供应链不确定性的分析和控制一个随机控制理论的观点.docx

供应链不确定性的分析和控制一个随机控制理论的观点.docx

《供应链不确定性的分析和控制一个随机控制理论的观点.docx》由会员分享，可在线阅读，更多相关《供应链不确定性的分析和控制一个随机控制理论的观点.docx（277页珍藏版）》请在冰豆网上搜索。

供应链不确定性的分析和控制一个随机控制理论的观点

供应链不确定性的分析和控制——一个随机控制理论的观点

摘要

摘要

在供应链系统中，信息流的不确定性（客户需求不确定性、前置时间不确定性、库存数据不确定性）通常是妨碍有效的供应链管理决策，进而阻碍高质量与高效率的物流的主要原因。

现代信息技术的长足进步为形成平稳可靠的供应链信息流，进而改善供应链管理决策奠定了坚实的基础，但信息的价值（对不确定性的克服）问题尚未被充分理解。

本文将供应链系统看作是一个输入输出为随机过程的动态系统，尝试提出一个基于随机控制理论的架构，以统一的视角考察供应链的各种不确定性，系统地设计不确定性条件下的控制和估计策略，并以解析的形式探讨不确定性对供应链运行的影响以及不确定性的对立面—信息在供应链管理中的价值．全文主要研究内容如下：

1）研究客户需求不确定性及其在供应链系统当中的传播问题（牛鞭效应）。

其中供应链系统由动态物料平衡方程构成，供应链前置时间为任意固定常数，客户需求采用一般的ARMA时间序列模型进行刻画。

我们将供应链看作是一个输入为随机信号的线性时不变动态系统。

在此设定下，本文提出了一个基于经典最小方差控制理论的结构化框架用于供应链管理策略的设计和分析：

我们根据最小方差准则直接导出了最优预测方法，传统的Order-Up．To订货策略和广义Order-Up．To策略的解析数学表达式；在给定以上策略的基础上，我们采用线性

时不变系统理论（时域和频域工具）分析供应链系统的随机特性。

通过这个框架，我们从控制理论的角度重新解释了前人研究当中的若干重要结果，并且推导和分析了广义OUT策略的新的特性．进一步，我们构造了一个优化模型用以降低整条供应链运行的可变成本，该成本同供应链管理策略的参数紧密相关。

2）研究供应链前置时间不确定性问题。

其中的供应链模型继承自研究客户需求不确定性时所采用的基本设置，但供应链前置时间不再设定为固定常数，而是扩展为一个马尔可夫随机过程．由于前置时间特性发生改变，供应链系统的动力学特性也随之变化．我们以固定常数前置时间供应链模型作为起点，对比分析了时变前置时间供应链模型的动力学特性。

在此基础上，我们从最小方差控制理论的角度出发，提出了一个供应链管理策略设计和分析的量化框架，将分析客户需求不确定性时所采用的解析方法连贯地拓展到前置时间不确定性的研究领域

111

浙江大学博士学位论文

中．在这个框架中，我们给出了前置时间不确定条件下的Order-Up．To和广义Order-Up-To策略的解析表达式，并且给出了上述策略在不同信息完备程度下的变化形式．在此基础上，我们量化讨论了在这些策略下的库存变量和订单变量的统计特性，分析了前置时闯不确定性以及信息的不完备对供应链运行造成的影响。

3）考虑供应链库存数据不确定性问题，重点研究如何充分利用信息以改进库存数据的精度．我们首先研究库存数据不确定性对供应链系统运行的影响，以说明改进库存数据精度的必要性．然后，着重探讨流程工业库存数据处理问题，即流程工业数据协调问题。

我们提出一个新的框架，用于流程工业广义线性动态系统的数据协调。

同经典的动态数据协调方法相比，本文提出的新的框架能够以一个更为简化的形式保持相同的滤波精度。

同时，这个框架的统计性质为动态显著误差识别技术的改进提供了新的可能性。

在这个框架的基础上，我们重新推导了前人提出的递推滤波公式，并修改了经典的广义极大似然比方法用于广义线性动态系统的显差检测。

进一步，我们提出的框架提供了若干新观点以揭示线性稳态数据协调技术，线性动态数据协调技术和卡尔曼滤波器之间的理论联系和区别，以及在提高库存数据精度方面，线性动态数据协调相比于线性稳态数据协调技术的优势所在．

