基于第三方物流的零部件循環(huán)取貨越庫物流模式優(yōu)化設(shè)計

基于第三方物流的零部件循環(huán)取貨越庫物流模式優(yōu)化設(shè)計

0erpl物流運行模型汽車零部件物流包括入場物流（供應(yīng)物流或采購物流）、生產(chǎn)物流和銷售物流（物流倉庫）。其中，入場物流是連接零件供應(yīng)商和安裝公司之間供應(yīng)材料的重要來源。目前，國內(nèi)大多數(shù)汽車制造公司都采用基于epl的循環(huán)物流模式，并向采購倉庫發(fā)貨（mil-run交叉物流模式，p3l-mrsd）。據(jù)預(yù)測，未來10年中國汽車需求的增長率將保持在10%左右。在這種情況下，許多汽車制造商已經(jīng)開始創(chuàng)建新工廠。包括三個大型工廠，武漢東風(fēng)汽車、東風(fēng)汽車和東風(fēng)商用車。隨著生產(chǎn)能力的增加，必然會增加零件的流量，這對epl的物流運營提出了更高的要求。如果epl物流訂單績效（見部件的平均物流時間，如第2節(jié)）中的車輛數(shù)、越庫中心庫的數(shù)量和最佳抗裝載能力。哪些因素系統(tǒng)的績效起著重要作用？如何設(shè)計供應(yīng)鏈以適應(yīng)新的物流需求是你的工作任務(wù)之一。1文獻總結(jié)1.1l-mrcd的系統(tǒng)建模與優(yōu)化國內(nèi)外有關(guān)汽車零部件物流的研究多數(shù)集中于上游零部件Milk-run問題,王旭等研究零部件Milk-run的最佳路徑.左曉露等探討了基于3PL的汽車零部件物流Milk-run模式在國內(nèi)的實施問題.Nemoto等對日本汽車制造廠在泰國的零部件Milk-run展開研究,發(fā)現(xiàn)制造商有能力全面控制整個采購流程.Kaneko和Nojiri探討日本汽車零部件“Just-in-time”配送物流的空間結(jié)構(gòu),認為基于3PL的越庫物流模式在小批量、高頻率的零部件配送模式中極為重要,但未提出任何理論模型.有關(guān)越庫的技術(shù)性研究始于上世紀90年代,Ross和Jayaraman研究了越庫作為供應(yīng)鏈某一層級的網(wǎng)絡(luò)選址問題.Ma等,Musa等分析了貨物經(jīng)越庫轉(zhuǎn)運或直接運輸?shù)木W(wǎng)絡(luò)設(shè)計問題.Lee等采用禁忌搜索算法研究了越庫中心的車輛路徑優(yōu)化調(diào)度問題.Yu和Egbelu,Chen和Lee,Vahdani和Zandieh研究了越庫卸載區(qū)與裝載區(qū)各一個庫臺(1對1)的單庫臺車輛調(diào)度模型,Chen和Song在此基礎(chǔ)上,拓展到1對2或2對1的多庫臺模型.3PL-MRCD物流是零部件從供應(yīng)商經(jīng)CDC到廠邊倉庫的全過程.現(xiàn)有文獻多將Milk-run和Cross-docking分開研究,尤其缺乏針對汽車行業(yè)兩者運作的集成模型,主要原因是兩方面單獨的許多問題已為NP難或NP完全,需用啟發(fā)式或元啟發(fā)式算法求解,兩者集成后使得建模和求解都更為復(fù)雜.此外,所建模型大多為確定性的靜態(tài)模型,它難以反映主機廠產(chǎn)能擴大對系統(tǒng)績效的動態(tài)影響變化,使3PL難以從整個零部件實物流的角度獲得全局的改進運作方案.鑒于這兩方面,本文首先采用仿真的方法建立更符合3PL-MRCD實際運作的離散(隨機動態(tài))模型.1.2基于核心因子的物流運作模式對于復(fù)雜系統(tǒng)的設(shè)計問題,計算實驗(針對確定性仿真)或仿真實驗(針對隨機性仿真)方法通常是獲得可行解的唯一途徑.針對類似的隨機仿真系統(tǒng),Yaluf8f5?倞Inkaya和MiracBayhan,Shang等,Kumar和Nottestad,Shukla等,Noguera和Watson通過仿真實驗的統(tǒng)計數(shù)據(jù)采用基于響應(yīng)面(RSM)元模型的仿真優(yōu)化方法找到了輸入因子的最佳組合,解決了地鐵、倉庫、生產(chǎn)及供應(yīng)鏈等系統(tǒng)的優(yōu)化設(shè)計問題.