云倉儲是一種新型的倉儲模式, 它借助物聯(lián)網(wǎng)、虛擬化等技術(shù)實現(xiàn)倉儲作業(yè)資源的虛擬化和服務(wù)化, 利用云計算等信息技術(shù)對信息和資源高效整合, 實現(xiàn)物流服務(wù)的智能匹配, 以資源協(xié)同的方式滿足客戶的個性化需求。
云倉儲系統(tǒng)的參與者有三種:客戶 (倉配服務(wù)使用者) 、物流資源提供商和中間商 (倉配云服務(wù)整合運營商) , 分布于不同地區(qū)的物流資源提供商在平臺發(fā)布自己的物流資源和物流能力, 倉儲云服務(wù)整合運營商將資源虛擬化、服務(wù)化后在平臺集中管理, 建立標準資源庫和標準服務(wù)子任務(wù)庫。客戶可在平臺智能匹配到能滿足需求的物流資源及服務(wù)。
在云倉儲模式下, 系統(tǒng)主要由云倉儲服務(wù)需求端、云倉儲平臺及云倉儲資源提供端三部分組成。其系統(tǒng)業(yè)務(wù)流程如圖1所示, 云倉儲資源提供端聚集了分布在不同地區(qū), 擁有不同物流資源及物流資源的主體, 這些主體將倉儲資源、運輸資源、計算資源等物流資源及物流能力向云倉儲平臺發(fā)布, 經(jīng)虛擬化、服務(wù)化處理后, 形成一個地理位置分散但邏輯上統(tǒng)一的虛擬資源池。云倉儲服務(wù)需求端主要指分布在不同地區(qū)的云倉儲服務(wù)使用者, 包括個人企業(yè)等需要物流服務(wù)的群體, 他們向云倉儲平臺提出個性化物流服務(wù)需求。云倉儲平臺則是充當前兩者之間的連接橋梁, 將資源池的物流資源及能力處理成一個個的標準化的服務(wù)模塊及物流子任務(wù), 通過服務(wù)發(fā)現(xiàn)、組合、協(xié)作等方式, 為云倉儲需求端的物流任務(wù)匹配出最優(yōu)的服務(wù)方案, 達到對云倉儲服務(wù)需求端的動態(tài)化的、智能化的按需服務(wù)的效果[1]。
在云倉儲模式下, 倉配模式同現(xiàn)有的物流服務(wù)模式本質(zhì)不同, 該模式下更加突出虛擬性、集成性、動態(tài)性、高柔性、智能性、協(xié)同性等特點, 所以勢必要求物流資源及物流能力在功能、形態(tài)和配置上也要有相應(yīng)的變化, 本文提出了一種新的能夠支持資源集成管理和動態(tài)協(xié)同分配的選址分配方法, 其設(shè)計思路和創(chuàng)新點如下:
傳統(tǒng)的選址-分配模型中都假設(shè)各配送中心獨立運營, 配送中心和需求點之間是“一對一”或“一對多”的關(guān)系, 這就使得資源統(tǒng)一調(diào)度能力較差, 不能滿足云倉儲模式下的動態(tài)性和智能性要求。本文設(shè)計的云倉儲模式下基于虛擬資源云的協(xié)同倉配選址-分配模型如圖2所示, 在這種分配模式下物流資源和物流服務(wù)之間的緊密耦合關(guān)系被有效解除, 中心倉庫和區(qū)域倉庫及區(qū)域倉庫和需求點之間形成的服務(wù)映射模式是“多對多”的關(guān)系。這種模式使得物流資源得到了動態(tài)組合, 云倉儲平臺通過各物流資源的協(xié)同實現(xiàn)統(tǒng)一調(diào)度, 動態(tài)、智能化的為云倉儲需求端提供一體化服務(wù)[2]。
覆蓋半徑是指設(shè)施服務(wù)點以自己為圓心向外輻射服務(wù)的最遠距離。覆蓋狀態(tài)是指設(shè)施服務(wù)點有沒有向某個需求點提供服務(wù)。
