第三章 把箱规 MOQ 仓容和车次写成 MILP
全文共 2267 字,阅读约需 5 分钟
第三章 把箱规 MOQ 仓容和车次写成 MILP:白皮书范围:第一部分第三层。 MILP 是混合整数线性规划:一部分未知数只能取整数或 0/1,目标及约束由加减法和“常数×未知数”组成。它不是一个预测模型,而是拿预测与成本选择可执行方案。
课程目录与学习记录 0 / 109
学习进度仅存于本机浏览器。原教程站的记录不会跨域自动迁移;可先在原站导出留存,新站按实际完成情况重新勾选。
入门数据与作业包
禾味数据为 2 店 × 8 SKU × 180 天,共 2,880 行,是可见教学数据,不是封存盲测集。起步包是模拟夹具,不表示已完成六行业预测实验。资源中心另有四专项工程、模型实验和计划实验,使用前请阅读各自能力边界。
本课使用模拟数据与明确假设。数学推导、枚举和数据核验不等于真实业务模型有效。配套包包含60天教学曲线及约束枚举,不是完整订单训练集。
下载数学实验、完整教材与只读验证器
第三章 把箱规 MOQ 仓容和车次写成 MILP
白皮书范围:第一部分第三层。 MILP 是混合整数线性规划:一部分未知数只能取整数或 0/1,目标及约束由加减法和“常数×未知数”组成。它不是一个预测模型,而是拿预测与成本选择可执行方案。
方法出处:Google OR-Tools 官方混合整数规划示例展示整数变量、线性约束和目标函数。本章箱规、MOQ 和枚举数据另行设计,没有复制其数值。
3.1 为什么不能把两个建议数各自向上取整
两件商品的净需求分别为 17 件、11 件。A 每箱 6 件,B 每箱 4 件;各自向上取整会订 A=18、B=12。但两者共占 72 L,而仓容只有 64 L,组合起来不可执行。必须一起做决策。
所有输入如下,全部模拟:
| 参数 | A | B | 单位与业务来源 |
|---|---|---|---|
| 净需求 r_i | 17 | 11 | 件;需求预测扣除可用库存及可靠在途后的缺口 |
| 每箱件数 b_i | 6 | 4 | 件/箱;包装主数据 |
| 最小起订量 M_i | 12 | 8 | 件;供应合同条件 |
| 单件库容 v_i | 2 | 3 | L/件;包装尺寸折算 |
| 单件不足惩罚 π_i | 8 | 6 | 元/件;本例人为设定,不等于采购成本 |
| 单件多余惩罚 h_i | 1 | 1 | 元/件;本例单期持有/剩余成本设定 |
| 每次启订成本 f_i | 3 | 3 | 元/商品;本例人为设定 |
另设仓容 W=64 L,单车容量 V=36 L/车,最多 K=2 车,每车固定成本 g=12 元/车。每箱 A 占 6×2=12 L,每箱 B 占 4×3=12 L,故每车恰能放最多 3 箱。本例忽略车厢形状,所有箱体可兼容装载,无重量等其他限制。
这里的目标只包含不足、多余、启订和运输的教学成本,不是完整利润。真实采购成本、现金预算、保质期和多期库存需要另加,不能声称本例就是实际总成本最优。
3.2 决策变量不是输入参数
- n_i:订购箱数,非负整数,单位箱。
- q_i=b_i n_i:订购件数,件。
- y_i:是否启订;订购为 1,不订为 0,无单位。
- u_i:不足件数,非负,件。
- e_i:多余件数,非负,件。
- k:车次数,非负整数,单位车。
最小化目标:
J = 8u_A+6u_B+e_A+e_B+3y_A+3y_B+12k。
J 的单位是元。约束是:
- q_A=6n_A;q_B=4n_B。 箱规。
- 2y_A≤n_A≤5y_A;2y_B≤n_B≤5y_B。 关闭时 0 箱;启订至少 2 箱,分别满足 MOQ 12、8 件。5 箱是仓容导出的有效上界,不是任意巨大常数。
- q_A+u_A-e_A=17;q_B+u_B-e_B=11。 需求平衡。
- 2q_A+3q_B≤64。 仓容,左右单位均为 L。
- 2q_A+3q_B≤36k;0≤k≤2。 运力与车数。
- n_A,n_B,k 为整数;y_A,y_B∈{0,1};u_A,u_B,e_A,e_B≥0。
为何不必额外规定 u_i 和 e_i 不能同时为正?本例它们的惩罚系数均为正,如果同时为正,可以各减相同数量,平衡式不变,目标成本会下降,所以最优解不会这样做。若以后把系数改成负数或加入其他约束,此结论要重新检查。
一般 MOQ 写法:当最小起订量是 M_i 件、箱规 b_i 件/箱时,最少箱数是 ⌈M_i/b_i⌉,因此可写 ⌈M_i/b_i⌉y_i≤n_i≤U_i y_i。U_i 是有业务依据的最大箱数。例如 MOQ=10、箱规=6,启订至少 2 箱,即 12 件,并非允许订 10 件。
3.3 把全部可行方案列出来验证
本例每箱都是 12 L,仓容允许最多 5 箱。单 SKU 只能取 0 或至少 2 箱。因此只需检查下表 12 种箱数组合。对每组取最低所需车数 k=⌈(n_A+n_B)/3⌉;每多开一车成本增加且没有收益,所以最低车数足够。
