望总边际成本与时间满意度协同最优。在求解算法上提出基于双目标优化的仿真方法,并通过数据集仿真及算法对比验证本文策略的优越性,以期为企业优化决策提供重要结论及有效依据。 本文来自织梦
  2动态库存及分配策略
  2.1问题定义及符号说明
  考虑一个服务全国M个地区的两级库存/物流系统,企业拥有N个有限容量的仓库满足各地实体店的需求,所有仓库均由1个配送中心供货。企业将业务扩展至电子商务领域,在保持现有实体供应网络不变的情况下分配在线需求,配送中心持有库存但仅满足在线需求,仓库可同时满足实体店及在线需求,假设同一地区的需求仅由1个仓库/配送中心满足。各周期事件发生顺序如下:(1)配送中心根据仓库库存水平分配库存,假设各仓库补货提前期均为L;(2)各地实体店及网络渠道均产生需求,假设需求随机且满足相互独立的正态分布;(3)系统根据各设施实时库存水平动态分配在线需求;(4)评价系统总成本及在线需求的时间满意度。
 为了便于讨论,表1列出了模型建立所需要的符号及其说明,其中配送中心表示为i=0。
  表1符号说明
  系统参数μs,i,σs,i仓库i满足的实体店需求的均值和标准差μe,j,σe,jj地区在线需求的均值和标准差cci配送中心到仓库i的单位运输成本cwij,dij设施i配送在线需求j的单位运输成本、距离hi,pi,fi,gi设施i单位库存成本、单位缺货惩罚成本、在线设施固定成本、单位在线配送成本L仓库i的补货提前期Ci设施i的库存能力决策变量S配送中心的订货水平ytijt时刻由设施i满足j地区的在线需求ytij=1,否则ytij=02.2模型建立 织梦内容管理系统
  模型建立的目的在于确定各周期分销企业库存分配及在线需求满足策略。考虑到客户满意度在激烈的电子商务竞争中的重要作用,建立双目标约束规划模型,实现整个周期系统总成本及客户时间满意度的最优化。
  2.2.1配送中心库存分配策略
  在静态分配策略[3]下,各设施满足的需求为:
  μi=μs,i+Mj=1(μe,j·yij),σi=σ2s,i+Mj=1(σ2e,j·yij) (1)
  在动态策略中,由于无法预先知晓在线需求的分配情况,因此需给出初始的分配方式。令Ui表示到在线需求j单位运费最低的设施i的集合,则有:
  μi=μs,i+j∈Uiμe,j,σi=σs,i (2)
  若同时有多个Ui包含在线需求j,则令j地在线需求均分至各设施。
  假设配送中心在周期初始具有充足库存以满足分配后的系统平衡。由等比例分配策略[4]可得到设施i初始库存ri0为:
  ri0=(L+1)(μs,i+j∈Uiμe,j)+
  [S-Nk=0(L+1)(μs,k+j∈Ukμe,j)]·σs,iNk=0σs,k,i∈[0,N] (3)
  2.2.2动态在线需求分配策略
  在动态分配策略中,企业根据各设施实时库存状态及各时刻在线需求信息实时分配对应满足情况,其中设施库存状态不仅包括实时库存水平,而且包括各设施的在途库存。动态分配策略的原则在于,在各设施能力水平约束的范围内,使得各时刻满足各地在线需求的期望边际成本与时间满意度协同最优。 本文来自织梦
  (1)期望边际成本
  令δ表示[t-1,t)周期的随机数,有t∈[1,L]。δ时刻j地产生的在线需求为Djt,Djt服从[μe,j,σe,j]的正态随机分布。考虑设施i的实时库存水平,则t周期的初始库存水平为:
  rit=ri0-t-1k=1Mj=1Djk·ykij (4)
  设施i剩余周期库存成本与缺货惩罚成本之和为:∫rit0hi(rit-x)gi(x)dx+∫∞ritpi(x-rit)gi(x)dx,其中gi(x)表示设施i剩余周期的需求密度函数。对上式求rit的偏导即可得到设施i的单位期望边际库存及缺货损失成本hiGi(rit)-pi[1-Gi(rit)],其中Gi(rit)为rit的累计分布函数。
  若δ时刻由设施i满足j地在线需求,则该周期剩余时刻的需求水平为:
  μtij=(μs,i+Djt)(t-δ),σtij=σs,it-δ (5)
  令ztij=(rit-μtij)σtij,则设施i满足j地在线需求的期望边际库存及缺货损失成本为:
  MOtij=hiφ(ztij)-pi[1-φ(ztij)] (6)
  其中, φ(ztij)=12π∫ztij-∞e-x22dx。
  考虑设施i的在途库存,则t+1周期的初始库存水平为:
  r′it=rit+pii-μtij (7)

