1. 供应链模型基础与问题定义
在供应链管理研究中，一个供应商对应多个零售商的模型是最基础的网络结构之一。我最近复现的这篇论文，核心是研究单一供应商和双零售商场景下的库存优化问题。这种结构在实际商业中非常常见——比如某食品加工厂同时给连锁超市A和便利店B供货的场景。
模型的关键参数包括：
- 供应商的生产率（P）和启动成本（K）
- 两个零售商的需求率（D₁, D₂）
- 库存持有成本（h）和缺货惩罚成本（π）
- 运输批量（Q）和补货周期（T）
注意：双零售商模型相比单零售商复杂之处在于需要协调两个不同需求节奏的补货计划，避免供应商产能冲突。
2. Mathematica建模实现过程
2.1 模型方程建立
论文将问题转化为非线性规划，目标是最小化系统总成本：
mathematica复制totalCost[Q1_, Q2_, T_] :=
(K + c1*Q1 + c2*Q2)/T +
h*(P-D1)*Q1^2/(2*P*T) +
h*(P-D2)*Q2^2/(2*P*T) +
π*(D1*T - Q1)^2/(2*D1*T) +
π*(D2*T - Q2)^2/(2*D2*T)
2.2 约束条件处理
通过When语句实现分段约束：
mathematica复制constraints = {
Q1 <= D1*T,
Q2 <= D2*T,
When[Q1 > 0 && Q2 > 0, T >= Max[Q1/P, Q2/P], True]
}
2.3 数值求解技巧
使用NMinimize时发现需要调整Method参数：
mathematica复制result = NMinimize[
{totalCost[Q1, Q2, T], constraints},
{Q1, Q2, T},
Method -> "DifferentialEvolution"
]
3. 关键问题与解决方案
3.1 初始值敏感性问题
直接求解经常陷入局部最优，通过以下方法解决：
- 先固定T值求Q₁/Q₂的解析解
- 用FindRoot找最优T的初始区间
- 最后用NMinimize全局优化
3.2 可视化验证
用Manipulate动态观察参数影响：
mathematica复制Manipulate[
Plot3D[totalCost[q1, q2, t], {q1, 0, 100}, {q2, 0, 100}],
{t, 0.1, 5}
]
4. 完整复现代码结构
mathematica复制(* 参数初始化 *)
params = {K -> 100, c1 -> 5, c2 -> 5, h -> 0.1, π -> 2,
P -> 200, D1 -> 50, D2 -> 30};
(* 成本函数定义 *)
totalCost[Q1_, Q2_, T_] := ...
(* 求解过程 *)
initialGuess = FindRoot[...];
finalResult = NMinimize[...];
(* 结果分析 *)
Print["最优解：", finalResult[[1]]];
Plot[...];
5. 实际应用建议
- 需求不对称处理：当D₁/D₂>3时，建议拆分为两个独立模型
- 运输成本考量：实际中应增加距离因子修正成本函数
- 鲁棒性测试：用ParameterSensitivityAnalysis测试关键参数影响
经验：Mathematica的符号计算能力在推导一阶条件时优势明显，但数值求解建议结合Python做交叉验证。