《現(xiàn)代庫存管理：模型、算法與Python實現(xiàn)》 課件 第17章-某家電企業(yè)H的制造網(wǎng)絡庫存優(yōu)化實戰(zhàn)

現(xiàn)代庫存管理：模型、算法與Python實現(xiàn)第17章某家電企業(yè)H的制造網(wǎng)絡庫存優(yōu)化實戰(zhàn)17.1背景介紹企業(yè)H是一家大型的家電制造商，旗下產(chǎn)品覆蓋了絕大部分的家庭電器：同一種原材料一般支撐多個半成品、成品的生產(chǎn)，H公司一直以來主要在原材料上放置安全庫存企業(yè)的發(fā)展趨勢和轉(zhuǎn)型需求：各大渠道商對工廠的交付時間有了更高的要求，需要將制造網(wǎng)絡中的安全庫存前置17.1背景介紹公司挑選兩款“明星”產(chǎn)品以及它們的生產(chǎn)涉及的所有半成品和原材料，利用物料清單、各物料的持貨成本、成品需求的預測均值和誤差，以及工廠對客戶的承諾服務時間等數(shù)據(jù)，以這兩個產(chǎn)品的制造網(wǎng)絡為基礎，搭建出全網(wǎng)絡安全庫存優(yōu)化方案的原型，探究如下三個問題：應該選擇網(wǎng)絡的哪些節(jié)點放置安全庫存（位置），以及放置多少安全庫存（量）？與安全庫存全部前置在成品的策略相比，全局最優(yōu)的策略能否顯著降低總安全庫存成本？對客戶的承諾服務時間對總安全庫存成本的影響有多大？由于制造中存在很多通用件，在本案例中，使用有向無環(huán)圖對家電企業(yè)H的兩個成品的制造網(wǎng)絡進行建模，并使用分段線性函數(shù)近似算法，建立混合整數(shù)規(guī)劃來求解相應的承諾服務模型17.2數(shù)據(jù)導入及預處理#導入網(wǎng)絡分析包

importnetworkxasnx

#導入數(shù)據(jù)分析包

importpandasaspd

#導入第10章的幾個算法

fromchapter14_network_basicimportcal_cum_lt,cal_demand_bound

#導入copt優(yōu)化求解包

fromcoptpyimport*

importmatplotlib.pyplotasplt

importseabornassns

sns.set_theme(style='darkgrid')

importwarnings

warnings.filterwarnings('ignore')#定義數(shù)據(jù)路徑

data_dir=

'../../data/manufacture/'

#讀取兩個需求節(jié)點（成品）的需求數(shù)據(jù)

demand_df=pd.read_csv(data_dir+

'manufacture_demand_df.csv')

#讀取制造網(wǎng)絡的節(jié)點數(shù)據(jù)

node_df=pd.read_csv(data_dir+

'manufacture_node_df.csv')

#讀取制造網(wǎng)絡的邊數(shù)據(jù)

edge_df=pd.read_csv(data_dir+

'manufacture_edge_df.csv')17.2數(shù)據(jù)導入及預處理數(shù)據(jù)集概況：demand_df表：展示了兩個成品的需求信息node_idmeanstd0N00190163.1164901.3218181N00166113.9650239.74188217.2數(shù)據(jù)導入及預處理數(shù)據(jù)集概況：edge_df表：BOM的邊信息表’predecessor’：上游節(jié)點’successor’：下游節(jié)點’quantity’：配比node_df表：BOM的節(jié)點信息表’node_id’：節(jié)點的id’lt’：提前期’hc’：單位持貨成本’sla’：對客戶的承諾服務時間predecessorsuccessorquantity0N002230N0019011.0001N001693N0019011.0002N001664N0016931.2003N000519N0016930.0014N000416N0016930.001node_idlthcsla0N00160840.478034NaN1N00274740.860900NaN2N00302420.483988NaN3N00096860.311728NaN4N00052890.807896NaN17.2數(shù)據(jù)導入及預處理數(shù)據(jù)集概況：利用NetworkX，對H企業(yè)的制造BOM進行可視化展示：盡管只有兩個成品，整個制造網(wǎng)絡依然非常復雜，存在很多共享節(jié)點17.2數(shù)據(jù)導入及預處理數(shù)據(jù)集預處理：計算出每個節(jié)點的累計提前期調(diào)用計算需求上界的函數(shù)cal_demand_bound計算服務水平為0.95時的需求上界表將后續(xù)要反復使用的數(shù)據(jù)轉(zhuǎn)換成字典格式數(shù)據(jù)集預處理代碼如下：lt_dict=dict(zip(node_df['node_id'],node_df['lt']))

cum_lt_dict=cal_cum_lt(edge_df[['predecessor','successor']].values,lt_dict)

cum_lt_df=pd.DataFrame.from_dict(

cum_lt_dict,orient='index').reset_index().rename(

columns={'index':'node_id',0:'cum_lt'})

node_df=node_df.merge(cum_lt_df,on='node_id',how='left')

print(node_df.head())17.2數(shù)據(jù)導入及預處理數(shù)據(jù)集預處理代碼：all_nodes=set(node_df['node_id'])

#提前期

lt_dict=dict(zip(node_df['node_id'],node_df['lt']))

#累計提前期

cum_lt_dict=dict(zip(node_df['node_id'],node_df['cum_lt']))

#單位持貨成本

hc_dict=dict(zip(node_df['node_id'],node_df['hc']))

#對客戶承諾服務時間sla

sla_dict=dict(zip(node_df['node_id'],node_df['sla']))

#每個節(jié)點對應覆蓋時間的安全庫存量

ss_ct_dict={(node,time):ssfornode,time,ssin

demand_bound_df[['node_id','time','ss_qty']].values}17.3應用分段線性函數(shù)近似算法求解近似最優(yōu)的策略

