整合回收与减排的可持续闭环供应链网络设计优化商业策略分析——基于多目标混合整数线性规划(MILP)框架

《Business Strategy and the Environment》:Integrating Recycling and Emission Reduction: A Business Strategy Analysis With Multi-Objective Mixed-Integer Linear Programming Framework for Optimising Sustainable Closed-Loop Supply Chain Network Design

【字体: 大 中 小 】 时间:2026年06月28日 来源:Business Strategy and the Environment 13.2

编辑推荐:

  本研究建立一个集成混合整数线性规划(Multi-Integer Linear Programming, MILP)模型用于闭环供应链(Closed-Loop Supply Chain, CLSC)网络设计,对利润最大化、供应商质量改善及CO2减排等相互竞争的经

  
本研究建立一个集成混合整数线性规划(Multi-Integer Linear Programming, MILP)模型用于闭环供应链(Closed-Loop Supply Chain, CLSC)网络设计,对利润最大化、供应商质量改善及CO2减排等相互竞争的经济与环境目标进行优化。研究主要目的是识别不同规模问题下表现最优的求解技术。多目标粒子群优化(Multi-Objective Particle Swarm Optimisation, MOPSO)方法相较NSGA-II表现出更优性能,收敛速度快35%–45%,解的质量提升20%–30%。结合CPLEX的ε-约束(epsilon-constraint)方法在求解小规模问题时表现更好。分析表明回收率(return rate)与材料回收费用是决定拆解工序盈利能力的关键要素。研究表明多目标优化方法可有效应用于实际规模的供应链问题,研究成果可支持可持续运营管理决策支持系统的开发。
论文解读:整合回收与减排的可持续闭环供应链网络设计多目标MILP框架研究
研究背景与问题提出
传统供应链为线性模式,未考虑产品全生命周期末端的环境影响,已无法满足当前企业对运营卓越与环境责任的双重要求。现有闭环供应链(Closed-Loop Supply Chain, CLSC)研究多存在以下局限:将供应商选择与设施选址分开处理而非联合优化;多采用单目标(成本或环境影响)而非多维度绩效考量;未将含车辆差异化的碳排放核算、供应商环境绩效评价(废气、废水、固废、能耗及不可再生资源消耗)与拆解—回收物流整合于同一优化体系。因此,研究人员开展此项研究以构建一个同时涵盖正向物流(原材料市场—供应商—制造商—分销商—客户)与逆向物流(客户—收集中心—拆解中心—再制造/回收/处置中心—供应商)的全生命周期CLSC网络多目标混合整数线性规划(Mixed-Integer Linear Programming, MILP)模型,并对比不同求解算法在不同规模问题下的表现。该论文发表于《Business Strategy and the Environment》。
主要关键技术方法
研究人员基于文献回顾建立单周期多梯队多产品CLSC的MILP模型,定义六维目标函数(利润最大化、供应商次品率最小化、延迟交付最小化、经济与操作风险最小化、供应商负面环境影响最小化、全链CO2排放最小化)及相应约束(需求满足、流量平衡、拆解出类比例、容量限制、最小订购量、预算约束、0-1选址变量)。采用仿真生成符合实际范围的算例进行敏感性分析(需求、回收率、成本节约、容量、质量指标、目标权重)。分别使用精确法——加权求和(Weighted Sum)法与ε-约束(ε-Constraint)法结合CPLEX求解器,以及元启发式算法——第二代非支配排序遗传算法(Non-dominated Sorting Genetic Algorithm II, NSGA-II)与多目标粒子群优化(Multi-Objective Particle Swarm Optimisation, MOPSO),对不同规模问题(小至中等及大规模)进行求解与对比。采用非支配解散布度(Spread of Non-Dominated Solutions, SNS)、间距指标(Spacing Metric, SM)与平均理想距离(Mean Ideal Distance, MID)评价Pareto前沿质量。
研究结果
3 Modelling and Validation(建模与验证)
研究人员构建了含原材料市场、供应商、制造商、分销商、客户区、收集中心、潜在拆解中心、回收中心及处置中心的CLSC网络MILP模型,引入绿色供应商评价(环境污染指标与质量/交付/风险指标)及按车型核算的运输CO2排放。模型假设地理位置固定、固定回收率、完全需求满足、三分类拆解(类新品/可回收/废弃物)。通过25组敏感性分析场景发现:回收率(return rate)是影响系统可行性的最关键参数,其提升虽略降利润但显著改善环境与风险目标;回收件节约成本仅在回收率高时具经济价值;供应商容量紧缩迫使次优替代并损害多目标;供应商质量改善对各目标均有协同增益,是最高投资回报方向。
4 Solution Methods: CPLEX, NSGA-II and MOPSO(求解方法)
研究人员对比四种方法:ε-约束法可得精确Pareto前沿但随问题规模指数增长;加权求和法简便但对非凸前沿无效且大规模失效;NSGA-II采用精英保留与拥挤距离维持多样性;MOPSO借助外部档案存储非支配解并利用个体与全局最优引导搜索。结论为小规模问题(≤8变量)ε-约束+CPLEX给出精确最优;中大规模须用元启发式;MOPSO较NSGA-II收敛快35%–45%且解质优20%–30%。
5 Results and Analysis(结果与解析)
5.1 Weighted Sum Method:CPLEX可解前8组中等规模问题,Problem 8耗时28,123 s,Problem 9–10无解,说明加权求和对大规模NP-hard问题不可扩展。
5.2 ε-Constraint Method:小规模问题获精确Pareto,Problem 1耗时260 s,大尺寸问题无可行解。
5.3 Comparison of Results From the ε-Constraint Method, NSGA-II and MOPSO for Small and Medium Scale Problems:在中低维问题中MOPSO在利润(f1)与多数最小化目标上均优于NSGA-II与ε-约束单点解,求解时间最短(Problem 1仅31 s vs ε-约束260 s);ε-约束法在小问题上保证理论最优但不可扩展。
5.4 Comparison of the Results of Meta-Heuristic Algorithms NSGA-II and MOPSO in Large Dimensions:大规模问题(Problem 11–22)中MOPSO求解快于NSGA-II(最高快约34%),且在平衡利润与环境/风险目标上优于NSGA-II(NSGA-II倾向最大化利润而恶化其他目标);供应商超最优数量(文中约12–14家)反而降利增复杂。MOPSO可使CO2较现行管理降低约23%。
5.5–5.6 Performance Comparison Criteria:ε-约束法MID最低(最近理想点),SM最低(分布均匀);MOPSO的MID接近ε-约束且显著优于NSGA-II的大尺寸表现,确认MOPSO适合实际规模CLSC。NSGA-II在SNS(解散布度)上略优。
讨论与结论翻译(研究结论部分浓缩)
本研究提出一个集成MILP框架用于CLSC网络设计,同步优化利润、质量、交付、风险缓解与环境绩效,创新性地纳入绿色供应商多维评价、车辆特异性碳排放及回收设施选址—订单分配联合决策。计算评估表明回收率与材料回收费用是决定拆解经济性的核心要素。小规模问题可用ε-约束+CPLEX获精确Pareto前沿;中等及以上规模推荐MOPSO,因其较NSGA-II收敛更快且解质更均衡。该框架为企业提供利润与可持续性目标的量化权衡依据,证明优先投资回收基础设施及供应商质量管理的战略价值。未来研究方向包括引入随机规划处理不确定性、多周期动态模型、机器学习参数估计及基于真实工业数据的案例验证。
(注:全文专业术语首次出现标注英文缩写,保留原文上下标格式,去除文献引用标记与图表引用标识,内容严格依据原文浓缩。)
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号