网站导航

五节点多级库存:库存放哪儿,与总共有多少不同

全文共 3648 字,阅读约需 8 分钟

五节点多级库存:库存放哪儿,与总共有多少不同:本章提供6个可以离线运行的合成实验。其中生产实验又分央厨与制造两个小案例。它们补的是“怎样把预测变成需求、供应、财务与库存账”,不是企业实施方案。所有日期、价格、概率、产能与业务记录均为教学设定,没有客户真实资料。

← 学习路线
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。

已独立审查的模拟计划实验。下载计划侧6个实验。固定优先级或有限枚举的结果不是通用MILP/APS全局最优,不代表真实收益。包内pending为冻结时记录,第二版独立审查已通过其注明范围。

共同运行方法与教学边界

计划侧补全课:从预测数字走到能检查的计划

这次真正能完成什么

本章提供6个可以离线运行的合成实验。其中生产实验又分央厨与制造两个小案例。它们补的是“怎样把预测变成需求、供应、财务与库存账”,不是企业实施方案。所有日期、价格、概率、产能与业务记录均为教学设定,没有客户真实资料。

  • 已完成:两版各12个月的需求/供应/财务并列表、CPFR协商时点;两层BOM与3周排程;1CDC+2RDC+2FDC的多日库存和在途账;双供应商分单枚举;COD应收与回款日账;30日库存、预测、调整与业务指标重算。
  • 已运行:Python标准库程序,6份JSON输入,8份CSV结果,完整JSON结果,71项作者测试。测试覆盖基准答案、守恒、31个非法输入、合法参数变化及零分母。作者测试不等于独立审计。
  • 未完成、也不冒充完成:没有训练预测模型,没有调用MILP求解器,没有证明通用APS或MEIO全局最优,没有接企业ERP/WMS,没有下采购单、生产单或调拨单,没有真实业务收益证据。
  • 数值上的“最优”只在明确有限候选集合内成立。生产采用先A后B的启发式。网络采用固定补货启发式,再穷举210种起始库存配置。供应商对给定订货日的7种合法分单全部比较,因此只在该小模型中可证明最优。

配套包:planning-remaining-labs.zip。 解压后运行:

python run.py
python test_labs.py

需要Python 3.10或更新版,无需安装第三方库。第一次命令从data目录读取输入并生成outputs;第二次命令把计算结果与教学答案、约束和已交付结果比对。成功末行分别显示6个实验已完成和71项检查通过。参数示例:python run.py --data data --out my_results。修改数据后先看my_results,不要把旧答案当新结果;test_labs.py的基准答案有意固定于原始教学输入。

先学会看公式和代码

  • t是第几期。例如t=2指第二个月,不是乘以2;下标t−1表示上一期。
  • min(a,b)表示取两个数较小者。例如min(12,8)=8。
  • max(a,0)表示负数改为0。例如max(−3,0)=0。
  • floor(a)表示向下取整。例如floor(8÷0.3)=26。只能交付完整一份菜,不能把26.666份写成27份。
  • Σ表示把指定各项相加。Σd_t就是把每期需求d_t加起来,不是另一种神秘运算。
  • p×c表示概率p乘以某情景成本c。它是许多次同类试验的平均成本贡献,不意味着一次一定支付这个金额。
  • 数量必须带单位。件可以加件,kg可以加kg;不能把100件+20kg写成120。
  • 程序里的=是赋值。例如stock = stock - sold是更新库存。公式中的等号则表示两边数值相同。

每个实验都遵循:先写假设和输入 → 手算一行 → 计算全表 → 验证守恒 → 改一个条件观察变化 → 承认模型边界。

PR03|五节点多级库存:库存放哪儿,与总共有多少不同

1. 网络、时间与公平比较

network.json包含五个节点:CDC总仓、R1/R2两个区域仓、F1/F2两个前置仓。货走CDC→R1→F1或CDC→R2→F2。每条边运输1天,消费者只从F1/F2买货。

每天固定顺序:早上到货 → 当天消费者购买 → 晚上申请调拨 → 次日早上到货。本课未满足需求视为丢失,不延期交。没有外部供应补入、没有过期、没有退货;实验只运行6天。

三种起始配置总量都是60件,单位采购成本相同,才可以公平比较:

配置CDCR1R2F1F2合计
集中60000060
分散000303060
混合201010101060

没有把集中方案的起始60件与分散方案的起始100件比较,也没有给某个方案免费加急运输。初始货值是共同常数,成本表不重复加入;剩余库存保留,不计废弃,没有额外终值奖励。期末在途仍计库存和持有成本,不允许最后一天“发货就从成本中消失”。

2. 需求独立与正相关,究竟改变什么

每个前置仓有两种完整6日需求路径:

  • 低需求L=[2,4,2,4,2,4],合计18件。
  • 高需求H=[6,8,6,8,6,8],合计42件。

每个前置仓本身都是50%遇L、50%遇H。改变的是两个仓之间的共同情景:

