1. 基于情景分析的智能計算機物流配送中心模型構(gòu)建方法

1.1 基于情景分析構(gòu)建物流配送中心選址模型

情景分析法運用在智能計算機物流配送中心的構(gòu)建模型的主要思路如下：在發(fā)生物流配送突發(fā)事件前，可以對該區(qū)域內(nèi)過去的所有突發(fā)事件的情況進行全面的分析，對未來發(fā)生的可能情況進行預測，預測出未來所需要的物資的種類、數(shù)量，并進行必要的儲備。在物流配送事件發(fā)生異常的時候，根據(jù)監(jiān)測結(jié)果，并與以往的經(jīng)驗相結(jié)合，對其進行判斷，以過去的突發(fā)事件的物資需求為基礎(chǔ)，對各類物資需求量的范圍進行估算。在對該地區(qū)物資儲備狀況有一個全面了解的前提下，對其進行統(tǒng)一調(diào)度，努力在最短的時間里，對其進行快速出庫、緊急生產(chǎn)和社會動員，避免出現(xiàn)物資延遲和短缺。物流配送中心選址使用情景分析法模型，假設(shè)如下：（1）物流需求通常集中于某幾個點，每個點都是分布在某一地區(qū)的大量客戶的需求。（2）單一物流中心園區(qū)的選址問題，未考慮到因選址而導致的固定資產(chǎn)建設(shè)、人力成本和存貨成本等方面的差別。（3）運價線性假定：在實際情況中，大部分的運價費用與運價的距離并非完全線性相關(guān)。（4）假定直線運行：假定運輸路線在兩個點間是一條直線。（5）靜態(tài)地址選擇假定：即在選擇時，對將來的收益和費用的變動不作任何考慮。單個物流配送中心的選址目標函數(shù)的表達公式如下：

公式中：qi表示需要i的物資需求數(shù)量，k代表從物流配送中心至i的單位運距的運輸費用，di表示從物流配送中心到的距離。因為每個需求點的坐標為（xi,yi），配送中心的坐標系為（x0,y0），可以求得：

將兩個公式對總成本函數(shù)進行了偏微分，并對其進行了解算，得到了含有x0以及y0的結(jié)果。然后經(jīng)過多次的迭代，得到了最佳的結(jié)果。傳統(tǒng)的物流配送中心位置與分配模型的構(gòu)造思路比較簡單，可以滿足一般單個物流配送中心選址問題的需要。然而，該模型僅對單一來源的供給進行了分析，并不能很好地滿足建設(shè)多個配送中心的需求。下圖1為大型工程需要的多個物流中心的配送網(wǎng)絡(luò)圖。

由于構(gòu)建的物流配送中心的地址的選擇以及運輸過程的模型是以整個輸送過程中產(chǎn)生的相關(guān)最低成本為目標，固定的成本金額與發(fā)生變化的成本金額總和達到最低標準，因此此時模型的目標函數(shù)的表達公式如下：minf=o+s+d (3)

因此，運輸過程的成本金額由配送中心至需求點之間的運輸成本構(gòu)成，其計算公式如下：

公式中：cki代表物品的供應地點k至物流配送中心的備選地址的運輸金額，cij代表物流配送中心i至物品的需求地點j的運輸金額，bki為物品供應地k至i的所承載的貨物重量，bij為物流配送中心i至j物品需求地點的所承載的貨物重量。

由上述公式可以得到，運輸金額的計算公式如下：

公式中：vij代表節(jié)點i,j兩點之間的物品單位距離的運輸費用，αij為i,j兩點中的距離修正系數(shù)，rij代表i、j兩點之間的距離長度。在企業(yè)經(jīng)營中，最根本的目標是獲取收益，而收益的具體表現(xiàn)就是通常所說的利潤，要通過利潤的多少來衡量企業(yè)效益的好壞。同時，成本會對企業(yè)的收益產(chǎn)生最直接的影響。所以本文中，以物流配送中心選址為基礎(chǔ)計算出最小成本的配送路線為最終目標，這與利潤有直接的聯(lián)系。根據(jù)有關(guān)數(shù)據(jù)，計算出最小的成本或最大的利潤，并以此作為優(yōu)化的目的。

