汽车零部件循环配送网络规划.doc

《汽车零部件循环配送网络规划.doc》由会员分享，可在线阅读，更多相关《汽车零部件循环配送网络规划.doc（16页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、精选优质文档-倾情为你奉上第二章汽车零部件循环配送网络规划2.1汽车零部件物流运作模式2.1.1当前运作配送模式简析汽车零部件物流昰集现代运输、仓储、包装、流通加工及物流信息于一体的综合性管理体系，是沟通零部件供应商、汽车生产商、批发商、零部件商、物流公司及最终用户的桥梁，更是实现商品从生产到消费各个环节的纽带。与其他物流行业相比较，汽车零部件物流是国际上公认的最复杂、最具专业性的物流。对于汽车制造企业来说，汽车零部件物流具体环节包括：生产计划的制定、采购订单的下放及跟踪、物料清单维护、供应商的管理、运输管理、进出口、货物的接收、仓储管理、发料及在制品管理、生产线的物料管理等。从物流主体看，汽

2、车零部件物流可分为自营物流和第三方物流。从以汽车制造企业为核心的供应链体系来看，汽车零部件物流可分为供应商供应物流，生产物流，汽车售后物流。本案例所涉及的为第三方物流配送方式下的供应商供应物流。国内使用普遍采用的汽车零部件生产物流模式主要有三种：Milk-run定常路线法、Direct直接法和Consolidation联运法。如下图所示：图2-1Milk-run定常路线法图2-2Direct直接法图2-3 Consolidation联运法目前，国内汽车零部件供货商的供货方式主要还是依靠供应商自己供货，最有效的方式就是直接法和联运法的结合，如下图所示：图2-4 直接法和联运法的结合（1） 大件供

3、应商实施“门对门”的直接供货；（2） 一些供应商把零部件从其工厂送到制造企业附近的仓库，进行存储、排序，再送到制造企业；（3） 绝大多数供应商先把零部件送到制造企业的第三方物流RDC零件在包装中心，然后由RDC配送到制造企业。随着车型的增长、国产化率的提高以及供应商绝对数量的增加，这种供货方式的弊病也日益显现。主要表现为以下几个方面：l 供应商数量的增加使得RDC的配送以及制造企业的接收都变得更复杂；l 这种运输模式实际上还是一种“PUSH”推动式的送货：供应商在均衡生产、库存、运输效率的考虑下会尽可能地增加整车厂的库存；l 效率运输成本和容积率。对于一些生产小零件的供应商，在运输成本的压力下

4、会一次生产产量大、输送运输成本最低的零部件，这样造成的结果往往就是库存高，要么就是运输成本高；l 安全供货风险高:目前许多供应商把零部件的运输外包委托给社会运输单位，而这些运输单位由于在管理技术、服务方面有种种差距，不得不在价格方面恶性竞争。其结果是车况差、驾驶员素质低、安全运输差、及时性差，造成的安全隐患层出不穷。借鉴国际经验，国内现代制造企业逐步开始使用Milk-run的供货模式。如：上海通用汽车公司。2.1.2Milk-run运作模式的产生和发展Milk-run，即循环取货，是一种制造商用同一运输车辆从多个供应商处装载零配件模式。其特点是多频次、小批量、及时拉动式的取货模式：它把原先的供

5、应商送货推动方式改为第三方运输者取货拉动方式。其核心是：事先设计好行驶路线，在交接时同时“交满取空”，而且是“一一对应”。具体运作方式是在固定的时刻，卡车从整车厂出发，到各个特定供应商处，依照特定的线路，装载特定的货量。这样既提高了运输车辆的装载率，又能使物料得到及时供给，同时供给量较少的供货商不必等到零部件积满一卡车再发运，在最大程度上实现JIT（Just-In-time）供给。循环取货时闭环拉动式取货，有利于空箱的周转，有利于标准化作业，有利于运输效率和容积率的提高，也有利于准时性和可靠性。2.1.3XXXX物流Milk-Run的应用现状及问题分析竞赛资料案例12中提到，近年来，循环取货的

6、配送模式（Milk-run）在XXXX零部件入厂物流业务方面得到了广泛的应用和发展，给汽车制造业供应链管理带来了重大流程革命及变动。但由于供应商数量的不断增多以及实际操作中的种种不确定性，比如：生产计划的改变，运输途中的堵车等特殊情况等等，使得理论分析与实际情况往往有很大的差距，导致公司采用的Milk-run取货方式在应用中遇到了种种难以解决的问题。对于XXXX公司，其供应商数量众多，而且几乎每个供应商供应的都供应多种不同规格的货物，每一个运送周期所需要运送的频数也是不尽相同的，这就增加了问题处理的难度。同时，考虑到成本问题，运送准确率和运送响应性的要求。如何合理设计Milk-run路径，应设