傳統(tǒng)配送中心的覆蓋狀態(tài)只有兩種:當需求點在配送中心的服務(wù)半徑之內(nèi)且由該配送中心完全滿足其需求時為覆蓋, 否則為不覆蓋, 即覆蓋狀態(tài)只有0和1兩種, 即要么覆蓋, 要么不覆蓋, 這種覆蓋難以與云倉儲模式下實際情況不符, 不利于資源的一體化協(xié)同服務(wù), 同時也導(dǎo)致選址方式不靈活, 在云倉儲模式下分布式的資源一體化調(diào)度, 智能、動態(tài)、協(xié)同地完成物流任務(wù), 本文允許某一云倉只覆蓋一個需求點的部分需求, 即覆蓋狀態(tài)是[0, 1]上的連續(xù)量, 各云倉協(xié)同服務(wù)于某一需求點, 其示意如圖3, 允許云倉2和3協(xié)同滿足需求點4和5的需求, 縮小了整體覆蓋半徑, 提高了系統(tǒng)協(xié)同性和靈活性, 降低了物流成本。
本文研究的是由中心倉庫 (CD) -區(qū)域倉庫 (RD) -需求點 (R) 構(gòu)成的三級供應(yīng)鏈系統(tǒng)中的多云倉及多末端配送中心選址問題。并且每個候選中心倉庫及區(qū)域倉庫都因倉儲資源和設(shè)備資源等限制而有能力約束。綜合考慮中心倉庫和區(qū)域倉庫兩層設(shè)施選址, 并確定中心倉庫-區(qū)域倉庫, 以及區(qū)域倉庫-需求點的分配方案。優(yōu)化目標是考慮兩層設(shè)施選址和兩層級分配的整體最優(yōu)方案, 包括如下子決策問題:
兩層設(shè)施選址決策。在候選的中心倉庫和區(qū)域倉庫中選定設(shè)施地址。
兩層級分配決策。確定兩個層級之間的需求分配關(guān)系, 即決策中心倉庫-區(qū)域倉庫, 以及區(qū)域倉庫-需求點的分配方案。
參數(shù):
I為候選中心倉庫集合, i= (1, 2, …, I) ;
J為候選區(qū)域倉庫集合, j= (1, 2, …, J) ;
K為需求點集合, k= (1, 2, …K) ;
Qk為需求點k對產(chǎn)品的需求量;
Si為中心倉庫i的容量限制;
Sj為末端配送中心j的容量限制;
Ai為中心倉庫i的建站費用;
ai為中心倉庫i的建站及運營成本系數(shù);
Bj為區(qū)域倉庫j的建站費用;
bj為區(qū)域倉庫j的建站及運營成本系數(shù);
dij為中心倉庫i到區(qū)域倉庫j的距離;
djk為區(qū)域倉庫j到需求地k的距離;
v為配送過程中車輛平均行駛速度;
c1為中心倉庫到區(qū)域倉庫之間的單位運量單位運距的平均運輸成本;
c2為區(qū)域倉庫到需求點之間的單位運量單位運距的平均運輸成本;
M為規(guī)劃將建設(shè)的中心倉庫的數(shù)量限制;
N為規(guī)劃將建設(shè)的區(qū)域倉庫的數(shù)量限制;
決策變量
xi為0-1變量, 表示是否在中心倉庫i進行建站, 1表示建立, 否則為0;
yj為0-1變量, 表示是否在區(qū)域倉庫j進行建站, 1表示建立, 否則為0;
zij為中心倉庫i對區(qū)域倉庫j的配送量 (配送比例) ;
wij為區(qū)域倉庫j對需求點k的配送量 (配送比例) ;
式 (1) 為總成本目標函數(shù), 依次為中心倉庫集合I的建設(shè)和運營成本, 區(qū)域倉庫集合J的建設(shè)和運營成本, 中心倉庫到區(qū)域倉庫的運輸成本, 區(qū)域倉庫到需求點的配送成本。式 (2) 表示所有區(qū)域倉庫向任意一個需求點提供總需求滿足該需求點的需求, 及區(qū)域倉庫協(xié)同實現(xiàn)對需求點的完全覆蓋。