织梦好,好织梦


  其中,pii表示设施i的在途库存。则设施i的单位期望边际缺货损失成本为:
  MPtij=-pi[1-φ(zt'ij)] (8)
  其中,zt'ij=(r′it-μs,i)σs,i。
  综合公式(6)和(8),得到设施i处理t时刻j地在线需求的期望边际成本为:
  MCtij=gi+cwij-MOtij-MPtij (9)
  ( 织梦内容管理系统

2)时间满意度
  时间满意度作为客户满意最重要的因素,代表客户对企业响应其需求所需时间的满意程度,采用时间满意度函数[5]表示。时间满意度函数有多种形式,根据函数选用和拟合原则,本文选择余弦分布时间满意度函数。在线需求点j的客户对设施i相应时间的满意度水平为:
  TSij=1,lij≤Tlj
  12+12cos(πTuj-Tlj(lij-Tuj+Tlj2)+π2),
  Tlj  0,lij>Tuj
  (10)
  其中,Tlj和Tuj分别表示需求点j的客户感到非常满意时所能接受的最长等待时间和感到非常不满意时的最短等待时间;配送提前期lij由订单处理时间及商品配送时间两部分组成,假设设施i的订单处理时间满足参数为λi的概率分布,商品配送时间取决于设施-需求点之间的距离dij,则有:
  lij=λi+dijv (11)
  其中v表示设施与需求点之间的车辆行驶速度,假设采用同种配送车辆,因此v可视为常数。
  (3)分配策略模型
  t周期在线需求分配策略如模型P1所示。其中约束式(12)限制了各周期设施所能处理的需求量,约束式(13)保证同一地区的在线需求仅能由一个设施满足。
  (P1) mintNi=0Mj=1MCtij·ytij