上述文獻雖基于傳統(tǒng)RSM優(yōu)化設(shè)計了不同的系統(tǒng),但其模型中因子個數(shù)較少,約為5個,且都為直覺判斷或事先給定的“關(guān)鍵因子”,從而缺乏定量分析.當(dāng)面對更為復(fù)雜(因子數(shù)量較多且無法判定重要性)的系統(tǒng)時,若仍直接采用RSM,仿真運行次數(shù)將成指數(shù)倍增加,這將大大提高計算機與仿真分析者的工作量.Pareto(80-20)原理和稀疏效應(yīng)定理(sparsity-of-effects)表明:系統(tǒng)中僅有少部分因子對績效真正起作用.對于3PL-MRCD系統(tǒng)而言,關(guān)鍵因子是眾多因子中對物流績效改進起重要作用的因子,它使得3PL只需優(yōu)化改進關(guān)鍵因子對應(yīng)的物流運作便可能達到主機廠的生產(chǎn)要求,從而減輕3PL的工作負擔(dān).綜合以上兩方面文獻可知,3PL-MRCD系統(tǒng)是存在較多因子的復(fù)雜隨機動態(tài)系統(tǒng),主機廠產(chǎn)能擴大后3PL的物流決策是復(fù)雜的管理問題.本文基于零部件入廠物流建立了更符合實際運作的離散事件模型.由于該模型是一類存在較多因子的隨機仿真模型,本文提出采用序貫分支(sequentialbifurcation,SB)和響應(yīng)面法(responsesurfacemethodology,RSM)相結(jié)合的方法(SB-RSM)篩選并優(yōu)化模型中的關(guān)鍵因子,分析比較產(chǎn)能擴大后3PL物流運作的最佳改進方案,為3PL運作決策的調(diào)整提供可靠的解決思路.2cdc內(nèi)部的結(jié)構(gòu)圖1展示了整個3PL-MRCD零部件物流流程.國內(nèi)多數(shù)零部件供應(yīng)商(圖中“▲”)分布于長三角、珠三角、環(huán)渤海灣三大區(qū)域,而某些主機廠(裝配廠)位于距離較遠的中西部地區(qū),見圖1“■”,如武漢的東風(fēng)本田、東風(fēng)神龍以及重慶的長安福特等,它們通過合資的方式成立了為其服務(wù)的第三方物流企業(yè)(3PL),如:東本儲運、東風(fēng)-捷富凱、長安民生等.由于運輸距離較長,基于規(guī)模經(jīng)濟的角度考慮,3PL在汽車三大產(chǎn)業(yè)帶設(shè)立區(qū)域越庫中心(cross-dockingcenter,CDC),見圖1“●”.汽車制造商、零部件供應(yīng)商和3PL事先簽訂合作協(xié)議,委托3PL實施零部件采購物流的Milk-run(見圖1左下角小圖),即根據(jù)零部件的補貨頻率、補貨數(shù)量、供應(yīng)商的分布和需求特征等因素,劃分若干Milk-run區(qū).一般情況下,從單個Milk-run區(qū)取貨的零部件數(shù)量小于整車(less-than-truckload,LTL),因此該車將LTL零部件先支線運輸至區(qū)域CDC,在CDC內(nèi)經(jīng)過一定時間的集并后,再整車(truckload,TL)干線運輸至主機廠附近的廠邊倉庫.圖2中間部分展示了CDC內(nèi)部的基本結(jié)構(gòu).CDC兩端分別是卸載區(qū)和裝載區(qū),庫臺是其最重要的組成部分,一般地,單個庫臺僅容納一輛貨車.當(dāng)LTL車輛抵達CDC(圖2中左邊卡車),CDC調(diào)度室視卸貨區(qū)庫臺的占用狀態(tài)決定該車下一步的位置,若有庫臺空閑,LTL車輛則任一分配至其中一庫臺;反之,若庫臺已全部占用,LTL車輛需先到車輛等候區(qū)排隊,直到有空閑庫臺.LTL車輛?？