4）初步尝试将ARMA客户需求不确定性研究扩展到多变量网状供应链系统（即每个供应链成员可以有多个下游成员和上游成员）中．本文具体探讨在网状供应链条件下，如何采用最小方差控制的思想设计供应链管理策略。

在这个过程中，本文应用标准状态方程构造网状供应链系统模型．应用卡尔曼滤波器设计最优客户需求预测器，应用多变量随机控制理论制定最优订货策略。

在前人的研究中，基本没有关于网状供应链系统的解析讨论．本文尝试提出这一新的问题，并为复杂结构供应链的不确定性研究提供一些新的初步的想法．

关键词：

供应链，不确定性，信息，动态系统，随机过程，随机控制，最优估计

IV

ABSTRACT

ABSTRACT

Asupplychainisrifewithmanyuncertainties，suchasvolatiledemand，unknownleadtimeandinaccurateinventorydata．Thesesinformationuncertaintiesmayleadtoincorrectsupplychaindecisions，thushindertheeffectivematerialflow．Inrecentdecades，advancesininformationtechnology（IT）andexpandingITinfrastructureintroducenewpossibilitiestoimprovesupplychaindecisionsunderuncertainty．However,thereisalackoffirmunderstandingofthevalueofinformation（theoppositeofuncertainty）insupplychainmanagement（SCM）．Inthisthesis，weconsiderasupplychainasalineartimeinvariantdynamicsystemwhoseinputsandoutputsarestochasticprocesses．Weproposeaunifiedstochasticcontroltheoryframeworkforsupplychaindecision-makinginuncertainanddynamicbusinessenvironment．Inthisframework,WesystematicallydesignSCMstrategies，suchas

demandforecasting，replenishmentrulesandoptimalestimators．Giventhesestrategies，weanalyticallyinvestigatethestochasticpropertiesofthesupplychain·ThisthesismayhelpreadersunderstanduncertaintyandthevalueofinformationinSCM．Themaincontentsofthisthesisareasfollows：

1）Chapter2addressesdemanduncertaintyanditspropagationinsupplychains．Thesupplychainisconsideredasalineartimeinvariant（LTI）systemdrivenbystochasticcustomerdemand．UndergeneralARMAdemandpatternsandarbitraryfixedleadtimes，aunifiedandstructuredframeworkbasedontheclassicalminimum

variancecontroltheoryisproposedfordecentralizedsupplychainmanagementOptimalforecasting，thetraditionalOrder-up-topolicyandthegeneralizedOrder-up—topolicyaredirectlyderivedaccordingtotheminimumvariancecriterion．Giventhesestrategies，stochasticpropertiesofthesupplychainarestudiedusingLTI

systemtheoryinboththetimeandthefrequencydomain．Findingsfrompreviousliteraturesalere．interpretedfromacontrol-theory-orientedperspectiveandnewcharacteristicsofthegeneralizedOrder-up-topolicyalededucedandanalyzed．Onthe

V

浙江大学博士学位论文

basisofthestatisticalanalysis，alloptimizationmodelisconstructedtominimizethevariableoperationcostswhicharerelatedtotheparametersoftheSCMstrategies．

2）Chapter3addressesleadtimeuncertaintyinsupplychains．Thesupplychainincludesamarkovianleadtimemodelofthesupplysystem．Sincetheleadtimevarieswithtime,thedynamiccharacteristicofthesupplychainisdifferentfromthatusedindemanduncertaintyresearch．WeanalyzethesenewcharacteristicsandcontinuetoadopttheminimumvariancecontrolmethodologyforSCMdesignandanalysis．We

derivetheexactformulasoftheOrder-up-topolicyandthegeneralizedOrder-up-to

policyundersupplychainleadtimeuncertainty．Also,weprovidethevariantformsoftheabovestrategieswhentheleadtimeinformationisincomplete．Moreover,giventhereplenishmentrules，weanalyticallyinvestigatethestatisticalpropertiesoftheinventoryandtheordersofthesupplychain．Onthebasisoftheseresults，wequantifytheeffectofleadtimeuncertaintyandtheeffectofleadtimeinformation

completenessonsupplychainperformance．

3）Chapter4addressestheproblemofinaccurateinventorydatainsupplychains．Wefirstlyprovideamathematicaldescriptionoftheimpactofinaccurateinventorydataonsupplychainoperationstoexplainthenecessityofdatareconciliation

