一种针对工程机械内生不确定性的逆向物流网络设计方法

技术领域

本发明涉及工程机械逆向物流网络设计领域，尤其涉及一种针对工程机械内生不确定性的逆向物流网络设计方法。

背景技术

近年来，随着人们对于环境保护意识的增强，法律法规对于环保约束力度的加大，大型制造商也意识到逆向物流所创造的经济价值是发挥企业竞争优势的关键。

逆向物流网络的主体复杂多样且存在着高度不确定性，并且多种类型的不确定性因素相互影响的特点，会直接影响到企业制造服务决策的稳健性。当前大多学者聚焦于确定性环境逆向物流网络的设计与优化，或仅考虑外生不确定性的影响，但对于内生不确定性的关注是缺乏的。例如，大多逆向物流网络不考虑回流产品质量的外生不确定性与加工处理成本内生不确定性之间的依赖关系，从而极大地影响逆向物流主体企业的利润与成本。因此如何定量的分析逆向物流过程中存在的不确定性是十分必要的，考虑内生不确定性的逆向物流网络框架不仅适用于工程机械行业，同样可以为诸多行业提供新的参考思路，这对于制造企业具有重要的工程意义。

发明内容

本发明针对上述存在的技术问题提供了一种针对工程机械内生不确定性的逆向物流网络设计方法。

本发明的目的可以通过以下技术方案来实现一种针对工程机械内生不确定性的逆向物流网络设计方法，其特征在于，包括以下步骤：

步骤S1：确定制定逆向物流网络工程机械回收再制造计划需要考虑的内生和外生不确定性因素和工程机械回收再制造目标；

步骤S2：构建逆向物流网络总利润最大化数学优化模型，确定决策变量与内生不确定性的影响关系并构建决策依赖不确定集合；

步骤S3：得到最终混合整数线性规划模型，基于Python与运筹优化软件Gurobi进行求解，得到最优利润值以及回收再制造决策变量最优解；

步骤S4：基于灵敏度分析确定不确定性因素对逆向物流网络各个节点中心的定价策略、期望利润及回收目标的影响规律；

步骤S5：根据上述步骤S4的分析结果，对工程机械逆向物流网络进行调节，确定最优逆向物流网络回收再制造目标。

进一步地，在上述步骤S1中，不确定性因素包括加工处理成本内生不确定性和回流产品数量以及回流产品质量外生不确定性。

进一步地，在上述步骤S2中，逆向物流网络总利润最大化数学优化模型如下：

是总收入、/>

进一步地，在上述步骤S2中，决策依赖不确定集合构建如下：

其中ξ

进一步地，在上述步骤S3中，将决策依赖不确定集合转换成新约束条件如下：

其中r

本发明的有益效果：

1、本发明针对逆向物流网络主体企业关系复杂，多种类型的不确定性因素相互叠加影响，目标关系不清，缺乏系统性的建模手段与针对性的优化方法的现状。通过构建一种针对工程机械内生不确定性的逆向物流网络设计方法，来构建逆向物流网络回收再制造计划的总利润最大化优化模型，提出一种考虑决策依赖不确定性的混合优化方法。基于灵敏度分析，能够明确逆向物流网络相关企业的指定的不同定价策略、不同回收需求量对于总利润目标的影响规律。并抵抗不确定性带来的扰动效应，实现主体企业回收决策的稳健性。

2、针对回流产品质量和加工处理成本这两种内生和外生不确定性相互依赖，共同作用的关系，构建了决策不确定性集合，可有效降低了逆向物流网络中不确定性因素的经济影响，提升了逆向物流网络主体企业总利润的较大增长，有助于加速逆向物流网络回收再制造计划的智能化和精细化。