吭趲炫_時,零部件下一步路線取決于裝載區(qū)TL車輛的達到情況:(1)若此時有未裝滿的TL車輛停靠在裝載區(qū)庫臺,則通過傳送設(shè)備將零部件直接送至該TL車輛所在庫臺,其中,卸載區(qū)庫臺與傳送設(shè)備始端及裝載區(qū)庫臺與傳送設(shè)備末端的兩段運輸由叉車或拖車完成;(2)若裝載區(qū)庫臺未有可用的LTL車輛,則先由叉車將零部件轉(zhuǎn)移至?xí)捍鎱^(qū),待LTL車輛到達后,再由叉車運至該LTL車輛所在的庫臺.由于經(jīng)過暫存區(qū)的零部件已有一定的存儲時間,故TL車輛優(yōu)先裝載(2)的零部件.TL車輛在裝載區(qū)滿載后立即干線運輸至廠邊倉庫.主機廠一般要求零部件供應(yīng)商配合其實施JIT生產(chǎn),保證JIT配送.因此,本文以零部件平均物流時間(cycletime,CT)作為績效指標,CT是衡量系統(tǒng)作業(yè)效率高低的標準,部分越庫文獻也將此作為研究目標.由于3PL-MRCD模型同時集成了CDC的內(nèi)外部運作,即零部件物流路徑涵蓋Milk-run取貨、支線運輸、CDC內(nèi)部轉(zhuǎn)移和干線運輸,因此本研究中的CT實際上包括了零部件的Milk-run取貨時間、支線運輸時間、CDC內(nèi)的作業(yè)時間和干線運輸時間四部分.3模擬模型3.1模型2:外包+銀行milp本文選擇Rockwell公司開發(fā)的離散/連續(xù)系統(tǒng)仿真軟件包ARENA13.0作為仿真工具.ARENA特別適合于模擬生產(chǎn)、供應(yīng)鏈等離散物流系統(tǒng).為了建模和測試的順利進行,本文將3PL-MRCD模型分割為九個相互聯(lián)系的子模型(Submodel),各個子模型以粗線條連接,見圖3所示.子模型1支線運輸模型LTL車輛為3PL-MRCD模型中支線運輸資源,在一個生產(chǎn)周期內(nèi)車輛數(shù)為固定值TQM,C,下標大寫M和C分別代表Milk-run和CDC.LTL車輛有忙和閑兩種狀態(tài),忙態(tài)從該車接到取貨指令開始,到取完貨并在CDC卸載區(qū)將零部件卸載完畢結(jié)束;閑態(tài)的LTL車輛?？吭贑DC等待下一次循環(huán)取貨指令.若發(fā)出取貨指令時處于閑態(tài)LTL車輛數(shù)>1,則優(yōu)先選擇閑態(tài)時間最長的車輛.CDC與第i個Milk-run的距離為DM(i),C,i∈{1,2,…,I},I為3PL事先劃分的Milk-run數(shù)量,(空車或載貨的)LTL車輛支線運輸平均速度為VM,C.子模型2循環(huán)取貨模型CDC對第i個Milk-run發(fā)出循環(huán)取貨指令的平均間隔時間BTM(i)服從均值為μBTM(i)的指數(shù)分布.第i個Milk-run供應(yīng)商數(shù)量為SΜ(i)={SΜ(1),?,SΜ(Ι)},S=Ι∑i=1SΜ(i)代表供應(yīng)商總數(shù).第i個Milk-run單次循環(huán)取貨的供應(yīng)商所占比例為α,即每次循環(huán)取貨的供應(yīng)商數(shù)為α*SM(i).單個供應(yīng)商零部件取貨時間PsTS服從參數(shù)為(aPsTs,bPsTs)的均勻分布,供應(yīng)商單位零部件裝載時間LTs服從參數(shù)為(aLTs,bLTs,cLTs)的三角分布.取完貨后LTL零部件零部件裝載量QLTL=min{LTLmax,max[Norm(μLTL,σ2LΤL),LTLmin]}服從改進的正態(tài)分布,其中,LTLmax為LTL車輛的容量,LTLmin為單次循環(huán)取貨應(yīng)達到的最小裝載量.子模型3卸載區(qū)模型LTL車輛到達CDC觸發(fā)卸載區(qū)事件.卸載區(qū)庫臺數(shù)為NRDC(下標大寫C表示CDC),若LTL車輛到達時庫臺占用數(shù)等于NRDC,則該車先到車輛等候區(qū)排隊等待直到某一庫臺空閑,等待區(qū)為先到先服務(wù)(FIFO)排隊規(guī)則.