Алгоритм и математическая модель формирования устойчивых цепочек поставок древесного сырья из регионов России: сравнение и анализ

Аннотация

Процесс формирования устойчивых цепочек поставок сырья является актуальной задачей управления современными промышленными предприятиями. Для ее решения сегодня успешно применяются нелинейные стохастические модели, позволяющие находить оптимальные и эффективные решения этой задачи. Ограниченность существующих универсальных моделей предопределила необходимость разработки авторского метода нахождения эффективного решения проблем класса Supply Chain Management, сформулированных как задачи стохастического смешанно-целочисленного нелинейного программирования. В качестве целевой функции авторской модели используется величина суммарных затрат на закупку сырья на товарно-сырьевой бирже на заданном горизонте планирования, а оптимизация проводится по бинарным переменным, характеризующим включенность той или иной заявки в план закупок. Часть параметров ограничений модели являются стохастическими и позволяют учитывать фактор неопределенности и риски процесса обеспечения производства необходимым сырьем. В разработанном эвристическом алгоритме на отдельных шагах используется метод ветвей и границ и генетический алгоритм. Апробация алгоритма и применение модели проведены на одном из крупных лесоперерабатывающих предприятий Приморского края. Сравнение эффективности работы предложенного алгоритма с отдельным применением генетического алгоритма или метода ветвей и границ проведено на четырех видах процессоров на трех горизонтах планирования в рамках рассматриваемой модели. Анализ результатов работы алгоритмов показал, что авторский алгоритм по сравнению с генетическим является более устойчивым с точки зрения неопределенности входных параметров в сравнении с методом ветвей и границ. Он позволяет успешно осуществлять поиск решения моделей со значительно большим количеством переменных. Показано, что алгоритм является универсальным для дальнейшей его модификации при решении более сложных задач этого же класса, содержащих значительно большее количество вероятностных параметров, описывающих другие неопределенности процесса поставок сырья. К перспективам будущих исследований можно отнести развитие предложенного алгоритма в направлении увеличения скорости сходимости, что позволит повысить его эффективность.

Ключевые слова

цепочки поставок, лесная биржа, регионы России, поставки сырья, лесопромышленное предприятие, математическая модель, математическое программирование, стохастические процессы, генетический алгоритм, эвристический алгоритм

Для цитирования

Рогулин Р.С., Мазелис Л.С. Алгоритм и математическая модель формирования устойчивых цепочек поставок древесного сырья из регионов России: сравнение и анализ // Вестник Пермского университета. Сер. «Экономика». 2020. Том 15. № 3. С. 385–404. DOI 10.17072/1994-9960-2020-3-385-404

Благодарности

В части разработки алгоритма нахождения решения задачи стохастической нелинейной оптимизации работа выполнена при финансовой поддержке Российского фонда фундаментальных исследований в рамках научного проекта № 18-010-01010.

