Mathematica在供应链库存优化模型中的应用实践-代码聚汇网

Mathematica在供应链库存优化模型中的应用实践

写手一条城

1. 项目背景与核心问题

供应链管理中的供应商-零售商模型是运筹学领域的经典研究课题。这个双零售商单供应商模型（1S2R）主要探讨在单一供应商服务两个独立零售商场景下的库存优化、定价策略和利润分配问题。我在复现这篇论文时发现，虽然模型结构看似简单，但涉及非线性约束条件和多变量优化，手动计算几乎不可能完成，这正是Mathematica这类符号计算软件大显身手的地方。

2. 模型构建与数学表达

2.1 基础模型框架

该模型包含三个决策主体：

供应商：决定批发价格w和生产量Q
零售商1和2：分别决定订购量q₁和q₂
市场需求函数：Dᵢ(pᵢ) = aᵢ - bᵢpᵢ （i=1,2）

利润函数构成：

mathematica复制π_supplier = (w - c)Q - K I{Q>0}
π_retailer1 = (p1 - w)q1
π_retailer2 = (p2 - w)q2

其中c是单位生产成本，K是固定启动成本，I是指示函数。

2.2 约束条件处理

模型需要处理的关键约束：

供需平衡：Q = q₁ + q₂
非负约束：所有变量 ≥ 0
市场需求限制：qᵢ ≤ Dᵢ(pᵢ)

在Mathematica中，我们用Reduce函数处理这些约束：

mathematica复制constraints = {
    Q == q1 + q2,
    q1 <= a1 - b1*p1,
    q2 <= a2 - b2*p2,
    {Q, q1, q2, w, p1, p2} >= 0
};

3. Mathematica求解实现

3.1 参数化建模

首先定义符号变量和参数：

mathematica复制vars = {Q, q1, q2, w, p1, p2};
params = {a1 -> 100, a2 -> 80, b1 -> 2, b2 -> 1.5, c -> 10, K -> 200};

3.2 利润最大化求解

使用Maximize函数进行全局优化：

mathematica复制solution = Maximize[
    {
        (w - c)Q - K Boole[Q > 0] + (p1 - w)q1 + (p2 - w)q2,
        constraints
    },
    vars
] //. params // N

3.3 结果可视化

生成价格-需求关系图：

mathematica复制Plot3D[
    {q1 /. solution[[2]], q2 /. solution[[2]]},
    {p1, 20, 50}, {p2, 30, 60},
    AxesLabel -> {"p1", "p2", "Quantity"},
    PlotStyle -> {Blue, Orange}
]

4. 关键技术与难点突破

4.1 非连续成本处理

固定成本K导致利润函数不连续，传统优化方法失效。Mathematica的Boole函数完美解决了这个问题：

mathematica复制discreteCost = K Boole[Q > 0];

4.2 多极值点问题

模型可能存在多个局部最优解。我们采用以下策略确保找到全局最优：

使用RandomSearch方法进行初步探索
结合NMaximize的多种算法（"DifferentialEvolution"、"SimulatedAnnealing"）
验证KKT条件

mathematica复制methods = {
    "RandomSearch", 
    {"DifferentialEvolution", "SearchPoints" -> 50},
    "SimulatedAnnealing"
};

Table[
    NMaximize[profit, vars, Method -> method],
    {method, methods}
]

5. 完整实现代码

mathematica复制(* 模型初始化 *)
ClearAll["Global`*"];
vars = {Q, q1, q2, w, p1, p2};
params = {a1 -> 100, a2 -> 80, b1 -> 2, b2 -> 1.5, c -> 10, K -> 200};

(* 约束条件 *)
constraints = {
    Q == q1 + q2,
    q1 <= a1 - b1*p1,
    q2 <= a2 - b2*p2,
    Thread[vars >= 0]
};

(* 利润函数 *)
profit = (w - c)Q - K Boole[Q > 0] + (p1 - w)q1 + (p2 - w)q2;