7、计多少条Milk-run路径，才能在满足车辆装载要求的情况下，最大限度地提高装载率，这就使得问题更加复杂。除此之外，我们还必须考虑到一些现实操作中可与想的和不可预想的突发状况，并做好预防准备，这就要求我们在设计Milk-run方案中，除了按理论方法进行设计外，还必须具备充分的柔性，并尽可能将能考虑到的紧急情况想好合理有效的预防措施和处理办法，尽可能地降低损失，获取更大的效益。2.2Milk-Run的线路优化2.2.1基于VRP问题的数学建模XXXX物流供应商主要分布在嘉定西区，市中心，宝山区，XXXX及周边，宝山大场、顾村/嘉定北部、东部/青浦东北部,嘉定西部、城区,松江/闵行北部/宝山,市中

8、心区,嘉定西部、城区,XXXX及周边,浦东康桥、金桥、张江/闵行南部/松江西南部/青浦西南部,无锡，江阴周庄、张家港，昆山花桥，无锡西部、常州/靖江/湖州，苏州市西，太仓西北，金山干巷/奉贤西部/浦东川沙，奉贤东部/南汇，苏州工业区，根据各个供应商所在的大致区域，考虑到距离和运输成本的问题，决定进行分区研究。将每个大的分区作为milk-run路径优化的基本单位。这是路径优化的具体思路。在本文中，主要以嘉定西区为例，进行路线优化优化分析。技术路线如下：矩阵分析权重准时程度总路线派车数满载率工作人员仓储成本延误成本VRP问题多个TSP问题改进蚁群算法Matlab集装箱大师合理装箱实现目标图2-5

9、Milk-Run技术路线1问题描述Milk-Run中的VRP 问题可以描述为：车辆从主机厂出发，向多个供应点执行配送服务，然后在同一天内返回该主机厂，考虑路网的路段行程时间随时间变化的因素（这里不考虑车辆行驶过程中出现突发事件的情况），如何安排合理的配送路线和以及发车时刻及数量。（1）已知条件及符号定义从主机厂到供应商、以及供应商之间的路径行程时间动态变化，满足时间依赖函数f (d, t)，其中d为路段长度，t为车辆的出发时刻。配送中心的可用车辆数为m，每辆车的体积为 (i = 1, 2, , m)；供应商数量n，每个客户的配送量 (i = 1, 2, , n)，这里假设每个客户配送量都小于单

10、个配送车辆的容量，即：，(i = 1, 2, , n)， (k = 1, 2, , m)；主机厂到各供应商的距离、及各供应商之间的距离为 (i = 0, 1, , n; j = 0, 1, , n )；各供应商的时间窗要求为：最早服务时间为，最晚服务时间为 (i = 1, 2, , n)；供应商的服务时间为 (i = 1, 2, , n).（2）优化目标对于VRP 问题而言可以有多个优化目标，包括：l 总配送时间最小；l 总行程时间（或成本）最小；l 总行驶距离最小；l 总剩余容量最小；l 使用的配送车辆数量最小；l 尽可能准时到达供应商,使得最终的仓储成本以及延误的生产成本最小。前5个目标反

11、映的是配送成本，最后一个目标反映的是服务质量，也可以用来衡量客户的满意度。一般来说，这些目标的衡量单位不同，彼此之间可能存在冲突，不能同时达到最优。而我们只考虑硬时间窗 TDVRP 问题，也就是不能违反客户的时间窗要求。因此，最后一个目标自动满足。对于前 5 个目标，我们首先将总行使距离作为我们的首要成本考虑因素,同时兼顾提前造成的仓储成本以及延误造成的生产成本.在此情况下满足派出车辆数最少的条件.但是在进行优化的时候，需要把多个目标转化为一个目标进行计算。在这里采用加权求和的方式。这样，问题的优化目标就转化为：安排配送车辆的行驶路径（不考虑“出发时刻”的优化,使得车辆数量和总配送时间,以及不

12、准时造成的成本加权和最小。2目标权重确定延误时间运输时间满载率目标仓储成本车辆数工作人员数图2-6 权重指标体系图X1：仓储成本、X2：运输时间、X3：延误时间、X4车辆数、X5工作人员数、X6满载率对每个指标的权重确定，我们用关联矩阵评价法中的指标权重的两两比较对比法中的04评价法。两两对比法也称为逐对比较法，是多指标综合评价的常用加权方法。这种方法首先将所有的评价指标任意排序，然后按任意两个指标进行比较，按照规定的评分准则分别为相对重要的指标和相对不重要的指标评分，汇总各指标得分。为了避免出现总分为0的情况，需要在各指标总分上再加1分，之后计算其占所有得分的比重，经过归一化计算，得到其相应

