基于Flexsim的德诚冷运冷链物流配送中心的仿真研究

随着人们对食品安全要求的日益提高,冷链物流已经成为国家和公众的关注焦点。而冷链设备的投入和运营成本较高,为了防止冷链物流设备不匹配和运营不科学的问题,使用科学有效的仿真方法进行模拟分析。文章根据冷链物流配送中心仿真的相关理论,分析了德诚企业冷链物流配送中心的布局,根据其现有作业和运营情况,运用Flexsim仿真软件对冷链物流配送中心进行仿真,分析仿真情况,提出合理措施并进行仿真验证,得到一套行之有效的布局规划方案,达到了降低建设及运营成本的目的。     

B2C电子商务中配送中心选址优化的模型与算法

在考虑商品供应成本因素的基础上,结合B2C电子商务企业物流配送网络的特点,建立了混合0-1整数规划的配送中心选址优化模型．该模型是一种特殊形式的选址-分配模型,具有NP难性质．为求解上述模型,开发了嵌入表上作业法的遗传算法．实例研究表明,该算法能高效求得模型的优化解,是求解物流配送中心选址这类复杂优化问题的一个较好方法．     

喜力下属公司以曼哈顿供应链商务解决方案为依托促进市场份额增长和提升品牌忠诚度

2月20日,全球供应链商务解决方案服务商曼哈顿（纳斯达克证券代码：MANH）宣布：法国喜力下属全资子公司、业界领先的饮料经销商法国Boissons公司,目前正在其法国配送中心实施曼哈顿仓储管理系统（WMS）、供应链智能（SCI）等解决方案。公司目前已在法国六大配送中心（卡昂、蒙彼利埃、图卢兹、     

有效保护产品生产、包装和储藏全过程

康宝莱公司为了确保产品在生产、包装和储藏过程中得到有效保护,采用基于风险的方法对环境参数加以严格控制。该公司的全球配送中心、质量检测实验室和生产设施遵守现行药品生产质量管理规范（cGMP）,努力达到或超过用以保障康宝莱产品从生产到最终配送过程中产品洁净度、安全性和效力的所有要求。     

新鲜度限制约束下物流配送中心选址-路径优化

目的 满足生鲜产品交付时较高的新鲜度要求,解决多产品、多车型情景下的配送中心选址-路径优化问题。方法 构建考虑碳排放成本和满足客户对产品交付最低新鲜度要求的双层目标规划模型。上层模型以配送中心固定成本、库存管理成本最小化为优化目标,下层模型以车辆固定成本、运输成本、碳排放成本、惩罚成本最小化为优化目标,并结合模型特点,采用两阶段启发式算法进行求解。结果 采用的两阶段启发式算法相对于遗传算法的平均成本解改进率为1.22%,相对于K-means聚类求解算法的平均解改进率为3.03%;两阶段启发式算法相对于遗传算法最优解运算时间的平均提高率为24.8%,相对于传统K-means聚类求解算法的平均提高率为33.0%。结论 经算例对比研究发现,不同新鲜度要求下对配送中心的选址以及车辆路径的安排有显著影响,企业可通过合理规划物流网络和准确评估客户对产品的新鲜度要求等手段实现企业物流成本的降低。     

基于模糊神经网络模型的配送中心选址综合评价

物流配送中心的选址在整个物流系统规划中占有十分重要的地位.建立了配送中心选址的模糊神经网络模型,并以专家评价值作为期望的输出,对网络进行训练,对多个配送中心选址方案进行评价, 结果与实际吻合.     

连锁门店选址与配送中心选择联合决策的f-MIGP模型

建立了连锁门店选址和配送中心选择联合决策问题的模糊多目标混合整数规划模型．针对该模型的特殊结构。提出一种适用的求解策略：首先确定每个模糊目标的隶属度函数;然后将模糊多目标混合整数规划模型转化为等价的清晰多目标混合整数规划模型,通过最大最小算子求出目标值;最后借助于两阶段算法,求出问题的最优解．通过应用算例进一步说明了该模型的有效性和可行性．     

物流配送中心的无线应用方案

目前,大多数配送中心都有一套先进的物流管理模式,但除此以外,物流管理的优势还必须以先进的物流自动化设备和技术以及优秀的信息系统平台为依托才能更好地发挥出来。自动化设备和技术可从硬件方面提高工作效率、减少人工操作的失误率,而信息平台可从软件方面为物流企业提供大量的管理数据信息,作为管理决策的依据。二者的集成就可以极大地提高配送的及时性、准确性和信息获取的实时性。     

黑龙江省生鲜农产品配送效率问题的思考

黑龙江省农业发展中生鲜农产品一直是支柱之一,因此如何使生鲜品流通更畅通、高效则备受我省各界的关注,也使生鲜农产品的配送效率成为焦点。本文针对黑龙省生鲜农产品流通效率低的现状,分析其无法适应当前生鲜农产品配送需求的各种因素,并且提出解决方案,以期为黑龙江省及其他地区生鲜农产品配送问题的解决提供思路与借鉴。     

基于深度强化学习的多配送中心车辆路径规划

多配送中心车辆路径规划(multi-depot vehicle routing problem, MDVRP)是现阶段供应链应用较为广泛的问题模型,现有算法多采用启发式方法,其求解速度慢且无法保证解的质量,因此研究快速且有效的求解算法具有重要的学术意义和应用价值.以最小化总车辆路径距离为目标,提出一种基于多智能体深度强化学习的求解模型.首先,定义多配送中心车辆路径问题的多智能体强化学习形式,包括状态、动作、回报以及状态转移函数,使模型能够利用多智能体强化学习训练;然后通过对MDVRP的节点邻居及遮掩机制的定义,基于注意力机制设计由多个智能体网络构成的策略网络模型,并利用策略梯度算法进行训练以获得能够快速求解的模型;接着,利用2-opt局部搜索策略和采样搜索策略改进解的质量;最后,通过对不同规模问题仿真实验以及与其他算法进行对比,验证所提出的多智能体深度强化学习模型及其与搜索策略的结合能够快速获得高质量的解.