黃成忱 許茂增 崔利剛 劉孝林

(重慶交通大學(xué) 經(jīng)濟管理學(xué)院,重慶 400074)

0 引言

從平臺型垂直電商到平臺型綜合電商,B2C電商平臺(以下簡稱平臺)推動著行業(yè)的發(fā)展與變革,同時也深刻地影響著網(wǎng)絡(luò)零售商的運作活動[1-2]。天貓作為國內(nèi)最大的B2C電商平臺,2019年公布的最新DSR考核體系中,服務(wù)水平考核指標的權(quán)重增加;拼多多作為全球最大C2M拼團購電商平臺,率先提出“5分鐘回復(fù)率”服務(wù)指標;全球第一家B2C電商平臺eBay,2019年也進一步更新了海外倉服務(wù)管理政策,規(guī)范了發(fā)貨時效。隨著行業(yè)生態(tài)鏈的完善,行業(yè)競爭加劇,為提高服務(wù)水平,降低平臺運作效率損失,多商品聯(lián)合采購及運營的策略被廣泛應(yīng)用于B2C電商行業(yè)。多品聯(lián)合采購及線上運營的集成優(yōu)化(Joint Replenishment Problem on E-Commerce with Operational Efficiency Loss,EJRP),是基于聯(lián)合補貨問題(Joint Replenishment Problem,JRP)的拓展研究,其將隨機需求下的聯(lián)合補貨策略(Joint Replenishment Problem with Uncertain Demands,UJRP)應(yīng)用于B2C網(wǎng)絡(luò)零售行業(yè),旨在通過分組協(xié)調(diào)不同商品的采購頻次,更好地實現(xiàn)網(wǎng)絡(luò)零售商的“采-存-銷”協(xié)調(diào)運作,從而有效降低系統(tǒng)運作總成本。

而聯(lián)合補貨問題(JRP)始于對傳統(tǒng)制造業(yè)庫存協(xié)調(diào)優(yōu)化的研究[3]。隨著全球化生產(chǎn)的推進,競爭不再僅僅發(fā)生于孤立的實體之間,而往往發(fā)生于相互關(guān)聯(lián)的企業(yè)或集團,甚至整個供應(yīng)鏈之間[4]。更多的學(xué)者也將JRP拓展應(yīng)用于供應(yīng)鏈的協(xié)調(diào)運作領(lǐng)域,以庫存控制為核心,著眼于供應(yīng)鏈整體生產(chǎn)運作協(xié)調(diào)優(yōu)化[5-6]。文獻[7-8]研究了三級供應(yīng)鏈下的聯(lián)合采購策略,可見JRP通過結(jié)合更多具有現(xiàn)實意義的假設(shè)及集成供應(yīng)鏈上下游相關(guān)操作,逐漸向供應(yīng)鏈縱向集成優(yōu)化方向拓展[9-10]。但相關(guān)研究仍聚焦于傳統(tǒng)制造行業(yè),近年,全球經(jīng)濟格局深度調(diào)整,推動著各個國家產(chǎn)業(yè)結(jié)構(gòu)的優(yōu)化升級,不少學(xué)者也開始關(guān)注JRP在更多行業(yè)領(lǐng)域的應(yīng)用[11]。崔利剛等[12]針對一個配送中心-多個零售商的供應(yīng)鏈結(jié)構(gòu),提出了結(jié)合多產(chǎn)品采購與配送的集成優(yōu)化模型,其在快銷行業(yè)具有較強的現(xiàn)實指導(dǎo)意義;而在農(nóng)副、醫(yī)藥銷售行業(yè),產(chǎn)品的質(zhì)量和數(shù)量易隨采銷進程的推進而變化,Qin等[13]針對新鮮農(nóng)副產(chǎn)品,研究產(chǎn)品質(zhì)量和數(shù)量隨著時間同時下降情況下的多品聯(lián)合定價與庫存控制問題。然而,目前基于B2C電商領(lǐng)域的JRP研究較少,已有的相關(guān)研究中多假設(shè)第三方平臺為免費服務(wù)提供方,忽略了平臺對網(wǎng)絡(luò)零售商實際運作的重要影響[14];部分研究從價格策略出發(fā),基于收益共享契約,關(guān)注了平臺對網(wǎng)絡(luò)零售價格制定的影響[15],與之不同,EJRP則從操作層面出發(fā),主要關(guān)注了平臺運作效率對供應(yīng)鏈整體運作成本的影響。

