大学本科三年级物流工程专业核心课教案

大学本科三年级物流工程专业核心课教案

供应链协同下的生产系统建模与优化

  一、设计理念与依据

  本教案遵循“新工科”建设与工程教育专业认证（OBE）的核心导向，以“学生中心、产出导向、持续改进”为根本理念。教学设计立足于当前制造业数字化转型与全球供应链深度重组的宏观背景，回应“碳达峰、碳中和”国家战略对生产运营提出的刚性约束。其理论依据深度融合了运筹学、系统动力学、工业生态学及信息管理科学等多学科前沿知识，旨在突破传统《生产运作管理》课程边界，构建一个以“供应链网络-生产系统-环境界面”多维耦合为研究对象，以“模型构建-算法求解-仿真验证-决策优化”为方法论主线的全新课程体系。课程不仅传授静态知识，更致力于培养学生面对复杂、动态、不确定的供应链环境时，进行系统性分析、量化建模与创新性优化的高阶思维与工程实践能力，塑造其具备全局视野、可持续伦理和责任担当的未来工程师素养。

  二、学情分析

  本课程面向大学本科三年级物流工程（或工业工程、供应链管理）专业学生。学生已先修《管理学原理》、《运筹学》、《物流学基础》、《概率论与数理统计》等课程，具备初步的管理学思维、基本的数学建模能力和物流核心概念。其优势在于思维活跃，易于接受新概念与信息技术工具；存在的普遍不足在于：1.知识碎片化：未能将离散的知识点（如库存模型、调度算法、网络规划）置于完整的供应链流程与战略框架下进行有机整合；2.系统思维欠缺：习惯于单点、静态分析，对供应链各环节间的动态交互、反馈机制以及外部环境冲击的传导效应理解不深；3.实践感知薄弱：对现代智能工厂的实际运作、数据流动及跨企业协同的复杂性缺乏直观认知；4.可持续发展认知表层化：虽知晓环保重要性，但难以将其量化为可集成于运营决策的具体约束或目标函数。因此，本课程设计需着力于“整合、深化、赋能”，通过项目式、案例式、仿真式教学，搭建从理论到实践的桥梁。

  三、教学目标

  （一）知识目标

  1.能精准阐述在供应链协同背景下，生产管理系统所涵盖的战略层、战术层与运营层决策的主要内容及其相互关联。

  2.能系统辨析精益生产、敏捷制造、绿色制造及柔性制造等范式在应对不同供应链需求特征和环境约束时的适用性与局限性。

  3.能掌握至少三种用于描述供应链-环境交互影响的关键量化模型（如基于生命周期的环境成本核算模型、考虑碳排放约束的生产批量模型、多目标优化模型）。

  4.能理解主流优化算法（如混合整数规划、遗传算法、模拟退火）与系统仿真工具（如AnyLogic、Arena或Python仿真库）在生产系统优化中的基本原理与应用场景。

  （二）能力目标

  1.系统分析与建模能力：能够针对一个给定的供应链生产情景，识别关键决策变量、目标函数（成本、时间、碳排放等）与约束条件（产能、资源、环境法规等），构建结构化的优化问题模型。

  2.计算与仿真能力：能够运用Python（结合PuLP、Gurobi、SimPy等库）或专业软件，对构建的中等复杂度模型进行求解或仿真实验，并对输出结果进行有效性验证与敏感性分析。