每一庫臺配備足夠規(guī)模的人力資源,單位數(shù)量零部件卸貨時間UTC服從參數(shù)為(aUTC,bUTC,cUTC)的三角分布.因此,某LTL車輛的卸貨時間為UTC*QLTL.掃描與卸貨在卸載區(qū)庫臺同步完成,標簽損壞或朝向錯誤時有發(fā)生,需要工人二次掃描或手動輸入條碼,一次掃描通過率為β,單位數(shù)量零部件掃描時間服從均勻分布,參數(shù)為(aSTC,bSTC).零部件下一步路線取決于卸載區(qū)庫臺是否?？坑锌捎玫腡L車輛,若有,零部件則直接由傳送設(shè)備送至該TL車輛所在庫臺,否則進入暫存區(qū)存儲.子模型4傳送區(qū)模型傳送帶為不可聚集式輸送設(shè)備,即傳送帶上被輸送的零部件空間間隔不會改變.傳送區(qū)傳送帶數(shù)量為NCC,傳送帶的長度均為CLC,傳送速度為CVC.傳送帶由許多不斷移動的等長單元組成,該單元容納不多于一個單位的零部件,假設(shè)零部件平均單元大小為CSC,故單位零部件在傳送帶上所占的平均尺寸為CSC.子模型5暫存區(qū)模型若裝載區(qū)未停靠TL車輛,零部件則先轉(zhuǎn)移到暫存區(qū)直到TL車輛到達,暫存區(qū)的固定容量為CC,暫存區(qū)中的零部件服從FIFO排隊規(guī)則,即優(yōu)先裝載存儲時間較長的零部件.若零部件在暫存區(qū)的逗留時間超過門檻值TT,而此時仍無到達的TL車輛,這些零件由額外的車輛直接運至主機廠(非廠邊倉庫),額外的車輛為3PL再外包的運輸車輛,該部分零部件不計入系統(tǒng)績效.此外,暫存區(qū)的零部件比傳送區(qū)的具有更高的優(yōu)先級,即TL車輛優(yōu)先裝載暫存區(qū)零部件.子模型6叉車與拖車模型叉車和拖車是CDC內(nèi)部的兩種運輸資源,負責(zé)零部件在卸貨區(qū)、傳送區(qū)、暫存區(qū)和裝載區(qū)四個站點間的物流,站點間的距離等于DC(x,y),其中x≠y=r,s,c,t,r為卸貨區(qū),s為裝載區(qū),c為傳送區(qū),t為暫存區(qū).叉車和拖車數(shù)量分別為NFC和NTC,運輸速度為FVC和TVC,每車運輸容量為FCC和TCC.叉車和拖車在運輸能力上有所差別,故優(yōu)先選擇叉車作業(yè),且DC(r,t)和DC(t,s)較遠,這兩段運輸僅能用叉車完成.子模型7裝載區(qū)模型裝載區(qū)庫臺數(shù)為NSDC,若TL車輛到達時,裝載區(qū)無空閑庫臺,則車輛到卸貨區(qū)車輛等待區(qū)排隊等待,默認情況下等候區(qū)排隊規(guī)則為FIFO.庫臺配備相應(yīng)數(shù)量的操作工人,整車TL車輛的零部件裝載量為QTL,單位數(shù)量零部件裝載時間LTC服從參數(shù)為(aLTC,bLTC,cLTC)的三角分布,因此,每輛TL車輛的裝載時間為LTC*QTL.子模型8干線運輸模型CDC距廠邊倉庫的距離為DC,F,下標F表示廠邊倉庫(factorywarehouse),干線運輸?shù)钠骄俣葹閂C,F.與LTL車輛相同,TL車輛有忙與閑兩種狀態(tài),忙態(tài)由TL車輛接到CDC調(diào)度指令開始,到廠邊倉庫卸貨完畢時結(jié)束;閑態(tài)的TL車輛載著空容器回到CDC等待下一調(diào)度,其中TL車輛數(shù)量為TQC,F.廠邊倉庫單位零部件卸貨時間UTF服從參數(shù)為(aUTF,bUTF,cUTF)的三角分布,因此,TL車輛廠邊倉庫卸貨時間等于QTL*UTF.子模型9控制邏輯模型在這個子模型中,實體沒有相應(yīng)的物理意義,它們被用來實現(xiàn)模型中的某種邏輯或改變系統(tǒng)狀態(tài).由于第i個Milkrun每次取貨的數(shù)量QLTL服從隨機分布,采用控制邏輯將每次隨機產(chǎn)生的QLTL打包賦予LTL車輛.此外,每隔1分鐘,仿真系統(tǒng)自動查找暫存區(qū)中逗留時間超過門檻值TT的零部件,并將符合該條件的零部件清理出暫存區(qū),即通過額外TL車輛裝載離開.3.2模型基本場景本文模型為終態(tài)(terminating)仿真模型,表1為系統(tǒng)的主要參數(shù)設(shè)置,其數(shù)據(jù)來源為調(diào)研的武漢某汽車3PL企業(yè).