演算法與物流

『壹』 物流總成本的總測演算法

方法一
美國物流成本核算方法
歷年來，美國權威物流成本核算機構在計算物流成本時即採用下述公式，該公式也是其在多年的實踐中不斷改進的結果，具有普遍性，也是人們的重要參考公式：物流總成本=存貨持有成本+運輸成本+物流行政管理成本
存貨持有成本=利息+稅、折舊、貶值、保險+倉儲成本；
運輸成本=公路運輸+鐵路運輸+水路運輸+油料管道運輸+航空運輸+貨運代理相關費用；
物流行政管理成本=訂單處理及IT成本+市場預測、計劃制定及相關財務人員發生的管理費用；
其數據來源主要有：
1．存貨持有成本的存貨價值數據來源於美國商務部的《國民收入和生產核算報告》（NationalIncomeandProctAccount），《當前商業狀況調查》（）和《美國統計摘要》（U。S。StatisticalAbstract）等。將得到的數據帶入用Alford-Bangs公式來測算存貨持有成本。
2．運輸成本數據直接來自於《美國運輸年度報告》（TransportationinAmerica）。
3．在計算物流行政管理成本時，從第一篇《美國物流年度報告》於1973年出版時起，就一直用4%乘以存貨持有成本和運輸成本之和作為物流行政管理成本數據。
方法二
日本物流成本核算方法
日本估算物流總成本的公式中的一些比例和比率需要獲取專家的幫助進行估計。物流總成本=運送費+保管費+物流管理費

『貳』 物流信息系統中「啟發式演算法」的概念是什麼

1、啟發式演算法是一種能在可接受的費用內尋找最好的解的技術,但不一定能保證所得解的可行性和最優性,甚至在多數情況下,無法闡述所得解同最優解的近似程度。
2、 解決實際的問題，要建模型，在求解。求解要選擇演算法，只有我們對各種演算法的優缺點都很熟悉後才能根據實際問題選出有效的演算法。

『叄』 傳統企業物流倉儲系統優化的十個最基本的原則

關於傳統企業物流倉儲系統優化的十個最基本的原則

對於大多數的企業來說，物流系統優化是其降低供應鏈運營總成本的最顯著的商機所在。但是，物流系統優化過程不僅要投入大量的資源，而且是一項需要付出巨大努力，克服困難和精心管理的過程。下面，我為大家分享傳統企業物流倉儲系統優化的十個最基本的原則，希望對大家有所幫助!

數據(Data)——數據必須准確、及時和全面

數據驅動了物流系統的優化過程。如果數據不準確，或有關數據不能夠及時地輸入系統優化模型，則由此產生的物流方案就是值得懷疑的。對必須產生可操作的物流方案的物流優化過程來說，數據也必須全面和充分。例如，如果卡車的體積限制了載荷的話，使用每次發貨的重量數據就是不充分的。

集成(Integration)——系統集成必須全面支持數據的自動傳遞

因為對物流系統優化來說，要同時考慮大量的數據，所以，系統的集成是非常重要的。比如，要優化每天從倉庫向門店送貨的過程就需要考慮訂貨、客戶、卡車、駕駛員和道路條件等數據。人工輸入數據的方法，哪怕是只輸入很少量的數據，也會由於太花時間和太容易出錯而不能對系統優化形成支持。

表述(Delivery)——系統優化方案必須以一種便於執行、管理和控制的形式來表述

由物流優化技術給出的解決方案，除非現場操作人員能夠執行，管理人員能夠確認預期的投資回報已經實現，否則就是不成功的。現場操作要求指令簡單明了，要容易理解和執行。管理人員則要求有關優化方案及其實施效果在時間和資產利用等方面的關鍵標桿信息更綜合、更集中。

目標(Objectives)——設定的目標必須是定量的和可測評的

制定目標是確定我們預期願望的一種方法。要優化某個事情或過程，就必須確定怎樣才能知道目標對象已經被優化了。使用定量的目標，計算機就可以判斷一個物流計劃是否比另一個更好。企業管理層就可以知道優化的過程是否能夠提供一個可接受的投資回報率(Return On Investment)。比如，一項送貨作業可能被確定的目標是“日常分攤的資產使用成本，燃料和維修成本，以及勞動力成本之和最小”。這些成本目標既定量，也容易測定。