  3.协同决策与评价能力：能够在多目标（经济、环境、社会）冲突下，运用帕累托前沿分析、成本效益分析等方法，为不同利益相关者提供具备权衡依据的决策建议。

  4.综合报告与表达能力：能够以严谨、规范的工程报告形式，清晰呈现问题分析、建模过程、求解结果及管理启示，并进行有效的口头陈述与答辩。

  （三）素养与价值目标

  1.树立基于全生命周期和系统思维的工程伦理观，深刻理解生产运营活动对供应链全局及生态环境的广泛影响。

  2.培养在不确定性环境中保持批判性思维、主动探索与创新解决问题的科学精神。

  3.增强团队协作意识与沟通能力，体验在跨职能、跨学科团队中扮演不同角色的要求。

  4.形成对国家绿色发展战略和全球可持续发展议程的认同感与责任感，明确工程师的专业使命。

  四、教学重点与难点

  教学重点：

  1.供应链协同视角的生产管理框架重构：将传统局限于工厂内部的生产管理，扩展到与上游供应、下游分销及逆向物流协同决策的层面。

  2.环境外部性的内生化建模方法：将碳排放、废弃物处理等环境因素，从外部约束转化为可量化、可优化的内部决策变量，集成到生产计划、库存控制、设施选址等经典模型中。

  3.多目标优化决策的原理与实践：阐述经济目标与环境、社会目标之间权衡的本质，教授帕累托最优解集的概念及其在管理决策中的应用。

  教学难点：

  1.动态性与不确定性的刻画：如何用数学模型有效描述需求波动、供应中断、设备故障等随机因素，以及这些因素在供应链网络中的传播效应。

  2.复杂模型的求解与算法选择：面对大规模、非线性、离散的混合整数规划模型，引导学生理解精确算法与启发式算法的适用边界，并能进行初步的算法实现或调用。

  3.跨学科知识的融合应用：引导学生将环境科学中的生命周期评估（LCA）方法、信息科学中的物联网（IoT）与大数据概念，无缝嵌入到运营管理模型的构建过程中。

  五、课程资源与准备

  1.硬件与软件环境：多媒体智慧教室；安装有Python编程环境（Anaconda发行版）及必要库（NumPy,Pandas,PuLP,Matplotlib,SimPy）、专业仿真软件（如AnyLogic教育版）的计算机实验室；可访问高速互联网。

  2.案例库建设：

    (1)标杆企业案例：特斯拉超级工厂的垂直整合与生产节拍控制；西门子安贝格电子工厂的数字化双胞胎应用；联想全球供应链的韧性构建与碳中和路线图。

    (2)问题诊断案例：某快消品公司因需求预测不准导致的“牛鞭效应”放大与库存积压；某电子产品制造商因环保材料切换引发的供应商协同与生产调度紊乱。

    (3)沙盘/仿真案例：基于啤酒游戏（BeerGame）原理开发的供应链协同在线模拟平台；一个简化的“汽车零部件制造-装配-回收”闭环供应链仿真模型。

  3.学术文献包：精选近五年内发表在《ProductionandOperationsManagement》、《JournalofCleanerProduction》、《InternationalJournalofProductionResearch》等顶级期刊上，与课程主题紧密相关的综述性与前沿研究论文5-8篇，作为拓展阅读材料。

  4.教具与数据：供应链网络结构图、生产流程价值流图（VSM）、碳排放计算器等可视化教具；来自公开数据库（如国家统计局、企业社会责任报告）或经脱敏处理的真实运营数据集。

  六、课时安排（总学时：16周，48学时，3学时/周）

  *第一单元：范式演进与系统框架（4学时）

  *第二单元：环境约束下的生产系统建模基础（8学时）

  *第三单元：优化算法与仿真工具应用（12学时）

  *第四单元：综合决策、前沿与课程项目（24学时，其中含8学时集中上机与项目研讨）

  七、教学过程设计（详案）

  第一单元：范式演进与系统框架（第1-2周）

  第1-2学时：问题锚定与范式导论

  *核心活动：“一张订单的全球之旅”情景导入。展示一份从电商平台下单的智能穿戴设备的完整供应链追溯视频，引导学生观察从芯片采购、多国部件制造、中国总装、全球分销到可能回收的每一个环节。

  *理论精讲：

    1.从“生产管理”到“供应链环境生产管理”：内涵与外延的根本性扩展。界定本课程中“环境”的双重含义：一是作为运作背景的供应链网络环境（复杂、动态、不确定）；二是作为约束与目标的自然生态环境。

    2.生产战略与供应链战略的匹配：成本、质量、速度、柔性、可持续性等竞争优先级的协同。结合案例（如ZARA的敏捷vs.丰田的精益），分析不同战略选择对生产系统设计（设施、技术、流程）的深刻影响。