technology．Thenwepresentanewframeworkfordatareconciliationingeneralizedlineardynamicsystems，inwhichthewell．knownKalmanfilterisinadequateforfiltering．Incontrasttotheclassicalformulation，theproposedframeworkisinamore

conciseformbutstillremainsthesamefilteringaccuracy．Thiscomesfromthe

propertiesoflineardynamicsystemsandthefeaturesofthelinearequalityconstrainedleastsquaressolution．Meanwhile，thestatisticalpropertiesoftheframeworkoffernewpotentialsfordynamicmeasurementbiasdetectionandidentificationtechniques．Onthebasisofthisnewframework,afilteringformulaisre—deriveddirectlyandthegeneralizedlikelihoodratio（GLR）methodismodifiedfor

generalizedlineardynamicsystems．Simulationstudiesofamaterialnetworkpresenttheeffectsofboththetechniquesandemphaticallydemonstratethecharacteristicsoftheidentificationapproach．Moreover，thenewframeworkprovidessomeinsights

abouttheconnectionsbetweenlineardynamicdatareconciliation（LDDR），linear

、，I

ABSl]RACT

steadystatedatareconcilimion（LSSDR）andKalmanfilter（KF）．

4）Chapter5extendsthelinearsupplychainconfiguration（oneupstreamandonedownstreammembeOforanetworksupplychainconfiguration（multipleupstreamanddownstreammembers）underARMAdemandpatterns．WeinherittheminimumvariancecontrolmethodtodesigntheSCMstrategyformultivariablesystems．Fromtheperspectiveofthestatespacemodelandthelinearstochasticoptimalcontrol

theory,wedescribethesupplychaindynamics，constructthedemandpredictorand

designreplenishmentrulesinanewmanner．

Keywords：

SupplyChain，Uncertainty,Information,DynamicSystem，StochasticProcess，StochasticControl，OptimalEstimation

VⅡ

VßI

致谢

致谢

在本文的写作期间，我对供应链不确定性、随机控制理论、数据协调技术的看法受惠于多位老师和同学的砥砺．但是因为人数太多，无法在此全数致谢。

不过我想要表达对我的导师荣冈教授的感谢。

荣冈教授提供了宽松、和谐、进取的研究氛围，并对本文的观点和写作提供了建设性的批评和建议．此外，感谢冯毅萍副教授对本文研究直接与间接的协助。

我同样要感谢与我同年级的博士研究生王继帅同学，在项目工作和生活上对我的关怀和支持。

最后我要感谢的是RGLAB的全体同学，本文能够顺利完成离不开你们的热心帮助。

E

l绪论

1绪论

摘要：

本章作为全文的第一部分，主要介绍供应链不确定性问题的研究背景和意义，供应链不确定性问题的具体结构，相关的文献综述，研究所采用的随机控制理论架构，以及本文的组织架构和主要创新点．本文将以供应链系统三类不确定性问题的展开以及针对这些不确定性问题所采用的随机控制理论方法作为两条基本线索，贯穿全文始终．

1．1从动态系统和随机过程的角度考察供应链系统的不确定性

供应链是由供应商、制造商、分销商、零售商共同组成的系统，用来将产品或者服务从供应商手中传递到顾客手中。

供应链可以抽象成由前向的物料流和后向的信息流构成的系统。

其中物料流是物资商品的流通过程，是一个发送货物的程序，方向是由供应商经由制造商、分销商、零售商，指向客户。

信息流是生产信息、商品交易信息的流程，包括市场需求、形成和发出订单、根据订单制定和执行生产计划，采购计划等环节，方向是由顾客经由零售商，分销商、生产商，指向供应商。

供应链管理的目标是整合供应链参与者拥有的各种资源，保证物流和信息流的全面贯通，在满足客户需求的前提下，尽可能地降低生产成本和库存成本，取得经济效益。

在供应链系统中，信息流的不确定性（产品需求的波动、制造商生产时间的波动，带有各种测量或人为误差的库存数据等）通常是妨碍有效的供应链管理决策，进而阻碍高质量与高效率的物流的主要原因。

现代信息技术（IT）的发展为克服不确定性，形成平稳可靠的供应链信息流奠定了坚实的基础。

以石化企业为例，生产执行系统（MES）和集散控制系统（DCS）在企业的大规模部署，使得各部

门能够实时了解炼厂生产信息以及各种产品的现有库存；基于SAP的客户管理系统积累了大量围绕客户生命周期发生、发展的相关数据；射频识别技术（RFID）则提供了详尽的监控数据，将产品生产或运输信息实时反馈到有关部门；互联网以及在此基础上发展的电子商务技术，能够使企业快速了解市场需求和价格变动．这些信息有助于供应链管理决策的进一步改善。

