【全渠道模式前置仓选址与能力设计联合优化案例分析12000字】

全渠道模式前置仓选址与能力设计联合优化案例分析目录TOC\o"1-3"\h\u8234全渠道模式前置仓选址与能力设计联合优化案例分析 图4-7选址数量变化的计算结果趋势图Figure4-7Trendchartofcalculationresultsoflocationquantitychange如图4-8所示，当p取值9时的帕累托前沿面与p取值5时（如图4-6所示）的帕累托前沿面相比较。首先，前者帕累托最优解的数量高于后者，选址点和需求点组合的形式亦高于后者。其次，通过两者的目标函数值判断，后者帕累托解的整体最优性略高于前者。如表4-7所示，本节分别将实验组（p=9）的帕累托最优解20（总成本最小）、帕累托最优解14（服务时间最小）、帕累托最优解10（折中解）与对照组（p=5）的帕累托最优解5（总成本最小）、帕累托最优解3（服务时间最小）、帕累托最优解11（折中解）做对比分析。在总成本最小方面，对照组的帕累托最优解劣于实验组；在服务时间最小方面，对照组的帕累托最优解优于实验组；在折中解方面，对照组的帕累托最优解劣于实验组。表4-7选址数量变化的帕累托前沿对比数据Table4-7Paretofrontiercomparisondataoflocationquantitychange对照组（p=5）实验组（p=9）帕累托最优解帕累托最优解的对比帕累托最优解总成本最小5优于20服务时间最小3劣于14折中解11成本劣于、时间优于10图4-8帕累托最优前沿（p=9）Figure4-8ParetoOptimalFrontier(p=9)最后，通过对前置仓选址数量变化的灵敏度分析，本文发现：帕累托最优解的数量随前置仓选址数量的增加而提高。CPU计算时间随帕累托最优解的增加而提高。通过将实验组（p=9）与对照组（p=5）的典型解对比发现：在总成本最小方面，实验组劣于对照组；在服务时间最小方面，实验组优于参照组；在折中解方面，实验组在总成本最小方面劣于对照组，而在服务时间最小方面优于对照组。（2）配送能力变化的对比分析为对比配送能力变化所带来的不同，本节将其他参数保持不变，对前置仓配送能力“β”值依次设置为90%、85%、80%、75%和70%时，观察、对比和分析帕累托最优解的数量变化和CPU运行时间的变化。如图4-9所示，随着对“β”取值范围的不断降低，所求得的帕累托最优解数量整体呈现上升趋势。如表4-7所示，其中在β值为85%时的帕累托最优解数量时整个阶段的最低值5。相对应的，当β取值分别为80%和70%时，多目标模拟退火算法所求得的帕累托最优解数量是本次对比阶段的最高值：均为14。如表4-8所示，在CPU运行时间方面，CPU计算时间的长短跟帕累托最优解数量呈正相关。CPU的计算时间随帕累托最优解数量的降低而减少。其中在β值取85%时的CPU计算时间是本次对比阶段的最小值146秒。而β值取90%时的CPU运行时间是本次对比阶段的最大值167秒。表4-8配送能力变化的计算数据Table4-8Calculationdataofdistributioncapacitychange需求点数量（个）200β值（%）90%85%80%75%70%帕累托最优解数量（个）7514914CPU时间(s)167146152162150总成本最小（仓编号）51196目标函数值11340103.11356931.81390613.31384285.11449259.3目标函数值221.50719225.29833727.10141521.13718528.070306服务时间最小（仓编号）75647目标函数值11365772.81364043.51458703.21390376.11476994目标函数值221.21869323.30261721.1815623.82995226.740968折中解（仓编号）1213113目标函数值113471061363796.61398086.21387471.91461432目标函数值221.26644123.41800125.36229921.02441327.405305图4-9配送能力变化的计算结果趋势图Figure4-9Trendchartofcalculationresultsofdistributioncapacitychange如图4-10所示，当β取值80%时的帕累托前沿面与β取值95%时（如图4-6所示）的帕累托前沿面相比较。首先，前者帕累托最优解的数量略高于后者，选址点和需求点组合的形式亦略高于后者。其次，根据典型解的目标函数值判断，前者帕累托解的最优性略次于后者。如表4-9所示，本节分别将实验组（β=80%）的帕累托最优解1（总成本最小）、帕累托最优解13（服务时间最小）、帕累托最优解6（折中解）与对照组（β=95%）的帕累托最优解5（总成本最小）、帕累托最优解3（服务时间最小）、帕累托最优解11（折中解）做对比分析。