1.2 規(guī)劃物流配送路徑

規(guī)劃物流配送的路徑對于構(gòu)建智能物流配送中心模型至關(guān)重要，關(guān)于物流配送路徑選擇的研究，在進行的過程中，要分析配送路徑所涉及的因素，以及選擇的目標，要在該研究領(lǐng)域中找到一定的規(guī)律才能最終確定。當物流配送的成本與其距離緊密相關(guān)，而其他因素又不重要時，對最短配送距離的研究實際上就是對最低成本的研究，所以可以考慮以計算最短配送距離的研究目標，這樣就能清楚地反映出最短路徑的選擇問題。物流配送中心車輛的路徑問題設(shè)定為：每個門店由一輛車進行配送，由此所有運輸任務(wù)，由m輛車完成任務(wù)，其計算公式如下：

為使分配路線符合目標函數(shù)的要求，就必須看運輸工具是否符合需求。在制定配送方案時，要保證每個門店都能被配送貨物，所以需要對配送車輛的數(shù)量進行一定的限制，運輸里程數(shù)的表達公式如下：

公式中：[]表示≤括號內(nèi)的所有數(shù)的最大整數(shù)。

在此基礎(chǔ)上，得出了使用車輛所需要的運輸里程，并給出了物流過程中各個節(jié)點間的最短路程和最大載重等相關(guān)數(shù)據(jù)。按上述方法繪制節(jié)電里程圖，將節(jié)省里程表中計算出的兩家店間節(jié)省公里數(shù)，按遞減順序規(guī)劃路線?？蓪λ?jié)省里程數(shù)對應的配送路徑進行最優(yōu)檢測，而對節(jié)省里程數(shù)較少的路徑則可忽略，最終規(guī)劃出最佳物流配送路徑。

2. 實驗測試與分析

為證明本文提出的基于情景分析的智能計算機物流配送中心模型構(gòu)建方法的有效性，現(xiàn)進行實驗測試。通過對比本文方法與非智能物流中心模型構(gòu)造方法1、傳統(tǒng)人工計算物流配送方法2的物流配送效果。為驗證本文方法的正確性，本章將本文方法運用實驗測試中，并對其能否滿足規(guī)定的配送標準進行檢驗。在實驗測試之前，需要一些準備工作，保證本次實驗的準確性。

2.1 實驗準備

使用本文方法構(gòu)造出的智能計算機物流配送中心模型進行配送中心的選址，選定好位置之后，將該位置其他兩種方法選定的位置進行三次相同過程的實驗測試，測定出三種方法得出的物資配送總量進行對比。測試前，首先使用Matlab軟件對本文方法與方法1構(gòu)造出的模型進行仿真求解的過程，其實就是將所構(gòu)建的數(shù)學模型中的數(shù)學語言轉(zhuǎn)換成軟件的程序語言，輸入到軟件中，由軟件將程序語言轉(zhuǎn)換成機器語言，再利用計算機來進行計算和求解，最后得到求解的結(jié)果。程序在大約3小時10分鐘后，得到了最優(yōu)的結(jié)果，并產(chǎn)生了4451行的報告，在求解后，不僅會輸出未知變量的數(shù)值，還會輸出已知量和模型中的過渡變量的數(shù)值。其中，輸出的數(shù)值如下表1所示。

相應于上述表格中所列的意義數(shù)據(jù)，最佳目標函數(shù)值為5455.15萬元，選定m=5，表明一共有5個可供選擇的地址被確定為物流分配中心點。

2.2 實驗結(jié)果與分析

將上述數(shù)據(jù)輸入到Matlab軟件中，三種方法得出的物資配送總量的實驗結(jié)果如下表2所示。

由上表數(shù)據(jù)可以清楚地看出，本文方法所選擇的配送物流中心地址所得出的配送量要遠遠大于其他兩種方法所得出的配送量。本文方法超出方法1的最小配送量為20300噸，超出方法2的最小配送費為20044噸，由此可以看出本文選擇的基于情景分析構(gòu)建物流配送中心選址模型方法能夠有效地提高配送的效率，為現(xiàn)代物流相關(guān)企業(yè)提供有效的幫助。

3. 結(jié)束語

本文在建模過程中，一般假定運費為距離和交通量的線性函數(shù)，但實際情況卻是與距離和交通量的分片函數(shù)，因此必須將分片函數(shù)的分析方法引入到模型中。另外，物流中心的固定費用與其生產(chǎn)能力之間也有一定的關(guān)系，并非一成不變的。該模型較為抽象，僅考慮了選址費用、固定費用和變動費用。但是，在實際的物流配送中心選址過程中，要考慮到許多現(xiàn)實的因素，如資金約束，交通約束，周圍的人力資源約束等。