多产品供应链（精选十篇）
多产品供应链 篇1
物联网(Internet of Things)是以互联网为基础,通过射频识别技术、红外感应器、全球定位系统、激光扫描器等技术进行信息实时交换和传递,实现对物品进行识别、定位、跟踪、监控和管理的一种智能化网络。无“链”不成“网”,从虚拟形态看,供应链可谓是物联网架构的重要“脉络”,从技术层面看,物联网涉及到的诸多技术(如条形码、RFID等)很早就在供应链领域得到应用。物联网为这些技术带来新“智慧”的同时,也为供应链高端发展带来更大的提升空间[1]。
物联网的技术特点使它在供应链中的应用具有重要的研究价值。国内学者颜波等[2]提出了基于RFID的农产品供应链物联网信息共享模型,给出了基于物联网的农产品供应链跟踪和追溯的设计;为实现对水产品流通过程的全程追溯,颜波等[3]以供应链为视角,立足消费者、企业和政府监管部门等三方,本着可跟踪、可追溯、可召回等基本目标,设计并开发了基于RFID和EPC物联网的水产品供应链可追溯平台,该平台可以实现水产品从养殖、加工、配送到销售的全程跟踪与追溯;针对生鲜农产品这一特殊的供应链领域,颜波等[4]构建农产品供应链中物联网技术采纳影响因素的技术组织环境(Technology-Organization-Environment,TOE)框架,并且根据实际调研数据,运用结构方程模型(SEM)对提出的物联网技术采纳影响因素的TOE框架进行实证分析;周静[5]通过分析应用物联网前后农产品供应链的整体竞争力水平及各一级指标竞争力水平的变化,验证了物联网技术对农产品供应链竞争力的提升作用;Regattieri等[6]比较了物联网技术中条形码和RFID的相对优缺点,得出了RFID在农产品追溯系统中的具体应用方式;Perez-Aloe等[7]研究了基于物联网技术的奶酪生产追溯系统,用来监控奶酪生产过程,提高产品质量安全;Martinez-Sala等[8]研究了物联网技术在食品供应链包装容器跟踪信息系统中的具体应用。
目前对物联网在供应链中的应用研究多集中于定性分析,定量研究不足。本文从供应链整体收益角度研究物联网技术对供应链的优化作用,在弹性需求和不同市场规模条件下,定量分析物联网技术对供应链成本和收益的影响。对收益模型的非线性和不确定性,本文采用改进的帝国竞争算法(ICA)进行求解。该算法由Atashpaz-Gargari在2007年首次提出[9],目前已经用于模糊控制器优化[10]、图像处理[11]、航天器轨迹优化[12]等领域,在求解效果方面,Sadigh等[13]构建了供应链协调的双层规划模型,并利用帝国竞争算法和进化策略算法进行求解,结果表明帝国竞争算法迭代次数更少并且收敛效果良好。目前国内对该算法的研究和应用还非常少,尚有很大的研究空间,本文则首次将该算法应用到多产品供应链优化领域。
2 模型建立
2.1 模型假设
(1)考虑单个需求周期的两级多产品供应链,供应链成员由生产商和销售商组成,产品种类越多表明企业的市场规模越大;
(2)类似于文献[13]、文献[14]、文献[15]、文献[16]的研究,这里假设每种产品i都具有相同弹性因子的弹性需求:Di=k·pi-α·aiβ,其中k是常量,α(α>1)和β(0<β<1,β+1<α)是弹性因子,pi是销售商的销售价格,ai是销售商在销售产品时的销售努力投入程度,比如广告费用等[14];
(3)生产商和销售商按照市场需求生产和订购产品,不允许缺货;
(4)销售商在销售过程中如果发现产品质量有缺陷,由生产商负责召回,但销售商也会损失一定的机会成本;
(5)引入的物联网技术是指在产品包装上粘贴RFID标签,通过无线传感网络对产品进行实时监控和管理,RFID标签由生产商负责嵌入,但销售商也要引入相应的物联网技术平台配套设施,RFID标签可部分回收利用;
(6)考虑引入物联网技术对多产品供应链整体收益的优化作用。
2.2 收益模型构建
(1)考虑未引入物联网技术时生产商的收益情况,生产商的收益由销售给销售商的产品收入减去成本得到,具体描述如下:
上式中:Us1表示未引入物联网技术时生产商的收益;n表示产品的种类;Psi表示生产商销售产品i的价格;Di表示产品i的市场需求量;μi表示产品i的货损率;Csi表示产品i的单位生产成本;Ts表示生产商的平均库存周转期;ρ表示每天的存储成本率(产品价值的比例);Cmi表示产品i的单位召回成本;Css表示生产商的固定成本。
(2)考虑未引入物联网技术时销售商的收益情况,销售商的收益由销售给顾客的产品收入减去成本得到,具体描述如下:
上式中:Ur1表示未引入物联网技术时销售商的收益;Pri表示销售商销售产品i的价格;Tr表示销售商的平均库存周转期;Pri-Psi表示产品i的机会成本;Crs表示销售商的固定成本。
(3)引入物联网技术后,考虑生产商的收益变化。由于物联网技术的引入,在生产环节对有问题的产品可以及时预警,也可以降低存储和运输过程中的产品损耗,从而降低废品率μi,降低产品召回成本并提高销售量,但相应地会增加RFID标签成本和物联网设施固定成本。具体描述如下:
上式中:Us2表示引入物联网技术后生产商的收益;μ′i表示引入物联网技术后产品i的货损率;θ表示RFID标签的回收利用率,θ∈(0,1),全部回收θ=0,不能回收θ=1;Ctag表示单位产品RFID标签的成本;Cmain表示物联网技术在使用中单位产品的维护成本;Csg表示生产商一次性投入的物联网技术平台设施平均到单个需求周期的成本。
(4)引入物联网技术后,考虑销售商的收益变化。由于物联网技术的引入,在销售过程中对有问题的产品可以及时预警,降低货损导致的机会成本,优化订货批量,改进库存管理,降低库存周转期等,但物联网技术配套设施的引入会增加相应的设施成本。具体描述如下:
上式中:Ur2表示引入物联网技术后销售商的收益;Crg表示销售商一次性投入相应的物联网技术平台配套设施平均到单个需求周期的成本。
综上所述,根据式(1)和式(2)可求得供应链引入物联网技术前的总收益U1=Us1+Ur1,根据式(3)和式(4)可求得引入物联网技术后的总收益U2=Us2+Ur2.生产商和销售商需要制定最优的Psi和Pri使得收益U1和U2最大,即-U1和-U2最小,建立最小化目标函数:
3 基于改进帝国竞争算法的模型求解
3.1 帝国竞争算法
帝国竞争算法(Imperialist Competitive Algorithm,ICA)由Atashpaz-Gargari在2007年首次提出[9],又称为殖民地竞争算法,是一种全局优化的进化算法。该优化算法的思想借鉴了人类政治社会进化过程中殖民阶段的帝国之间相互竞争并占领其殖民地的过程[9,12]。
基于帝国竞争算法的基本步骤,设计求解上述多产品供应链优化问题的算法步骤如下:
步骤1:初始化帝国
将上节所构建的多产品供应链收益模型中的决策变量Psi和Pri进行编码,建立初始化的Nini个国家,每个国家j(j=1,2,…,Nini)被定义为一个2n维的向量:
其中,Psi表示生产商销售产品i的价格,Pri表示销售商销售产品i的价格。分别根据上节所构建多产品供应链收益模型的目标函数式(5)和式(6)计算出每个国家j的目标函数值Cj:
根据目标函数值的大小对初始化的Nini个国家进行排序,选择目标函数值最小的前Nimp个国家定义为帝国,剩下的Ncol个国家定义为殖民地。
定义帝国m的标准化目标函数值:
定义帝国m的势力为:
将殖民地按照帝国势力大小的比例随机分配给帝国。
步骤2:同化殖民地
在现实世界里,帝国主义国家为了更好地控制其殖民地国家,把自己的文化及规则推广到殖民地国家,这个过程称为同化。在算法中表现为各殖民地国家分别向各自所附属的帝国靠近的过程,设殖民地与帝国间的距离为d,殖民地移动距离s~U(0,βd),β>1,移动方向与两者连线相差θ角度,θ~U(-γ,γ)。Atashpaz-Gargari等[9]通过大量的试验表明,当β=2,γ=π/4时,该算法的收敛效果比较理想。殖民地向帝国移动的过程如图1所示。
步骤3:转换帝国与殖民地的位置
在优化殖民地的过程中,若出现殖民地的目标函数值小于帝国的目标函数值,则将该殖民地升级为帝国,原帝国降级为殖民地,之后的殖民地会向新的帝国靠近。
步骤4:帝国竞争
计算帝国m的总目标函数值,帝国的总目标函数值由帝国本身的目标值及其所拥有的殖民地的平均目标值两部分组成。
上式中:n为殖民地数量,Ci是殖民地i的目标函数值,权重ε∈(0,1),这里采用文献[9]和文献[13]的取值,设置ε=0.1。
计算帝国m的标准化总目标函数值:
则帝国m的总势力为:
建立参考向量D=[D1,D2,…,Dimp]=TP-R=[TP1-r1,TP2-r2,…,TPimp-rimp],其中ri~U(0,1)[9,12]。然后选择向量D中Di最大的帝国竞争得到势力最弱的帝国中势力最弱的殖民地。
这种竞争规则使得每一个帝国在竞争过程中都有可能占领最弱帝国的最弱殖民地,而不是一定由最强的帝国占领,这样既加强了局部搜索能力又能有效防止陷入局部最优,使算法更加合理。
步骤5:帝国灭亡
当势力较弱的帝国经过帝国竞争后,其拥有的所有殖民地全部都被势力更强的帝国所占有,则定义该帝国灭亡,并消除其帝国的位置。当帝国竞争结束后,最后仅存在唯一的一个帝国,且其余所有殖民地都由该帝国所占有,则算法结束,输出最优解;否则,返回步骤2。
利用帝国竞争算法求解上节所构建的多产品供应链收益模型的具体流程如图2所示。
3.2 帝国竞争算法的改进
在上述同化殖民地的过程中,殖民地向帝国移动的方向采用的是随机角度θ,θ~U(-γ,γ)。这种随机角度使得移动具有一定的盲目性,降低了收敛速度。为了提高移动的有效性和目的性,这里给θ加上一个约束:如果上一次移动使殖民地的目标函数值降低,则γ会减小;如果上一次移动使殖民地的目标函数值增大,则γ会增大。具体表达式如下:
上式中:γit+1表示殖民地i第t+1次迭代的角度域,γit表示殖民地i第t次迭代的角度域,Cit表示殖民地i第t次迭代的目标函数值,Cit-1表示殖民地i第t-1次迭代的目标函数值。
通过上述对移动角度域的调整,既可以加快有效移动,又可以使无效移动尽快调整回来,从而达到加快收敛速度的目的。另外,为保证移动能够一直保持高效性,设定γit+1≤π/4,若超出界限,则γit+1取π/4。
4 实例分析
4.1 实例背景介绍
本文以广东省佛山市某水产品生产企业与超市组成的“农超对接”模式下的水产品供应链为例,考虑每个月的收益情况。生产企业定期向超市提供水产品制品,如鱼干、干贝等,产品的品种越多表明企业规模越大。产品的市场需求符合弹性需求,由售价和市场投入影响,价格弹性因子α=1.2,市场投入弹性因子β=0.15;水产品制品的生产成本一般在10~20元,产品从生产加工到运送至超市的过程中由于变质、破损等造成的货损率大约为3%~5%,单位召回成本为5~10元,生产企业平均库存周转期为8天,超市平均库存周转期为6天。
对于由货损造成的3%~5%的损失,生产企业和超市因为无法区分原因以加强管理,于是希望通过引进物联网技术加以改善,采取的方式是在每袋产品包装上粘贴RFID标签,已知RFID标签单价为1元,标签可回收再利用,回收率服从均匀分布U(0,1),物联网技术单位维护成本为0.2元,采用物联网技术后产品货损率降低到1%~2%,提高了供应链的反应能力,平均库存周转期缩短2天。为引进物联网技术平台和设施设备,生产企业需要花费10万元,超市需要花费5万元,以5年作为物联网平台和设施设备的折旧期,折算到每个月,生产企业固定成本增加1666.67元,超市固定成本增加833.33元。
4.2 仿真结果分析
通过Matlab软件实现改进的帝国竞争算法,并对多产品供应链收益模型进行仿真优化,假设n取1~10,分别求出引入物联网技术前后供应链的最大收益。设定初始国家数量为200,初始帝国数量为8,仿真迭代次数为200。
以n=5为例,引入物联网技术前后目标函数-U1、-U2最优解的计算机仿真结果如图3所示。
为使仿真结果更加准确可靠,仿真20次取平均值,取整得到maxU1=105753元,maxU2=108816元。因此,引入物联网技术后供应链收益增加了ΔU=U2-U1=3063元。同理可求n取1,2,…,10时的引入物联网技术前后多产品供应链收益及其变化如表1和图4所示。
从表1和图4可以看出:
(1)当n取1和2时,引入物联网技术使得供应链的整体收益下降。这是因为企业引入物联网技术虽然可以实现信息实时监控,降低货损率,提高供应链反应能力,但是由于企业规模较小,市场需求不大,使得效果并不明显,另外还要投入高昂的物联网设施引进费用,从而导致供应链整体收益下降;
(2)当n取3,4,…,10时,引入物联网技术使得供应链的整体收益上升,并且增加的收益越来越多。这是因为随着市场规模的扩大,物联网技术的优越性逐渐体现出来,促进了供应链成员间的信息共享,降低了货损率,提高供应链反应能力,改进库存管理,减少机会成本的损失,提高客户满意度等等,供应链整体收益的上升,体现了物联网技术对供应链竞争力的提升作用;
(3)当n取8,9,10时,供应链整体收益的上升速度在减慢。这是因为随着市场规模的持续扩大,企业的标签费用、维护费用等也在不断加大,从而制约了收益的增加。因此,企业应合理应用物联网技术,以实现物联网技术的效用最大化。
根据上述结果和分析,给出企业引进物联网技术提升水产品供应链竞争力的建议如下:
(1)选择性地在高附加值的水产品中使用RFID标签,在低附加值的水产品中使用条形码;
(2)在水产品供应链不同环节使用不同的物联网技术,比如在水产品零售环节使用更便宜的条形码以降低运营成本,在水产品供应链上游环节使用安全性更优的RFID标签提高供应链信息流动的速度和透明度;
(3)由单体应用扩展为群体应用,比如在养殖环节,把鱼塘养殖网箱中特征相似的一类鱼群作为一个物联网应用单元。
5 结束语
供应链管理实习报告多篇 篇2
20xx年10月26日——20xx年11月23日
二.实习地点
内蒙古科技大学经管机房
三.实习性质及目的
1.实习性质
供应链模拟软件实习2.实习目的
本次实习主要是针对我们的专业知识进行的供应链软件的实习。主要是由老师带领大家浙科物流模拟实验供应链管理软件，熟悉软件操作中的公司总经理、调度中心、仓库中心、运输中心的大体运做过程。通过这次实习旨在培养大家对现代电子商务的了解，熟悉电子商务中的物流供应链的流程操作。让大家能熟悉软件中的各个模块的功能与作用，更希望能让大家掌握一技之长以应对步入社会的现实应用和更加充分的掌握专业知识充实自己，在就业难的现实面前交给大家强于他人的有利的专业技能。下面我对以我最熟悉的调度中心(托运单管理)从接受总经理的订单到生成运输单整个流程进行讨论。
四.实习内容
本次实习主要熟悉供应链各企业间的业务关系及流徎，首先通过系统发布、总经理、调度中心、仓库中心、运输中心的基本数据，在一定程度上了解各种合同，托运单，运输单，出库，入库，完成运输。然后再通过对各部分之间业务流程的具体网上操作，各种订单的网上制作和审核，对托运单和运输单业务的运行步骤及规则有一定程度的了解。最后对供应链上所有组成元素进行业务模拟运行，运用自己在课堂上学到的知识解决运行过程中所遇到的问题，从而让学生达到供应链管理这个学习项目所要求达到的实习水平。
本实验的主要目的在于熟悉物流公司接受托运单，物资调度，物资出库入库的基本操作，掌握总经理接受托运单，调度生成运输单，仓库中心的出库入库，运输中心的运输实验流程主要有以下步骤。
(1)系统
系统自动发布各种合同招标。登录系统，新增合同招标，超过两家公司报价，系统合同匹配，签订合同，产生发货单。
(2)总经理
总经理购买仓库，在仓库所在地为记点开通线路，公开报价，系统根据公司开通线路，报价情况随机确定产生托运单。如下图：
(3)调度中心
这个部分是我实习的主要部分，我对这部分比较了解。
总经理发过来托运单，我将托运单可以分别做三个处理，意识生成运输单，
二是暂存入库，三是信息发布。
生成运输单之后就开始调度运输，可以选择公路运输和铁路运输。
还可以收到总经理发来的发货单，我可以进行补货，等待仓库中心补完，再生成运输单，提交出库信息，货物出库，进行运输。
暂存入库是为了更好的管理运输合理的调度。
(4)仓库中心
(5)运输中心
用认证升级产品供应链 篇3
《进出口经理人》：作为一家以电气类产品为主的专业检测认证机构，您认为国内相关企业目前遇到了怎样的发展瓶颈?