织梦好,好织梦


  Max Ni=0Mj=1TSij·ytij
  s.t. μs,i+Mj=1(Djt·ytij+t-1k=1Djk·ykij)≤Ci, i∈[0,N](12)
 Ni=0ytij=1,j∈[1,M] (13)
  ytij∈0,1,i∈[0,N];j∈[1,M] (14)
  2.2.3系统总成本
  各周期系统总成本除了库存成本、缺货惩罚成本、在线需求配送及运作成本之外,还包括固定设施成本及配送中心向各仓库的运输成本。系统总成本亦为策略是否最优的重要评价标准。
  (P2) minTC=Ni=0(fi·xi+cci·ri0)+
  Lt=1Ni=0Mj=1(gi+cwij-MOtij-MPtij)·μe,j·ytij
  xi=1,Lt=1Mj=1ytij>0
  0,otherwise (15)
  3基于双目标优化的仿真方法
  3.1双目标优化算法
  考虑到无法采用现有算法获得双目标优化模型P1的最优解,首先提出基于精英重组的混合多目标进化算法(Elite-recombination Based Hybrid Multi-objective Evolutionary Algorithm, ERHMEA),算法流程如图1所示。算法的关键在于两步:模型分解优化及精英重组。
  3.1.1模型分解优化
  将P1分解为两个独立的单目标约束规划模型分别求解,模型均假设S为已知。 本文来自织梦
  对于边际成本最小化子模型,将S代入公式(3)可得到ri0,进而计算出t时刻设施-需求期望边际成本矩阵MCtij。由于MCtij为常数矩阵,因此子模型可视为0-1多维背包问题,很多学者针对此类问题进行了研究,并提出了一些性能良好的方法[6~8]。本文采用Hill[7]提出的问题削减启发式方法,采用双变量生成原问题的拉格朗日松弛,然后通过解决估计的核心问题获得求解原问题的启发式方法。
  对于时间满意最大化子模型,由于目标函数仅与λi和dij有关,因此同样可视为0-1多维背包问题。但考虑到目标函数的分段特征,此处提出一种基于聚类的启发式方法(Clustering Heuristic Method, CHM),求解过程见Algorithm 1,其中每个集合代表一个设施所满足的在线需求客户。
  Algorithm1时间满意子模型算法
  1. 初始化。根据公式(10)、(11)计算设施i与在线需求点j间的时间满意度F(lij),并令初始Y=0。
  2. 初始聚类。具体步骤见下文(1)。
  3. 判断。未分配的需求点个数是否超过在线需求点总个数的13,若未超过转步骤4,否则转步骤5。
  4. 分配少量未满足需求。具体分配步骤见下文(2)。
  5. 分配大量未满足需求。具体步骤见下文(3)。(1)初始聚类:①将F=1的在线需求点与其服务设施的服务关系作为集合A,并按照服务设施的不同将A划分为多个子集。②依次遍历集合A中的在线需求点,若满足在线需求点j的设施个数=1,则转步骤③,否则转步骤④。③若设施i的剩余容量≥j点的在线需求量,则令yij=1。④剔除剩余容量1,转步骤⑤。⑤在F<1的集合中搜索各设施所能获得的最大时间满意度,令时间满意度最小的设施i服务需求点j,即yij=1。最大时间满意度最小的设施机会成本最高,通过步骤⑤可保证整体时间满意度的最大化。

织梦好,好织梦


  (2)分配少量未满足需求:①将未满足的需求分别按其各自的时间满意度由大到小排序。②对于需求点j,判断使其满意度最大的设施i的容量是否满足j地需求;若满足,则yij=1,否则转步骤③。③分别计算两种情况的总时间满意度:第一、将需求点j分配给容量充足的设施中满意度最大的设施ii;第二、将需求点j分配给设施i,但从设施i中剔[第一论文网 lunweN.1kejian.com]除满足j容量要求的满意度最低的需求点jj,并将jj分配给除i之外获得其最大满意度的设施。④按照总体时间满意度最大的方式分配未满足需求。
  (3)分配大量未满足需求:①采取(1)的聚类方法,将满意度∈(0,1)的需求点集合B划分为多个不相交的子集。②在集合B各子集中删除已在集合A中满足的需求点,如集合B中存在服务关系ii-j,而需求点j由设施i服务的满意度为1,则在集合B的子集ii中删除j。③将更新后的集合B合并至集合A中,对于超出设施容量约束的在线需求,采用前文(2)中第三步的方法分配需求。
  3.1.2精英重组策略
  对于多目标优化问题,各个单目标问题的最优解集可能并不完全相同,多个解集的交集即为实现多目标优化的全局最优解,而相异解则难以判断和挑选。因此,本文提出基于遗传算法的精英重组策略(ERS),具体步骤如Algorithm 2所示,目的在于将相异解重组生成唯一的精英解。与精英保存策略[9]不同,ERS对Pareto解集进行两次 dedecms.com
  Algorithm 2基于遗传算法的精英重组
  1. 初始化。生成U个大小为的nS个体构成初始种群p,设置选择比例γ∈(0,1),最大进化代数tmax,迭代次数t=1。
  2. 选择优秀个体。采用轮盘赌的方法在p(t)中挑选γU个优秀个体构成S(t),见下文(1)。
  3. 生成子种群。对s(t)中个体应用局部搜索得到改进后的子群S′(t)。采用交叉和变异策略生成种群的子代个体O(t),见下文(2)。
  4. 更新种群。令tp(t)=s(t)∪s′( 织梦内容管理系统