    3.主要生产范式（大批量生产、精益生产、敏捷制造、大规模定制、绿色制造）的演化逻辑与比较。重点讨论“精益”与“绿色”的协同与潜在冲突（如减少库存可能降低应对波动的能力，从而增加应急运输的碳排放）。

  *课堂研讨：分组讨论导入案例中，哪些环节存在优化潜力？可能涉及哪些经典的生产管理问题（如预测、库存、调度、选址）？这些决策如何相互影响？

  第3-4学时：系统框架与协同决策

  *核心活动：绘制“供应链协同生产决策矩阵图”。以决策层次（战略、战术、运营）为纵轴，以决策领域（需求管理、采购与供应、生产运作、分销物流、逆向回收）为横轴，师生共同填充关键决策问题。

  *理论精讲：

    1.供应链运作参考模型（SCOR）在分解生产相关流程与绩效指标中的应用。引入总供应链成本、现金转化周期（CCC）、完美订单履行率、产品碳足迹等跨职能指标。

    2.供应链中的“流”管理：物料流、信息流、资金流。重点分析信息失真（牛鞭效应）对生产计划的灾难性影响，及其缓解策略（信息共享、VMI、协同预测与补货CPFR）。

    3.初步引入系统思考工具：因果回路图（CLD）。以“库存水平”为核心，绘制其与订单量、生产速率、供应延迟等因素之间的反馈回路，直观感受系统动态复杂性。

  *案例分析：剖析“宝洁与沃尔玛的CPFR实践”案例，让学生具体理解跨企业信息共享与协同计划如何降低库存、提升产能利用率。

  第二单元：环境约束下的生产系统建模基础（第3-6周）

  第5-8学时：经典模型的环境维度拓展

  *核心活动：模型变形练习。给定经典经济生产批量（EPQ）模型，要求学生逐步增加考虑：1)单位产品生产过程的碳排放成本；2)政府设定的周期性碳排放限额；3)碳交易市场下的碳配额购买决策。

  *理论精讲：

    1.环境外部性内部化方法：排污费、排放权交易（Cap-and-Trade）、碳税、产品责任制（EPR）等政策工具如何在模型中体现为成本项或约束条件。

    2.绿色技术与工艺选择模型：如何在产能投资决策中，评估不同清洁技术（高成本低排放vs.低成本高排放）的长期经济与环境效益。引入净现值（NPV）与碳排放总量联合评估框架。

    3.考虑产品回收的扩展生产计划：在传统物料需求计划（MRP）逻辑中，引入回收件（Returns）作为另一类“供应源”，构建考虑拆卸、检测、再制造、再使用环节的物料清单（BOM）与计划模型。

  *软件工具初探：使用ExcelSolver求解简单的带碳约束的EPQ模型，观察参数变化对最优解的影响。

  第9-12学时：不确定性建模与风险评估

  *核心活动：“供应链中断模拟”角色扮演。学生分组扮演供应商、制造商、物流商，在教师随机发布“自然灾害”、“港口拥堵”、“关键部件短缺”等事件卡时，做出应急决策，并记录决策链与最终损失。

  *理论精讲：

    1.不确定性的来源与刻画：区分需求不确定性、供应不确定性、过程不确定性。介绍用概率分布（正态、泊松）、区间数、模糊数进行描述的方法。

    2.稳健优化与随机规划简介：对比确定性模型、随机规划（两阶段、场景法）和鲁棒优化（区间不确定集）的基本思想与适用场景。强调“在这里投资柔性以抵御不确定性”的策略思维。

    3.供应链韧性度量与提升策略：从冗余（安全库存、备份供应商）、柔性（多技能工人、通用设备）、敏捷性（快速响应信息）等维度，讨论其对生产系统设计的影响。

  *案例分析：分析新冠疫情初期某汽车制造商因单一供应商断供导致全球停产的事件，应用韧性框架进行复盘，并提出模型化的改进方案（如引入多源采购的选址-库存联合优化模型）。

  第三单元：优化算法与仿真工具应用（第7-10周）

  第13-18学时：运筹优化模型求解实战

  *核心活动：上机实验一：混合整数规划（MIP）求解设施选址-生产分配问题。

    1.问题描述：给定多个潜在工厂选址（各有固定建设成本、可变生产成本、碳排放系数）和多个客户需求点，在满足需求、不超过总碳排放预算的条件下，决定开设哪些工厂及每个工厂的生产分配量，以最小化总成本（固定+可变+碳成本）。