聂鹏翔：国内企业目前面临的最大问题可能更多的存在于研发和品牌建设上，这是个老生常谈的话题。但事实上包括一些国内大型企业在内，他们走出去，更多的首先是考虑OEM，固然品牌的建立需要长时间的积累，但这种经营思维的惯性会制约企业的国际化道路。
欧美发达国家的产品质量体系已经非常完善，民众对符合法律法规要求的产品极其信赖。所以鉴于对国外产品质量体系的不信任，他们要求国外产品通过其信赖的认证机构的检测，突破他们的心理防线是国内企业目前需要解决的问题。
《进出口经理人》：面对众多国际认证机构的竞争，“华德”的优势在哪里?
聂鹏翔：就目前全球产品认证行业来说，我个人认为竞争并不严重，更多的还是几个寡头之间的竞争。
我们的优势首先来自“华德”业务模式的创新，由于丰富的行业经验，我们清楚地意识到目前认证领域真正欠缺的是什么。我们所追求的是真正帮助企业提升产品的品质，而不只是简单的给产品贴个标志。作为“华测”和“德凯达(DEKRA)”两家大型检测认证集团的合资公司，从企业产品理念的提出，到生产出成品，直至出口，“华德”都会全程跟踪，我们会充分利用“华测”在国内的检测网络，以及“德凯达”在德国的监控系统，把握产品从生产到出口销售每个环节的品质安全，确保产品供应链的一致性。
从检测认证机构的角度来说，目前，亚太市场没有一个本土的认证品牌，无论是韩国、日本还是中国，所有的认证品牌都被欧洲公司垄断，包括美国市场，其检测认证机构也大都被欧洲公司收购。但亚太认证市场仍然很大，作为中国乃至亚洲的本土检测机构，“华测”希望在此有所作为，但仅仅凭借“华测”本身的力量是比较难以取得欧洲市场的认证资格，并达到一个理想的状态，因此我们与德国知名认证机构“德凯达”合资成立了“华德”，希望集两家知名检测认证机构的优势，打造一个全新的本土品牌。
《进出口经理人》：针对不同市场的特殊性，“华德”如何帮助企业扩大市场份额?
聂鹏翔：不同市场对产品品质的要求大多来自两方面，一是地方的法律法规，二是采购商本身的要求。对于第一个要求，“华德”有专门的部门和人员关注不同市场的相关信息，同时“华德”也与当地市场的规则制定机构，如出口市场的标准委员会、行业协会、消费者委员会保持密切联系，时刻关注最新资讯。
对于采购商的要求，检测机构需要与采购商达成一致要求，很多采购商会提出比一般产品性能更高的要求，我们所要做的就是帮助供应商达到更高的层次，使产品无论在价格上还是性能上都更具竞争力。
当然，在检测成本方面，“华德”也会切实从企业方面考虑，节约企业成本，同时也提高“华德”的运营能力。我们希望“华德”的真正优势在于性价比，而不是提供了高质量的服务价格就一定要高。
多产品供应链 篇4
长期以来,许多大型企业都习惯于将采购供应管理部门定位为强势部门,动辄以居高临下的姿态来压迫供应商接受成本目标、增加固定资产投资、增加存货、缩短供货周期。当企业迫于市场的压力逐步向多品种、小批量产品策略转移时,往往没有预料到供应市场对此将做出的反应,也没有提前规划并制定相应的策略来保护企业的成功转型。
以国产手机为例,在2006年以前,众多国产手机制造商依靠国内手机市场的蓬勃发展赚得盆满钵盈,对零件供应商也大有召之即来、挥之则去的“大公司气派”。但2006年以后,市场急转直下,国际品牌的发力以及国内手机生产许可证的逐步放开,导致国产手机厂商不得不逐步转向女性机市场、高端机市场、白领机市场、学生机市场,甚至是更加细分的老龄机市场、游戏机市场、股票机市场等。过去动辄可以卖到数十万台的单一品种机型,如今只能卖到几千台,甚至是可怜的数百台。在向多品种、小批量产品转换时,他们略显手足无措,许多企业还以老的思路与供应商谈判,甚至不惜以空头承诺来换取短期的利益,这种压榨式的谈判最后演变成国产手机大企业的信用危机和灾难,也为整个行业留下许多值得深思的问题。
相较单一品种大批量采购而言,多品种、小批量采购有着与生俱来的劣势,由于量少、品种多,难以形成规模效应,对供应市场缺乏足够的吸引力,采购供应管理往往比较被动。笔者认为,许多长期处于多品种、小批量产品行业的成功企业,诸如航空制造业、专业设备制造业、个性消费品制造业中的许多知名企业,在采购供应管理方面的策略有着许多值得借鉴之处。
采取延迟策略降低产品的差异化
延迟策略是指通过“设计或重新设计产品和工艺,以使流程中形成多个产品的差异点尽可能向后延迟”的策略。延迟策略将供应链上的产品生产过程分为“不变”与“变”两个阶段,通过将不变的通用化生产过程最大化来推迟产品差异化的形成过程。当接到客户订单时,企业便能以最快的速度完成产品的差异化过程与交付过程。延迟策略是多品种、小批量产品最惯用的供应管理策略,通过将“不变”阶段尽可能向后延迟,大大提高了部件的通用性,从而增加了部件采购的批量,降低了采购成本,缩短了产品交货提前期,并最终降低了供应链运作的不确定性。
在延迟策略方面做得最为出色的企业之一是瑞典的宜家(IKEA)公司,他们采用模块化理念来设计家具,顾客可以根据需求选择不同的模块来进行个性化组合,方便的设计使得宜家甚至能将组装工序交给顾客自己完成,也就是将延迟点推到了客户的家里。因为产品是模块化的,宜家可以轻易地在全球范围内进行制造外包,通过招标的方式选择质优价廉的供应商。
通常情况下,实施延迟策略需要企业研发部门的投入,甚至需要设立专门的标准部门推动该策略的执行,这对于以创新为理念的企业往往是一个巨大的挑战,因此,企业应在供应战略战术的制定上予以明确定义和要求。
通过反向营销培育供应资源
反向营销是Leenders&Blenkhorn于1988年提出的概念,反映了供应商关系管理的一种新理念。反向营销要求企业像对待自己的客户一样对待供应商,不是供应商说服制造商来采购他们的产品,而是制造商主动向供应商提供机会。反向营销认为,制造企业为了某件产品将过多的精力花费在合格供应商的选择上是不明智的,而应将精力放在供应商的能力与发展潜力上,而不仅仅是关注供应商现有的产品组合,这样一旦企业有需求,供应商就能够提供任何企业所需要的产品。供应商关系管理是反向营销的核心,建立友好合作的供应商关系是企业反向营销战略成功的基础。例如,通过对供应商进行培训、建立共同的配送通道、建立信息共享平台等,推动供应商和企业的思维与知识体系的相互融合,推动更高层次的价值创新。
在多品种、小批量采购中,买方市场已逐步转变为卖方市场,企业无法通过强势采购获取稳定的供应资源,但通过反向营销却可以为供应商提供附加价值,以此来弥补由于采购量少、品种繁多带来的不足,维持稳定并可持续发展的供应商关系。
瑞士ABB公司是电力设备行业的知名制造商,生产的产品多属于典型的多品种、小批量产品。在1994年正式进入中国内地市场后,ABB并没有像丰田汽车公司那样带上自己的供应商跨国迁徙,而是花费了近十年的时间在工厂的周边逐步培养了一批本土的中小规模优质供应商,为ABB在华业务的稳步成长提供了稳定的供应资源。
让供应商早期参与产品开发
许多企业都间接地要求过供应商参与新产品的研发,例如,企业通过对新设计的零部件进行信息或价格征询RFI/RFQ(Request for Information or Quotation)时,往往会要求供应商基于制造工艺的可行性对零件的设计提出一些建议,从而逆向推动企业进行设计更改。但这与供应商早期参与产品开发ESI(Early Supplier Involvement)有着本质上的差别。供应商早期参与产品开发是邀请战略供应商参与产品的研究开发的全过程。例如波音、空客等飞机制造商在研发新一代机型时,都会邀请关键供应商加入他们的研发团队,为新型飞机的设计提供诸如新材料新工艺可行性分析、零件供应市场分析、竞争对手分析等重要的信息,同时,供应商也获取了部件技术要求、生产计划等信息,为他们提前准备产能,提前安排制造、组装、物流等环节提供了重要的参考数据。
多品种、少批量产品往往具有较高的市场利润以及较大的技术及市场风险,推行ESI能为企业预测市场、规避技术风险提供重要的参考信息,具有重要的意义。供应商早期参与产品开发应在供需双方互信互利的基础上展开。通常企业只邀请关键部件的供应商加入ESI项目,并签订保密及长期供货协议,以确保项目的顺利实施及对供应商的激励。
推行价值工程/价值分析
价值工程(Value Engineering)是在产品开发设计阶段即进行的价值与成本革新活动,因为仍在工程设计阶段,故称为价值工程;而在一旦开始量产后,企业通过持续分析以发掘可以降低成本或提高价值的改善点,此阶段所进行的分析是降低成本的主要手法,被称为价值分析(Value Analysis)。
价值工程/价值分析最经典的案例是美国通用电器(GE)公司的石棉事件。二战期间,美国市场原材料供应十分紧张,GE急需石棉板,但该产品的货源不稳定,价格昂贵。时任GE工程师的Miles开始针对这一问题研究材料的替代方案,通过对公司使用石棉板的功能进行分析,发现其用途是铺设在给产品喷漆的车间地板上,以避免涂料沾污地板引起火灾。Miles很快在市场上找到了一种防火纸,这种纸同样可以起到以上作用,并且成本低,容易买到,因此取得了很好的经济效益。
对多品种、小批量产品而言,单纯的价格谈判通常很难发挥持续有效的作用。企业应当适时回归到理性思考的范畴,回归到最基本的产品价值形成过程中,努力发掘一切与价值形成过程相关的各个阶段中可以改善或改进的方案,从而推动成本和交货期的持续改善。
有效的战略采购结盟
战略联盟是两个或两个以上的企业或跨国公司为了达到共同的战略目标而采取的相互合作、共担风险、共享利益的联合行动。战略采购联盟是企业间战略联盟的一种表现形式,它通过整合联盟企业的需求来增加联合采购的规模,从而对上游供应市场施加强有力的影响。
美国著名饮料企业Ocean Spray是世界上最大的酸果蔓饮料制造商,2002年,他们通过与雀巢饮料公司结成战略联盟来提升联盟公司的制造和供应链效率。通过战略联盟,Ocean Spray与雀巢公司相互合并了旗下同一区域的多家制造工厂,并通过联合采购降低原材料,尤其是包装材料的采购和物流成本。这两家甚至在某种程度上有着一定竞争关系的企业通过实施战略联盟,共同扩大了市场份额,并提高了企业的运作效率。如今,企业战略采购联盟的形式越来越多样化,涵盖的行业也越来越广泛,只要能为企业带来增值效益,组成联盟就具有实施的可行性。
实施战略采购联盟对于多品种、小批量企业有着非凡的意义,它能使处于弱势的企业个体迅速结合为强势联盟,共同出击抢占供应资源,作为企业的战略制定者以及供应管理部门的专业人员,应不仅仅将视野放在对供应市场的分析管理上,还应将目光投向身边的优秀企业甚至是竞争对手,在互惠互利的基础上适时地推行联盟采购,以开创企业的双赢或多赢局面。
综上所述,相比单一品种大量采购而言,多品种、小批量采购虽然存在许多不利因素,但也并非无计可施。相反,许多优秀企业的成功实践为行业提供了丰富的案例。
还需要注意的是,多品种、小批量的供应管理优化不仅仅是采购供应管理部门的事,还涉及到企业的战略决策部门、设计部门、生产制造部门等多个部门的相互协同,需要企业上下一致地共同参与和努力,企业才能找到一条适合自己的致胜之道。
多产品供应链 篇5
(1.上海海事大学科学研究院 上海 201306;2.上海交通职业技术学院，上海 200431)
0 引言
集装箱运输是多数国际贸易得以最终实现的重要保证，在国际贸易中占据重要地位.特别是随着集装箱量的持续增加，其重要程度不断加强，预计2020年集装箱货运量将达100亿t.［1-2]然而集装箱运输覆盖地域广、参与主体多、活动协调难，因而深入研究集装箱运输系统尤为迫切.此外，诸多国家及相关机构对交通运输能耗问题的日益关注，使得探究集装箱运输系统能耗优化问题愈显必要.