t)∪o(t),采用自适应局部搜索更新tp(t)中γ比例的优秀粒子,并根据适应值大小在更新后的tp(t)中挑选M个优秀个体构成新种群p(t+1)。
  5. 重启机制。比较种群p(t)和p(t+1),当种群优化停滞步数大于γ时,采用混沌优化技术[10]更新种群p(t+1)中适应度较低的(1-γ)U个个体,从而更新种群p(t+1)。
 6. 终止条件判断。判断迭代次数t是否等于tmax,若是转步骤7;否则,转步骤3。
  7. 确定精英个体。采用评价指标衡量种群p(t+1)中的个体质量,选择最优个体作为精英个体。自适应局部搜索及优化的交叉变异操作,同时采用基于混沌优化的重启机制,有效解决了目标空间解的拥挤度问题,同时避免了精英保存可能造成的局部最优,保证种群快速地朝全局最优化方向发展。
  (1)选择操作
  轮盘赌法作为广泛适用的种群选择方法存在两个问题:第一、由于高适应度个体在进化初期被选择的概率很大,产生出较多后代而使得种群单一,使搜索陷入局部最优;第二、当进化后期个体适应度差异不大时,该方法选择能力较差。因此,本文在轮盘赌选择方法的基础上提出一种动态调整的适应度计算方法,基于迭代次数自适应地调整各粒子被选择的概率。动态选择概率计算步骤如下:①将个体粒子按评价指标由优到劣排序,并依据粒子序数计算其原始适应度ftk=1-ktU,其中kt为第k个粒子在第t次迭代中的评价序数。②调整适应度Ftk=eλt*ftk,其中λt为第t代的调整系数,λt=λmin+(λmax-λmin)*ttmax。③第k个粒子在第t次迭代中的选择概率ρtk=FtkFtk。 内容来自dedecms
  (2)交叉和变异操作
  交叉操作的关键在于选择待交叉个体及确定交叉算子。如图2所示,本文提出一种以优化子群为核心的分组交叉策略,增强种群多样性的同时引导进化朝着更好的方向进行。对于改进后的子群S′(t),将群内个体两两交叉生成的个体全部作为子代个体,以最大程度地保留优秀后代。对于子群S(t)及(P(t)-S(t)),以随机次序选择S′(t)内待交配个体,并分别在S(t)和(P(t)-S(t))内挑选与之对应的个体进行交叉操作。本文在H Lu和C Yen[11]的基础上提出父代个体的挑选原则:①判断子群内适应度值大于待交配个体的个数K。若K>1则选择与待交配个体距离最近的个体作为父代个体;若K=1则此个体即为父代个体;若K=0则选择子群内当前适应度最大的个体作为父代个体。②已选择的个体均不能重复使用。POX算子[12]作为当前性能较好的遗传算子能够很好地继承父代的优良特性,因此可作为本文的交叉算子。
  变异操作的关键在于确定变异概率、变异位数及变异位置。本文采取C W Ahn和R S Ramakrishna[13]提出的自适应多位变异算子,变异位置采用随机方式确定。
  3.2基于双目标优化的仿真流程
  基于以上提出的多目标进化算法,下面给出求解动态库存及分配策略的仿真流程: copyright dedecms
  步骤1:令迭代步骤ki=1,迭代次数约束KI,初始化S,初始指标μepm、μedm。
  步骤2:将S代入模型P1,采用ERHMEA得到优化的分配策略Yb。计算评价指标μbpm、μbdm,若(μbpm<μepm)||(μbpm=μepm&&μbdm<μedm),转步骤3;否则转步骤4。
  步骤3:Ye=Yb,且有μepm=μbpm,σepm=σbpm, μedm=μbdm,σedm=σbdm。将Ye代入模型P2,计算使得P2取得最优解的S,转步骤4。
  步骤4:判断ki是否等于KI,若是,则Y*=Ye,转步骤5;否则ki=ki+1,转步骤2。
  步骤5:将Y*代入计算系统总成本TC及总体时间满意度TS,算法终止,输出最优解集Y*及相应的评价指标μepm,σepm,μedm,σedm。
  4仿真研究及结果分析
  本文采用测试数据分别对动态策略及其算法的有效性进行验证。其中算法程序均采用Matlab R2008a编制。
  生成测试数据的相关参数如表2所示,算法参数U=(50,100,150,200),KI=(100,200,400,800), tmax=(100,200,400,800),μepm=1000,μedm=1000,ζ=0.001, γ=(02,03,04,05)。
  首先验证动态策略DIDS的性能,采用了三种对比策略。其中,单目标动态策略指的是在动态决策时仅以期望边际成本为目标,静态单目标策略采用Bretthauer等[3]提出的总成本最小化策略,静态双目标策略是在此基础上,增加时间满意度函数。结果如表3所示,所得结果均为算法运行30次的平均值。