13、的权值。04评分法，在进行指标一对一比较时，非常重要的打4分，不很重要的打0分，较重要的打3分，不太重要的打1分，同等重要的各打2分。这种评分方法可以在一定程度上克服指标得分非1即0的缺点。针对上述方法，各指标的评分和权重如下：评价指标得分修正得分权重11222890.143233314150.233244316170.2621022780.1221022780.1221122890.14合计60661.00表2-1评价指标矩阵3问题建模下面给出 TDVRP 问题的一种混合整数规划模型式2-1式2-2 式2-3式2-4式2-5式2-6式2-7 式2-8式2-9式2-10式2-11式2-12 式

14、2-13式2-14式2-15符号的定义：（1）、常量（2）、决策变量目标函数由2部分组成：（1）使用车辆数量的加权值：K（2）总配送时间的加权值：a ST ，ST 由总行程时间（TT）、总等待时间（WT）和总服务时间（SVT）求和得到。约束条件分为5部分：（1）需求约束：要求每个客户由一辆车服务，且仅服务一次（式2-6、2-7）；（2）对车辆的约束：同一条路线上的客户由同一辆车服务（式2-8、2-9），每个客户只能由一辆车服务（式2-10），车辆的总装载量不能超过该车的容量（式2-11）；（3）路径约束：出发车辆数与返回车辆数相等，即车辆从始点出发，完成配送任务后全部回到终点（式2-12）；（

15、4）时间窗约束：到达某客户的时刻由上一个客户的到达时刻、服务时间和路段行程时间确定（式2-13、2-14）；（5）奇异子回路排除约束：防止在客户点集合中形成子回路，保证回路可行（式2-15）。2.2.2基于蚁群算法的问题求解VRP问题求解具有一定的复杂性，结合实际情况，我们将此VRP问题求解具体转化为若干个TSP 问题的求解。即针对每个供应商所在的大的分区进行分层次的问题求解。具体过程中，我们主要运用了蚁群算法，借助matlab软件，进行了求解。蚁群算法介绍蚁群算法是受自然界中真实蚁群的集体行为的启发而提出的一种基于群体的模拟进化方法，属于随机搜索算法。每只蚂蚁作为一个个体，行为简单，但由这些

16、简单的个体组成的群体所体现出的行为却极其复杂，能够表现出相当大的智能性，从而完成复杂的任务，不仅如此，蚂蚁还能够适应周围环境的变化，并由此改变自己的行为，重新找到整体的平衡。经过试验发现蚂蚁在运动过程中，会在沿途释放一种称为外激素的化学物质，这种化学物质可以被同意群体中的其他蚂蚁感知，表明这条路上曾有自己群体的个体经过。蚂蚁寻找最短路径的核心主要为：（1）、选择机制：蚂蚁倾向选择信息素浓度大的路径；（2）、信息素更新机制：蚂蚁经过的每条路径上都会被留下新的信息素，路径越短，往返次数越多，残留信息素的量也越大。人工蚁群算法模仿蚂蚁的特性，增加了人工蚂蚁对访问过的节点的记忆能力，并且在选择下一条路

17、径的时候按照一定的算法规则有意识，有针对的寻找最短路径，对获得的信息进行有选择的保留，不但增强了搜索能力，更提高了效率。蚁群算法原理设m是蚁群中蚂蚁数量，表示有向边的信息素。初始时刻，网络各条边的信息素浓度相同，为常数。蚂蚁k（k=1，2，m）在运动过程中，根据各条路径上信息素的浓度决定转移方向，表示在t时刻蚂蚁k从节点i转移到节点j的概率，如式2-16：（式2-16）蚂蚁经过路径p爬到终点后，路网上信息素按照式2-17更新。（式2-17）其中为全局信息素挥发因子，；为本次循环中蚂蚁留在路径上的信息量，取，常数；是反映约束条件的罚函数，系数，如式2-18和式2-19。（式2-18）（式2-19