在总成本最小方面，对照组的帕累托最优解优于实验组；在服务时间最小方面，对照组的帕累托最优解优于实验组；而在折中解方面，对照组的帕累托最优解劣于实验组。表4-9配送能力变化的帕累托前沿对比数据Table4-9Paretofrontiercomparisondataofdistributioncapacitychange对照组（β=95%）实验组（β=80%）帕累托最优解帕累托最优解的对比帕累托最优解总成本最小5优于1服务时间最小3优于6折中解11劣于13图4-10帕累托最优前沿（β=80%）Figure4-10ParetoOptimalFrontier(β=80%)最后，通过对前置仓配送能力变化的灵敏度分析，本文发现：帕累托最优解的数量随前置仓配送能力的降低而呈现增加趋势。CPU计算时间与帕累托最优解的数量呈正相关。通过将实验组（β=80%）与对照组（β=95%）的典型解对比发现：在总成本最小和服务时间最小方面，对照组均优于实验组；而在折中解的帕累托最优性方面，对照组劣于实验组。（3）到店购方式变化的对比分析为对比方式变化（有无到店购）所带来的不同，本节将其他参数保持不变，对模型中的到店购范围分别设置：＜1000m范围内40%以下消费者会到店购（或自提）和无到店购两种模式，分别观察、对比和分析帕累托最优解数量、前置仓选址位置区别和CPU计算时间的变化。如表4-10所示，随着对模型中到店购方式的关闭，所求得的帕累托最优解数量相对于有到店购模式的帕累托最优解数量大幅度减少。当模型不存在到店购模式时，通过计算所得帕累托最优解数量为7组，如表4-10所示。其中帕累托最优解5和帕累托最优解6为相同的前置仓选址点，分别服务不同的需求点。而其他帕累托最优解均采用不同的选址点组合。同时，由于帕累托最优解数量的变化，其帕累托最优前沿面也产生改变，如图4-11所示。如表4-10所示，在CPU求解时间方面，不存在到店购功能的前置仓选址求解时间略低于具备到店购功能的前置仓选址求解时间，其中前者的求解时间为143秒，后者的求解时间为161秒。表4-10模型变化的计算数据Table4-10Calculationdataofmodelchange需求点数量（个）200p值（个）5帕累托最优解数量（个）7CPU时间(s)143帕累托最优解1814262731帕累托最优解2810284244帕累托最优解378173056帕累托最优解4817303644帕累托最优解5812303644帕累托最优解6812303644帕累托最优解7814304344如图4-11所示，当（实验组）模型设置无到店购方式时的帕累托前沿面与（对照组）模型具备到店购方式时的帕累托前沿面（见图4-6）相比较。首先，实验组帕累托最优解的数量明显少于对照组；同时，实验组选址点和需求点组合的多样性高于对照组。其次，实验组帕累托最优解的目标函数值略微劣于对照组。如表4-11所示，本节分别将实验组（不具备到店购模式）的帕累托最优解3（总成本最小）、帕累托最优解7（服务时间最小）、帕累托最优解2（折中解）与对照组（具备到店购和自提模式）的帕累托最优解5（总成本最小）、帕累托最优解3（服务时间最小）、帕累托最优解11（折中解）做对比分析。在总成本最小和服务时间最小方面，对照组的帕累托最优解优于实验组；在折中解方面，对照组的总成本最小优于实验组，而服务时间最小劣于实验组。

表4-11模型变化的帕累托前沿对比数据Table4-11Paretofrontiercomparisondataofmodelchange对照组（有到店购）实验组（无到店购）帕累托最优解帕累托最优解的对比帕累托最优解总成本最小5优于3服务时间最小3优于7折中解11成本优于、时间劣于2图4-11模型变化的帕累托前沿Figure4-11ParetoOptimalFrontierofmodelchange最后，通过对前置仓模型变化的灵敏度分析，本文发现：当对模型取消到店购模式时，其帕累托最优解的数量明显减少。然而在CPU计算时间方面实验组（不具备到店购模式）略低于参照组（具备到店购和自提模式）。通过将实验组（无到店购）与对照组（有到店购和自提）的典型解对比发现：在总成本最小和服务时间最小方面，前者目标函数值优于后者；在折中解方面，前者总成本最小优于且服务时间最小劣于后者。1.1.5灵敏度分析小结（1）在考虑到店购模式时，全渠道模式前置仓选址数量的提升可以获得更多选址方案（前置仓选址点和需求点）的分配组合。本文认为：基于全渠道模式前置仓分布密度大、分布范围广的特点，较多的选址组合方案有利于管理者的选址决策。（2）在考虑需求固定时，全渠道模式前置仓配送能力的降低会波动性的增加选址方案（前置仓选址点和需求点）的分配组合。同时，随着前置仓配送能力的不断降低，所求得选址结果的帕累托最优性逐渐减弱。因此，本文认为：降低前置仓的配送能力可以获得更多选址方案的分配组合，同时也会降低解的帕累托最优性，结论有利于管理者的选址决策工作