    2.模型构建：带领学生一步步用数学公式定义决策变量（0-1选址变量、连续生产变量）、目标函数、约束条件（需求满足、产能、碳排放、变量关系）。

    3.编码求解：在Python中使用PuLP或Gurobi接口，将数学模型转化为代码。讲解模型文件的生成、求解器的调用、结果的读取。

    4.结果分析：解读求解输出的工厂选择方案、流量分配、总成本构成。进行敏感性分析：碳排放预算收紧10%，方案如何变化？哪个工厂的碳效率最关键？

  *理论精讲：穿插讲解MIP的求解原理（分支定界法）、模型线性化技巧、以及大规模问题下启发式算法（如遗传算法、禁忌搜索）的必要性。

  第19-24学时：系统动力学与离散事件仿真

  *核心活动：上机实验二：使用AnyLogic仿真一个简化的闭环供应链。

    1.模型场景：一个制造-销售-回收-再制造系统。新产品和再制造产品共同满足市场需求。回收率受价格激励影响。生产线需要在小批量新产品和再制造产品间切换，存在切换时间和成本。

    2.建模过程：

      a)用过程流程图定义实体（原材料、新产品、回收品、再制造品）、流程（加工、检测、分销、回收、拆卸、再制造）。

      b)用StockandFlow图构建市场需求、库存、回收率的反馈关系。

      c)设置关键参数（生产速率、切换时间、回收激励系数、碳排放因子）和绩效指标（总利润、总碳排放、资源利用率）。

    3.仿真实验：

      a)基线运行。

      b)实验1：提高回收价格激励，观察对回收率、再制造比例、总成本和碳排放的长期影响。

      c)实验2：投资减少生产线切换时间的技术，观察对柔性、准时交付率和经济效益的影响。

    4.报告生成：学习从仿真软件中导出数据、绘制动态图表、撰写实验分析报告。

  *理论精讲：对比优化与仿真两种方法的优势与局限。优化寻求“最优”解，但模型往往是现实的高度简化；仿真能刻画复杂动态细节，评估给定策略的表现，但不直接给出最优解。强调两者互补：用优化得到候选策略，用仿真评估其鲁棒性。

  第四单元：综合决策、前沿与课程项目（第11-16周）

  第25-36学时：课程项目——综合性优化方案设计

  *项目启动（第25学时）：发布3-4个源自企业实际或学术研究的备选课题。例如：

    课题A：为某区域性生鲜电商设计考虑碳足迹与损耗率的冷链仓储布局与配送路径协同优化方案。

    课题B：为某中型装备制造企业构建考虑供应商可靠性评估与生产调度柔性的采购-生产协同计划模型。

    课题C：评估在某电子产品生产线引入太阳能光伏与储能系统的经济与环境效益，并优化其运行策略。

    学生自由组队（每组3-4人），选择课题，提交初步项目计划书，包括问题界定、初步思路、任务分工与时间表。

  *中期指导与研讨（第28、32学时）：各小组进行中期汇报，展示问题分析、模型框架构建进展、数据收集情况与初步困难。教师与其他小组提问，提供反馈。教师针对共性问题（如数据缺失如何处理、模型非线性部分如何简化或求解）进行集中讲授与指导。

  *模型实现与报告撰写（课外进行，课内答疑）：学生利用实验室或自备电脑完成模型的编程实现、求解/仿真、结果分析。教师提供在线答疑和定期办公室咨询。

  *项目答辩与评审（第35-36学时）：举办课程项目答辩会。每组有15分钟展示时间和10分钟问答时间。评审团由教师和随机抽取的学生代表组成。评分依据：问题理解的深度、模型的创新性与合理性、方法运用的正确性、结果分析的透彻性、报告与呈现的专业性。

