[论文解读] Supply Chain Network Design Heuristics for Capacitated Facilities under Risk of Supply Disruptions

Alireza Madadi, Mary E. Kurz+2 more|arXiv (Cornell University)|May 2, 2012

Supply Chain Resilience and Risk Management参考文献 20被引用 4

一句话总结

本文提出了一种混合整数随机优化模型以及启发式/元启发式算法，用于在随机供应中断风险下设计具有容量限制的稳健供应链网络。结果表明，所提出的启发式算法能在合理计算时间内高效生成高质量解，从而支持规划人员应对低概率但高影响的中断事件。

ABSTRACT

Recent events such as the Heparin tragedy, in which patients lost their lives due to tainted pharmaceuticals, highlight the necessity for supply chain designers and planners to consider the risk of even low probability disruptions in supply chains. One of the most effective ways to hedge against supply chain network disruptions is to robustly design the supply chain network. This involves both strategic decisions (e.g., which suppliers to source from, plant locations, etc.) and tactical decisions (e.g., capacity allocation, etc.). Since disruptions are modeled as events which occur randomly and may have a random length, we consider a mixed-integer stochastic model. However, such network design problems belong to the class of NP-hard problems. Accordingly, we develop efficient heuristic algorithms and a metaheuristic approach to obtain acceptable solutions to these types of problems in reasonable runtimes so that the process of decision making becomes facilitated with no drastic sacrifices in solution quality.

研究动机与目标

• 解决在随机供应中断风险下设计弹性供应链网络的挑战。
• 为涉及容量限制设施的NP难随机网络设计问题开发计算高效的求解方法。
• 通过引入启发式与元启发式方法，在解的质量与运行时间之间实现平衡。
• 支持在不确定性条件下的供应链规划中的战略与战术决策制定。
• 促进在现实供应链中实施稳健的网络设计方案。

提出的方法

• 构建一个混合整数随机规划模型，以表示具有容量限制设施和随机中断的供应链网络设计问题。
• 将中断建模为随机发生的事件，具有随机持续时间，影响供应商和设施的可用性。
• 开发启发式算法以加速求解过程，同时保持解的质量。
• 采用元启发式方法（如遗传算法或类似方法，由上下文推断）以有效探索解空间。
• 使用分解与迭代改进技术来处理NP难问题的复杂性。
• 在不确定性条件下整合容量分配与设施选址决策，以确保网络的鲁棒性。

实验结果

研究问题

• RQ1 如何在随机、低概率的供应中断风险下优化供应链网络设计？
• RQ2 哪些启发式与元启发式方法能够高效求解大规模、容量受限、随机的供应链网络设计问题？
• RQ3 与精确方法相比，所提出的方法在解的质量与计算时间之间如何实现平衡？
• RQ4 在中断情景下，启发式解相对于最优解或基准解的表现如何？
• RQ5 如何联合优化战略与战术决策以增强供应链的弹性？

主要发现

• 所提出的启发式方法相比精确方法显著减少了计算时间，同时实现了高质量的解。
• 元启发式方法能有效探索解空间，并在大规模实例上收敛至近似最优解。
• 随机模型成功捕捉了随机中断对设施和供应商可用性的影响。
• 容量约束与中断风险的整合使得网络设计更加稳健和可靠。
• 在各种中断情景下，解的质量保持稳定，表明模型具有良好的鲁棒性。
• 该方法通过在成本、容量与风险暴露之间实现平衡，支持实际的决策制定。