17.3應用分段線性函數(shù)近似算法求解近似最優(yōu)的策略

17.3應用分段線性函數(shù)近似算法求解近似最優(yōu)的策略代碼如下：defcal_ar_br(demand_bound_df):

#對時間取差

demand_bound_df['t_diff']=demand_bound_df['time'].diff()

demand_bound_df.loc[demand_bound_df['time']==

0,'t_diff']=

0

#對需求上界取差

demand_bound_df['db_diff']=demand_bound_df['demand_bound'].diff()

demand_bound_df.loc[demand_bound_df['time']==

0,'db_diff']=

0

#根據(jù)ar和br的公式，計算ar與br

demand_bound_df['ar']=demand_bound_df['db_diff']/

\

demand_bound_df['t_diff']-

\

demand_bound_df['mean']

demand_bound_df['br']=demand_bound_df['demand_bound']-

\

demand_bound_df['mean']*

\

demand_bound_df['time']-

\

demand_bound_df['ar']*demand_bound_df['time']

demand_bound_df.loc[demand_bound_df['time']==

0,'ar']=

0

demand_bound_df.loc[demand_bound_df['time']==

0,'br']=

0

#轉(zhuǎn)換成字典格式，方便后續(xù)讀取

ar_dict={(node,time):arfornode,time,ar

indemand_bound_df[['node_id','time','ar']].values}

br_dict={(node,time):brfornode,time,br

indemand_bound_df[['node_id','time','br']].values}

returnar_dict,br_dict

ar_dict,br_dict=cal_ar_br(demand_bound_df)17.3應用分段線性函數(shù)近似算法求解近似最優(yōu)的策略代碼如下：jt_list=list(ar_dict.keys())

jt_dict={j:list(range(0,int(cum_lt_dict[j])+

1))forjinall_nodes}#生成COPT的環(huán)境

env=Envr()

#建立空的模型

m=env.createModel('pwl')CardinalOptimizerv4.0.2.BuilddateFeb232022

CopyrightCardinalOperations2022.AllRightsReserved#服務響應時間

S=m.addVars(all_nodes,vtype=COPT.CONTINUOUS,lb=0,nameprefix='S')

#被服務時間

SI=m.addVars(all_nodes,vtype=COPT.CONTINUOUS,lb=0,nameprefix='SI')

#覆蓋時間

CT=m.addVars(all_nodes,vtype=COPT.CONTINUOUS,lb=0,nameprefix='CT')

#用來控制只選擇一段的0-1變量

U=m.addVars(jt_list,vtype=COPT.BINARY,nameprefix='U')

#用于近似覆蓋時間的變量

Z=m.addVars(jt_list,vtype=COPT.CONTINUOUS,lb=0,nameprefix='Z')17.3應用分段線性函數(shù)近似算法求解近似最優(yōu)的策略代碼如下：m.setObjective(quicksum(

hc_dict[j]*(ar_dict[j,t]*Z[j,t]+br_dict[j,t]+U[j,t])forj,t

injt_list),COPT.MINIMIZE)m.addConstrs(

(CT[j]==quicksum(Z[j,t]fortinjt_dict[j])forjinall_nodes),

nameprefix='approx_CT')m.addConstrs(((t-

1)*U[j,t]<=Z[j,t]forj,tinjt_list),

nameprefix='time_interval_lhs')

m.addConstrs((t*U[j,t]>=Z[j,t]forj,tinjt_list),

nameprefix='time_interval_rhs')m.addConstrs((quicksum(U[j,t]fortinjt_dict[j])==

1

forjinall_nodes)

,nameprefix='choose_one')17.3應用分段線性函數(shù)近似算法求解近似最優(yōu)的策略代碼如下：m.addConstrs((CT[j]==SI[j]+lt_dict[j]-S[j]forjinall_nodes),

nameprefix='covering_time')m.addConstrs((SI[succ]-S[pred]>=

0

for(pred,succ)inedge_df[[

'predecessor','successor']].values),nameprefix='edge')m.addConstrs((S[j]<=int(sla_dict[j])forjinall_nodes

ifpd.notnull(sla_dict[j])),nameprefix='sla')#整數(shù)規(guī)劃啟發(fā)式算法的參數(shù)

m.setParam(COPT.Param.HeurLevel,3)

#求解精度

m.setParam(COPT.Param.RelGap,0.01)

m.solve()17.3應用分段線性函數(shù)近似算法求解近似最優(yōu)的策略策略成本比較：計算策略的安全庫存成本，并與將安全庫存全部放置在成品的策略進行比較#計算網(wǎng)絡最優(yōu)策略的成本

opt_ss_dict={node:ss_ct_dict.get((node,CT),0)

fornode,CTinopt_sol['CT'].items()}

opt_ss_cost=sum([hc_dict[node]*opt_ss_dict[node]

fornodeinall_nodes])

#計算將安全庫存都放置在成品的安全庫存成本

product_node_df=node_df[node_df.sla.notna()]

product_node_df['CT']=product_node_df['cum_lt']-product_node_df['sla']

product_ct_dict=dict(zip(product_node_df['node_id'],product_node_df['CT']))

product_ss_dict={node:ss_ct_dict.get((node,CT),0)

fornode,CTinproduct_ct_dict.items()}

product_ss_cost=sum([hc_dict[node]*product_ss_dict[node]

fornodeinproduct_node_df['node_id']])

print("使用安全庫存全部放置在成品的策略的安全庫存成本為%.2f"

%product_ss_cost)

print("使用網(wǎng)絡最優(yōu)策略的安全庫存