多级库存优化控制策略

多级库存优化控制策略

内容摘要：在供应链管理发展的今天，传统库存管理模式的弊端日益突现。本文针对供应链管理中的多级库存优化控制策略进行研究，探讨一种采用遗传算法来进行库存管理的优化的方式。

关键词：供应链管理多级库存遗传算法

随着经济全球化的迅猛发展，21世纪的市场竞争，不再是企业之间的竞争，而是供应链之间的竞争。供应链管理的发展程度已成为衡量国家现代化程度和经济发展水平的重要标志。

供应链管理下的库存优化

（一）库存理论的研究

在20世纪初，哈里斯（Harris）发展了著名的威尔逊公式（Wilson Equation）,这是库存论发展的起点。20世纪60年代，美国出现了MRP（物料需求计划），一种新的库存管理方法，也是企业编制生产计划和进行作业控制的新方法。20世纪70年代末，闭环MRP发展为MRPⅡ,实现了管理职能的集成。20世纪90年代后，在补充的MRPⅡ的基础上，出现了企业资源计划。20世纪50年代初，日本丰田公司探索并采用一种能更灵活适应市场变化的作业计划和控制方法。经过20多年探索，形成了通过看板管理实现准时化生产的丰田生产方式（TPS）。美国在总结TPS的基础上提出了精益生产方式（TP），其实质是消除生产经营活动中各个环节的浪费。20世纪80年代中期，美国又提出了敏捷制造（Agile Manufacturing）的概念，其目的是使制造业能对市场变化做出快速、准确地反应，高质量、低成本的提供产品服务。

（二）多级库存的理论研究

最早开始多级库存研究的学者是Clark和Scarf(1960)，他们提出了“级库存”的概念:供应链的级库存=某一库存节点现有的库存+转移到或正在转移给后续节点的库存。这样检查库存状态时不仅要检查本库存节点的库存数据，而且要检查其下游需求方的库存数据。后面的学者在此基础上做了很多深入研究。多级库存系统与单级库存系统既有联系又有区别，单级库存系统是构成多级库存系统的基础，许多对单级库存系统的分析方法也可用于多级系统，然而多级系统还具有单级系统不具备的问题。

当多级系统中各成员只根据来自其相邻下级的信息进行决策时，供应链将产生需求波动放大现象，也就是牛鞭效应。Lee等人(1997)发现不仅是在各成员非理性行为下会产生这种现象，即使他们的决策行为是理性的情况下也可能产生这种现象。他们从四个方面分析各成员决策行为是理性的情况下产生牛鞭效应的原因:需要信息分析、订货批量、价格波动和限额配给。为了消除或抑制这种现象，他们提出采取信息共享、缩短提前期、协调订货和简化促销行为等方法。

Baganha等(1998)从实际数据中发现，在多级库存系统中，各环节订货量的方差总是大于面临的需求的方差，但由于中间商的存在，生产商销售量的方差有可能小于中间商甚至零售商销售量的方差。为此，他们提出了一个三级模型。在模型最底层，N个销售商面对的是独立同分布的随机需求过程，每周期期初检查库存，根据相应的库存控制策略进行订货，并假定固定提前期，缺货等待。所有销售商都由一个配送中心供货，配送中心每周期期初检查库存，根据自己的库存控制策略向厂商发出订单。由于销售商之间没有联系，因此可以将N 个销售商的问题分解，得出每个销售商的最优库存策略是(S, S)策略，且订货量的方差大于需求的方差。假设每个销售商的订货过程都由一个自回归模型决定，在配送中心就是一个ARMA（自回归移动平均）过程，求出短期控制策略下配送中心的订货量，并得出这种策略为最优时的充分条件。当这种策略为最优时，若配送中心需求过程的自回归参数满足某些条件，配送中心就能起到稳定方差的作用，即此时配送中心发出的订货量的方差要小于面临的需求方差。当然配送中心是否能起到稳定方差的作用，关键在于它采用什么样的库存控制策略。

利用遗传算法优化多级库存

近年来，一种被称为遗传算法(Genetic Algorithm, GA)的优化技术有了很大发展，并在许多重要领域获得成功应用。为了使现代物流系统中各项活动更加合理化和系统化，本文将遗传算法应用到库存控制优化的研究中。

遗传算法是一种在空间中寻优的方法，它不一定能寻得最优(Optimal)点，但是它可以找到更优(Superior)点，这种思路与人类行为中成功的标淮是很相似的。例如不必要求一支军队是最优的，要战胜对手只需它比对手更强即可。因此GA 可能会暂时停留在某些非最优点上，直到变异发生使它跃居到另一个更优点上。GA寻优过程的一个重要特点是它始终保持整个种群的进化，这样即使某个体在某时刻丧失了有用的符征，这种特征也会被其他个体所保留并延续发展下去。由于GA仅需知道目标函数的信息，而不需要其连续可微等要求，因而具有广泛的适应性，同时它又是一种采用启发性知识的智能搜索算法，所以往往能在搜索空间高度复杂的问题上取得比以往算法(如梯度法)更好的效果。库存空中包括很多方面，需要对其进行系统化，保证整体最优的前提下，对各子系统进行优化，以最低的成本取得既定目标，或以既定成本取得最优结果，由于遗传算法在优化方

面具有强大的功能，因此引入遗传算法可以取得较为理想的结果。