靳志宏等［3]针对集装箱多式联运协调复杂性，建立集装箱运输任务分配优化模型，更多学者［4-9]则从供应链管理角度对集装箱运输系统进行分析，但无论是从多式联运角度还是从供应链管理角度对集装箱运输进行分析均过于强调上下游环节的协作，缺少对整个运输系统参与者之间相互制约、相互协作的研究，以及个体参与者对系统影响的研究.如能在此基础上深入研究系统成员之间以及成员与系统间的影响机制，集成整个集装箱运输系统，则有望进一步推进集装箱运输系统优化.多Agent技术为解决这一问题提供了方法.
多Agent系统是一种分布式、松散耦合的网络系统，具有协调、组织独立Agent的能力，能够通过有效协同Agent实现既定目标;Agent系统成员间协同完成任务活动，协调、合作解决复杂问题，协商矛盾和冲突.集装箱运输系统是一个高度动态的、地理和功能分布复杂的网络系统，运输各参与方既具有独立完成一定任务的能力，又服从总体需求实现整体目标，因而多Agent系统适用于解决集装箱运输问题.目前已有学者将多Agent系统用于解决交通运输问题，如交通运输枢纽组织信息架构和交通流仿真平台［10-11]、铁路运输和集装箱运输［12-13]、海铁联运和多式联运［14-15]以及路径选择［16].本文在已有研究基础上，进一步阐述集装箱运输系统，将多Agent系统理论引入集装箱运输系统，基于多Agent技术构建集装箱供应链多Agent模型，并对Agent体功能结构进行解析;以集装箱运输系统能耗优化为目标，仿真分析集装箱供应链Agent体无约束和有约束情况下的能耗优化;探讨由集装箱供应链Agent体变动而引发的各Agent体之间任务分配、活动协同、目标优化问题.
1 集装箱运输系统
HU［4]认为，集装箱运输系统是供应链的一种特殊表现形式，是伴随着集装箱的快速发展和国际贸易的持续增长应运而生的，是供应链理念在国际贸易活动中集装箱运输环节的新型表现形式，并将其定义为集装箱供应链(Container Supply Chain，CSC).
实际上，集装箱运输系统是由分布于各处、具有不同功能的要素或集合构成的服务型系统，具有特定的系统要素、系统边界、系统结构和系统环境.集装箱运输系统要素可分为运输功能集和转运功能集，每个功能集包含若干独立功能要素.运输功能集指内陆或者海上运输载体及其活动过程，转运功能集指衔接高效、运作有序的转运站、堆场等.该系统在运行中受到国家产业政策、运输法律法规、国际贸易状况等因素影响，这些因素又对集装箱运输体系机构、运作成本、时间、能耗等产生影响.
以“门到门”(Door-to-Door)整箱(FCL)运输为例，集装箱运输系统结构见图1.
图1 集装箱运输系统结构
由图1可知，由不同功能要素或集合构成的集装箱运输系统，其要素间存在某种关系.S={ei}表示系统要素集合，R={rij}表示系统要素间关系集合，rij表示要素ei与ej的关系，则集装箱运输系统可表示为G={S|R}.［9]该式可理解为集装箱运输系统是满足关系 R 的集合 S.rij∈{1，0}，rij为 1 时，表示ei与ej间存在业务协同关系;rij为0时，表示ei与ej无直接活动关系.
图2描述集装箱运输系统，其中Ei为某种功能要素ei的集合.从图中可以看出，集装箱运输系统包含若干子系统，具有复杂系统的某些特征.
图2 集装箱运输系统描述
整个集装箱运输系统就空间层次而言，不同功能要素集合以及同一功能集内部各要素之间呈现明显的异地分布性;就时间层次而言，当功能要素间有关联，即rij=1时，作业活动呈现有序性衔接，此时上下游功能要素应在时间窗口完成相应任务活动，以保证整个链条有序运行.对于集装箱运输系统上下游活动呈现的有序性，以下暂将集装箱运输系统理解为 CSC.［4]
CSC功能要素既作为独立个体存在，又同时作为供应链系统的一部分存在.作为个体，功能要素呈现自主性、交互性、反应性、合作性和适应性;作为系统的一部分，功能要素之间呈现协作性、统一性.如转运功能集的堆场要素，既作为独立的服务单元对集装箱空箱、重箱实施堆存、码放等活动，又作为CSC一环承担转运职能.通常集装箱运输过程中不同功能要素间以供应链整体任务活动为主导目标，协调各要素间任务分配，调动设施、设备以满足任务需求，对所承担的功能活动部分作出有效反应.
综上，CSC具有明显的复杂性、分布性、时序性，各功能要素兼具自治和半自治特性;而多Agent系统各Agent为自治和半自治的结合体［17]，且多Agent技术在协调解决异地分布、多阶段的活动中有良好表现.因此，将多Agent技术引入集装箱运输系统，建立基于多Agent的CSC模型有其合理性.
2 CSC的多Agent模型
多Agent CSC是由具有一定功能特性的Agent体采用某种组织结构、依据相关协议规则而构成的服务系统，系统内各Agent相互协作共同完成任务活动.参照图1，本文将CSC划分为供应商Agent，内陆运输Agent，集装箱堆场Agent，海运Agent和客户Agent，其中内陆运输Agent和集装箱堆场Agent涵盖出口与进口.
2.1 Agent体功能活动
供应商Agent分为提取空箱、装箱和装车发运3个活动;装车环节将供应商Agent与内陆运输Agent链接起来，内陆运输Agent主要负责内陆运输;集装箱堆场Agent负责接收整箱/发送空箱以及协调装船和卸船活动;海运 Agent负责海上运输;客户Agent负责接收整箱、掏箱和返还空箱.具体活动流程见图3.
图3中，圆角长方形框内Agent属于运输功能集，直角长方形框内 Agent属于转运功能集.各Agent在运输过程中的信息传递在此不详细分析.
图3 基于多Agent的CSC流程
2.2 Agent体结构特征
CSC中各Agent能够实现图3所示的协同作业，源于其具有结构特性.本文将Agent体定义为具有一定特征集的功能要素，Agent特征集关系见图4.
图4 Agent特征集关系
Si代表某时刻第i个Agent状态集，包括Agent功能活动基本信息，如集装箱堆场收发整箱/空箱状态，堆场整箱、空箱数量，集装箱分布等.Si的改变由与之相关联的事件活动引发(如内陆运输Agent整箱进入，使得集装箱堆场数量增加、位置摆放变动;当集装箱堆场发生装船事件时，堆场状态亦随之改变).由于事件活动发生，Si处于动态更新中.如将Si视作第i个Agent自治性表现，则Ki体现出各Agent的半自治性.
Ki代表当第i个Agent处于某时点状态时，其他Agent状态知识集.作为供应链一环的Agent在了解自身状态基础上，必须明晰其在整个CSC的地位和作用，同时知晓其他相关Agent的过去、现在甚至将来的信息(如集装箱堆场在获知船舶延期到达信息后，可能需要对等待装船的集装箱停放位置进行调整).Ki作为一个数据仓库的形式存在，通过信息共享机制实现.
Ri代表第i个Agent与其他Agent之间关系的集合.如供应商Agent作为顾客，内陆运输Agent是服务提供商，它们的关系为内陆运输Agent为供应商Agent提供安全、高效的运输服务.
Ii代表第i个Agent信息输入集.信息处理通常按照“先到先服务”原则，当不同内陆运输Agent进入堆场Agent时，堆场依据进场时序进行卸箱.信息输入发生意味着第i个Agent新活动开始，同时Si信息更新.Oi代表第i个Agent信息输出集.信息输出意味着第i个Agent某项任务活动完结，同时将信息传递至下游Agent，Si和Si+1发生相应的变化.
Ψi代表第i个Agent控制集.第i个Agent接收信息后须发出信息处理指令集，例如内陆运输Agent接到运送集装箱的信息后将激发运输时间、运输路径等指令活动.
Pi为第i个Agent绩效评估向量集，如内陆运输Agent绩效评估包括运输时间T，运输成本C，运输安全性S，能源消耗E等.各个Agent绩效评估与Ψi控制指令发出有密切联系，指令发出要求考虑绩效，即目标优化的需求.P代表整个CSC绩效评估值，假定，其中λi为第i个 Agent在整个CSC中的权重，即第i个Agent对CSC的影响因子.
由以上分析可知，Agent功能活动构成集装箱供应链，Agent特征集保障供应链有效运作.
2.3 能耗优化模型
基于多Agent的CSC模型，通过各Agent间协作寻求整个集装箱供应链的优化配置，而寻优过程与各Agent能力及Agent体间协作程度密不可分.以下就CSC Agent体能力变动而引发Agent体间协同作业进行仿真，以能耗最小为优化目标建立数学模型，多Agent CSC系统见图5.图中:有向线段 TPA(Transport Agent)代表运输 Agent集;节点 TSA(Transfer Agent)代表转运Agent集;O代表发运地;D代表目的地.
图5 多Agent CSC系统
有关模型符号、参数、变量定义如下:S={1，2，3，4，5}表示集装箱运输的 5 个阶段;T={1，2，3}表示每阶段承担相应任务的3个节点;fik表示在阶段i节点k的Agent集装箱实际处理量;uik表示在阶段i节点k的Agent最大集装箱处理量;eik表示在阶段i节点k的Agent处理单位标准箱的能耗(包括燃油消耗、装卸设备使用和资源消耗、占用成本等);fikjl表示从阶段i节点k至阶段j节点l的集装箱实际流量;uikjl表示从阶段i节点k至阶段j节点l的集装箱最大流量;dikjl表示从阶段i节点k至阶段j节点l的运距;eikjl表示从阶段i节点k至阶段j节点l运输单位标准箱、单位距离的能耗;βikjl表示从阶段i节点k至阶段j节点l的能耗分布系数，该系数与运距相关;z为最小能耗.
数学模型为
目标函数(1)由运输功能体和转运功能体能耗构成.根据距离原理，随着运距增加，单位运距能耗呈现逐步降低趋势，并且这种降低趋势趋于平缓，于是在目标函数中引入能耗系数βikjl，并假定βikjl服从负指数分布.式(2)说明从阶段i各节点运至阶段j节点l的箱量之和等于阶段j节点l处理的箱量;式(3)说明阶段i节点k处理的箱量等于自节点k运至阶段j各节点的流量之和;式(4)说明转运节点流入、流出平衡;式(5)说明转运功能Agent处理能力限制，在网络中表现为点容量限制;式(6)说明运输功能Agent运力限制，在网络中表现为弧容量限制;式(7)说明集装箱运输、转运量均为整数.
3 实验研究
表1 发送和接收数量
表2 转运Agent单位能耗
表3 运输Agent单位能耗/运输距离
3.1 Agent能力不受限分析
CSC中运输和转运Agent体能力均不受限时，最优运输路径配置见图6，最低能耗为216 990.
图6 Agent能力不受限时最优运输路径配置
3.2 Agent能力受限分析
转运Agent体由于资源(如时间、人员、设备等)局限，使其提供相关服务过程能力有限.假定转运Agent体能力受限如表4所示，则最优运输路径配置见图7，最低能耗为237 510.
表4 转运Agent能力受限
图7 转运Agent能力受限时最优运输路径配置
在转运Agent能力受限时，运输Agent由于道路、车辆等原因，其能力也会受限，从而使CSC整体运作难度增加.假定运输Agent能力受限情况如表5所示，则最优运输路径配置见图8，最低能耗为327 629.
表5 运输Agent能力受限
图8 转运和运输Agent能力均受限时的最优路径配置
3.3 结果分析
对比分析图6，7和8可得，在CSC结构不变的情况下，Agent能力受限与不受限时的最优运输路径配置(包括运输路线的选择和运量的分配)明显不同;转运和运输Agent能力均受限时，二者路径配置存在部分一致，见图9.
图9 能力受限时路径配置对比分析
图9 中，标有数字的有向实线表示运输Agent体在转运Agent能力受限时与转运、运输Agent能力均受限时活动一致部分;标有数字的圆圈表示转运Agent体在转运 Agent能力受限时与转运、运输Agent均受限时活动一致部分.以上说明:(1)CSC Agent能力变化会引起最优运输路径配置变动;(2)路径配置变动程度与能力受限变化程度有一定关联，通常Agent能力变动较大时，新路径配置方案与原有方案差异较大.
分析不同限制下的能耗可得:(1)Agent能力变动引发其最小能耗变动;(2)能耗变化程度与CSC Agent能力变化程度存在某种联系.通常在原有Agent体结构和处理能力基础上增加某个/些功能体能力限制条件，会引起能耗增加.从本文仿真情况看，随着供应链中Agent限制条件增多，Agent间协作难度加大，可执行选择范围缩小，致使最小能耗增加;当CSC Agent能力变动并非在固有结构能力基础上增加新的限制时，难以确定最小能耗增减情况，因此不能将CSC Agent能力变化简单理解为能耗增加或减少.
综上，CSC Agent能力变动会引发集装箱运输路径选择及运量再分配，引起能耗变化.基于多Agent CSC在某个/些 Agent能力发生变化时，各Agent特征集通过对知识的获取、状态的更新以及Agent间信息的交互实现CSC整体优化.这种优化目标可以是能耗最小、成本最低或者时间最短，也可以是具有双重目标或层次目标，如最小成本最大流、最短时间最大流等.