18、）（式2-20）通过上述定义可知，如果目标函数越大，同时又同时满足约束条件限制要求，则该路径上信息素增加显著，于是会启发更多蚂蚁向这些路径上的边汇聚。此外（式2-16）中：为能见度启发因子，表示目标点的能见度，见（式2-17）。其中为j点到目标点D的直线距离，这样可以启发蚂蚁以较高概率向最终目标点行进，而不贪婪当前最小一步。（式2-21）（式2-16）中，为信息启发因子，表示轨迹的相对重要性，反映了信息素在蚂蚁运动时所起的作用，其值越大蚂蚁越倾向于选择其它蚂蚁经过的路径，蚂蚁之间协作性越强；为期望启发因子，表示能见度的相对重要性，反映了蚂蚁在运动过程中启发因子在蚂蚁选择路径中的受重视程度，其值

19、越大，则该状态转移概率越接近贪心规则。蚁群算法流程数据初始化将所有蚂蚁置于起始点选定蚂蚁k=1、2m第k只蚂蚁（利用概率选择公式）位于当前城市i，选择下一城市J点满足约束条件否？1、 蚂蚁k移至j点2、 更新车容量3、 更新时间变量信息局部更新蚂蚁k是否已经访问完所有点K+m只蚂蚁中的最优解信息素全局更新是否所有蚂蚁完成搜索是否满足条件停止迭代结束：返回完整路径剔除j后继续否是否是是否2.2.3基于matlab的路径优化结果以嘉定西区为例，进行以下milk-run路径规划，运行结果如下：图2-5零部件配送路径规划左图是嘉定西区所有地区的线路连接情况，包括主机厂在内的循环回路。右图展示了算法的收

20、敛性。由曲线变化趋势可以看出，该算法结果是收敛的具有可靠性。由于汽车零部件装载体积的限制，以及总行程时间不至于过长的考虑，可将目前的嘉定西区进一步分成若干个小区进行优化。根据目前每个供应商所在的具体位置，按照邻近原则，以及VRP问题中各个环路中的行程时间尽可能接近的原则，将西区的公司大致分为两部分，分别进行TSP最优化设计。我们将两部分分别命名为嘉定西区一和嘉定西区二。将公司分别分配在不同的区域中进行优化。同样利用蚁群算法进行求解，最终得到嘉定西区一和嘉定西区二的路线图如下：嘉定西区一的路线图如下：图2-6西区一路线图嘉定西区二的路线图如下：图2-7西区二路线图根据matlab计算出的循环回路

21、，对每个城市进行编号对应，可以得到具体的循环回路路线。同时将具体的循环回路路线利用GIS实现可视话，有助于司机确定行驶路线，从而节约时间，提高运输效率。详细见第三章。嘉定西区一：XXXX天地物流XXXX总库杰必机电上海采埃孚变速器有限公司上海采埃孚变速器有限公司上海汽车股份有限公司汽车齿轮总厂上海华特机电材料有限公司上海小糸车灯有限公司大众汽车变速器（上海）有限公司上海海嘉车辆配件有限公司XXXX天地物流XXXX总库。总路程为87.5KM。嘉定西区二：XXXX天地物流XXXX总库上海敏孚汽车饰件有限公司上海红阳密封件有限公司上海三和汽车橡塑件有限公司上海汽车制动系统有限公司上海采埃孚转向机有限

22、公司上海华中冲压件制品厂上海泰密克电子有限公司上海三樱汽车管路有限公司上海海华传感器有限公司XXXX天地物流XXXX总库。总路程为90.3KM。从最终程序运行出的结果来看，嘉定西区一和嘉定西区二的总路程长度相差不大。假设在车辆速度相差不大的情况下，那么两个循环回路的车辆重新回到主机厂的时间相差不大，因此也就很好的保证了零部件组装的同步进行，降低了零部件仓储成本，进而为XXXX物流公司提高经济效益。2.3小结目前汽车零部件配送中遇到的主要问题是运输成本高、效率低和风险大。即使是初步采用了循环取货配送模式（Milk-run）的XXXX物流等企业，也由于各供货商货物规格、数量不一，生产计划变化等不确定因素和拥堵等异常情况，致使循环取货模式没有体现出预想的优势。本研究以VRP问题为基础，以配送时间最少、满载率最高、配送车辆最少和生产成本最低为优化目标建立数学模型，其中的约束为时间窗与客户需求等。在计算过程中以蚁群算法为核心算法，最终得出路径优化结果。经优化的结果，即使在供货商信息复杂的情况下也能为XXXX物流提供最清晰合理的取货路线。由于提高了运输的满载率和减少了配送车辆数，运营成本将得到有效的压缩。除此之外，在订单信息有变或拥堵等突发事件的情况下，能提供最及时有效的应急方案，在保证零部件及时取货的同时使XXXX物流企业的额外成本最小化。专心-专注-专业