此類問題研究的另外一個瓶頸在于高效求解算法的設(shè)計[16]。JRP已被證明是一個 NP難題(Non-deterministic Polynomial Hard,NP-hard)[17],在模型求解上,主要通過啟發(fā)式和元啟發(fā)式算法[17-20],例如,RAND方法[21]、Power[22]和遺傳算法(Genetic Algorithm,GA)[23-24]。啟發(fā)式算法對于一些需要求解精確解的問題,在尋優(yōu)速度和解的精確性上均有優(yōu)勢[25],但對于 JRP,一些元啟發(fā)式算法則顯得更具優(yōu)勢[26]。王林等人將差分進化算法(Differential Evolution Algorithm,DE)用于求解模糊結(jié)構(gòu)的JRP模型[23]。該算法在JRP模型求解上表現(xiàn)出較好的魯棒性和求解效率。但隨著問題規(guī)模的增加,DE算法求解的精確性和魯棒性隨之減弱,更多的研究者嘗試將智能算法引入求解[26]。BA算法(Bat Algorithm,BA)作為一種基于群體智能的算法,其受到蝙蝠回聲定位行為的啟發(fā),把優(yōu)化和搜索過程模擬成種群蝙蝠個體移動和搜尋獵物的過程[27],該算法最初主要用于解決(工程領(lǐng)域的)結(jié)構(gòu)設(shè)計與優(yōu)化問題。由于其具有實現(xiàn)簡單、參數(shù)少等特點,該算法逐漸被應(yīng)用于求解其他的領(lǐng)域的NP難題,如生產(chǎn)調(diào)度問題、優(yōu)化選址問題、模式識別問題等[27],但在此類問題的求解上,BA表現(xiàn)出的魯棒性并不理想。因此,本文提出一種兩階段的混合蝙蝠差分算法(BADE),這與一些混合算法不同[26],沒有破壞算法固有的進化過程,將兩個算法聯(lián)合分別針對不同的決策變量類型進行粗搜索和細搜索,產(chǎn)生聯(lián)合效應(yīng),一定程度上綜合了兩種算法的優(yōu)勢。

綜合以上,本文主要研究工作與貢獻為:(1)結(jié)合B2C運作實踐,提出一個考慮平臺運作效率損失的多品采購運作集成優(yōu)化模型(EJRP),將“采-存-銷”三個供應(yīng)鏈的核心環(huán)節(jié)進行集成優(yōu)化,從而有效降低系統(tǒng)總體運作成本;同時通過模型參數(shù)靈敏度分析,進一步獲得更多有益的管理啟示。(2)提出一種混合蝙蝠差分算法(BADE),通過與GA算法、BA算法、DE算法求解結(jié)果的對比分析,在兼顧求解性能的同時力求獲得更具多樣性的解方案;并考慮實際決策情景,在不同問題規(guī)模下進行了算法性能實驗,拓展了算法的實用性。

1 問題描述及模型構(gòu)建

基于經(jīng)典的JRP研究,在B2C運營模式下,本文考慮了網(wǎng)絡(luò)零售商通過第三方平臺銷售其產(chǎn)品的情景,其中,允許產(chǎn)品缺貨,同時產(chǎn)品退貨、平臺懲罰會造成運營效率的損失,決策者綜合其采購、庫存、缺貨、效率損失的情況進行決策。以上假設(shè)詳細說明如下:①通過第三方網(wǎng)絡(luò)銷售平臺出售產(chǎn)品,且愿意遵循平臺運營規(guī)則;②顧客需求是隨機的,并服從正態(tài)分布;③允許隨機需求擾動而導(dǎo)致缺貨的現(xiàn)象;④允許退貨、平臺懲罰帶來的運營效率損失。模型參變量符號說明,詳見表1。