进一步分析可知，当CSC结构发生变动并引发Agent能力变动时，多Agent CSC能够实现自身结构的调整，并在系统目标框架下合理调配Agent间的任务活动优化任务目标.
4 结束语
本文深入分析集装箱运输系统，针对集装箱运输异地分布、协同作业的复杂性，将多Agent技术引入集装箱运输系统，构建多Agent CSC系统模型，并对模型进行分析.在此基础上，针对集装箱运输能耗问题，进一步建立基于多Agent CSC能耗优化数学模型并进行试验研究.实验数据分析得知，多Agent CSC系统模型有助于CSC Agent体能力变动引发的Agent之间任务协同和目标优化.然而，本文对于多Agent CSC系统模型Agent间协作和通信机制缺乏完备的分析，这有待于今后进一步研究.
［1]FRÉMONT A.Sans transport，pas de mondialisation［C]//Mondialisation，Transports，Logistique.20 September 2007:1-54.
［2]LESSER C，EVDOKIA M.Unclassified TAD/TC/WP(2008)13/FINAL［R].OECD，2009:1-18.
［3]靳志宏，兰辉，孙威，等.集装箱多式联运协调计划的分级优化［J].上海海事大学学报，2010，31(1):21-27.
［4]HU Zhihua.Balancing the efficiencies in container supply chain by goal programming［C]//2009 2nd Int Symp on Knowledge Acquisition and Modeling.Los Alamitos，CA:IEEE Computer Society，2009:340-343.
［5]YANG Bin，HU Zhihua，MENG Yanping，et al.Designing container supply chain by optimizing energy consumption［C]//2009 Int Conf Inform Eng＆ Comput.Wuhan，China:IEEE，2009:1-4.
［6]SEYMOUR L F，LAMBERT-PORTER E，WILLUWEIT L.An RFID adoption framework:a container supply chain analysis［J].Advances in Inform Systems Res，Education ＆ Practice，2008:175-188.
［7]MOHAMMADI S，SEDIGHEH A.Evaluation and justification of RFID implementation in Iran commercial port’s container supply chain(case study:bushehr port)［J].J Ind Manage Studies，2011，8(21):1.
［8]MHONYAI C，SUTHIKARNNARUNAI N，RATTANAWONG W.Container supply chain management:facts，problems，solution［C]//AO S I，DOUGLAS C，GRUNDFEST W S，et al.Proc World Congress Eng ＆ Comput Sci.San Francisco，USA:International Association Engineers，2011.
［9]HU Zhihua，YANG Bin，HUANG Youfang，et al.Visualization framework for container supply chain by information acquisition and presentation technologies［J].J Software，2010，5(11):1236-1242.
［10]罗雄飞，伊晓强，张秀媛.基于多Agent的交通运输枢纽虚拟组织信息集成框架［J].系统工程理论与实践，2002(7):114-117.
［11]张发，赵巧霞.基于多Agent的交通流仿真平台［J].计算机工程，2010，36(1):9-11.
［12]郭建媛，刘军，蒋熙.基于多Agent的铁路运输网分布式仿真环境的研究［J].计算机仿真，2004，21(10):170-173.
［13]舒帆，郑惠强，宓超.集装箱码头集卡Agent通信硬件设计［J].上海海事大学学报，2011，32(1):17-20.
［14]马彩雯，孙光圻.基于Multi-Agent的多式联运各区段分运承运人选择系统［J].上海海事大学学报，2006，27(3):51-54.
［15]张戎，闫攀宇.基于多Agent的集装箱海铁联运信息系统模型［J].同济大学学报:自然科学版，2007，35(1):72-76.
［16]SHARON G，STERN R，GOLDENBERG M，et al.The increasing cost tree search for optimal multi-Agent pathfinding［J].Artificial Intelligence，2012，195:470-495.
基于多Agent的供应链风险管理 篇6
供应链是围绕核心企业,通过信息流、物流、资金流将供应商、制造商、分销商、零售商直到最后用户连成一个整体的功能网络结构的模式,而供应链上的众多企业之间在进行资源的整合和运作过程中,由于存在事先无法预测的不确定因素,例如潜在利益的冲突、信息不对称等,使得供应链整体的运行具有极大的风险性,故有必要对供应链进行风险管理。供应链的风险管理不同于单一企业的风险管理。单一企业的风险主要来源于企业内外部环境的不确定性、生产经营活动的复杂性和企业能力的有限性,企业通常采取的风险管理方式主要有:风险转移,风险自留、损失融资、风险控制等;而供应链是一个实体网络,它具有多参与主体、多环节、地域分布广、多目标的特点,致使供应链容易受到来自外部环境和供应链上各个企业内部不利因素的影响,形成供应链风险。供应链风险管理针对可能对供应链正常运行造成影响的不利因素,研究供应链风险的形成、传递、识别、评价、预测、控制等,从而提高供应链的可靠性;其次供应链风险管理为供应链规划和计划提供了依据,通过供应链风险管理积累的资料,为改进供应链管理创造了条件,为选择供应链合作伙伴、制定应急计划等提供了依据;同时加强风险管理,有利于改进企业内部与外部供应链各环节之间的沟通协调。
目前国内企业缺乏必要的供应链风险管理理论指导,管理人员甚至不懂风险管理的概念和基本方法工具,风险管理的基础工作尤其是信息化工作还比较差;应对时间风险的主要办法是高库存水平,致使库存成本居高不下;处理风险事件的主要手段是管理人员利用通信工具所做的大量协调,风险管理水平取决于管理人员的能力、经验、责任心;由于风险事件多是偶发事件,缺乏对风险事件及其后果的完整统计资料。所以企业迫切需要供应链风险管理方面的指导,以系统化的手段和方法切实提高供应链风险管理的水平。所以研究供应链风险管理具有很高的价值和深远的意义。
2 国内外供应链风险管理研究现状
供应链管理是一种新的企业管理模式,随着一些国际知名企业如惠普(HP)、IBM、戴尔等在供应链实践中取得的成就,这种模式在全球得到广泛认可和推广。然而,早期的企业管理者过分关注企业的利润和供应链带来的价值增值,忽略了供应链风险的存在,特别是近10年以来,地震、台风、经济危机、罢工、恐怖袭击等频繁的扰乱了供应链的正常运行。例如,1999年台湾大地震造成了全球DRAM芯片供应紧张,使得世界的芯片价格上涨,致使Apple公司丢掉了大量的顾客订单。2000年美国新墨西哥州的飞利浦电子公司因闪电引起的大火仅仅燃烧10分钟,却令远在6 000公里之外的爱立信公司损失了4亿元,因为飞利浦的这家晶片厂是爱立信手机产品核心部件的唯一供应商。不确定性因素对供应链的干扰将会给企业的绩效带来长期的消极影响。供应链管理是一把双刃剑,一方面有效的管理将给企业带来高效的利润,另一方面,在风险面前,如果缺乏有效地应对措施,供应链将会呈现出异常的脆弱性。因此,众多的企业和学术界开始纷纷关注供应链风险管理,并做了一系列的研究。
在国外,Wharton商学院的Paul教授的研究表明:供应链中最基本的两种风险是供应与需求不匹配风险和供货中断风险。针对第一种风险,Paul教授指出可以引入期权思想和契约理论进行管理,同时信息技术高速发展带来的B2B电子商务模式也为较好地管理供应与需求的匹配风险提供了可能;而对于第二种风险,则可以实施所谓的“运营风险管理”,即对供应链的各个环节逐个进行分析,对可能的潜在风险进行识别,并在它们变成灾难之前采取措施。哈佛商学院的Dabid Stauffer教授则提出从战略的角度来管理风险,加强协作,做好成本与风险之间的权衡,同时不能忽略那些无法量化的风险。另外还有一些学者从项目规划与财务、采购等角度对供应链风险管理进行了深入的研究。
而在国内,李飞飞等从供应链的外部环境、内部运作和合作三方面,提出了基于SCOR模型的供应链风险防范,他将风险分为可控风险和不可控风险,他主张自然灾害、政治的不稳定等属于不可控风险,对此类风险企业应建立应急措施,尽可能使损失降到最低,而对可控风险,企业应从日常业务上着手,他提出了应对采购供应流程风险、计划和制造流程风险、配送和退货流程风险、财务控制风险、供应链合作风险等的防范措施。李志等从成本的角度,将供应链风险分为:市场风险、技术风险、管理风险、环境风险、生产风险和金融风险,利用了模糊风险评价法和投影模型的区间型多属性决策方法,建立了供应链风险分析与决策模型。张炳轩等对供应链的风险因素进行了细分,认为降低供应链风险应从合作伙伴选择、供应链合作契约设计、合作协调机制入手。还有研究者将人工智能中的案例推理技术和期权引入供应链风险管理中。
供应链风险管理已经成为了企业和研究机构的热门话题,相关的研究成果会越来越多,但是大多数都是从传统的单一企业风险管理角度出发来研究供应链风险管理,具有一定的局限性。随着人工智能以及Agent技术的发展,利用具有一定自主推理、自主决策能力的Agent以及由其组成的多Agent系统(MAS)来模拟、优化、实施、控制企业供应链的运行,已成为研究和实施供应链的一种重要方法。这里我们就尝试通过Agent的相关原理来进行供应链风险的管理。
3 Agent相关理论
对于Agent的概念因所研究和关心的问题不同而不一致,目前研究基本还处于起步阶段,因此,目前尚无被普遍接受的一般定义。广义的Agent包括人类、物理世界的机器人和信息世界的软件机器人。狭义的Agent则专指信息世界的软件机器人或称软件Agent,它是代表用户或其他程序,以主动服务的方式完成一组操作的机动计算机实体。这里我们所指的Agent是软件Agent。根据Wooldrige在《Intelligent Agents:Theory and Practice》一文中给出的Agent的两种强弱定义可知,Agent具有以下特性:(1)自治性(autonomy):Agent可以在没有人或其他Agent直接干预的情况下运作,而且对自己的行为和内部状态有某种控制能力;(2)社会性(social ability):Agent和其他Agent(也可能是人)通过某种Agent语言进行信息交流;(3)反应性(reactivity):Agent能够理解周围的环境,并对环境的变化作出实时的响应;(4)能动性(pre-activeness):Agent不仅简单地对其环境作出反应,也能够通过接受某些启动信息,表现出有目标的行为。美国斯坦福大学的Y.Shoham教授认为:如果一个实体的状态可被认为包含了诸如知识、信念、承诺和能力等精神状态时,该实体便是Agent。另外,Agent还可以具有:移动性(mobility)、真实性(verity)、仁慈性(benevolence)、合理性(rationality)。
由于Agent具有以上特性,使得智能Agent能根据研究的需要和技术的可行性来设置相应的智能特性,使之在MAS中,能实现在多个Agent之间的交互处理、协调运作并实现个体的目标。这在供应链风险管理中有着很好地应用前景。Agent结构图如图1所示。
4 Agent在供应链风险管理中的应用
供应链是一个多参与主体、多环节的复杂系统,其风险管理一般可分为四个阶段:(1)风险识别:就是分析供应链的各个过程环节、每一个参与主体及其所处的环境,找出可能影响供应链的风险因素,掌握每个风险的特征、来源及其相互关联;(2)风险估计:通过风险识别,找出风险之所在以及引起风险的因素,掌握风险的特征后,运用定量分析方法估计风险的性质,风险发生的概率、时间及其后果影响的大小,进而针对风险估计的结果,采取相应的控制对策,优化组合,规避、转移、降低风险;(3)风险评价:经过对单个风险进行估计后,再对供应链的总体风险以及风险水平能否被接受进行评价,同时评价采取风险管理措施后的预期效果和风险水平;(4)风险的实施与监视:通过对风险的充分估计和评价后,对风险进行规划,进而实施有效的控制,并不断对供应链的运行进行监视,以便及时发现风险因素和风险事件,预测其对供应链的影响,从而调动各方做好预防措施。结合Agent的相关理论,建立一个MAS风险管理模型,可采取以下步骤:
(1)识别Agent风险。即识别系统中面临的各种潜在风险及不同实体对风险的态度,要解决的问题就是识别风险来源并对其进行归类。
(2)衡量Agent风险特征。即分析内部状态(内部数据,如变量)和行为规则(如函数、方法等)。
(3)建立MAS的风险管理体系。即依据建立的模型对进行风险管理与评价,主要解决的问题是系统各成员之间的协调以及它们之间的交互(如通信、协商等问题)。
5 基于多Agent的供应链风险管理
在建立模型前,先对系统中的Agent做以下假设:(1)Agent追求自身效用最大,即Agent是自私的,它以实现自身利益最大化为目标,但在满足自身目标的前提下,会与其他Agent进行合作以达成系统的目标;(2)知识完备,即在系统中,每个Agent对自身的环境和其他Agent的知识具有完全的了解;(3)无历史信息(单遇);(4)Agent操作集相同;(5)Agent系统内的协商是在两两之间进行。在此基础上,建立一个多Agent系统的供应链风险管理模型多Agent系统(MAS)如图2。
MABSCRM=<AG,IFM,AT,DM>
其中:
(1)AG为所有参与供应链风险管理的Agent的集合。
AG=<a1,a2,…,an>,其中ai表示第i个Agent,即,ai∈AG,i=1,2,…,n。