該汽車制造企業(yè)以30天為一個計劃生產(chǎn)周期,因此,共有30個仿真日,另有5個仿真日的系統(tǒng)Warm-up時間.由于是隨機性仿真,為了提高仿真輸出的精確度和實驗設(shè)計的效率,每個仿真場景的重復(fù)次數(shù)為10.本模型的基本假設(shè)包括以下幾點:1)每日工作12小時,8:00—20:00;2)支線運輸與干線運輸交通狀況良好;3)CDC暫存區(qū)容量無限;4)任一卸載區(qū)庫臺至裝載區(qū)庫臺距離為一固定值;5)CDC內(nèi)部操作工人數(shù)足以滿足庫內(nèi)零部件操作需求;6)卸載區(qū)(裝載區(qū))庫臺同質(zhì),即卸載區(qū)(裝載區(qū))每一庫臺的卸載時間(裝載時間)服從相同的參數(shù)分布;7)汽車零部件在供應(yīng)商處已完成包裝,CDC內(nèi)無包裝流程;8)需求在該計劃周期內(nèi)處于恒定狀態(tài);9)初始時刻LTL車輛與TL車輛?？吭贑DC;10)整個供應(yīng)鏈完全信息共享,因此主機廠發(fā)送采購指令后,3PL立即發(fā)車循環(huán)取貨.4基于sb-rsm的關(guān)鍵因子的確定上述3PL-MRCD仿真模型僅是一種實驗手段,并未給出長期時間內(nèi)3PL的最佳改進方案.仿真優(yōu)化(simulationoptimization)是基于仿真的目標優(yōu)化問題,即基于模型仿真給出的輸入(因子)輸出(響應(yīng),統(tǒng)計學(xué)術(shù)語)關(guān)系通過優(yōu)化算法得到最佳的輸入量.本模型中影響系統(tǒng)績效因子共有58個,其中可變因子21個(不可變因子包括:I、S、SM(i)、DM(i),M(j)、DM(i),C等供應(yīng)鏈結(jié)構(gòu)既定值),具有“高維性”.因此,本文采用SB-RSM集成的方法篩選并優(yōu)化3PL-MRCD的關(guān)鍵因子.SB和RSM都是包含一系列步驟的序貫方法.SB類似于計算機領(lǐng)域著名的二叉搜索,它不僅評估哪個因子是最重要的,而且評估它們的重要程度.相比其它計算機篩選技術(shù),SB法更為高效.目前,該方法已應(yīng)用于生態(tài)仿真、熱能動力等領(lǐng)域,然而較少用于解決復(fù)雜的供應(yīng)鏈管理問題且與(隨機)仿真優(yōu)化結(jié)合較少.4.1效應(yīng)值的確定21個可控因子高低水平見表2所示,本文定義單個因子從低水平變?yōu)楦咚讲粫p少仿真輸出的期望,如第9號因子NRDC(收貨區(qū)庫臺數(shù))由20(低水平)變?yōu)?0(高水平)的過程中,CT單調(diào)不降(非嚴格單調(diào)遞增),這符合現(xiàn)實情形.高低水平的判斷源于3PL企業(yè)和分析員的先驗知識,對無法判定的因子需個別處理.首先將21個因子聚合到一個大的因子組,檢測該因子組是否有顯著效應(yīng).若有,轉(zhuǎn)入下一步;否則,表明21個因子對CT無顯著影響,停止SB.下一步將21個因子分為兩個子組,即分支(bifurcation),檢測兩個子組的顯著性.依次步驟,將重要的因子組不斷分割為兩個更小的子組,放棄檢驗出不重要的子組,最終篩選出關(guān)鍵因子.由于3PL-MRCD模型因子間存在交互作用(interactioneffect),如TL車輛對CT的影響與LTL車輛數(shù)有關(guān),故一個有效元模型(metamodel)是具有二階交互作用和噪聲的一階多項式y(tǒng)CΤ=β0+β1x1+?+β21x21+β1;2x1x2+?