附图说明

图1为本一种针对工程机械内生不确定性的逆向物流网络设计方法；

图2为最优利润均值随不确定性基数变化趋势图；

图3为最优利润均值随检测成本变化趋势图；

具体实施方式

下面结合附图和具体实例对本发明进行详细阐述。

本发明公开了一种针对工程机械内生不确定性的逆向物流网络设计方法，该方法包括以下步骤：

步骤S1：确定制定逆向物流网络工程机械回收再制造计划需要考虑的内生和外生不确定性因素和工程机械回收再制造目标；

步骤S101：从回流产品的运作流程来看，回流产品先经过检测中心的检测分类确定其下一步处理方式，包括维修再售、拆卸、废弃、回收再制造等四种处理方式。

构建一个可处理多种产品、多个周期和有产能限制容量的逆向物流网络，四层逆向物流网络结构示意图如图1所示。

第一层包括检测中心，负责收集回流产品并检测其质量水平。完成质量检测后，确定回收决策和预处理程序。回流产品后续可分为两类，一类是送至维修中心或拆解中心，极少数低劣产品直接运至废弃中心。第二层由维修、拆卸和废弃中心组成。一部分通过维修中心的核心部件升级，对高品质的回流产品进行翻新并直接出售。另一部分报废产品被拆解到物料清单中，包括模块和材料。余下部分废品直接废弃。第三层包括再制造中心和回收中心。劣质回流产品被拆解成模块或材料，加工后运往市场进行出售。不可回收的材料被送到废弃中心。最终，市场收到了产品种类包括翻新回流产品、再制造模块和回收材料。

步骤S2：构建逆向物流网络总利润最大化数学优化模型，确定决策变量与内生不确定性的影响关系并构建决策依赖不确定集合；

步骤S201：建立模型所需的参数与变量如下：

B表示维修中心集合；

C表示拆卸中心集合；

D表示再制造中心集合；

E表示回收中心集合；

G表示废弃中心集合；

L表示模块种类；

M表示材料种类；

S表示回流产品的数量和名义加工成本的情景集合；

T表示规划周期内的时间段集合；

prob

rp表示二级市场中翻新回流产品单价；

rs表示模块在二级市场上的单价；

rm表示材料在二级市场上的单价；

cc表示回流产品的单位收集成本；

ud表示材料的单位废弃成本；

ci

表示在情景s中t时间段内，每个回流产品的名义加工成本；

up(ξ)