(2)IFM为供应链风险识别的信息集。在供应链风险的传递过程中,任何一个Agent在行动后所产生的风险信息,另一Agent都可以通过观测接收到这个信息,并判断其风险类别。这里按照系统构成将供应链风险划分为:系统环境风险、系统结构风险、行为主体风险、协作风险。
IFM=<l1,l2,…,ln>,其中li为第i个Agent所属的风险类别,li∈IFM,i=1,2,…,n。
(3)AT为供应链风险的行动集。供应链风险识别系统将风险识别归类后,就应该利用相应的风险管理工具对风险实施控制,通常采取的风险管理方式有:风险自留、风险转移、风险控制。
AT=<f1,f2,…,fn>,其中fi为第i个Agent所采取的行动,即,fi∈AT,i=1,2,…,n。
(4)DM为Agent的协商决策模型。在Agent模式下,风险管理的目的就是要实现供应链系统内各成员之间的协调运作,使供应链发挥最大的效率。DM=<K,S,U>,其中:
(1)K:Agent关于环境或其他Agent的知识。例如关于环境参数的知识、关于其他Agent决策模型、协商模型等信念。
(2)S:Agent的协商战略。协商战略就是协商Agent根据其所处的环境以及Agent内部的推理模型对各种策略进行不同组合调整。
(3)U:Agent协商的总效用函数。对于Agent最终的协商效果实施评价采用效用函数U,对于任何的Agent在进行Agent协商决策的原则,我们考虑从所获得的收益与其付出的成本之差来考虑,并符合供应链整体利益,即:,且Ui=Ri-Ci,其中Ri为ai通过风险自留、风险转移或者风险控制等措施所获得的回报,Ci为ai为此而所付出的机会成本。对于Agent协商的效果的评价就是看总效用函数是否满足U>0。
6 结束语
有效的供应链风险管理实质就是识别风险来源,再通过信息交互平台传递风险信息,最后通过多Agent系统来协调供应链内部各成员的关系,以期达到减少干扰,提高供应链整体运行效率。这里建立了一个基于MAS的供应链风险管理模型,对整个供应链风险管理具有重要的参考价值,为未来供应链的运作起到很好地借鉴作用。
摘要：通过引入供应链风险的概念,探索供应链风险管理的意义,介绍了国内外企业和学术界的研究情况,同时在基于Agent相关理论基础上,将Agent的智能技术应用到供应链风险管理中,从而建立了基于多Agent系统的供应链风险管理模型(MABSCRM)。识别风险来源,衡量风险特征并实施控制,进而协调供应链内部各成员的关系,以期达到减少干扰,提高供应链整体运行效率。这个模型对供应链风险管理者在进行下一次的供应链运作将有很好的帮助。
多Agent在供应链管理中的应用 篇7
供应链一般分为内部供应链和外部供应链。与内部供应链相比，外部供应链范围大，涉及企业众多，企业间协调更困难。一般研究的供应链管理(SCM)是指外部供应链的管理。
供应链管理实质上就是通过控制协调供应链中的各个实体和其行为，达到降低系统成本，提高产品质量，改善服务水平等目的，从而全面提高企业的核心竞争能力。
随着Internet和电子商务的发展，市场需求的多元化和客户需求的个性化挑战着传统的企业集权式、各自为政的信息系统管理方式，其动态、复杂的环境迫使供应链管理系统需要新的底层支撑体系来控制管理各种技术、工具和适应新的管理模式。随着分布式对象技术和人工智能技术的发展，利用多Agent系统(Multi-agent system，简称MAS)技术来模拟、优化、仿真和控制企业供应链的运行，已经成为研究和实施供应链管理的重要方法之一[1]。面对市场竞争的日趋激烈以及交货期限的压力，企业形成了一个普遍共识：有效的供应链管理是应对这些困难的有效途径。所以建立一个智能系统来有效地感知顾客需求，更好地协助管理供应链系统是非常必要的。如下将对2000年以来国内外在这一领域中的研究作一论述。
1 Agent与Multi-Agent系统
1.1 Agent的定义与性质
在计算机和人工智能领域中，Agent可以看成是一个实体。它通过传感器感知环境，通过效应器作用于环境。Agent为了达到一定的目标，有着自成规律地执行任务的工作模式。著名Agent理论研究者，英国的Wooldridge博士和Jennings教授认为：Agent是一个具有自主性、社会能力、反应性和能动性等性质的基于硬件或(更经常的)基于软件的计算机系统。
1.2 Multi-Agent系统
MAS系统，也称为多智能自主体系统，源自于人工智能中的分布式问题求解。它可以看成是将单个Agent集合起来，通过它们之间的相互作用或相互结合产生更高的智能，能够解决单个智能体不能解决的复杂问题。MAS也通常被称为自组织系统(self-organized systems)，它不需要人为干预而找到最佳解决方案。由于多智能自主体系统对开放、动态的现实环境具有良好的灵活性和适应性，因此在制造领域(如生产调度与控制、车间资源配置、生产管理决策等)得到越来越多的应用。
2 MAS在供应链管理研究中的应用
目前许多学者从不同角度对智能体在供应链管理中的应用进行研究，但是大都还只停留在学术与理论阶段。根据以往学者的研究，进行分类陈述。
2.1 模型建立与仿真
如今在供应链中，基于多Agent建立跨实体的分布式供应链仿真模型已成为该领域的研究热点和新的发展方向。
供应链决策系统面临着两大挑战：来自各个部门或实体的信息非常的分散，凌乱并充满不确定性;现代企业决策中心位于各个不同的部门实体，而他们的决策往往只是从自身的角度来考虑问题，并不从整个供应链的利益最大化出发。针对这样的情况，很多学者通过运用智能体Agent，建立供应链决策系统模型。2002年，Karimi[2]等提出了一个基于多Agent的集成供应链决策支持系统，解决了各部门间或企业间的信息沟通以及决策整合问题。Shen[3]等人建立了一个基于Agent技术的供应链协调模型，用来解决不同部门因分离而缺乏协调和沟通以及不同部门规则不统一等问题。Roger[4]等也提出了一个协调模型，并有效解决了大范围内的实体之间的协调沟通问题，将其应用到全球范围的生产型供应链网络中。孔[5]采用智能Agent技术，模拟了一个分布式Agent的协商环境，从协商机制出发，摒弃目前大多数协商算法将不确定信息公有化的作法，将Agent的偏好及所受的约束看作私有信息。最后，从协商算法上使用了偏好模型的概念，采用了建议的全局偏好评估和冲突消解。
随着全球化，在新技术、新产品和新需求不断涌现的复杂环境下，建立动态环境下的SCM系统显得越来越重要。姚[6]等建立了多Agent动态影响图(Mulit-Agent Dynamic Influence Diagrams, MADIDs)模型，明显降低了计算的复杂性，成功地模拟了动态环境中Agent之间的结构关系，从而克服了多Agent影响图模型(Mulit-A-gent Influence Diagrams, MAIDs)不能对其它Agent建模的不足。赵[7]等从Agent模型角度对供应链进行建模，提出一种可动态加载能力的多Agent模型，并通过实现一个供应链上定单处理流程来说明该模型所具有的良好性质。黄[8]等对动态MAS模型进行分析和验证，通过构造一个电子商务系统的形式化模型，描述了π演算的建模和分析过程。结果表明：π演算不但能描述Agent之间的交互，而且可以对系统的一些关键属性进行分析，如分析系统的死锁性等。
2.2 优化与算法
传统意义上讲，在没有很好协调的情况下，处于供应链上的不同实体会各自为战，只达到自己的最优化而忽视其它组织的优化问题，这就会导致整个供应链系统库存和需求较大的变动。所以，为了降低总成本，良好而有效的沟通协调是必不可少的。此时，Agent技术能解决实体间有效沟通和整体目标最优化的问题。
Huang[9]等用信息共享和系统思维对需求量进行了预测，并采用Agent技术模拟供应链系统并对各个实体库存进行监控。运用Real-coded Genetic Algorithm (RGA)计算了最小订单量，通过需求信息的共享实现了总成本最低化的目标。针对SCM在产品分配方法上历来不注重最佳分配方案问题，Kaihara[10]提出了一个基于供应链运行的虚拟市场(Virtue market)，这个虚拟市场通过分配预定资源解决了产品分配问题，而这些预定资源的分配是根据在虚拟市场中各Agent之间事先自动交互实现的。
2001年，Toshiya Kaihara[11]提出了一个以市场为导向多Agent SCM系统。模拟实验证明：依据经济原理精确设计决策过程能有效地实现产品分销。同是对产品的分销问题，2003年，Toshiya Kaihara[12]建立了一个基于多Agent的拍卖服务器，解决了大量处在动态的货物及服务的分销问题。
2006年，Lin[13]将“订单完成过程”转化成“分布式约束满足问题”(DCSP)，并运用多Agent协调机制成功解决了“分布式约束满足问题”。该系统应用于解决现实工业“订单完成过程中时间冲突问题”，实验表明此系统优于现存的解决方案。
李[14]基于Agent技术，建立了一个生产调度模型，让每个Agent代表不同的资源，如管理、设备、工件、运输与人员，并且负责该资源的控制与调度，实现资源优化配置。闰[15]运用多Agent提出一种新的分布式测控系统动态任务调度算法，该算法采用接收者启动的调度策略，有效地提高了系统效率，节省了时间。廖[16]通过建立基于多Agent分布协同拍卖的动态目标分配算法解决多无人机(Uninhabited Aerial Vehicle, UAV)协同目标分配问题。
目前，主体之间广泛采用协议网络规范，通过对各种资源进行竞价达到优化资源配置，协调计划调度的目的。为了评价供应链各节点企业运营的不确定性、减弱或消除整个供应链的不确定性以及实现供应链整体最优，许多学者还同时引入了基于黑板理论[17]的求解算法。
王[18]提出了基于多Agent技术的半导体生产线动态调度算法。调度时协同考虑了上下游加工中心的信息，达到了优化调度的目的，仿真实验证明了算法的有效性。
2.3 运用与实施
利用智能自主体构建企业的信息基础平台，利用智能自主体作为供应链协调和通信的主体[20]，控制和管理企业供应链的运行，以提高供应链管理的自动化和智能化程度。利用智能自主体跟踪并检测供应链系统数据与环境的变化[2][19]，及时做出分析并得出解决办法。
Jeng[20]等综述了时装工业供应链管理的解决方案，率先提出将多代理系统应用到时装工业SCM领域，解决了整条供应链的运行问题。通过结合semantic web和建立了一个基于多Agent技术的信息交互中心，保证了整个系统信息流通顺畅，从而提高了整个系统的运营效率。
2006年，Jihad Reaidy[21]将多Agent为基础的协商方法应用到动态的、复杂的生产控制体系，通过对不同协商原则的比较和评价，“合作-竞争模式”显现了其优势。孙[22]认为供应链的管理中，解决长鞭效应的有效方法是信息集成。多Agent技术的结合应用为发展信息集成提供了必要条件，从而解决了“局部信息畸变在供应链中被逐级放大”的问题。
为提高服饰企业分销与物流配送管理系统软件开发的效率，根据服饰企业业务流程复杂、繁琐的特点，林[23]提出一种采用多Agent技术构建服饰企业分销与物流配送管理系统的方法。研究了基于多Agent的服饰企业分销与物流配送管理系统，运用Agent技术与面向对象技术相融合的思想，通过将业务流程外化为不同类型的Agent实体，简化了企业业务流程重组的过程，使系统的二次开发更加便利。
孙[24]在基于多Agent集成的敏捷化供应链系统(MASCM)中，实现以MRP II ERP为载体的多Agent有效协作。
SCM强调各个实体间的协同工作，因此Agent是否能够协调地完成预定任务，是多Agent系统应用于SCM的关键问题之一。Agent之间的协调机制可以用多种方法实现，通讯是各Agent获取信息以进行协商与协调必不可少的手段。2005年，郑[25]的研究重点是基于KQML (Knowledge Query and Manipulation Language)的Agent通讯与协调机制在SCM系统中的应用。结合Agent技术的优点，周[26]提出了在CORBA分布式系统平台上的敏捷供应链体系结构。使得企业能及时充分地掌握信息，并作出快速地响应。
潘[27]将多Agent系统应用到物流运输规划的GIS环境中，进行物流路径动态规划的策略，以尽可能地缩短运输时间或运输距离，从而在运输成本降低的同时，客户服务和库存策略也得到改善。
孟[28]认为MAS能够很好地完成动态调整的任务，把MAS运用至供应链物流信息系统，提出了基于MAS的供应链物流信息系统的三层结构，分析了动态协作联盟算法，实现供应链物流信息系统中各个Agent之间的群体协作，组成动态协作联盟。
3 开发供应链管理的Multi-Agent系统的关键技术
3.1 Agent通信语言
运用MAS进行分布式问题求解还是模拟系统模型，其中一个重要的问题就是解决Agent之间的协调(coodination)或合作(cooperation)问题。那么，实现这个目的首要解决的是Agent之间的通信问题。除了必不可少的网络连接作为通信实现的可能性以外，还需要有能使Agent之间通信的共同规则或语言，即ACL (Agents Communication Language)。实现Agent通信的ACL一般有两个，即：KQML (Knowledge Query and Manipulation Language)和FIPA (The Foundation for Intelligent Physical Agents，智能物理Agent基金会)ACL。这两个ACL相当于规定了Agent通信的“信封”格式，而不管Agent之间沟通是基于什么领域的知识或者通信内容使用什么样的语言，像SL (Semantic Language，语义语言)、VB、Java、Delphi、KIF等等只是用来“写信”内容的备用语言[29]。
KQML和FIPA ACL在基本的概念和形式上是比较相像的，只是它们在语义框架上有所区别。另外，两种ACL对于Agent的加入和身份认证以及通信基础设施的支持不同。KQML提供了与之相关的一些原语用来规范基础设施[30]。而FIPA ACL则希望成为一个纯粹的ACL而不提供这类的支持。
3.2 ACL的支持系统及其应用
KQML的支持系统———JATLite，是由斯坦福大学开发的一个Java包。这个系统是建立在Java平台上的多Agent通信支持系统，里面提供了实现KQML的语义接口[28]。然而，JATLite最重要的工作是实现了一个Agent Message Router (AMR)来作为KQML进行通信的基础设施。另外一个支持KQML的系统是InfoSleuth，用来建立一个开放动态环境下异构信息的语义集成机制。在实现通信上，InfoSleuth在原来一般Agent平台增加了一个对话层(Conversation Layer)，所有Agent之间使用KQML的通信都要经过这个对话层。