织梦内容管理系统


  表2测试算例参数
  参数值N10,20,30M100,300,500μs,iU(3000,20000)μe,jU(40,100)αiU(0.1,0.5)CiU(10000,60000)cci,hi,gi U(1,5)cwijU(0.5,2.5)pi,λiU(5,10)fiU(1000,3000)v50L7由表3可以看出:(1) 对比单目标动态策略,虽然算例2及4中DIDS成本较高,但成本的升高比例(499%)远远低于时间满意度的提高比例(55%)。综合考虑6个案例,DIDS的系统总成本平均降低了261%,时间满意度提高了37.12%。究其原因在于,在电子商务激烈的竞争环境中,改善服务虽然可能造成成本的增加,但必然吸引更多的客户,从而带来利润的上升。(2) 对比静态策略,DIDS的结果具有明显的优越性。相较于双目标策略,DIDS总成本平均降低了2184%,时间满意度提高了31.44%;相较于单目标策略,DIDS总成本平均降低了21.90%,时间满意度提高了7938%。(3) 对比单目标模型,无论是动态还是静态策略,双目标模型的系统总成本及客户满意度均接近甚至超过最优值。究其原因在于双目标模型进化的基础为单目标模型的最优解,使得整体优化不偏离局部最优解的方向。(4) 总之,DIDS相较于现有策略具有较优性能。
  表3策略性能比较
  #NMDIDS单目标动态策略单目标静态策略双目标静态策略MinTCMaxTSMinTCTSMinTCTSMinTCMaxTS110100191×106203.661.98×106117.872.39×10698.492.45×106146.742103002.27×106499.032.23×106353.912.53×106286.042.43×106468.893203002.89×106528.153.05×106388.064.59×106299.544.77×106319.784205004.52×106673.384.38×106590.735.22×106498.045.20×106642.865303005.43×106669.275.92×106505.898.57×106298.188.43×106420.966305006.72×106787.046.79×106621.837.81×106494.737.85×106687.03下面进一步分析关键算法ERHMEA对动态决策性能的影响。首先将ERHMEA与NSGA-Ⅱ[10]算法相比较,然后讨论了CHM与Ramond R Hill等[7]提出的启发式算法NR(P)在求解时间满意度子模型的有效性。结果如表4和表5所示,其中评价指标为L周期的平均值,所得结果均为算法运行30次的平均值。
dedecms.com

织梦好,好织梦

发表留言 请自觉遵守互联网相关的政策法规,严禁发布色情、暴力的言论。
评价:
验证码:点击我更换图片
购买设计资料 专业定做 疑难咨询帮助
最新内容
今日推荐
本月推荐
分享到: 一键分享 新浪微博 QQ空间 腾讯微博 人人网 网易微博 百度搜藏 开心网 豆瓣网 我的淘宝 搜狐微博 百度新首页