式 (3) 表示中心倉庫的配送量與區(qū)域倉庫的配送量相等。式 (4) 表示每一個區(qū)域倉庫的進出流量相等, 左邊表示中心倉庫的流出量, 右邊表示需求點的流入量。式 (5) 表示中心倉庫建站總數(shù)量小于限制最大值M。式 (6) 表示區(qū)域倉庫建站總數(shù)量小于限制最大值N。式 (7) 表示每一個中心倉庫的儲存量要小于其容量限制。式 (8) 表示每一個區(qū)域倉庫的儲存量要小于其容量限制。式 (9) 和式 (10) 是對決策變量的約束, 為0-1變量, 表示是否在i或j處建站。式 (11) 和式 (12) 是對決策變量的約束, 表示配送量非負。
采用二進制編碼, 對存在多態(tài)的問題進行量子比特編碼, 如兩態(tài)則用一個量子比特進行編碼, 四態(tài)則用兩個量子比特進行編碼。針對本文提出了中心倉庫-區(qū)域倉庫-需求點的三級選址分配問題, 提出如下編碼方案:[3,4,5,6]
在本編碼方案中, 設(shè)施選址和分配問題整合在一起編碼, 系統(tǒng)編碼可分為三部分:即中心倉庫編碼段、區(qū)域倉庫編碼段、需求點編碼段。
采用多量子比特編碼m個參數(shù)的基因如下:
其中n表示種群規(guī)模, 為qjt染色體, 表示第t代的第j個個體的染色體;m為染色體的基因個數(shù), k為編碼每一個基因的量子比特數(shù)。
把單個中心倉庫、區(qū)域倉庫及需求點都按一個基因編碼, 在每個編碼段中, 依據(jù)上級設(shè)施點的基因數(shù)量來確定本層每個基因的量子比特數(shù)。如上級設(shè)施點基因數(shù)為x, 本層設(shè)施點編碼時, 為同時考慮選址問題和分配問題, 可用y個量子比特位編碼來表示每個設(shè)施點, y與x需要滿足條件:
因此, 量子比特數(shù)y可計算得:
根據(jù)y位量子比特位觀測得到的二進制編碼串對應(yīng)的十進制, 用取值為零和非零表示設(shè)施選址, 即若對應(yīng)的十進制值為0, 對應(yīng)的設(shè)施點未被選中;若對應(yīng)的十進制值>0, 則對應(yīng)的設(shè)施點被選中, 且其對應(yīng)的十進制值還表示和上一級設(shè)施點的分配關(guān)系。
(1) 確定量子進化算法系統(tǒng)參數(shù), 包括群體大小, 觀測次數(shù)、最大運算代數(shù)、體制條件等;
(2) 初始化種群, Q (t0) ={q1t, q2t…qjt…, qnt}等概率隨機的生成n個以量子比特位編碼的染色體, 此處t=0;
(3) 對初始種群Q (t0) 中的每個個體進行觀測, 得到二進制解集P (t0) ={x1t, x2t, …xjt, …, xnt}即為第0代個體;
(4) 對P (t) 所對應(yīng)的方案進行有效性檢驗, 保證其對應(yīng)的方案的可行性, 同時對各解進行適應(yīng)度評估;
(5) 記錄P (t0) 中最優(yōu)個體和其對應(yīng)的適應(yīng)度;
(6) 檢查是否滿足結(jié)束條件, 若滿足, 則停止運算, 輸出最優(yōu)個體及相關(guān)數(shù)據(jù), 否則, 繼續(xù)下一步;
(7) 對種群Q (t) 中的每個個體進行觀測, 生成二進制解集P (t) ;