表1 模型參變量說明Table 1 Notations description

1.1 多品聯(lián)合采購模型(JRP)

經(jīng)典的JRP模型主要研究的是確定需求下的多產(chǎn)品采購決策方案。需求假設(shè)相對簡單,假設(shè)商品i年固定需求率為Di,各商品基礎(chǔ)補貨周期為T及商品i的聯(lián)合補貨頻率為ki。單位時間內(nèi)的單位庫存成本為hi,則商品采購周期內(nèi)對應(yīng)的庫存持有成本可表示為式(1):

相應(yīng)的訂購成本可表示為式(2),包含主要訂購成本與次要訂貨成本,其中主要訂貨成本是指每次訂貨產(chǎn)生的固定成本,此項成本與聯(lián)合訂貨的分組情況無關(guān)。而次要訂貨成本則考慮的是每次訂貨過程中的變動成本:

則經(jīng)典JRP模型總成本為訂購成本Co與庫存成本Ch之

和,如式(3)所示:

1.2 隨機需求的多品采購模型(UJRP)

在移動互聯(lián)網(wǎng)技術(shù)的助推之下,如今的B2C運營環(huán)境更加復(fù)雜多變,顧客需求呈現(xiàn)出碎片化、隨機化的態(tài)勢。UJRP基于經(jīng)典的JRP模型引入隨機需求的假設(shè)。由于需求的不確定性,UJRP增加考慮了缺貨成本Cs。這里假設(shè)產(chǎn)品需求獨立同分布,且服從高斯分布,則觀測周期內(nèi)的最大庫存水平Ri可表示為Ri=Di(kiT+Li)+ziδi(kiT+Li)。 其對應(yīng)的庫存持有成本可表示如下式(4):

基于以上假設(shè),缺貨成本可表示如式(5),其中E(xi-Ri)+為超出最大庫存水平部分的產(chǎn)品需求期望,f(zi)、F(zi)分別表示其對應(yīng) 的概率密度函數(shù)(PDF)、累積分布函數(shù)(CDF)。

則考慮隨機需求的UJRP模型總成本包含訂購成本、庫存持有成本、缺貨成本,可用式TC=Co+Ch+Cs表示。

1.3 多品采銷協(xié)同優(yōu)化模型(EJRP)

EJRP模型在UJRP模型基礎(chǔ)上,考慮了第三方平臺對于網(wǎng)絡(luò)零售商運營的影響,將采購成本Co、庫存成本Ch、缺貨成本Cs及平臺運作效率損失Cl集成優(yōu)化。其中采購成本如下式(2),由固定采購成本和變動采購成本組成。結(jié)合實際運營,模型考慮了商品退貨,退貨率為ri,此時,商品i的庫存水平可表示如下式(6):

其最大庫存水平及對應(yīng)庫存持有成本分別可表示為式(7)、式(8),同時考慮了安全庫存因子zi對其的影響:

此外,運營損失成本主要考慮的是延時服務(wù)造成的平臺懲罰成本及退貨造成物流損失成本。由式(9)表示,其中E(xi,kiT+Li)γi、E(xi,kiT+Li)ri分別表示延時發(fā)貨產(chǎn)品期望及退貨產(chǎn)品期望。

則EJRP模型總成本為采購成本、庫存持有成本、缺貨成本及(平臺)運作效率損失成本之和,如式(10)所示:

2 模型求解與算法設(shè)計

BA算法作為一種基于群體智能的算法,其受到蝙蝠回聲定位行為的啟發(fā),把優(yōu)化和搜索過程模擬成種群蝙蝠個體移動和搜尋獵物的過程[12]。DE算法是一種基于群體差異的啟發(fā)式隨機搜索算法,其在求解此類問題上具有良好的魯棒性,故被廣泛應(yīng)用于此類問題的求解。而BADE算法則綜合了BA的全局尋優(yōu)能力和DE的魯棒性的優(yōu)勢,形成一個兩階段的混合算法。第一階段,利用BA進行粗搜,生成當(dāng)前最優(yōu)蝙蝠位置及其相應(yīng)的適應(yīng)度值,然后輸出作為DE的初始輸入。在第二階段,DE起主導(dǎo)作用,針對離散型變量進行優(yōu)化。因此,BADE基本保留了BA和DE兩種算法的優(yōu)越搜索機制,具有較好的求解性能,且在不同問題規(guī)模求解實驗中,表現(xiàn)出較BA、DE算法更優(yōu)的準確性和魯棒性。對于EJRP模型,我們以最小總成本為目標函數(shù)值,求解時以此目標函數(shù)值為適應(yīng)度函數(shù)值。詳細求解流程如圖1所示,其中主要包括以下五個核心求解步驟:

圖1 BADE兩階段求解流程圖Figure 1 The two stage solution flow chart of BADE

步驟1初始化

本文主要采用均勻分布的方式進行種群的初始化。初始化完成后即進入BADE求解的第一階段,這一階段主要目的是利用BA求解的原理進行粗搜。

步驟2蝙蝠粗搜

將步驟一中獲得的初始染色體向量作為當(dāng)前蝙蝠的初始位置向量,根據(jù)式(11)-式(13)的策略進行全局尋優(yōu)。等式(11)-(13)分別表示第i個蝙蝠的頻率、速度及位置。速度和位置在每次迭代后會更新,而頻率是影響更新步長的一個因素。假設(shè),β是一個隨機值,且有β∈[0,1],式(12)中x*表示當(dāng)前時刻的全局最優(yōu)值。

在前最優(yōu)位置向量x*附近再進行一次局部搜索,利用式(14)針對連續(xù)型變量進行優(yōu)化,同時利用式(15)、式(16)獲取蝙蝠位置變化后的響度和脈沖率。當(dāng)蝙蝠接近獵物時,響度的值減小,脈沖發(fā)射率增加,其中α和η是常數(shù)。簡單起見,α和η可以被認為是相等的[27]。 粗搜完成后即進入BADE算法的第二階段,這一階段主要目的是針對離散型變量進行進一步搜索優(yōu)化。

步驟3差分變異

將步驟二獲取的蝙蝠位置向量集作為DE種群進行變異操作,具體變異策略如式(17),其中pbesti,j(t)為當(dāng)前最優(yōu)的染色體,F為預(yù)設(shè)的變異算子,vij(t+1)為突變后的染色體。式(17)的變異策略可以保證基因突變的方向更貼近當(dāng)前最優(yōu)染色體,提升了算法尋優(yōu)效率。

步驟4交叉重組

在交叉重組這一步驟中,對每一個維度,參照式(18)構(gòu)造新染色體,其中Cr為交叉概率值。

步驟5比較選擇

根據(jù)貪婪選擇規(guī)則進行選擇操作,如式(19),計算每個染色體的適應(yīng)度值fitness(Xi(t)),如果后代染色體的適應(yīng)度值小于父代,即有fitness(Xi(t+1))＜fitness(Xi(t)),則父代染色體被子代染色體更新替換;同時輸出當(dāng)前最優(yōu)的適應(yīng)度值pbest(局部最優(yōu)值),如果當(dāng)前pbest小于歷史最優(yōu)的染色體的適應(yīng)度值gbest(全局最優(yōu)值),即有pbest＜gbest,則更新歷史最優(yōu)的適應(yīng)度值。

3 算例及敏感性分析

在這一部分,本文以一個包含6產(chǎn)品項的案例,分別針對JRP、UJRP、EJRP模型求解,考慮到GA算法也是求解此類問題較為常用的方法之一[8,17,28],故同時選取 GA、DE、BA三種算法與BADE算法進行對比分析。首先,從最優(yōu)成本值、(最優(yōu)成本出現(xiàn)的)頻次、成本方差值、平均成本值等指標進行了計算結(jié)果的對比分析。此外,通過解方案中產(chǎn)品采購頻次ki值的對比,考查了解方案的多樣性。其次,通過模型參數(shù)靈敏度分析,討論了輸入?yún)?shù)擾動對最優(yōu)成本的影響。最后,結(jié)合實際應(yīng)用場景,在不同問題規(guī)模下進行了算法性能的進一步驗證。以上算法均在Matlab?R2017a中編碼,實驗在一臺裝Windows?7旗艦版操作系統(tǒng)的個人計算機上運行(計算機CUP參數(shù)如:Intel(R)Core(TM)i7-4600U CPU;2.1 GHz、8 GB RAM)。