依赖关系F1路径F2路径概率
相互独立的路径选择LL0.25
相互独立的路径选择LH0.25
相互独立的路径选择HL0.25
相互独立的路径选择HH0.25
完全正相关的路径选择LL0.50
完全正相关的路径选择HH0.50

这里“独立”指两个地区的高/低路径选择独立,不是说同一个地区每天需求都相互独立。两组期望总需求都等于60件,但缺货分布可不同。

独立组的总需求D取36、60、84,概率分别0.25、0.50、0.25。平均值为36×0.25+60×0.5+84×0.25=60。方差是对“与平均值之差的平方”求平均:(36−60)²×0.25+0²×0.5+(84−60)²×0.25=288。正相关组方差=(36−60)²×0.5+(84−60)²×0.5=576。这里平方是先算差,再把差乘以自己,不是再把概率平方。

这说明相关性改变总需求波动,却没有证明总仓一定更好:货若来不及到门店,风险池化优势未必抵得过交期。

3. 补货启发式与一条节点守恒式

R1/R2/F1/F2的目标库存位置都设10件。晚上先处理R→F,再处理CDC→R。节点库存位置=现在可用库存+已发往该节点的在途;不把消费者未满足需求计为欠交。

对一条运输边:

  • T:目的地目标库存位置,本例10件。
  • I:目的地当前库存,件。
  • P:已发往目的地但未到的在途,件。
  • H:起点仓当前可发库存,件。
  • 补货请求R=max(0,T−I−P)。
  • 真正发出Q=min(H,R)。

必须扣在途P;否则一批10件已经在路上,每天又重复要求10件,容易越补越多。

节点日账:期初库存+今日到货−今日销售−今日发出=期末库存。

全系统日账:60=五节点期末库存之和+全部在途+累计已售。未满足需求没有消耗实物,不应当减库存。

集中配置第一天,低低情景手算:

  1. F1/F2无货,各想买2件,都买不到。丢失4件,罚成本4×5=20元。
  2. R1/R2也无货,不能给F仓发货。
  3. CDC各给R1/R2发10件,总仓从60变40,产生20件在途。
  4. 总库存核对:仓内40+在途20+已售0=60。
  5. 运输费20件×0.2元/件/边=4元。
  6. 日末持有费(40+20)×0.1=6元。

第二天区域仓收到10件,晚上才能发给F仓;第三天F仓才可销售。因此集中配置前两天销售均为0,不存在“总仓有货,所以门店马上有货”。

4. 成本函数逐项读

单情景总成本C=持有成本+缺货成本+运输成本。

  • 持有成本=Σ每天(五仓存量+在途)×0.1元/件/日。
  • 缺货成本=累计未满足件数×5元/件。它是人为指定的机会损失罚成本,不是已验证真实赔偿金额。
  • 运输成本=每条边累计发货件数×0.2元/件/边。一件货经过两条边会计两次运输,不是重复算错。
  • 期望成本E[C]=Σ情景概率×该情景成本。这里E表示按概率加权平均。

例如混合配置在独立情景中的期望持有费16.85、期望运输费11.80、期望缺货10件×5=50,合计78.65元。

5. 实际程序结果:服务高不保证总成本低

情景关系起始配置期望满足量/件期望丢失/件期望成本/元总量口径满足率
独立集中39.520.5151.7565.83%
独立分散481277.2080.00%
独立混合501078.6583.33%
正相关集中3921153.9065.00%
正相关分散481277.2080.00%
正相关混合481288.9080.00%

满足率按“期望满足件数÷期望需求件数”计算,例如50÷60=83.33%,不是对四个情景的比率做不加权平均。不同聚合口径可以得到不同数。

独立时,混合比纯分散多满足2件,但运输费使总成本高1.45元。服务目标优先与总成本目标优先会给不同选择,必须先定业务目标。

6. 210种配置穷举是什么,不是什么

让五个节点起始库存只能取0、10、20……60,合计60。程序枚举所有满足条件的210种配置,对每种运行同一个固定补货规则及相同情景。

在这210种配置中,两种依赖情景下成本最低的都是[0,0,0,30,30],期望成本77.20元。它是该离散配置集合、该6天需求情景、该贪心补货政策和该成本设定下的精确最小值。

这不是MEIO全局最优证明。原因是:没有搜索每一天所有调拨动作,没有连续库存量,没有更多服务约束、交期分布、供应补入或终值假设。固定政策先分配R1再R2,稀缺货的顺序本身也可能影响结果,应当披露。不能把层级预测的加总一致性当成库存优化。

练习:只把每边运输费从0.2改成0,其余不变。混合成本变16.85+50=66.85元,分散仍77.20元,三候选排序就变了。这比背诵“集中总是好”更有用。

输入network.json;程序network、simulate_network;network_ledger.csv共有540行=3种固定配置×(4+2)种情景×6天×5节点。所有行均检查节点守恒和全局在途守恒;210配置也实际逐一计算,不是只打印210这个数字。

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。