α表示可再制造模块从拆卸中心到再制造中心的比例；

β表示可回收材料从拆卸中心到回收中心的比例；

θ表示每个产品单元的模块种类；

η表示每单位产品的材料种类；

τ表示降低潜在不确定性的系数；

μ表示每个回流产品质量影响的不确定系数；

udp表示每个产品的废弃成本；

f

表示建立维修中心的固定成本；

表示建立拆卸中心的固定成本；

表示建立再制造中心的固定成本；

表示建立回收中心的固定成本；

表示建立废弃中心的固定成本；

表示维修中心的产能；

表示拆卸中心的产能；

表示再制造中心的产能；

表示回收中心的产能；

表示废弃中心的产能；

tab表示每件产品从检测中心到维修中心的运输成本；

tac表示每件产品从检测中心到拆卸中心的运输成本；

tbs表示每件产品从维修中心到二级市场的运输成本；

tcd表示从拆卸中心到再制造中心的每模块运输成本；

tce表示从拆卸中心到回收中心每模块的运输成本；

tds表示从再制造中心到二级市场的每模块单位运输成本；

tes表示每件材料从回收中心到二级市场的运输成本；

teg表示每件材料从回收中心到处理中心的运输成本；

tag表示每件产品从检测中心到处理中心的运输成本；

XA

XB

表示二元变量，修理中心被建立时为1，否则为0；

表示二元变量，维修中心被建立时为1，否则等于0；

表示二元变量，再制造中心被建立时为1，否则为0；

表示二元变量，回收中心被建立时为1，否则为0；

表示二元变量，废弃中心被建立时为1，否则为0；

QA

表示在场景s中，在t时间段内，从检测中心运送到维修中心的产品数量；

表示在场景s中，在t时间段内，从检验/收集中心运送到拆解中心的产品数量；

表示在场景s中，在t时间段内，从拆卸中心运送到再制造中心的产品数量；/>

表示在场景s中，在t时间段内，从拆卸中心运送到回收中心的产品数量；

表示在场景s中，在t时间段内，从回收中心运往二级市场的产品数量；

表示在场景s中，在t时间段内，从回收中心运送到处理中心的产品数量；

表示在场景s中，在t时间段内，从检测中心到废弃中心的产品数量；

目标函数最大化逆向物流网络的总利润，包括总收入

其中，总收入

位置成本

运输成本

收集和处置成本

处理成本

以下约束表示对各个中心产能的限制，确保未建立的中心之间不存在产品流，同时保证各个中心之间的运输量小于最大产能。产能约束如下：

以下约束是产品流平衡约束，分别表示从检测中心到维修中心和拆卸中心的退回产品的运输量以及确定了从拆卸中心到再制造中心和回收中心的回流产品的运输量。产品流平衡约束如下：

以下约束为分类均衡约束，分别表示保证检测中心的收集量等于维修中心、拆卸中心和处置中心的总运输流量、回流产品仅有一种流向、高价值的回流产品归入维修中心，劣质且低价值的产品归入拆解中心，不可回收的产品将直接运往废弃中心。产品分类平衡约束如下：

决策依赖不确定性集合如下：

决策以来不确定性是指决策变量XA

步骤S3：得到最终混合整数线性规划模型，基于Python与运筹优化软件Gurobi进行求解，得到最优利润值以及回收再制造决策变量最优解。

步骤S301：进一步地，令

进一步地，

进一步地，

ξ

其中，q1

进一步地，根据对偶理论得到：

令r

进一步地，

每个

进一步地，决策依赖不确定集合约束转化为：

包括上述产能约束、产品流平衡约束、产品分类平衡约束、得到最终混合整数线性规划模型，转换后的问题涉及到一般运筹学最优化问题，所建立的数学模型为混合整数线性规划模型，可以采用Python进行编程并结合优化求解软件Gurobi进行求解。

步骤S4：基于灵敏度分析确定不确定性因素对逆向物流网络各个节点中心的定价策略、期望利润及回收目标的影响规律；

以再制造中心的不同配件定价为例进行灵敏度分析，在不同系数调整下的利润值结果如表1所示：

表1 再制造中心不同配件定价下的相对提升和利润值

相对提升被定义为本发明方法较于传统不考虑内生不确定性的逆向物流网络模型的百分比提升。

由表1可以清楚的看到，再制造中心配件定价的减小对于整个逆向物流网络的最优利润而言是基本不变，然而相对提升是最大的。随着再制造中心配件定价的逐渐提升，对于整个逆向物流网络的最优利润而言，其增益效果是巨大的，然而此时相对提升则非常差。因此，就再制造中心配件定价而言，其定价策略应当随期望利润动态调整。为尽可能实现更大的期望利润值，可恰当的调高再制造中心配件定价。上述分析同样适用于各个节点中心的定价方案调整。

步骤S5：根据上述步骤S4的分析结果，对工程机械逆向物流网络进行调节，确定最优逆向物流网络回收再制造目标；

如图2所示，当检测成本ci为0且回流产品质量不确定性程度较低时，最优利润均值处于最高水平。意味着此时，在逆向物流网络中，回流产品流向维修中心同时回收目标定位整个产品的翻新出售收益更大。然而随着不确定性程度增大到一定程度时，逆向物流网络的总利润值将达到稳定期，这意味着回流产品流向拆卸中心，此时的回收目标趋向于回流产品的拆卸再制造后进行配件形式的出售，收益较于整个产品的翻新出售更低。

如图3所示，当回流产品质量不确定性程度处于最高水平时，随着检测成本

通过上述分析，对于工程机械企业案例而言，回流产品质量内生不确定性与加工处理成本外生不确定性之间存在着影响关系，基于本发明方法，在检测成本和加工处理成本间进行权衡可以有效的、主动的降低不确定性的影响，相较于传统逆向物流网络而言，能够实现最优利润可观的相对提升。同时制定并实现科学的回收再制造计划，逆向物流网络中各个节点中心也可以通过灵敏度分析实现恰当的定价策略，实现收益最大化。

以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述。对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。