3.1 算例分析

針對6產(chǎn)品項的JRP模型,參考前人研究[8,17,24]與真實案例數(shù)據(jù)設(shè)置了實驗初始數(shù)據(jù),詳見表2?；诔跏紖?shù)數(shù)據(jù)的初步試算,我們可以進一步確定決策變量ki和zi的搜索空間。其中,ki代表商品i基于采購周期的聯(lián)合補貨頻率,文獻[17]將ki設(shè)置為[1,5],結(jié)合網(wǎng)絡(luò)零售行業(yè)的交易特征,聯(lián)合補貨過程涉及更加豐富的產(chǎn)品品類[18],補貨頻率ki的取值范圍也應(yīng)更廣,故這里將ki的搜索空間設(shè)置為[1,8]?？紤]到T的觀測時間超過一年,因此其搜索空間預(yù)設(shè)為(0,1);同時結(jié)合王林等人的研究[24],將安全庫存系數(shù)zi的搜索空間設(shè)置為(0,3]。

表2 問題參數(shù)數(shù)據(jù)表Table 2 The problem parameters for experiments

針對 JRP、UJRP、EJRP 模型,同樣運用 GA、BA、DE 作為比較算法求解三個模型,重復(fù)運行50次,四種算法的計算結(jié)果展示如表3,其中頻次代表最優(yōu)成本值在50次運行結(jié)果中出現(xiàn)的頻次。當(dāng)目標函數(shù)值與最優(yōu)成本值之間的差值小于0.001,即|TCi-min(TC)≤0.001|時,則假定其值與最優(yōu)成本值相等,頻次增加計數(shù)1次。表3中結(jié)果表明,在求解JRP模型中,四種算法相較而言,DE、BADE兩種算法魯棒性都比較好,但DE算法方差最小,最優(yōu)值出現(xiàn)頻次最高,表現(xiàn)突出。而在求解UJRP、EJRP模型時,GA、BA兩種算法魯棒性(較求解JRP模型而言)明顯減弱,但DE、BADE兩種算法仍然表現(xiàn)出較好的穩(wěn)定性。值得注意的是,在求解EJRP模型時,BADE算法求解方差最小,最優(yōu)頻次最高,魯棒性優(yōu)勢明顯。從最優(yōu)值搜索情況而言,GA算法在三個模型求解時,均出現(xiàn)早熟的情況,搜索性能最差;而BA算法只有求解JRP模型,求解出的最優(yōu)值與DE、BADE算法相近,在后兩種模型中均出現(xiàn)早熟;針對EJRP,BADE算法求解最優(yōu)值情況最佳。綜合可見,BADE算法對于EJRP模型具有較好的求解潛力。

表3 求解結(jié)果對比Table 3 The com parison of com putational results for JRPs

對于管理者而言,在不確定性較高的B2C環(huán)境下,算法求解出的可行方案的多樣性,在管理實踐中也尤為重要。以上主要從最優(yōu)成本(目標函數(shù)值)求解情況來評價幾種算法的魯棒性與尋優(yōu)化能力,接下來我們通過考察可行方案中產(chǎn)品補貨頻次(即決策變量ki)的多樣性,進一步對比分析算法求解的多樣性。基于前文算法魯棒性與尋優(yōu)能力上的評價結(jié)果,這里重點選取BADE與DE兩種算法進行對比分析。以6產(chǎn)品項情景為例,隨機選取求解過程中,最優(yōu)成本函數(shù)值在誤差范圍內(nèi)的50組可行方案,圖2(a)(b)(c)分別是表示JRP、UJRP、EJRP三種模型解方案多樣性的對比結(jié)果,即對應(yīng)可行方案中ki(產(chǎn)品補貨頻次)可取值的散點圖。ki可取值越多,圖中點位波動越頻繁,一定程度反應(yīng)了解方案的多樣性。