然而，关于这些信息的价值（对不确定性的克服）问题尚未被充分理解。

在这里，信息的价值问题主要包括以下两个互相关联的内容：

l、如何制定在各种不确定性条件下的供应链管理决策（设计）；2、信息的完备程度对不确定性供应链管理决策所造成的影响（分析）．

浙江大学博士学位论文

对上述内容缺乏深入理解会带来一系列的问题：

对在何时、何地、部署何种程度的信息系统做出不正确的决定；对信息系统中累积的大量数据没有能够深入分析和挖掘；甚至将已经部署的信息系统束之高阁，继续沿用以往的管理决策方式等．在学术界，特别是过程系统工程领域，学者们针对如何充分利用IT工具提供的数据和信息制定在不确定环境下的供应链管理决策开展了深入研究，提出了许多卓有成效的模型和方法。

其中占据主导位置的方法是应用加入不确定性的数学规划模型，比如基于场景的随机规划模型．机会约束规划模型等．这类模型主要用于优化高层决策，比如设计供应链网络结构；或者用于优化供应链长周期或中周期内的运行管理（包括计划、调度、分配等）．数学规划方法能够同时考虑生产库存约束、生产和运输时问、客户需求等众多因素，能够处理大规模复杂系统，因而在供应链管理的研究中得到广泛应用．然而，需要指出的是，数学规划模型通常将供应链视作稳态系统，即假设系统的动态特性由于归并和聚合在长周期内可以忽略，从而不考虑时间坐标或仅考虑相当小范围时间域中的供应链动态运行特性；同时，供应链中的不确定性仅仅体现在模型的约束条件中，对其分析也往往仅限于某种形式化的描述，无法应用这类模型考察和理解供应链不确定性的本质特征及其对供应链运行的影响；另外，建立一个数学规划模型的同时，就默认模型所需要的各种信息已经齐备，如果相关信息或数据不精确或不完整，将直接导致数学规划模型无法成立，自然也就无法通过这类模型去考察和理解信患的变化或者缺失对供应链运作效率带来的改变。

总之，以计算机数值计算作为基本手段的数学规划模型并不适用于充分描述、分析、理解供应链的动态特性和不

确定性，以及由此衍生出来的信息在供应链管理中价值几何这个问题。

本文将供应链视作随时间变化的系统，从动态系统的角度考察其特性。

这是

一个很自然的结果。

在竞争日趋激烈的今天，市场需求的剧烈波动和原料供应情况的变化会驱使供应链的运行不断随时间改变：

参与供应链的各个企业只有不断对市场需求的波动产生相应的反应，才可能保证经济利益；他们同时也需要制定随时间变化的策略来平衡市场供应波动带来的潜在的经济效益和负面效应；在供应链日常运行中，同库存、订单、生产、运输相关的数据表现为一系列不同时刻出现的观察值，按照一定的时间间隔不断更新。

通过上述描述，我们发现作为社会系统的供应链的运行状况在某种程度上具有同一般的工程系统（比如化工液位

2

l绪论

系统或电路系统）相似的特性，这种相似性为采用在工程学中广泛使用的动态系

统理论来处理供应链的特定问题提供了条件。

在将供应链视作动态系统的前提下考察其不确定性，意味着研究随时间演变的随机现象．最为直观的方法是用随机过程理论来描述系统的不确定性．本文主要考察的供应链的不确定性包括需求的不确定性，前置时间（从顾客开始订货到收到货物为止的时间间隔）的不确定性，库存数据的不确定性。

在实际过程中，这些不确定性所引起的问题之一就是造成供应链中供应和需求的严重不匹配，即所谓的“牛鞭效应”：

供应链上的信息流从终端顾客向前端供应商传递的时候，信息扭曲逐级放大，导致需求信息出现越来越大的波动，从而造成实际物流（包括库存和生产）的剧烈波动，给上游的供应链成员造成了很大的经济负担。

对“牛

鞭效应”的描述、分析其产生的原因以及寻找可能的解决方法，需要对供应链的动态特性和随机特性加以仔细分析，同时需要以供应链系统的动态特性和随机特性为基础，以有别于传统数学规划模型的方式，考察不确定