核心观点与关键数据
01 数据驱动的网络库存管理模型
- 承诺服务模型：考虑网络结构和加工/采购时间，最小化库存总成本，满足服务水平。
- 需求上界函数：经典N-bound假设需求服从正态分布且独立，但实际中高比例节点存在时间相关性需求。
- 数据驱动的需求函数估计：使用函数分位数估计模型（FQRM）和数据驱动库存策略，通过Proximal ADMM算法求解。
- 收敛性与求解算法：FQRM模型收敛性证明，Proximal ADMM算法有效求解。
- 仿真验证：基于某领先ICT企业真实数据，DD-GSM模型（含特征）相比N-bound显著提升库存成本满足率（最高提升75.49%）。
02 大规模复杂库存网络优化算法
- 现有算法不足：动态规划、非凸优化等方法在规模和稳定性上存在局限。
- 基于序列线性规划的网络分解算法（ID-SLP）：通过稳定点解耦网络，结合SLP和DP算法迭代求解。
- 数值结果：ID-SLP在规模增长时表现优于其他方法，相对差距显著（如1000节点时Gap%仅3.27%）。
03 库存网络仿真系统
- 意义：评估供应链风险，定位风险企业，制定优化策略。
- 分析维度：静态可视化分析、预见性分析、全局可视化分析、运营数据看板分析。
- 六大模块：数据对接与预处理、供应网络建模、供应网络拓扑分析、数据分析与参数估计、策略模拟仿真、策略优化。
研究结论
- 数据驱动方法（DD-GSM）显著优于经典N-bound，提升库存成本满足率。
- ID-SLP算法有效解决大规模复杂库存网络优化问题，性能优于现有方法。
- 库存网络仿真系统可定位风险、评估策略，为企业提供决策支持。