(8) 對P (t) 中各解進行有效性檢驗及適應(yīng)度評估;
(9) 利用量子旋轉(zhuǎn)門更新種群, 得到新種群Q (t+1) ;
(10) 記錄P (t) 中最優(yōu)個體和其對應(yīng)的適應(yīng)度;
(11) 迭代次數(shù)t加1, 轉(zhuǎn)向步驟 (6) ;
(12) 結(jié)束, 輸出最優(yōu)個體及其他相關(guān)信息。
A公司成立于2004年, 是全球領(lǐng)先的第三方電商物流供應(yīng)鏈企業(yè), 天貓超市倉儲管理服務(wù)的核心提供商。為提升企業(yè)競爭力, 擬在浙江省建立至多3個中心倉庫 (CD) 及至多7個區(qū)域配送中心 (RD) , 實現(xiàn)物流響應(yīng)時效性質(zhì)的提升, 為客戶提供次日達、限時達等服務(wù), 提高客戶滿意度。本文將66個主要縣市區(qū)抽象為節(jié)點, 如圖5, 以其當?shù)卣诘匚恢米鳛楣?jié)點位置, 以兩點間的公路距離作為兩點間的距離, 據(jù)A公司2017年運營數(shù)據(jù), 分析處理得, A公司在浙江省對各個區(qū)縣的單日配送量均值為3.05千件, 所以, 每個需求點的需求量按正態(tài)分布N (3.05, 0.5) 的密度產(chǎn)生, 經(jīng)考察調(diào)研, 選取1、10、16、27、40號節(jié)點為候選中心倉庫, 其相關(guān)參數(shù)見表1, 選取4、9、24、31、48、55、59號節(jié)點為候選區(qū)域倉庫, 其相關(guān)參數(shù)見表2, 選取39個節(jié)點為需求點。模型中的其他參數(shù), 參考采用同類文獻和經(jīng)驗判斷的方式給出:c1=25元, c2=50元。
表1 候選中心倉庫相關(guān)參數(shù) 下載原表
表2 候選區(qū)域倉庫相關(guān)參數(shù) 下載原表
以Matlab 2014a為操作平臺, 在Inter (R) , Pentium (R) , Core (TM) i5—3520MCPU, 2.9GHz, 4.00 GB內(nèi)存, Windows 7操作系統(tǒng)上執(zhí)行算法。參數(shù)設(shè)置為:種群大小為5, 即量子進化計算中有兩條量子染色體, 觀測次數(shù)設(shè)定為10, 即子群體大小為10, 最大進化運算代數(shù)為4000。經(jīng)計算, 最終選取1、16、40號節(jié)點作為中心倉庫, 選取4、9、31、55、59作為區(qū)域倉庫, 其分配方案如表3和表4所示, 各需求點的需求得到滿足, 每個倉庫的容量未超過容量限制, 總的物流系統(tǒng)成本為4522.4萬元。
表3 中心倉庫選址結(jié)果及分配方案 下載原表
表4 區(qū)域倉庫選址結(jié)果及分配方案 下載原表
本文結(jié)合云倉儲模式的特點, 基于集合覆蓋模型, 通過松弛覆蓋半徑和覆蓋狀態(tài), 研究了三級供應(yīng)鏈系統(tǒng)中的多對多分配關(guān)系下的選址分配問題, 設(shè)計量子遺傳算法求解, 通過案例分析驗證了其可行性, 對實際決策有一定的指導(dǎo)意義。
上一篇: “蜂鳥”展翅“云倉儲”
權(quán)所有©:上海陽合儲運
專業(yè)承接上海倉庫租賃、上海倉儲配送物流、上海電商倉儲企業(yè)服務(wù)與微笑同在"的先進理念不斷發(fā)展壯大。