在FIPA ACL的支撑系统中，JADE是使用最普遍的[4]。它是基于P2P通信架构建立起来用于开发多Agent应用的中间件，也是由Java开发的，并且可以用它来开发多Agent系统，可以在有线、无线网络和普通PC或者移动设备上运行。
4 结语
当前，我国企业正面临着如何加速与世界接轨，参与国际市场竞争这一重大问题，采纳先进技术与管理思想进行企业改造势在必行。结合我国实际情况研究智能化的供应链管理，必将为我国企业的发展提供有效的信息技术解决方案，也将为我国在先进制造技术的研究方面走在世界前列打下基础。同时，基于多智能体的供应链管理是一种全新的管理理念，它是在网络经济的促动下诞生的，因此必然顺应时代潮流，为传统产业带来全新竞争优势，成为传统产业在网络经济环境下的必然选择。
摘要：面对市场竞争的日趋激烈以及交货期限的压力, 企业意识到有效的供应链管理是应对这些困难的有效途径。为此建立一个智能系统来有效感知顾客需求, 更好地协助管理供应链系统是非常必要的。对2000年以后国内外在这一领域中的研究做一论述, 最后简单介绍实现Agent间通信的关键技术与实现平台。
多产品供应链 篇8
关键词：供应链绩效,Stackelberg对策,供应链创新,多目标,遗传算法
1引言
供应链管理是包括供应、制造、销售在内的, 涉及物流、资金流、信息流控制的企业集成化网络, 涉及包括供应商、制造商、分销商等企业及最终用户的多个独立决策主体[1,2,5,6,7,8,10]。供应链绩效包括两个方面:一是供应链各成员通过协调合作和信息分享, 增加或减少, 以及创造的单个企业所不能实现的绩效;二是供应链整体运行过程的绩效。供应链绩效构成比较复杂, 通常包括成本或利润、柔性、可靠性、质量、速度、鲁棒性等可观测和控制的绩效因子[1,2,7,10], 其中的任一绩效因子都可作为一个复杂问题单独研究, 同时绩效因子之间存在一定的影响关系。特定的供应链策略将对供应链绩效产生不同的影响, 如数量折扣、返点、渠道策略调整、创新支持等[1,2,5,6,7,10];同时, 不同的供应链决策机制也将导致不同的供应链绩效水平, 如供应链集成化、委托代理、主从对策等问题中的决策机制[1,8,10]。可以说, 供应链的绩效评价和控制存在着一定的复杂性、动态性、交叉性的基本特征。
文[1,8,10]分别研究了不同决策机制下应用普通补充期协调供应链库存的问题。文[2]研究了有效的供应商关系可有助于改善经营绩效, 如质量、交货、价格或成本等方面, 这些改善也是选择供应商时要考虑的重要标准。文[3]研究了应用遗传算法, 在可重复连续对策环境下Stackelberg主从对策解的离线计算。文[4]研究了Stackelberg主从对策解的计算方法。文[5]研究了价格折扣策略在供应链协调中的应用。文[6]研究了基于作业成本分析的顾客获利能力的一般模型和度量方法。文[7]研究了生产商如何支持供应商创新以降低供应成本的供应链协调问题。
本文在文[1,8]研究的基础上, 分析了一般与基于协调创新的供应链订货模式, 考虑供应链中从方参与协调创新的理性与公平性要求, 建立了一类基于协调创新的供应链绩效控制的多目标主从对策问题, 其中分销商作为主方提出调整最小补充期策略以改善整个供应链绩效, 顾客作为从方以最优库存策略响应。考虑顾客参与协调创新的理性与公平性要求, 分别给出了供应链集中决策优化模型 (Ⅰ) 、典型的Stackelberg主从决策优化模型 (Ⅱ) 和一类多目标的Stackelberg主从决策优化模型 (Ⅲ) , 并对比分析了一般订货模式下, 以及协调创新模式下三种情况之间的绩效水平。最后, 应用遗传算法对一个化工品分销系统Stackelberg问题进行离线仿真计算。
2背景描述与符号说明
2.1 一般供应链订货模式
一般订货模式下, 分销商和顾客之间没有任何协调, 各顾客根据自己的经济订货量, 在任意时间期发出补充订单。因此, 对于分销商, 顾客的补充订单到达时间任意, 且需要必须立刻满足。如图1所示。
一般订货模式下, 假定顾客i每隔t1, i时间补充一次库存, 则顾客i的总平均成本是
undefined
其中Di是顾客i的固定年需求, i=1, …, m;p是产品价格, t1, i是补充期, Ki是其订货成本, hi是其持有成本率, T0=365, 即取一年为365天。
假设t1, i连续变化, 利用微积分求极值方法, 得出满足顾客经济订货批量EOQ的最优补充期
undefined
在实际应用中, 利用式 (2) 得出的t1, i不一定是整数, 假设t1, i=11.214天, 显然, 小数点后面的数字对于实际订货是没有意义的, 这时可以取t1, i=⎣t1, i」或 (⎣t1, i+1」) , 使得平均成本最小化。可知, 一般订货模式下, 分销商接受的补充期最小单元是1天。
相应地, 顾客i的经济订货批量EOQ是
Q1, i=Dit1, i/T0 (3)
考虑顾客的订货成本和库存成本, 一般订货模式下顾客i的成本是
undefined
分销商的成本包括两部分, 一部分是直接为顾客提供服务所发生的成本, 另一部分是为顾客提供产品而与其供应商协调过程中发生的成本, 一般订货模式下分销商的总相关成本是
y1=undefinedundefined
其中As是分销商处理所有顾客订单和运输时的准备成本, Ai是分销商处理顾客i的特定订单时的准备成本。顾客i每次订货时, 分销商都要发生成本。
2.2 基于协调创新的供应链订货模式
供应链管理创新就是在供应链中改变资源及其产出绩效。这里有三层含义:一是改变已有的供应链资源, 如改变供应商的数量、提供满足顾客需求的新产品等;二是改变已有供应链资源创造价值的能力, 如支持供应商的创新行为来降低供应成本等;三是改变供应链资源的产出绩效, 如补充订货协调创新策略等。
本文中, 分销商通过提出调整订货最小补充期的协调创新策略, 并提供数量折扣来激励顾客接受最小补充期策略, 从而实现供应链的协调和控制, 改变现有供应链资源的产出绩效。分销商规定顾客的补充订货只能在特定的时间点发出, 如一个月内的特定一天或几天。因此, 顾客需要把补充期调整为最小补充期的整数倍, 相应地调整经济订货批量。一旦采用最小补充期供应链协调, 分销商可以实现订单处理和运输成本的批量经济。
供应链协调下, 分销商的最小补充期策略降低了顾客的订货灵活性, 并可能增加顾客的成本。因此分销商需要给出数量折扣来激励顾客接受最小补充期策略。一旦最小补充期设定, 顾客就需要调整其库存策略, 确定自己的补充期, 实现库存优化。供应链协调下, 顾客i的补充期是
t2, i=niT (6)
其中ni≥1, 且是整数, 体现顾客的库存策略, T≥1, 是分销商的最小补充期。
相应地, 顾客i的经济订货批量EOQ是
Q2, i=Dit2, i=DiniT/T0 (7)
供应链协调下顾客i的成本是
undefined
分销商提供的数量折扣要满足各顾客的激励相容性约束 (9) 式, 以激励顾客接受供应链协调。假定分销商的数量折扣需要弥补顾客成本的增加, 并且还提供给各顾客一般订货模式下成本的一个最小节余。因此, 对顾客i, 总数量折扣DiZi至少应满足以下条件
undefined
其中S是顾客一般订货模式下成本节余的一个最小比率, Zi是分销商支付给顾客i的单位数量折扣。本文采用累积数量折扣下, 各顾客获得的数量折扣率不同, 与其年总需求量正相关, 各顾客取得各自相应的数量折扣率。
供应链协调下, 分销商处理所有顾客订单和运输时的准备成本发生在固定的各个最小补充期T, 因此分销商的总相关成本是订单处理成本加上数量折扣
undefinedundefinedundefined
这里供应链协调机制与文献[1,8]的基本思想相同, 但是这里明确指出数量折扣是分销商最小补充期和顾客库存策略的函数, 并且给出以下一类基于协调创新的供应链绩效控制的多目标主从对策问题, 同时给出求解算法。
3一类多目标主从对策模型
3.1 基本模型
考虑一个多目标Stackelberg主从对策问题, 其中对策的主方是分销商, 其策略是提出最小补充期和数量折扣;从方是顾客, 根据主方的策略, 进而确定其库存策略。设U和V分别是主方和从方的策略集, 最小补充期Tk和库存策略ni, l分别表示主方和从方的策略, Tk∈U, ni, l∈V, k=1, …, n, l=1, …, n, 为整数。根据式 (9) , 可知数量折扣是关于Tk和ni, l的函数。假定U和V是非空凸集, 构成非空凸空间。存在双方的响应函数, 且是可导的映射。因为顾客的成本和需求参数已知, 分销商知道顾客的响应函数, 并考虑顾客的响应做出最优的决策。
分销商的目标是
undefinedundefinedundefined
由式 (11) 的最优化一阶条件得出分销商的响应函数是
undefined
顾客i的目标Gi由两部分Gi, 1和Gi, 2构成
undefined
undefinedundefined
其中, Gi, 2表示顾客i在最小化自身成本的同时还希望不过多分担分销商的成本。由于顾客i是从方, 在协调创新中处于弱势, 在传统的Stackelberg模型中, 其所获好处要小于主方, 因此这里Gi, 2可以看作是供应链渠道协调创新中从方参与协调的一种公平性的表示。在顾客i的目标中, 公平性要求的程度大小可以用权重向量wi= (wi, 1, wi, 2) T来表示。
Gi=wi, 1Gi, 1+wi, 2Gi, 2 (15)
wi, 1+wi, 2=1 (16)
假设ni, l连续变化, 利用微积分求极值的方法, 式 (15) 对ni, l求导, 其二阶导数大于0, 存在最优的ni, l*, 使得成本最少。得出顾客i的响应函数
undefined
或undefined
分销商的数量折扣
undefined
其中, Tk≥1, 且是整数;ni, l≥1, 且是整数。
式 (11) - (18) 构成了一类多目标供应链Stackelberg主从对策问题。根据文献[3], 式 (12) 给出的Tk和式 (17) 确定的ni, l条件下, 策略对 (Tk, ni, l) 是一个Stackelberg主从对策均衡解。
3.2 模型分析
考虑公平性权重向量wi= (wi, l, wi, 2) T的取值不同, 供应链从方顾客的决策权也产生较大差异, 因此, 上述问题可构成如下两种不同决策机制下的三种不同优化问题:Case Ⅰ、Ⅱ和Ⅲ。
Case Ⅰ:对于∀i, i=1, …m, 当wi, 1=0, 即wi, 2=1时, 该模型即为典型完全信息下的由分销商单方控制的供应链集中决策模型, 顾客没有任何决策权。建立以下以分销商成本最小化为目标的优化问题,
undefinedundefined
undefined
其中Ri是顾客i的成本上限, 其它与前述一致。分销商最小补充期策略Tk和顾客库存策略ni, l是决策变量。式 (19) 是分销商的成本目标函数, 式 (18) 是分销商的数量折扣约束, 式 (20) 是顾客的参与协调的个体理性成本约束, 式 (21) 是分销商最小补充期策略Tk和顾客库存策略ni, l的约束。式 (18) - (21) 构成了典型的由分销商单方控制的供应链集中决策优化模型 (Ⅰ) 。
Case Ⅱ:对于∀i, i=1, …m, 当wi, 1=1, 即wi, 2=0时, 该模型为考虑供应链渠道协调创新中的典型Stackelberg模型, 分销商为供应链协调的主方, 顾客为从方掌握一定决策权, 在主方策略给定条件下选择对自身最优的响应策略。建立以分销商成本最小化为目标的传统Stackelberg优化问题,
undefinedundefined
undefined
或
undefined
其中分销商最小补充期策略Tk和顾客库存策略ni, l是决策变量。式 (22) 是分销商的成本目标函数式, 式 (23) 是顾客的库存策略, 其它与前述一致。式 (18) , (20) - (23) 构成了典型的Stackelberg主从决策优化模型 (Ⅱ) 。
Case Ⅲ:对于∀i, i=1, …m, 当0≤wi, 1≤1, undefined时, 该模型为考虑供应链渠道协调创新中顾客i参与合作的公平性要求的多目标Stackelberg模型, 分销商为供应链协调的主方, 但顾客在响应主方策略时兼顾了公平性要求, 即选择使得自身最优策略的同时兼顾了不过多分担主方成本方面的考虑。建立以分销商成本最小化为目标的多目标Stackelberg优化问题 (Ⅲ) ,
undefinedundefined
undefined
undefined
其中分销商最小补充期策略Tk和顾客库存策略ni, l是决策变量。式 (24) 是分销商的成本目标函数, 式 (17) 是顾客的库存策略。式 (17) , (18) , (20) , (21) , (24) 构成了一类多目标的Stackelberg主从决策优化模型 (Ⅲ) 。
优化模型 (Ⅰ) 、 (Ⅱ) 与 (Ⅲ) 都是典型的非线性规划问题, 目标非线性, 约束条件包含非线性。采用传统方法求解此问题比较困难, 下面将应用离线遗传算法来求解这个优化问题。
为了问题处理的方便, 在应用遗传算法计算该问题的近似解时, 对式 (21) , 采用搜索空间限定法, 使得搜索空间中表示一个个体的点与解空间中表示一个可行解的点有一一对应的关系;对式 (20) , 建立如下惩罚函数
undefinedundefinedundefined
其中λ是用来调节惩罚严厉性的参数, 这里取λ=1/3。该惩罚函数不依赖于问题。
采用乘法形式的评估函数[9,10], 分别结合优化模型 (Ⅰ-Ⅲ) , 分别建立如下的分销商的广义成本优化模型, 对于优化模型 (Ⅰ) ,
undefinedundefinedundefined
s.t. 式 (18) 、 (21) 、 (25)
其中符号表示与前一致。式 (18) 、 (21) 和 (25) - (26) 组成了一个非线性规划问题。
对于优化模型 (Ⅱ) 与 (Ⅲ) , 分别建立如下式 (26) 的分销商的广义成本优化模型。
4仿真
4.1 用于Stackelberg主从对策的遗传算法
遗传算法是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应全局优化概率搜索算法[3,7,8]。这种算法不对策略进行计算, 而对策略的编码进行计算;是一个迭代过程, 反复将选择算子、交叉算子、变异算子作用于群体, 最终可得到问题的最优解或近似最优解。这里采用二进制编码方法, 每一个策略被编码成一个长度为N的0-1字符串变量, 这里N取决于策略集。这里取1≤Tk≤32, 且是整数;ni, l≥1, 且是整数。用长度为5位的二进制编码分别表示两个决策变量。5位二进制编码可以表示从1到32之间的32个不同的数, 编码精度δ= (32-1) / (25-1) =1。设某个体的编码是Tk=bibi-1bi-2…b2b1, 相对应的解码公式为Tk=1+ (undefined) (32-1) / (25-1) 。