Список литературы

1. Zandi Atashbar N., Labadie N., Prins C. Modelling and optimisation of biomass supply chains: A review // International Journal of Production Research. 2018. Vol. 56, Iss. 10. P. 3482–3506. doi: 10.1080/00207543.2017.1343506.
2. Cundiff J.S., Dias N., Sherali H.D. A linear programming approach for designing a herbaceous biomass delivery system // Bioresource Technology. 1997. № 59 (1). P. 47–55.
3. Judd J., Sarin S., Cundiff J.S., Grisso R.D. An optimal storage and transportation system for a cellulosic ethanol bio-energy plant // 2010 ASABE Annual International Meeting. Pittsburgh. USA. 2010. № 0300 (10). P. 1–15. doi: 10.13031/2013.29901.
4. Kim J., Realff M.J., Lee J.H., Whittaker C., Furtner L. Design of biomass processing network for biofuel production using an MILP model // Biomass and Bioenergy. 2011. № 35 (2). P. 853–871. doi: 10.1016/j.biombioe.2010.11.008.
5. Huang Y., Chen C.W., Fan Y. Multistage optimization of the supply chains of biofuels // Transportation Research Part E: Logistics and Transportation Review. 2010. № 46 (6). P. 820–830.
6. Chinese D., Meneghetti A. Optimisation models for decision support in the development of biomass-based industrial district-heating networks in Italy // Applied Energy. 2005. № 82 (3). P. 228–254. doi: 10.1016/j.apenergy.2004.10.010
7. Meyer A. de, Cattrysse D., Jos V.O. Considering biomass growth and regeneration in the optimisation of biomass supply chains // Renewable Energy. 2016. № 87. P. 990–1002. doi: 10.1016/j.renene.2015.07.043.
8. Zhang L., Hu G. Supply chain design and operational planning models for biomass to drop-in fuel production // Biomass and Bioenergy. 2013. № 58. P. 238–250. doi: 10.1016/j.biombioe.2013.08.016
9. Bruglieri M., Liberti L. Optimal running and planning of a biomass-based energy production process // Energy Policy. 2008. № 36. P. 2430–2438. doi: 10.1016/j.enpol.2008.01.009.
10. Akgul O., Mac Dowell N., Papageorgiou L.G., Shah N. A mixed integer nonlinear programming (MINLP) supply chain optimisation framework for carbon negative electricity generation using biomass to energy with CCS (BECCS) in the UK // International Journal of Greenhouse Gas Control 78. P. 346–355. doi: 10.1016/j.energy.2014.10.019.
11. Flynn B., Pagell M., Fugate B. From the editors: Introduction to the emerging discourse incubator on the topic of emerging approaches for developing supply chain management theory // Journal of Supply Chain Management. 2020. Vol. 56, Iss. 2. P. 3–6. doi:10.1111/jscm.12227.
12. Touboulic A., McCarthy L., Matthews L. Re‐Imagining supply chain challenges through critical engaged research // Journal of Supply Chain Management. 2020. Vol. 56, Iss. 2. P. 36–51. doi: 10.1111/jscm.12226.
13. Bansal T., Gualandris J., Kim N. Theorizing supply chains with qualitative Big Data and Topic Modeling // Journal of Supply Chain Management. 2020. Vol. 56, Iss. 2. P. 7–18. doi: 10.1111/jscm.12224.
14. Parast M.M. A learning perspective of supply chain quality management: empirical evidence from US supply chains // Supply Chain Management. 2019. Vol. 25, Iss. 1. P. 17–34. doi: 10.1108/SCM-01-2019-0028.
15. Venema H.D., Calamai P.H. Bioenergy systems planning using location – allocation and landscape ecology design principles // Annals of Operations Research. 2003. № 123. P. 241–264.
16. Ayoub N., Yuji N. Demand-driven optimization approach for biomass utilization networks // Computers and Chemical Engineering. 2012. № 36 (1). P. 129–139. doi: 10.1016/j.compchemeng.2011.09.005
17. Rentizelas A.A., Tatsiopoulos I.P. Locating a bioenergy facility using a hybrid optimization method // International Journal of Production Economics. 2010. № 123 (1). P. 196–209. doi: 10.1016/j.ijpe.2009.08.013.
18. Rentizelas A.A., Tatsiopoulos I.P., Tolis A. An optimization model for multi-biomass tri-generation energy supply // Biomass and Bioenergy. 2009. № 33 (2). P. 223–233. doi: 10.1016/j.biombioe.2008.05.008.
19. Reche López P., Jurado F., Ruiz Reyes N., García Galán S., Gómez M. Particle swarm optimization for biomass-fuelled systems with technical constraints // Engineering Applications of Artificial Intelligence. 2008. № 21 (8). P. 1389–1396. doi: 10.1016/j.engappai.2008.04.013.
20. Гусев А.А. Поиск эффективного набора взаимодействующих компонентов программных систем на основе роевого интеллекта // Cloud of Science. Т. 6, № 3. C. 475–487.
21. Reche López P.R., Galán S.G., Reyes N.R., Jurado F. A method for particle swarm optimization and its application in location of biomass power plants // International Journal of Green Energy. 2008. № 5 (3). P. 199–211. doi: 10.1080/15435070802107165.
22. Vera D., Carabias J., Jurado F., Ruiz-Reyes N. A honey bee foraging approach for optimal location of a biomass power plant // Applied Energy. 2010. № 87 (7). P. 2119–2127.
23. Kumar K., Clavijo Lopez C., Sanchez O.T., Guptá A., Péton O., Yeung T., Vanuxem A. Integrated strategic and tactical optimization of animal-waste sourced biopower supply chains // Proceedings of 2015 International Conference on Industrial Engineering and Systems Management, IEEE IESM 2015. 2016. Seville, Spain. P. 1367–1373. doi: 10.1109/IESM.2015.7380330
24. Marufuzzaman M., Eksioglu S. D., Huang Y. Two-stage stochastic programming supply chain model for biodiesel production via wastewater treatment // Computers and Operations Research. 2014. № 49. P. 1–17. doi: 10.1016/j.cor.2014.03.010.
25. Roni M.S., Eksioglu S.D., Searcy E., Jha K. A supply chain network design model for biomass co-firing in coal-fired power plants // Transportation Research Part E: Logistics and Transportation Review. 2014. № 61(C). P. 115–134. doi: 10.1016/j.tre.2013.10.007.

Показать весь текст