  第37-42学时：前沿专题研讨

  *专题一：数字化赋能——工业物联网（IIoT）与生产管理变革（第37-38学时）

    内容：IIoT如何实现生产数据的实时采集与可视化（数字孪生）；基于大数据的预测性维护如何降低非计划停机；区块链技术在供应链溯源与透明化中的应用。

    形式：邀请企业专家（线上或线下）讲座，结合案例（如海尔COSMOPlat，华为云工业互联网平台）讨论。

  *专题二：循环经济与闭环供应链设计（第39-40学时）

    内容：从线性“获取-制造-废弃”到循环模式的根本转变。产品即服务（PaaS）商业模式对生产系统的影响；面向拆卸与回收的设计（DFR）；再制造网络规划的特殊挑战。

    形式：基于《JournalofIndustrialEcology》上的经典论文，组织学生进行“阅读-汇报-辩论”。

  *专题三：人工智能在运营优化中的新兴应用（第41-42学时）

    内容：机器学习用于需求预测的提升；强化学习用于动态环境下的实时调度；神经网络用于质量检测与工艺参数优化。讨论AI的“黑箱”特性在关键决策中应用的信任与伦理问题。

    形式：教师介绍前沿研究概况，学生分组调研一个具体AI应用案例（如京东的智能仓储调度），进行分享。

  第43-48学时：课程总结、反思与未来展望

  *知识体系复盘（第43-44学时）：师生共同绘制本课程的核心概念思维导图，将分散的知识点（模型、算法、案例、理念）串联成一个有机整体，明确其内在逻辑关联。

  *个人学习反思（第45学时）：学生撰写学习反思日志，回答：1)课程中最触动你的概念或案例是什么？为什么？2)你掌握了哪些过去不具备的思维方法或工具？3)你在小组项目中的贡献与收获是什么？4)你认为本领域未来最值得关注的研究或实践方向是什么？

  *未来职业连接（第46-47学时）：分析物流/供应链工程师、生产经理、可持续运营分析师、咨询顾问等潜在职业路径，讨论本课程所培养的能力如何在这些岗位上创造价值。分享往届优秀毕业生的发展案例。

  *课程反馈与结课（第48学时）：匿名收集学生对课程内容、方法、考核等方面的反馈，用于持续改进。教师做总结陈词，鼓励学生将所学应用于毕业设计、实习及未来职业生涯，持续关注领域发展，并宣布课程结束。

  八、教学评价与考核设计

  本课程采用多元化、过程性评价与终结性评价相结合的方式，全面评估学生学习成效。

  *平时表现（20%）：

    1.课堂参与（10%）：包括提问、讨论、案例分析发言的积极性与质量。

    2.个人作业（10%）：包括模型推导练习、小型软件操作任务、前沿文献阅读笔记等，共布置3-4次。

  *单元实践（30%）：

    1.上机实验报告（15%）：针对两个上机实验（MIP求解、仿真建模），提交完整的实验报告，评估模型理解、操作技能与结果分析能力。

    2.阶段性小组研讨报告（15%）：在课程项目中期提交，评估项目进展、团队协作与初步分析能力。

  *课程项目（40%）：

    1.最终项目报告（25%）：要求结构完整、逻辑清晰、模型正确、分析深入、格式规范。

    2.项目答辩（15%）：评估口头表达能力、幻灯片制作水平、团队协作展示及问题回答能力。

  *期末考试/课程论文（10%）：

    形式为开卷考试，侧重考查对核心概念、框架和原理的理解与综合运用能力，或可选择撰写一篇关于特定前沿问题的短评论文。

  九、教学反思与持续改进

  1.迭代更新内容：供应链与生产技术日新月异，环境政策不断调整。每年需更新至少30%的案例，并引入最新学术研究成果和行业报告，确保课程内容的前沿性。

  2.强化软件工具链：关注开源工具生态的发展（如Julia在运筹优化中的兴起），适时调整教学所用工具，平衡其教学友好度、功能强大性与行业普及度。

  3.深化校企合作：争取与更多企业建立联系，获取更丰富的实战案例和数据，探索邀请更多资深从业者参与教学或提供项目选题的可能性。

  4.关注学生差异：对于编程或数学基础较弱的学生，提供额外的辅导材料或办公时间；对于学有余力的学生，提供更具挑战性的可选进阶任务和文献目录。

  5.评估效果闭