| A 箱数 | B 箱数 | A 件数 | B 件数 | 占容 L | 车数 | A 不足 | B 不足 | A 多余 | B 多余 | J 元 |
|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 0 | 0 | 0 | 0 | 0 | 17 | 11 | 0 | 0 | 202 |
| 0 | 2 | 0 | 8 | 24 | 1 | 17 | 3 | 0 | 0 | 169 |
| 0 | 3 | 0 | 12 | 36 | 1 | 17 | 0 | 0 | 1 | 152 |
| 0 | 4 | 0 | 16 | 48 | 2 | 17 | 0 | 0 | 5 | 168 |
| 0 | 5 | 0 | 20 | 60 | 2 | 17 | 0 | 0 | 9 | 172 |
| 2 | 0 | 12 | 0 | 24 | 1 | 5 | 11 | 0 | 0 | 121 |
| 2 | 2 | 12 | 8 | 48 | 2 | 5 | 3 | 0 | 0 | 88 |
| 2 | 3 | 12 | 12 | 60 | 2 | 5 | 0 | 0 | 1 | 71 |
| 3 | 0 | 18 | 0 | 36 | 1 | 0 | 11 | 1 | 0 | 82 |
| 3 | 2 | 18 | 8 | 60 | 2 | 0 | 3 | 1 | 0 | 49 |
| 4 | 0 | 24 | 0 | 48 | 2 | 0 | 11 | 7 | 0 | 100 |
| 5 | 0 | 30 | 0 | 60 | 2 | 0 | 11 | 13 | 0 | 106 |
最优方案逐步验算: 1. 箱规:18/6=3 箱,8/4=2 箱。 2. MOQ:18≥12,8≥8。 3. 仓容:18×2+8×3=60≤64 L。 4. 车次:5 箱分两车,3 箱和 2 箱,占容 36 L 和 24 L,均不超过 36 L。 5. 缺口:A 没有不足并剩 1 件;B 少 3 件。 6. 成本:0×8+3×6+1×1+0×1+3+3+2×12=49 元。 7. 因为全部 12 个可行组合均已核对,所以这不是“看起来较好”,而是本例全局最优。
3.4 满载率不能写错
本方案总满载率=60/(36×2)=83.33%。若要求每辆车至少装满 2/3,可以把本例箱子分成 3+2 箱,满足要求。
通用模型中,总容积≥最低满载率×单车容量×车数通常只约束平均装载,不保证每辆车都达标,也不保证箱体可装下。若各箱体积不同、不能拆箱,需引入每辆车的分配变量并检查车厢形状、重量、温层和危险品兼容等。不能用一个平均率替代装箱可行性。
3.5 一个可运行的枚举检查器
from math import ceil
rows = []
for na in range(6):
for nb in range(6):
if na == 1 or nb == 1: # 启订至少两箱
continue
qa, qb = 6 * na, 4 * nb
volume = 2 * qa + 3 * qb
k = ceil(volume / 36)
if volume > 64 or k > 2:
continue
ua, ub = max(17 - qa, 0), max(11 - qb, 0)
ea, eb = max(qa - 17, 0), max(qb - 11, 0)
cost = 8*ua + 6*ub + ea + eb + 3*(na > 0) + 3*(nb > 0) + 12*k
rows.append((cost, na, nb, k, qa, qb))
assert len(rows) == 12
assert min(rows) == (49, 3, 2, 2, 18, 8)
print(min(rows))3.6 小项目与答案
任务 A:只把仓容从 64 L 增至 72 L,其他不变,重新枚举。答案:A=18、B=12,6 箱、2 车,占容 72 L,成本=多余 1+1+启订 6+运输 24=32 元。原方案 49 元到 32 元的差额是本模型的 17 元教学改善,不能当作现实节省。
任务 B:要求完全不缺货,且仓容仍为 64 L。答案:不可行。A 至少 18 件、B 至少 12 件,最少占容 72 L>64 L。正确输出是“约束冲突及原因”,不是悄悄突破仓容。可讨论扩仓、分批到货或改变服务承诺,但这些是新决策,不是求解器自动获得的权限。
仅保存在本机当前浏览器,无账号云同步;清除浏览器数据会丢失。不自动认定你通过测试。建议先保留输出文件和计算过程。
所有数据、系数与业务场景均为教学模拟。预测不等于采购或排产指令。来源与修订说明。