+β20;21x20x21+ε(1)xj=zj-(hj+lj)/2(hj-lj)/2(2)其中yCT表示元模型響應(yīng)的預(yù)測值,βj為因子j的主效應(yīng)(maineffect)(j=1,…,21),βj′;j為因子j’與j間的交互作用(1≤j′<j≤21),噪聲ε是隨機仿真模型產(chǎn)生的隨機誤差項,xj是通過式(2)標準化后的值(j=1,…,21),即[-1,1],標準化意味著因子可以按主效應(yīng)大小排序,即最重要的因子的主效應(yīng)值最大,最不重要的因子效應(yīng)值接近于0.式(2)中zj為xj的原始值,hj和lj對應(yīng)zj的上下限,即表2中因子的高低水平.為了便于表述,本文采用以下符號及定義:wj;r,第1到j(luò)號因子處于高水平,第j+1到21號因子處于低水平的因子組合在第r次仿真重復(fù)(replicates或replications)時獲得的CT觀測值;w-j;r,第1到j(luò)號因子處于低水平,j+1到21號因子處于高水平的因子組合在第r次仿真重復(fù)時獲得的CT觀測值;βj′-j,第j’到j(luò)號因子的主效應(yīng)之和或群組響應(yīng)值,即βj′-j=j∑h=j′βh;根據(jù)式(1)及上述定義可知,第r次仿真重復(fù)的群組效應(yīng)和單個因子效應(yīng)的一個無偏估計量分別為式(3)和(4).進行m次重復(fù)仿真,從而得到群組效應(yīng)的均值ˉ?βj′-j和標準差s(ˉ?βj′-j),見式(5).同理可得出每個估計效應(yīng)的均值ˉ?βj和標準差s(ˉ?βj),見式(6).最后通過t-test檢驗效應(yīng)的顯著性.?βj′-j;r=[wj;r-w-(j);r]-[w(j′-1);r-w-(j′-1);r]4(3)?βj;r=[wj;r-w-(j);r]-[w(j-1);r-w-(j-1);r]4(4)ˉ?βj′-j=m∑r=1?βj′-j;rm,s(ˉ?βj′-j)=√m∑r=1(?βj′-j;r-ˉ?βj)2m(m-1)(5)ˉ?βj=m∑r=1?βj;rm,s(ˉ?βj)=√m∑r=1(?βj;r-ˉ?βj)2m(m-1)(6)由于3PL-MRCD是隨機性仿真系統(tǒng),故對每個因子組合進行m=5次重復(fù)仿真實驗.表3給出了前四個因子組合(場景)的CT觀測值及計算所得的群組效應(yīng)值,即場景一,21個因子都置于低水平,此時CT最小;場景二,21個因子都處于高水平,此時CT最大;場景三,首次分支后1-16號因子處于低水平,17-21號因子置于高水平的因子組合;場景四,首次分支后1-16號因子處于高水平,17-21號因子置于低水平.表中數(shù)據(jù)顯示:場景一時,CT的平均值為ˉw(0)=18.856;場景二時,ˉw(21)=95.092.因此,1-21號因子群組效應(yīng)估計量由式(3)獲得,ˉ?β1-21=38.118,該群組效應(yīng)的標準差s(ˉ?β1-21)=2.550,可見群組效應(yīng)顯著.第2步,將當(dāng)前群組的21個因子分成2個子組,其中,第一個子組放入16(24)個因子,第2個子組放入剩余的5個因子.由表3可見,場景三ˉw(-16)=33.415;場景四ˉw(16)=85.437,得到1-16號因子和17-21號因子兩個子群效應(yīng)估計值及標準差為ˉ?β1-16=32.064?,說明1-16號群組為較重要的子組,關(guān)鍵因子的確定需進一步分支篩選.圖4展示了SB的整個步驟計算結(jié)果,當(dāng)子組主效應(yīng)檢驗不顯著為正時,停止進一步的分支.3PL-MRCD模型SB過程停止在第13步,共進行了23×5=115次仿真運行獲得的4個關(guān)鍵因子,圖4中以填充模塊標識,其中23為實驗點數(shù),5為每一實驗點的重復(fù)次數(shù).最重要的因子的排序為TQC,F>TQM,C>NRDC>VC,F.由SB篩選的結(jié)果可知,干線運輸車輛數(shù)TQC,F是影響CT的最關(guān)鍵物流運作,隨著主機廠產(chǎn)能擴大,干線運輸將首先出現(xiàn)運力不足的問題,這將導(dǎo)致零部件在CDC內(nèi)的過度積壓,延長零部件在暫存區(qū)內(nèi)的等待時間,從而增加在制品庫存,這不利于主機廠JIT生產(chǎn)的實施.