对于优化模型 (Ⅰ) , 采用经典的遗传算法基本步骤。对于优化模型 (Ⅱ) 与 (Ⅲ) , ni, l取决于Tk的值。下面给出基于文[3]求解Stackelberg主从对策均衡解的遗传算法基本步骤, 即
步1:初始化。设置进化代数计数器n←0;设置最大进化代数N;随机生成K个个体作为初始种群。各代种群中的每个个体代表主方的一个策略。
步2:个体评价。j=1到K, a) 主方给出策略Tj;b) 从方以最优的策略ni, j响应;c) 主方确定最优价格折扣Zj;d) 评价策略Tj的适应度。
步3:选择运算。将选择算子作用于群体。这里使用比例选择算子, 父体被选中的概率与该个体的适应度大小呈正比。
步4:交叉运算。将交叉算子作用于群体。交叉算子使用单点交叉算子, 依交叉概率, 在选定个体编码串中随机设置一个交叉点, 然后在该点相互交叉两个配对个体的部分染色体。
步5:变异运算。将变异算子作用于群体。变异算子使用基本位变异算子, 依变异概率, 对选定的个体基因座上的原有基因值作0-1变换。
步6:终止条件判断。若n≤N, 则:n←n+1, 转到步2;若n>N, 则以进化过程中所得到的具有最大适应度的个体作为最优解输出, 终止计算。
4.2 一个化工品分销系统仿真应用
供应链Stackelberg主从对策问题的仿真实验, 是根据中石油辽化公司化工品市场的情况设计的。中石油辽化公司是一个大型石油化工企业, 石油化纤是公司的主要化工产品。这里仅就石油化纤品为例进行仿真实验设计。实际问题中存在大量的顾客, 不失一般性, 这里简化原问题来说明基于协调创新的供应链绩效控制问题。假设辽化公司某一销售公司的化纤产品有m=10个顾客, 其中销售公司是供应链Stackelberg主从对策问题的主方, 其化纤产品买方顾客是从方。各买方的参数设置见表1。
应用上述的遗传算法计算该问题的近似解时, 直接取模型目标函数为适应度函数, 当主方的成本降低时, 适应度降低。根据前述的遗传算法产生初始种群, 种群个体数K=4, 迭代终止代数N=200代, 参数初始设定pc=1.0, pm=0.05。仿真计算在P1.5G计算机上完成的, 内存760M, 计算时间均不超出1分钟。
表2是一般供应链订货下供应链绩效的客观反映。表3列出了对优化模型 (Ⅰ) 、 (Ⅱ) 与 (Ⅲ) 的仿真结果, 集中决策优化模型 (Ⅰ) 的均衡解是 (9, (7, 5, 2, 4, 2, 8, 2, 3, 2, 3) ) , 典型的Stackelberg主从决策优化模型 (Ⅱ) 的均衡解是 (8, (6, 5, 1, 3, 2, 7, 1, 2, 1, 1) ) , 多目标的Stackelberg主从决策优化模型 (Ⅲ) 的均衡解是 (9, (6, 4, 1, 3, 1, 7, 1, 2, 1, 1) ) 。图2给出了两种模式下供应链顾客成本 (不含分销商数量折扣) 变化的曲线, 为突出成本变化差异, 对原数据进行了处理;图3给出了两种模式下供应链顾客实际成本 (含分销商数量折扣后) 变化的曲线;图4中的实线表示两种模式下供应链分销商的成本变化, 虚线表示两种模式下供应链系统总成本的变化。
对比分析表2和3中的仿真结果, 以及由图2～4所示, 可以得出以下结论:
首先, 订货协调创新策略可以有效地控制供应链的绩效水平。随着最小补充期策略的实施, 供应链的整体与各参与成员的绩效水平得到不同程度的改善。由图3和4可以看出, 系统总成本、分销商的成本, 以及顾客实际成本 (含分销商数量折扣后) 都优于一般订货模式下的水平。从经济学角度分析这一订货协调创新过程, 可以看出, 这种协调过程实际上是一种帕累托改善, 即分销商在降低自身成本的同时, 顾客的相关成本各有不同程度的降低, 最终得出的供应链绩效实现了帕累托改善。
其次, 订货协调创新策略使得供应链顾客从中受益, 说明此协调创新策略实际可行。一般订货模式下与订货协调创新下, 随着最小补充期策略的实施, 尽管顾客的补充订货时间的自由度受到了限制, 顾客成本 (不含分销商数量折扣) 增加, 如图2所示, 但是, 顾客实际成本 (含分销商数量折扣后) 均有不同程度减少, 如图3所示, 因此订货协调策略改进了供应链的产出绩效。
第三, 订货协调创新模式下, 多目标Stackelberg主从决策机制调动了从方顾客参与协调的积极性, 更加合理, 接近实际。在Stackelberg主从决策机制下, 分销商处于决策优势, 而顾客始终处于决策劣势, 当考虑从方的合理性与公平性要求时, 从方参与协调的积极性大大增强。结果表明, 尽管顾客实际成本 (含分销商数量折扣后) 不变, 但多目标Stackelberg主从决策情况下的系统总成本与分销商的成本要优于典型Stackelberg主从决策, 如图3和4所示。
第四, 订货协调创新模式下, 集中决策机制下的供应链绩效水平优于经典与多目标Stackelberg主从决策机制下的绩效水平。这一结论与一般研究成果是相一致的。如图2-4所示, 集中决策机制下的系统总成本与分销商成本均优于主从决策机制下的表现;尽管集中决策机制下的顾客成本 (不含分销商数量折扣) 大于主从决策机制下的表现, 但从方顾客的实际成本 (含分销商数量折扣后) 在两种机制下是一致的。这是两种不同决策机制下分销商决策主动权较大的必然结果。
第五, 多目标Stackelberg主从决策机制下, 供应链的绩效水平不仅取决于从方参与订货协调创新的公平性要求, 即权重向量的影响, 而且还取决于主方分销商处理顾客i的特定订单时的准备成本Ai的影响, 未来的研究还需对权重向量和准备成本作进一步的敏感性分析。
5结论
本文在对供应链订货模式分析基础上, 考虑顾客参与协调的合理性与公平性要求, 建立了基于订货协调创新的供应链绩效控制的多目标主从对策模型。进一步研究了集中决策机制与主从决策机制下的三类优化问题:集中决策优化问题Ⅰ、典型Stackelberg主从优化问题Ⅱ和多目标Stackelberg主从优化问题Ⅲ。应用改进的遗传算法, 对一个化工品分销系统Stackelberg主从对策问题进行离线仿真计算, 结果表明, 订货协调创新策略可以有效地控制供应链的绩效水平, 多目标Stackelberg主从决策机制更加合理, 接近实际。应该指出, 本文研究的库存协调策适用于价格变动缓慢且幅度较小, 或可长期存贮的产品。
参考文献
[1]S.Viswanathan, and R.Piplani, Coordinating Supply ChainInventory Through Common Replenishment Epochs[J], European Journal of Operational Research, 2001, 129 (2) :277-286.
[2]Clemens Lohman, Leonard Fortuin, Marc Wouters.Designing a performance measurement system:a casestudy.European Journal of Operational Research[J].2004, 156:267-286.
[3]T.Vallee, and T.Basar, Off-line Computation ofStackelberg Solutions with the Genetic Algorithm[J], Computational Economics, 1999, 13, (3) :201-209.
[4]T.Basar, and G.Olsder, Dynamic Non-cooperative GameTheory[M], 2nd edition, Academic Press, New York, 1995, 76-83.
[5]Z.K.Weng, Channel Coordination and Quality Distribution[J], Management Science, 1995, 41, (9) :1509-1522.
[6]N.Rakesh, et.al., Customer Profitability in a Supply Chain[J], Journal of Marketing, 2001, 65, (4) :1-16.
[7]B.Kim.Coordinating an innovation in supply chainmanagement.European Journal of Operational Research[J].2000, 123, (3) :568-584.
[8]常良峰, 卢震, 黄小原, .供应链渠道协调中的Stackelberg主从对策[J].控制与决策.2003, 18, (6) :651-655.
[9]周明, 孙树林.遗传算法原理及应用[M].北京, 国防科技工业出版社, 1999, 172-175.
多产品供应链 篇9
关键词：多Agent,协同采购,分布估计
采购是供应链产销过程的源头。供应链协同可以帮助企业获得更好的信息沟通,为企业节约大量成本[1]。在实际协同过程中,由于供应链成员目标差异、信息不对称等,成员之间难以形成统一的意见,导致协同失败。协商是解决供应链中各个节点企业冲突的有效方法[2]。利用多Agent技术在供应链中进行自动协商,促进供应链协同,增加了供应链采购过程中的交互性。近年来,基于多Agent的供应链协同采购得到研究[3]。协商过程的动态优化可以为协商提供决策依据,在动态优化过程中加入科学的算法,可以使决策更具科学性[4],以模拟退火和遗传算法为代表的演化算法在供应链协同采购协商中已经得到初步尝试。
然而,现有研究缺少对协商过程的分析,协商结果往往是次优或者失败。研究表明,很多因素,如算法参数设定等,影响算法的求解效果。分布估计算法作为优化算法的一个新分支[5],用概率模型反映优秀个体分布情况,无需像遗传算法那样交叉变异,能够避免连锁问题,并能够为决策者提供直观结果。该算法目前在多目标、动态优化策略中得到了很好应用。
基于上述分析,本文首先建立供应链协同采购模型,对供应链采购形式化描述。并利用多Agent技术构建供应链协同采购过程中解决冲突的协商框架和流程,并设计基于分布估计算法的协商算法。
一、供应链协同采购模型
(一)问题描述及参数定义
在供应链协同模式下,定义变量如下。
1. 基本参数
i,j:代表供应商和制造商编号i,j=1,2…;
t:生产周期,t=1,2…;
k:产品类型,k=1,2…;
2. 控制变量
Ltkj:t阶段制造商j原材料k的库存能力(件);
Mtkj:t阶段制造商j原材料k的生产能力(件);
Djtk:t阶段制造商j原材料k成品的分销能力(件);
3. 决策变量
Nijtk:t阶段制造商j从供应商i购买原材料k(件);
CCijtk:t阶段供应商i提供给制造商j原材料k成本(元/单位);
CSijtk:t阶段供应商i提供给制造商j原材料k的销售价格(元/单位);
CDtkijs:t阶段供应商i使用送货时间s提供给制造商j原材料k运输成本(元/单位);
SCijtk:t阶段制造商j从供应商i购买原材料k价格(元/单位);
SSijtk:t阶段制造商j从供应商i购买原材料k转为成品价格(元/单位);
SDtkijs:t阶段供应商i使用送货时间s造成制造商j原材料k的缺货成本(元/单位)。
(二)供应链协同采购模型
考虑需求、生产及库存能力以及配送计划,定义混合整数非线性规划模型。制造商获得最终满意度为Zj,供应商满意度为Zi,如(1)和(2)所示:
其中,(1)和(2)分别为供应商i和制造商j收益函数,(3)为采购能力,(4)为库存均衡条件,所有变量均为非零。
二、多Agent供应链协同采购冲突消解协商
利用多Agent技术建立基于多Agent供应链协同采购冲突消解协商框架,通过分布估计算法设计协商算法,提高协商的科学性,促进供应链协同采购。
(一)协商框架
利用多Agent及供应链协同采购特征,建立多A-gent供应链协同采购协商框架,如图1所示。制造商将采购需求提交给制造商Agent,制造商Agent寻找并将订单信息提交给合适的原材料供应商Agent,供应商Agent如同意制造商Agent的提议,则双方达成交易;否则,产生冲突,双方Agent进行协商。整个过程灵活高效,提高供应链协同采购效率。
(二)协商流程
构建基于多Agent供应链协同采购冲突消解协商流程如下:
1. 若双方存在采购协议,则直接按照协议执行采购计划;否则,双方发送提议;
2. 若双方在协商期限内,进入3);否则,协商超时,交易结束;
3. 双方评估提议,若接受,则按照双方提议达成采购计划;否则,进入4);
4. 利用分布估计算法优化学习,生成反提议,返回2)循环,直到协商成功或协商超时。
(三)协商算法设计
分布估计算法是进化学习领域兴起的一种新型算法,它采用统计学习手段,从群体宏观角度建立描述解分布的概率模型,然后对概率模型随机采样产生新种群,实现种群优化。
1. 议题设置
定义ρ:协商者熟识度,0≤ρ≤1,一般由协商者根据主观经验给出,实验中取值为0.05。
定义γ:指历史交易次数对双方产生的影响,0≤γ≤1,由协商者根据历史数据主观评分得出,实验中γ取值为0,即双方为首次交易。
(5)和(6)分别为供应商i期望达成的销售价格与制造商j期望达成的采购价格,a是控制参数,取值为0到1随机数;L为协商期限。
2. 参数表示
议题采用二进制编码[6],其中议题包括离散型和连续型。连续议题用区间编码,设a,,b,为连续议题取值范围,编码长度为n,连续议题可用二进制a1,a2…an表示。若协商议题包含连续区间价格和商品送货时间,编码长度n为6,连续区间为[88,104]的议题,可表示为1000110000,表示3-5天发货(1000),价格为100(110000)。
3. 概率模型及更新
分布估计算法通过概率模型及模型的更新来描述解的空间分布以及种群进化趋势。本文使用无关变量概率模型,定义{X11,X12…Xmn}代表协商议题,{x11,x12…xmn},代表其对应属性值。概率P{Xmn=xmn}表示第m个属性的第n个变量基因位取值为1的概率,该概率用来产生下一代个体。开始时概率初始化相等为0.5。
概率模型更新利用采用机器学习的Heb规则:
其中,0≤l≤L代表协商轮次,0≤δ(l)≤1表示当前学习速率,μ代表当前最优个体数。
4. 个体适应度
定义:适应度函数
其中,Zil和Zjl分别代表供应商i和制造商j在当前轮次中的满意度,Zil/Zi和Zjl/Zj代表当前协商满意度与完全信息条件下最优满意度比值。在保证个体满意度最大化的同时,双方获得的满意度差越小越好,且。
三、算例分析
