论文部分内容阅读
随着原材料和人力资源成本的日益增加,物流行业被企业视为“第三利润源泉”。企业纷纷进行物流模式的改革来实现节约成本,提高自身竞争力。循环取货即Milk-Run模式在汽车制造业为代表的现代制造企业中应用比较广泛,它可以在实现小批量多频次的入厂物流的同时节约物流成本。但如何应对需求波动,同时能够达到库存和运输成本的联合优化是当前整个物流行业在Milk-Run模式应用中需要解决的难题。本文首先建立了需求固定情况下的Milk-Run模型A,先利用经济订货周期将供应商聚类,再将供应商按照不同的取货周期分组,最后利用节约里程法进行线路优化。随后引入需求波动的两个体现：订货量波动与订货提前期波动。在订货量波动的情况下,订单波动性由7.7%提升至23.84%,模型A的库存成本从29.6%增加到91.6%,订单丢失率由6.2%升至29.5%。之后本文设计了动态周期与动态路径规划的Milk-Run模型B,其相比Milk-Run模型A总成本降低了18.9%,且没有订单丢失的情况。之后本文研究了订货量-订货提前期双波动情况下的Milk-Run模型。在订货提前期产生23%的波动情况下,Milk-Run模型B其将产生80%额外的赶工成本。本文设计了增加包含在途库存与实际库存的动态安全库存,并证实动态安全库存的建立有助于在降低赶工成本的同时降低总成本。为了研究动态安全库存与总成本之间的关系,计算最合理的动态安全库存,本文选择了人工神经网络模型来进行求解。通过400组的数据训练之后,人工神经网络模型精度达到了98%。之后通过计算每种材料不同动态安全库存下的总成本值,找到了每种材料对应最低成本时的动态安全库存值。设定最佳动态安全库存的Milk-Run模型C通过仿真实验证实,总成本相比Milk-Run模型B降低了18.37%。证明了神经网络模型的合理性以及动态安全库存的有效性。