圖2 解方案多樣性對比Figure 2 The diversity com parison of solutions

圖2(a)中左、右兩邊分別為BADE算法、DE算法ki值波動情況,左右對比可見,BADE所得方案中(以下統(tǒng)稱“前者”)k3、k4、k5、k6均具波動性,而 DE 算法所得方案中(以下統(tǒng)稱“后者”),僅有k3、k5、k6具有一定波動性。其中后者k3、k5、k6的波動頻次也明顯少于前者。同理可見,圖2(b)中,后者僅有k6具有波動性,前者則是k3、k4、k5、k6均具波動性,且k6的波動(可取值)范圍更廣。而由圖2(c)可見,兩者求解該模型得出的可行方案中,ki的波動情況會較前兩種模型更少,但仍然有前者ki的總體波動頻次更多。 綜合可見,前者即BADE算法求解三種模型而言,多樣性較DE更佳。

為進一步呈現(xiàn)算法優(yōu)化迭代過程,本文隨機選擇了EJRP上的4種算法的搜索過程,如圖3所示,最大迭代100代,每種算法重復(fù)運行50次。迭代過程中,BADE算法在28代時開始收斂,而DE算法、BA算法分別從第50代和第85代開始收斂;而GA算法雖從第76代開始收斂,但出現(xiàn)了早熟現(xiàn)象。另外,從算法準確性來看,BADE和DE算法所求的總成本函數(shù)值較為接近,從圖3的中的局部放大圖,可見,BADE算法所求最優(yōu)成本值小于DE算法,且在四種算法中最優(yōu)。

圖3 算法優(yōu)化過程對比Figure 3 The com parison of optim ization process for GA、BA、DE and BADE

3.2 敏感性分析

在充分證明BADE算法性能的基礎(chǔ)上,我們進一步展開模型問題參數(shù)的靈敏度分析,考察看模型輸入?yún)?shù)擾動對模型目標函數(shù)值(最佳總成本值)的影響。圖4(a)(b)(c)分別展示了JRP模型、UJRP模型及EJRP模型中,隨著不同的問題參數(shù)變化,總成本函數(shù)值總體的變化的趨勢。其中,參數(shù)變化范圍為-80%至80%,變化步長為20%,分析時采用每種算法運行50次獲得的總成本平均值。綜合分析,可見JRP模型成本變化率波動范圍大于UJRP和EJRP,意味著在構(gòu)建JRP模型時,其涉及的成本誘導(dǎo)因素越多,則它們對成本費用總體影響就越大。具體地,對JRP模型而言,年需求量Di和持有成本hi是最具影響力的參數(shù),但在UJRP模型中,由于需求的不確定性,最具影響力的參數(shù)轉(zhuǎn)變?yōu)槌钟谐杀緃i和需求方差δi。 但在EJRP模型中,商家依托于第三方電商平臺,在考慮平臺運營效率的影響下,年度需量的影響相對其他參數(shù)的影響更為明顯,從管理者角度而言,這一定程度上體現(xiàn)出依托第三方平臺的網(wǎng)絡(luò)零售運營模式在抵抗需求波動上的確具有一定的優(yōu)勢;除此之外,不容忽視的是退貨率指標對總成的擾動接近30%,可見在網(wǎng)絡(luò)零售環(huán)境下,盡可能地提升服務(wù)水平,降低退換率,對于系統(tǒng)總成本優(yōu)化極具現(xiàn)實意義。