(* 求解过程 *)
solution = Maximize[
    {profit, constraints} //. params,
    vars
] // N;

(* 结果输出 *)
Print["Optimal Solution:"];
Print[solution];

(* 灵敏度分析 *)
SensitivityAnalysis[vars_, params_, profit_] := Module[
    {base, perturbations, results},
    base = Last@Maximize[{profit, constraints} //. params, vars] // N;
    results = Table[
        newParams = MapAt[#*1.01 &, params, i];
        newSol = Last@Maximize[{profit, constraints} //. newParams, vars] // N;
        (newSol - base)/base,
        {i, Length[params]}
    ];
    BarChart[results*100,
        ChartLabels -> Keys[params],
        AxesLabel -> {"Parameter", "Profit Change (%)"}]
];

SensitivityAnalysis[vars, params, profit];

6. 实际应用中的经验技巧

6.1 参数敏感性处理

通过Manipulate函数创建交互式分析界面：

mathematica复制Manipulate[
    params = {a1 -> a1val, a2 -> a2val, b1 -> b1val, b2 -> b2val, c -> cval, K -> Kval};
    sol = Maximize[{profit, constraints} //. params, vars] // N;
    Column[{
        Plot[
            {a1 - b1*p1, a2 - b2*p2} /. params,
            {p1, 0, 50}, PlotRange -> All,
            AxesLabel -> {"Price", "Demand"},
            PlotLegends -> {"Retailer 1", "Retailer 2"}
        ],
        Grid[{
            {"Wholesale Price", w /. sol[[2]]},
            {"Total Production", Q /. sol[[2]]},
            {"Retailer 1 Order", q1 /. sol[[2]]},
            {"Retailer 2 Order", q2 /. sol[[2]]}
        }, Frame -> All]
    }],
    {{a1val, 100}, 50, 150}, {{a2val, 80}, 40, 120},
    {{b1val, 2}, 1, 3}, {{b2val, 1.5}, 0.5, 2.5},
    {{cval, 10}, 5, 15}, {{Kval, 200}, 100, 300}
]

6.2 计算性能优化

对于大规模问题，采用以下加速策略：

提前数值化参数
使用Compile生成C代码
并行计算不同场景

mathematica复制compiledProfit = Compile[
    {{Q, _Real}, {q1, _Real}, {q2, _Real}, {w, _Real}, {p1, _Real}, {p2, _Real}},
    (w - 10)*Q - 200*If[Q > 0, 1, 0] + (p1 - w)*q1 + (p2 - w)*q2,
    CompilationTarget -> "C"
];

ParallelTable[
    NMaximize[
        compiledProfit[Q, q1, q2, w, p1, p2],
        constraints,
        Method -> "DifferentialEvolution"
    ],
    {a1val, 90, 110, 5}
]

7. 模型扩展与变体

7.1 竞争模式变体

考虑零售商之间的价格竞争时，需求函数变为：

mathematica复制D1 = a1 - b1*p1 + d*p2
D2 = a2 - b2*p2 + d*p1

对应的纳什均衡求解：

mathematica复制nashSolution = FindInstance[
    {
        D[p1*(a1 - b1*p1 + d*p2) - w*(a1 - b1*p1 + d*p2), p1] == 0,
        D[p2*(a2 - b2*p2 + d*p1) - w*(a2 - b2*p2 + d*p1), p2] == 0
    },
    {p1, p2}
]

7.2 随机需求模型

当需求具有随机性时，采用蒙特卡洛模拟：

mathematica复制simulations = Table[
    randDemand1 = Max[0, a1 - b1*p1 + RandomVariate[NormalDistribution[0, 5]]];
    randDemand2 = Max[0, a2 - b2*p2 + RandomVariate[NormalDistribution[0, 5]]];
    {p1, p2, w, randDemand1, randDemand2},
    {10000}
];

Histogram3D[
    simulations[[All, {4, 5}]],
    AxesLabel -> {"Demand1", "Demand2", "Frequency"}
]