利用MATLAB7.0验证基于分布估计算法的协商在供应链协同采购冲突消解中的有效性,并对比遗传算法与分布估计算法的结果。
某制造商需采购某单一原材料,为满足采购价格、订货数量和送货时间的要求,双方进行协商,协商轮次L为20,市场需求与产品转换率为1:1.2,实验以供应商和制造商收益不小于各自最优收益的2.6%为目的,且双方最优值差不超过各自最优解的5%,协商议题价格可接受区间不超过双方保留值之和的10%。完全信息条件下,供应商期望收益为9007.2,制造商期望收益为9072。制造商在三个生产阶段需求分别为50,50,80;生产能力均为250,制造商提供采购价格为46,成品销售价格为88,产品需求为180。供应商供应信息如表1所示。
在MATLAB7.0中,设置算法迭代次数为100,群体数设置为40,学习速率设置为0.02,编码精度设置为0.01。基于分布估计算法的供应链协同采购协商过程如下表所示。
在第一轮协商中,双方互相发送提议;制造商A-gent发送提议<48.1,216,空>,供应商Agent收到提议后计算与其期望收益差大于5%,拒绝该提议并通过学习优化生成反议题<92.2,125-274,7天内发货>,制造商拒绝该提议,双方未达成一致,于是进行新一轮学习;从实验可以看出,经过4轮协商双方在价格、数量、送货时间上达成一致,最终以<74.1,216,7天内发货>达成协议。遗传算法与分布估计算法的对比如表3所示。
从表3可以看出,分布估计算法表现出比遗传算法更好的收敛性和学习能力,可以获得比遗传算法更优的解。
四、结语
通过以上研究可以看出,协商可以在供应链协同采购过程中帮助化解冲突,帮助决策者获得理想的结果。同时,分布估计算法在决策优化中具有良好的性能,可以为供应链协商提供决策依据。
多产品供应链 篇10
地球资源的不断耗竭, 人类生活环境不断地被污染和恶化, 引起了人类对可持续发展的重视。逆向供应链是基于这样的背景下, 为了环保、资源再生、资源重复利用等目的而产生的。传统供应链是指供应商按照客户和市场的要求, 将产品从供应地向需要地进行转移, 包括购买原料、生产产品, 并把产品销售给最终消费者的过程。逆向供应链指的是, 制造商对消费者手中的废旧产品进行回收、加工、再利用并最终销售给消费者的一系列过程。逆向供应链的产生, 有助减少环境污染, 有助于减少资源浪费, 降低了企业成本, 提高了企业的绩效。
许多学者对逆向供应链的各个环节和层次进行了研究, Feng Du (2006) 对售后服务中的产品回收网络设计进行了分析, 提出的决策目标是最小化总体的费用和最小化总的回收时间, 并构建了解决双目标的最优化数学模型。针对解决多层次的对象, 许多学者提出来各种算法来解决最优化的目标设置, Hokey Min, Hyun Jeung Ko, Chang Seong Ko等 (2006) 提出一个非线性混合整数模型和遗传算法来解决包含产品回收的逆向物流。在许多文献中, 仅讨论了二级逆向供应链系统双方中一对一的情况, 没有涉及了一对多或是多对多的情况, 如李婷 (2007) 讨论了一个制造商与一个零售商之间组成的逆向物流系统中双方定价策略博弈。侯云章, 戴更新, 刘天亮, 郑艳艳等 (2004) 讨论了单周期产品的二级供应链系统中一个供应商和一个零售商的订货及定价策略, 制造商为了提高自己盈利, 也对零售商采取退货策略。薛顺利, 徐渝, 宋悦林, 胡信布 (2006) 讨论了在电子商务环境下定价与退货策略, 模型仍然是基于一对一的情况, 即一个零售商 (Retailer) 和一个顾客 (Customer) 组成的基本供应链系统。孙国华等人 (2006) 提出由一个制造商和2个零售商组成的双层再制造/制造集成物流网络模型, 研究了制造商如何协调正向与逆向物流, 以便最大化自身利润。刘长霞 (2008) 等运用需求博弈模型证明在当今以顾客价值导向的电子商务市场中实施逆向物流的必要性, 利用利润最大化模型, 研究了电子商务逆向物流退货政策中的最优价格制定策略。滕春贤等人运用Stackelberg博弈和启发式算法解决二层规划模型的供应链, 给出了定价机制。顾巧论等人也对逆向供应链中的单一制造商和单一零售商的定价策略进行了研究, 提出了均衡解。等等。
本文应用博弈论的理论知识, 讨论基于一个制造商和多个零售商构成的二级供应链系统, 研究该逆向供应链中产品回收的定价策略。以下各节即是关于其的stackelberg博弈 (主从博弈) 和合作博弈下的定价策略。
二、模型的提出与假设
1. 问题提出
制造商将生产的产品销售给消费者, 消费者使用中将会损耗产品, 导致产品无法再继续使用, 制造商可以通过零售商或是特定的回收中心等形式回收废弃产品, 对废弃产品进行分析、拆解和重新加工, 生产新的产品。
本模型讨论了基于单一制造商和多个零售商构成的正向供应链和逆向供应链系统, 制造商将产品销售给零售商, 零售商将该产品出售给最终消费者。消费者使用中将会损耗产品, 导致产品无法再继续使用, 制造商可以通过委托零售商或是特定的回收中心等形式回收废弃产品, 并以一定的价格从零售商回收该产品, 对废弃产品进行分析、拆解和重新加工, 生产新的产品。
制造商制定回收计划, 在回收计划实施之前确定回收价格, 以最大化利润;零售商也需要确定自己的回收价格, 以争取更多的客户, 获取更多的利润。零售商之间在销售新产品存在激烈的竞争, 回收废弃产品也是同样, 为了获取更多的利润, 也存在激烈的竞争, 这样导致了零售商之间的价格存在着差异。
2. 模型中的假设条件
(1) 假设不同的零售商回收废弃产品的边际运营成本相同;
(2) 制造商对不同的零售商采用同一价格回收, 不区分废弃产品的质量或损坏程度;
(3) 废弃产品的市场供应为回收价格的增函数;
(4) 制造商从零售商处取走所有的废弃产品;
(5) 制造商与零售商的决策目标为各自的利润最大化。
符号说明
m:代表制造商 (Manufacturer) ;
i:代表第i个零售商 (Retailer) , 假设共有n个, 而且零售商是同质的, 有相同的属性;
P0:制造商回收废弃产品经过加工的再生产品的单位销售价格, 其为固定的常量;
Cm:制造商加工废弃产品的单位边际成本, 是公共知识;
Pm:制造商制定的给零售商的单位回收价格, 制造商经过回收市场分析和计划进行制定, 是制造商的决策变量;
Cr:零售商回收废弃产品的单位边际成本, 是公共知识;
Pi:第i个零售商提供给消费者的回收价格, Pi之间不完全相同, 是每个零售商的决策变量;
Q:在Pm、Pi给定的情况下, -市场中产生的废弃物品总回收量, 我们假定回收的市场量远远小于市场中该产品的总量;
qi:当第i个零售商提出的回收价格为Pi时, 第i个零售商所能够得到的回收量, 根据回收量与回收价格的关系, 我们假设qi满足qi=α+β*Pi, α, β是经过市场分析得到的参考系数;
πm:制造商通过回收废旧产品, 经过加工和销售所获得的利润;
πi:第i个零售商回收废旧产品, 并提供给制造商所获得的利润;
π:逆向物流系统的总利润, 包括制造商和零售商的总体利润, ;
对于给定的Pm, Pi, 制造商所得利润:
第i个零售商所得利润:
其中的总的回收量Q与qi之间的关系为
三、Stackelberg博弈模型
在市场中, 制造商与零售商构建的逆向供应链系统中, 制造商与零售商一向存在主从关系, 本节中构建制造商和零售商的序贯非合作模型, 即Stackelberg博弈。为了达到Stackelberg均衡, 首先要计算制造商给定回收价格的情况下的博弈过程的第二阶段, 即零售商的反应函数。由最优化的条件, 即反应函数的一阶导数, 可得
可得在制造商针对零售商给定回收价格的情况, 第i个零售商为了实现最大化利润针对消费者给出的回收价格:
(5) 式即为第i个零售商为了获得最大利润而得出的反应函数, 这也是第i个零售商的最优决策。
第二步计算博弈过程的第一阶段, 即制造商的最优决策。由最优化的决策条件可知, 需要计算制造商利润函数的一阶导数条件, 由 (1) 式得:
综合 (5) 式和 (6) 式可得:
(7) 式即为制造商根据市场分析和计划, 为获最大的利润而制定的回收价格, 这是制造商的最优定价策略。由 (5) 式和 (7) 式得制造商的最大利润:
第i个零售商的最大利润:
系统整体利润:
四、合作博弈
合作博弈指的是制造商与所有的零售商签定契约, 实现联合定价的策略, 以达到最大化逆向供应链系统的整体利润。本问题的建模为多元规划问题如下
上式的解可联立一阶条s件为
我们特别要引起注意的是, 上述最优化函数的一阶条件 (11) 式共有 (n+1) 个等式, 分别表示制造商和 (n+1) 个零售商, 系统整体利润可能表示为:
由 (11) 式和 (12) 式可得第i个零售商的最优定价策略为:
为实现合作的目的, 达到逆向供应链系统的利润最大化, 零售商的定价策略Pi**和制造商的定价策略Pm**须满足 (13) 、 (14) 式, 制造商为了达到最大的利润, Pm须尽可能小, 零售商的回收工作必须有利润, 所以Pm-Pi-Cr≥0, 由此可得Pm≥Pi+Cr, 所以制造商的最优定价策略为:
由 (13) 式和 (15) 式可得逆向供应链系统中制造商利润如下:
第i个供应商利润:
系统整体利润:
五、定价策略分析
针对制造商和零售商的两个不同博弈过程, 我们从决策变量的变化和利润值的变化进行分析和比较。
从制造商占主导地位的非合作博弈到合作博弈, 进行比较可知:
1. 我们从 (5) 式和 (13) 式比较可知, 零售商的价格下降了, 从 (9) 式和 (17) 式可知, 零售商的利润下降了, 变成了0;
2. 而制造商的价格从 (7) 式和 (15) 式可知, 制造商的回收价格并没有变化, 但是两个不同的博弈过程, 即制造商和零售商之间是否进行合作导致了利润发生了变化。从 (8) 式和 (16) 式可得, 制造商的利润增加了一倍, 增加的利润为;
3. 从 (10) 式和 (18) 式可知, 逆向物流系统的整体利润增加了, 增加的利润部分为
从以上比较我们知道, 制造商是非常愿意自己的利润获得了一倍的增加, 但是零售商肯定是不会同意这样的合作, 这就需要进行利润的再分配。唯一的限制条件就是利润的再分配须超过未合作前的利润。超过多少, 就需要看双方的谈判能力。零售商的谈判能力强, 就能获得更多的利润, 相反, 则获得较少的利润, 但须满足大于未合作前的利润。
因此, 应设置一个便于实际操作的利润分享机制, 使得制造商与零售商共同分享系统增加利润。假设制造商接受的系统增益比例为λ (0≤λ≤1) , 零售商接受剩余的 (1-λ) /n, 则制造商的利润与零售商的利润如下
表示双方讨价还价能力的量化值。即λ=1时, 表示制造商在此次交易中处于绝对的优势地位, 他将得到通过合作所得的系统增加的全部利润。λ=0时则表示完全相反的情形。显然, λ值的大小依赖于双方的谈判能力。通过设置适当的利润分享机制, 在采取联合定价策略时, 制造商、零售商均可获得比非合作博弈时更多的利润。这样, 合作才能继续下去, 系统也获得了更多的利润。
六、算例分析
假设某可回收产品, 供应链系统为单个制造商和20个代理产品的销售商, 基本参数如下表, 并根据表达式 (7) 、 (8) 、 (9) 、 (10) 以及表达式 (15) 、 (16) 、 (17) 、 (18) 得出以下表格中的结果 (见表) :
通过比较非合作博弈和合作博弈的结果, 我们可以看到合作博弈可以得到供应链系统更多的利润。在满足非合作博弈双方得到相应利润的情况下, 对系统产生的更多的利润进行合理的分配, 使我们研究的制造商和零售商双方得到更多的利润。当然, 双方得到的利润比例基于双方的谈判能力。
七、结束语
本文应用博弈论的知识针对一个制造商和多个零售商的逆向供应链系统情形, 进行了分析。在分析过程中探讨了非合作博弈和合作博弈下, 研究了制造商和众多零售商之间的定价策略和利润变化情况。通过合作博弈, 制造商的利润有所增加, 但是零售商的利润减少了, 这就需要进行双方协调, 进行新的决策。通过利润的再分配, 使制造商和所有零售商的利润都增加了, 使两个环节的企业都得到了更多了利润, 真正达到了合作的目的。
未来我们可以考虑市场因素对需求的影响以及谈判能力对利润分配的影响, 以使我们的分析结果更加贴近实际市场。如通过研究价格弹性问题对需求的影响情况, 寻找更符合的市场规律;可以通过研究谈判能力对利润分配的影响, 以使占据主导地位的企业获取更多的谈判优势和利润。
今后的研究中, 笔者将继续讨论存在竞争关系的零售商与制造商之间的博弈, 以及多个存在竞争关系与非竞争关系制造商与多个零售商之间的博弈, 研究各类关系中如何实现逆向供应链的利润最大化, 并对利润分享机制进行更深入地探讨。
摘要：本文基于一个制造商和多个零售商组成的逆向物流系统, 讨论了在逆向供应链中的废旧物品回收的定价问题, 笔者应用了博弈论中的Stackelberg博弈和合作博弈对双方的定价策略进行了研究。通过比较双方的非合作博弈和合作博弈结果, 我们以双方利润为评价目标进行了分析, 提出了使双方达到利润最大化的协调方法, 即使供应链系统的整体利润最大化, 通过进行利润分配的协调, 使制造商和零售商都能得到更多的利润, 使资源得到充分地利用, 得到最优化地配置。
关键词：逆向物流,博弈论,供应链管理
参考文献
[1]Feng Du.A bi-objective reverse logistics network analysis for post-sale service[D].B.S, Tsinghua University.2006 (5)
[2]Hokey Min, Hyun Jeung Ko, Chang Seong Ko.A genetic algorithm approach to developing the multi-echelon reverse logistics network for product returns.The International Journal of Management Science.2006
[3]李婷:博弈论在逆向供应链系统定价中的应用[J].物流技术, 2007, (05)
[4]侯云章戴更新刘天亮郑艳艳:闭环供应链下的联合定价及利润分配策略研究[J].物流技术, 2004 (06)
[5]薛顺利徐渝宋悦林胡信布:电子商务环境下定价与退货策略整合优化研究[J].运筹与管理, 2006 (5)
[6]孙国华陈秋双徐海涛孙晓晨:再制造/制造集成系统中的制造商-零售商协商决策问题.计算机集成制造系统-CIMS, 2006 (01)
[7]刘长霞路世昌:电子商务逆向物流定价策略研究.物流科技, 2008 (06)
[8]滕春贤姚锋敏刘志勇:具有Stackelberg博弈特征的供应链定价协调.系统工程, 2007 (07)