圖4 問題參數(shù)靈敏度分析Figure 4 The sensitivity analysis of problem parameters

3.3 問題規(guī)模分析

在拓展實驗中,我們將產(chǎn)品規(guī)模擴大,進一步測試了在更一般的情境下,BADE算法求解EJRP模型的性能,這一點在算法的實際應(yīng)用中尤為重要。其中僅選擇在前面實驗中表現(xiàn)出較好求解性能的BA、DE算法與BADE算法進行對比,所有算法均重復(fù)運行50次,并以50次運行結(jié)果中的最優(yōu)總成本、成本平均值、成本標準差及平均搜索時間為統(tǒng)計指標進行分析。表4為實驗輸出結(jié)果,以上結(jié)果主要表明:(1)產(chǎn)品規(guī)模較小時,BADE算法和DE算法搜索性能,綜合尋優(yōu)能力和魯棒性兩者性能相當(dāng)。例如產(chǎn)品項為10、12、15時,問題規(guī)模較小,不難看出兩種算法的最優(yōu)成本、平均成本及方差等指標的數(shù)值相近,但BADE算法求解所得的標準差指標值略小,顯示出更好的穩(wěn)定性。(2)隨著問題規(guī)模的增加,BADE算法的尋優(yōu)能力愈加突顯。具體地,產(chǎn)品項從24到96時,就最優(yōu)成本、標準差兩項指標值而言,BADE與另兩種算法對應(yīng)指標值的差距較大,例如當(dāng)產(chǎn)品項為96時,BADE求解的最優(yōu)成本值較BA、DE而言分別降低約46%、5%,說明該算法在較大問題規(guī)模情境下具有較好的求解潛力。但通過求解時間指標值的對比,DE求解效率略高,尤其針對中小問題規(guī)模。綜上分析,BADE求解多樣性更好,故在問題規(guī)模較大時,算法潛力更大;但由于該算法分為兩階段求解,故在求解速率上,特別是問題規(guī)模較小時,較DE算法沒有明顯優(yōu)勢,但仍然優(yōu)于 BA算法。

表4 不同問題規(guī)模的EJRP結(jié)果對比Table 4 Com putational results of BA,DE and BADE under various-scale EJRPs.

4 結(jié)論

本文在B2C運營模式下,基于經(jīng)典的多品聯(lián)合采購問題(JRP),針對網(wǎng)絡(luò)零售商提出一個考慮平臺運作效率損失的多品采銷協(xié)同優(yōu)化模型(EJRP),著眼于網(wǎng)絡(luò)零售商供應(yīng)鏈的核心環(huán)節(jié),進行“采-存-銷”系統(tǒng)總成本優(yōu)化。本文通過JRP模型、UJRP模型、EJRP模型參數(shù)靈敏度對比分析發(fā)現(xiàn):(1)對比UJRP模型、EJRP模型,前者需求波動對總成本的影響大于后者,這一定程度上體現(xiàn)出依托第三方平臺的B2C運營模式在抵抗需求波動上具有一定的優(yōu)勢;(2)在EJRP模型中,退貨率、延時服務(wù)率等影響運作效率的指標對總成本的擾動較大,不難看出在同質(zhì)化競爭激烈的網(wǎng)絡(luò)零售環(huán)境,提高平臺運作效率,加強相關(guān)指標的控制與管理愈顯重要。

同時,本文設(shè)計了一種混合蝙蝠差分算法(BADE),分別針對決策變量的不同類型,利用BA、DE算法協(xié)同尋優(yōu)。本文通過與GA、BA、DE幾種算法的對比分析(分別求解JRP、UJRP、EJRP),主要得出以下實驗結(jié)果:(1)求解的問題規(guī)模較小時,DE算法的魯棒性較好,但隨著問題規(guī)模的增加,BADE算法的魯棒性優(yōu)勢逐漸顯現(xiàn);(2)盡管針對經(jīng)典的JRP模型求解時,BA、DE、BADE幾種算法求解性能差距相對較小,但針對UJRP、EJRP模型時,BADE均展示出較好解的多樣性,以往研究中,較多的算法設(shè)計者僅關(guān)注了算法的魯棒性和準確性,但在實際管理決策環(huán)境中(尤其在多變的網(wǎng)絡(luò)零售環(huán)境之下),多樣的可行方案,利于提供給決策者合理的決策空間,一定程度地拓展了模型的適應(yīng)性。

后續(xù)研究中,我們將圍繞本文提出的EJRP模型,針對網(wǎng)絡(luò)零售商分階段補貨的情景,研究分析多階段的EJRP模型,進一步優(yōu)化BADE算法流程以滿足多階段EJRP模型求解的需求。同時增加算法自適應(yīng)控制變量,進而優(yōu)化算法大規(guī)模問題求解的效率。