模型(Models)——模型必須忠實地反映實際的物流過程

建立模型是把物流運營要求和限制條件翻譯成計算機能夠理解和處理的某種東西的方法。例如，我們需要一個模型來反映貨物是如何通過組合裝上卡車的'。一個非常簡單的模型，諸如發貨的總重量或總體積就能夠忠實地反映某些貨物的裝載要求，如大宗液體貨物。然而，如果總重量或總體積模型被用於往拖車上裝載新汽車，則該模型就會失效，因為它不能充分地反映實際的物流情況。比如，用“可運載45000磅汽車”來描述拖車的載貨能力就是不適用的。

因為，拖車所能夠裝運汽車的數量取決於汽車的外形，拖車的結構，和其他一些因素。在這種情況下，如果使用簡單的重量或體積模型，許多計算機認為合適的載荷將無法實際裝車，而實際上更好的裝載方案會由於計算機認為不合適而被放棄。所以，如果模型不能忠實地反映裝載的過程，則由優化系統給出的裝車解決方案要麼無法實際執行，要麼在經濟上不合算。

回報(ROI)——投資回報必須是可以證實的，必須考慮技術、人員和操作的總成本

物流系統優化從來就不是免費的午餐。它要求大量的技術和人力資源投入。要證實物流系統優化的投資回報率，必須把握兩件事情： 一是誠實地估計全部的優化成本;二是將優化技術給出的解決方案逐條與標桿替代方案進行比較。

在計算成本的時候，企業對使用物流優化技術的運營成本存在著強烈的低估現象，尤其是在企業購買的是“供業余愛好者自己開發使用”的基於PC的軟體包的情況下。這時要求企業擁有一支訓練有素的使用者團隊和開發支持人員在實際運行的過程中調試技術系統。在這種情況下，有效使用物流優化技術的實際年度運營成本極少有低於技術采購初始成本的(如軟體使用許可費、工具費等)。如果物流優化解決方案的總成本在第二年是下降的，則很可能該解決方案的質量也會成比例的下降。

在計算回報的時候，要確定物流優化技術系統的使用效果，必須做三件事：一是在實施優化方案之前根據關鍵績效指標(Key Performance Indicators)測定基準狀態。二是將實施物流優化技術解決方案以後的結果與基準狀態進行比較。三是對物流優化技術系統的績效進行定期的評審。

要准確地計算投資回報率必須採用良好的方法來確定基準狀態，必須對所投入的技術和人力成本有透徹的了解，必須測評實際改進的程度，還必須持續地監測系統的行為績效。但是，因為績效數據很少直接可得，而且監測過程需要不間斷的實施，所以，幾乎沒有哪個公司能夠真正了解其物流優化解決方案的實際效果。

演算法(Algorithms)——演算法必須靈活地利用獨特的問題結構

不同物流優化技術之間最大的差別就在於演算法的不同(藉助於計算機的過程處理方法通常能夠找到最佳物流方案)。關於物流問題的一個無可辯駁的事實是每一種物流優化技術都具有某種特點。為了在合理的時間段內給出物流優化解決方案就必須藉助於優化的演算法來進一步開發優化技術。因此，關鍵的問題是：

(1)這些不同物流優化技術的特定的問題結構必須被每一個設計物流優化系統的分析人員認可和理解。

(2)所使用的優化演算法應該具有某種彈性，使得它們能夠被“調整”到可以利用這些特定問題結構的狀態。物流優化問題存在著大量的可能解決方案(如，對於40票零擔貨運的發貨來說，存在著1萬億種可能的裝載組合)。如果不能充分利用特定的問題結構來計算，則意味著要麼演算法將根據某些不可靠的近似計算給出一個方案，要麼就是計算的時間極長(也許是無限長)。

計算(Computing)——計算平台必須具有足夠的容量在可接受的時間段內給出優化方案

因為任何一個現實的物流問題都存在著大量可能的解決方案，所以，任何一個具有一定規模的問題都需要相當的計算能力支持。這樣的計算能力應該使得優化技術既能夠找到最佳物流方案，也能夠在合理的時間內給出最佳方案。顯然，對在日常執行環境中運行的優化技術來說，它必須在幾分鍾或幾小時內給出物流優化方案(而不是花幾天的計算時間)。採取動用眾多計算機同時計算的強大的集群服務和並行結構的優化演算法，可以比使用單體PC機或基於工作站技術的演算法更快地給出更好的物流優化解決方案。