因此,3PL應(yīng)首先增加TQC,F,保證干線運輸?shù)倪\能.此外,適當(dāng)增加支線運輸車輛數(shù)、CDC卸載區(qū)庫臺數(shù)和更換性能跟更好的車輛對CT改進也將有較為顯著的幫助.4.2rsm元模型求解SB雖篩選出模型中的關(guān)鍵因子,但企業(yè)盲目地調(diào)整關(guān)鍵因子將可能造成資源的浪費,其最優(yōu)取值需由優(yōu)化算法確定.由于關(guān)鍵因子中VC,F的低水平值已為邊界值,故優(yōu)化中僅分析TQC,F,TQM,C和NRDC剩余三個因子.通過進一步的靈敏度分析發(fā)現(xiàn),關(guān)鍵因子參數(shù)水平{70,40,20}仍未是能最小化CT時的最佳取值,表4中參數(shù)組合{80,70,30}和{100,100,50}的CT平均值明顯優(yōu)于{70,40,20}的結(jié)果,即CΤ5ˉ=23.765<27.789.{80,70,30}和{100,100,50}在隨機仿真模型中5次重復(fù)運行觀測結(jié)果一致是因為為了提高比較的精度,對不同因子組合使用了公共隨機數(shù)(commonrandomnumber,CRN).仿真結(jié)果的重復(fù)說明此時系統(tǒng)中關(guān)鍵因子已有閑置資源,該組合下的績效值(CΤ5ˉ=23.765)為關(guān)鍵因子能使CT達到的最小值,因此關(guān)鍵因子最佳的參數(shù)組合取值界于[{70,40,20},{80,70,30}]之間.對該區(qū)域建立RSM元模型,它是一種通過估計參數(shù)組合,使給定目標函數(shù)達到最小的啟發(fā)式優(yōu)化方法.與其它仿真優(yōu)化方法相比,RSM需要相對較少的仿真重復(fù)和因子組合,并且與昂貴仿真(單次仿真運行需要大量時間)運行所需的時間相比,RSM啟發(fā)式搜索所需的數(shù)學(xué)和統(tǒng)計計算可以忽略.響應(yīng)(CT)和自變量(關(guān)鍵因子)之間的關(guān)系形式是未知的,RSM的第一步就是尋求響應(yīng)yCT和自變量集合{x1,x2,x3}(代表{TQC,F,TQM,C,NRDC})之間真實函數(shù)的一個合適的逼近式.當(dāng)遠離最優(yōu)點時,通常假定在x的一個小區(qū)域范圍內(nèi)是真實模型曲面的合適近似,一般采用全析因設(shè)計或分式析因設(shè)計方法,若CT適合關(guān)鍵因子的線性接近式建模,則近似一階多項式元模型為yCΤ(x)=β0+∑i=13βixi+∑i=13∑i′≠i3βi;i′xixi′+ε(7)式中β0,βi,βi;i′是未知參數(shù),通過仿真實驗的觀測數(shù)據(jù)由最小二乘法估計,ε為模型的隨機誤差項.為確定下一步因子的方向,RSM將式中擬合的梯度用到最速下降法之中到達最優(yōu)點區(qū)域,若最優(yōu)點位置方差分析顯示系統(tǒng)有曲度出現(xiàn),則改用更高階的多項式,一般為中心復(fù)合設(shè)計擬合的二階元模型:yCΤ(x)=β0+∑i=13βixi+∑i=13∑i′≠i3βi;i′xixi′+∑i=13βiixi2+ε(8)最后,RSM對式(8)應(yīng)用規(guī)范分析檢查最優(yōu)區(qū)域的外形并用數(shù)學(xué)規(guī)劃求得極值,見式(9)minE[(yCΤ|xi)](i=1,2,3)s.t.{70≤x1≤8040≤x2≤7020≤x3≤30(9)采用全析因設(shè)計方法擬合三因子一階響應(yīng)面元模型,擬合結(jié)果見式(10).由于模型存在曲度,故將一階模型替換(7)為二階模型(8).對該區(qū)域采用3因子中心復(fù)合設(shè)計,包括23組全析因設(shè)計,6組軸點設(shè)計及1組中心點設(shè)計,其中,非中心點仿真重復(fù)次數(shù)為5,中心點仿真重復(fù)次數(shù)為10,總的實驗次數(shù)為8*5+6*5+10=80,最終擬合的二階響應(yīng)面方程為式(11).決定系數(shù)R2=0.976和調(diào)整的Radj2=0.959說明式(11)能夠極好地代表3PL-MRCD仿真系統(tǒng),由式(9)和(11)求得最優(yōu)的因子組合{80,62,23},此時CΤ^*=23.695.yCΤ^=62.266-0.394x1-0.391x2-0.649x3+(3.446E-003)x1x2+(6.703E-003)x1x3+(2.182E-003)x2x3(10)yCΤ^=119.710-1.476x1-0.864x2-1.002x3+(3.446E-003)x1x2+(6.703E-003)x1x3+(2.182E-003)x2x3+(7.213E-003)x12+(4.171E-003)x22+(7.062E-003)x32(11)5模擬實驗比較5.1關(guān)鍵物流運作對企業(yè)績效的影響圖5展示了產(chǎn)能擴大后,3PL的四種運作方案的比較結(jié)果,它們?yōu)樗姆N因子在不同水平下進行25次獨立仿真實驗后得到的系統(tǒng)績效指標值,每一組合仍使用CRN.“方案1”曲線表示主機廠產(chǎn)能增大后,3PL未做任何物流調(diào)整時CT呈現(xiàn)出的趨勢,由該曲線可看出,CT的期望值較大,波動較為明顯,系統(tǒng)處于極不穩(wěn)定的狀態(tài),說明此時零部件物流績效已嚴重違背了主機廠JIT的生產(chǎn)要求,3PL物流運作急需改進.“方案2”曲線表示僅調(diào)整關(guān)鍵因子的績效值,由該圖可知CT有明顯的改善,其期望值大幅度縮減,波動也較小,系統(tǒng)狀態(tài)相對穩(wěn)定.這說明找出影響系統(tǒng)績效的關(guān)鍵物流運作是3PL解決產(chǎn)能擴大問題的關(guān)鍵.“方案3”時,系統(tǒng)績效仍有一定的改進幅度,CT期望值與標準差進一步向3PL期望的方向變化,此時為關(guān)鍵因子所能發(fā)揮的最大效用.“方案1”與“方案3”曲線間的差值為關(guān)鍵因子的績效改進的最大貢獻值,本模型中該值達到了93.4%.由此可見,3PL只優(yōu)化少數(shù)關(guān)鍵的物流運作,便可使績效恢復(fù)到較為理想的水平,這將大大減少3PL的工作量.“方案4”曲線表示改進所有物流運作得到的績效,該組績效值為四種組合下的最優(yōu)值,但3PL所需改進的運作內(nèi)容也最多,耗費的成本與資源也最大,“方案3”與“方案4”曲線間的差值為非關(guān)鍵因子的績效改進貢獻值.本模型中,非關(guān)鍵因子貢獻值約為6.5%.由上述分析可知,在主機廠產(chǎn)能擴大的過程中,3PL首先應(yīng)重點改進關(guān)鍵的物流運作,使其效用最大化.企業(yè)盲目地調(diào)整物流運作可能會增加成本的投入,造成資源的浪費,如本文中增加裝載區(qū)庫臺數(shù)對績效改進貢獻不大.若關(guān)鍵運作最優(yōu)水平的績效仍無法滿足主機廠的JIT生產(chǎn)要求,則再按圖4中因子重要性逐步改進其它的物流運作,使系統(tǒng)逐步達到最佳績效.以上計算分析結(jié)果充分顯示,提出的數(shù)學(xué)模型和方法是可靠且實用的,具有較高的操作性和可行性.5.2sb-rsm最優(yōu)績效為了比較所提SB-RSM方法與傳統(tǒng)RSM(以下表示成RSMC)兩種優(yōu)化方法的實驗效率與統(tǒng)計效力,本文基于1.2節(jié)中Yaluf8f5?倞Inkaya和MiracBayhan等文獻的方法,采用分辨率為Ⅴ的最小化中心復(fù)合設(shè)計對21個因子直接擬合響應(yīng)面,該設(shè)計雖精簡了大量的實驗點,但21個因子仍需506個實驗點來擬合式(8).由于實驗點過多,每一實驗點僅進行m=1次仿真重復(fù).顯然,RSMC的最優(yōu)解的績效為圖6中的“方案4”曲線(CΤˉ=18.881