人員(People)——負責物流系統優化的人員必須具備支持建模、數據收集和優化方案所需的領導和技術專長

優化技術是“火箭科學”，希望火箭發射後能夠良好地運行而沒有“火箭科學家”來保持它的狀態是沒有可能的。這些專家必須確保數據和模型的正確，必須確保技術系統在按照設計的狀態工作。現實的情況是，如果缺乏具有適當技術專長和領導經驗的人的組織管理，復雜的數據模型和軟體系統要正常運行並獲得必要的支持是不可能的。沒有他們的大量的工作，物流優化系統就難以達到預期的目標。

過程(Process)——商務過程必須支持優化並具有持續的改進能力

物流優化需要應對大量的在運營過程中出現的問題。物流目標、規則和過程的改變是系統的常態。所以，不僅要求系統化的數據監測方法、模型結構和演算法等能夠適應變化，而且要求他們能夠捕捉機遇並促使系統變革。如果不能在實際的商務運行過程中對物流優化技術實施監測、支持和持續的改進，就必然導致優化技術的潛力不能獲得充分的發揮，或者只能使其成為“擺設”。

『肆』 聚類演算法在物流倉儲中的應用有哪些

才發現原來在用力研究的演算法是用在機器學習上！要繼續努力搞懂！

『伍』 物流成本最低的演算法有哪些

一些物流企業只注意到運輸、存儲、配送等單要素發生的成本，實際上要對各要素綜合控制，才能實現物流總成本的最小化。
物流總成本是由運輸、存儲保管、流通加工、包裝、裝卸、配送等要素的成本構成。
當各成本同時為最小時總成本也最小。但由於「效益悖反」規律，各成本一般不可能同時為最小，必須對各個環節匯總進行協調和整合，加強物流各個環節的成本控制。
運輸成本在物流總成本中占很大比例，從歐洲發達國家來看，一般也佔到1/3以上，因此運輸合理化也是降低物流成本的一個重要方法。
運輸成本在很大程度取決於運輸量（以及存儲量）和運輸方式，根據物流總成本最小化原則來確定相應的運輸量（由存儲量確定運輸量），運輸量既定時，運輸方式成為影響運輸成本的主要因素。

『陸』 物流。什麼是重泡貨和輕泡貨，演算法告訴我

泡貨就是體積相對較大，質量較輕的貨物。重貨就是質量較重，體積相對小的貨物。而重泡貨就是絕對質量比較重，體積也比較大的貨物。

輕泡貨物又稱「輕貨」，「泡貨」，「輕浮貨物」。體積大而自重輕的貨物。在鐵路運輸中，指裝滿貨車容積而總重達不到車輛標記載重的貨物，如棉花、蘆葦等。公路運輸中，指平均每立方米不滿333kg的貨物。航空運輸中，指每立方米不滿167kg的貨物。水路運輸中，指每立方米小於It的貨物。

(6)演算法與物流擴展閱讀：

泡貨和重貨的區分：

一般都使用重泡比或者泡重比。

重泡比=重量/體積

泡重比=體積/重量

實際使用中我們經常會聽到以下描述：

1、長(cm)X寬(cm)X高(cm)除以6000cm³/kg的值大於貨物實際重量算泡貨，小於實際重量為重貨。

2、我們的泡重比為7。

3、重量/體積。如果大於210算重貨，小於210算輕貨。

『柒』 最新的智能優化演算法有哪些，關於物流管理類的

優化演算法有很多，關鍵是針對不同的優化問題，例如可行解變數的取值（連續還是離散）、目標函數和約束條件的復雜程度（線性還是非線性）等，應用不同的演算法。
對於連續和線性等較簡單的問題，可以選擇一些經典演算法，如梯度、Hessian 矩陣、拉格朗日乘數、單純形法、梯度下降法等。
而對於更復雜的問題，則可考慮用一些智能優化演算法，如遺傳演算法和蟻群演算法，此外還包括模擬退火、禁忌搜索、粒子群演算法等。