供應鏈網路設計

問題描述

你是一家中型電商的老闆，要決定在台灣設立幾個倉庫、分別在哪個城市、每個倉庫服務哪些區域，才能讓總成本（倉庫租金 + 運輸成本）最低？

設施選址問題 (Facility Location Problem)

import pulp
import math

# === 候選倉庫位置 ===
warehouses = ["台北", "台中", "高雄", "花蓮"]

# === 服務城市 ===
cities = ["台北", "新北", "桃園", "新竹", "台中", "彰化", "雲林", 
          "嘉義", "台南", "高雄", "屏東", "宜蘭", "花蓮", "台東"]

# === 資料 ===
# 倉庫固定成本（月租金，萬元）
fixed_cost = {"台北": 50, "台中": 30, "高雄": 25, "花蓮": 15}

# 倉庫容量（件/月）
capacity = {"台北": 10000, "台中": 8000, "高雄": 8000, "花蓮": 4000}

# 城市需求（件/月）
demand = {
    "台北": 3000, "新北": 2500, "桃園": 2000, "新竹": 1500,
    "台中": 2800, "彰化": 1200, "雲林": 800, "嘉義": 1000,
    "台南": 2000, "高雄": 2500, "屏東": 800, "宜蘭": 600,
    "花蓮": 500, "台東": 300
}

# 運輸成本（每件每公里）
cost_per_km_per_unit = 0.5

# 距離矩陣（公里）
distance = {
    ("台北", "台北"): 0, ("台北", "新北"): 20, ("台北", "桃園"): 40,
    ("台北", "新竹"): 80, ("台北", "台中"): 180, ("台北", "彰化"): 200,
    ("台北", "雲林"): 240, ("台北", "嘉義"): 260, ("台北", "台南"): 310,
    ("台北", "高雄"): 350, ("台北", "屏東"): 370, ("台北", "宜蘭"): 60,
    ("台北", "花蓮"): 180, ("台北", "台東"): 350,
    ("台中", c): abs(distance.get(("台北", c), 999) - 180) if distance.get(("台北", c)) else 999
    for c in cities
}

# 建立問題
prob = pulp.LpProblem("供應鏈網路設計", pulp.LpMinimize)

# 變數：y[w] = 1 表示選擇倉庫 w
select = {w: pulp.LpVariable(f"select_{w}", cat="Binary") for w in warehouses}

# 變數：x[w][c] = 從倉庫 w 運送到城市 c 的數量
ship = {}
for w in warehouses:
    for c in cities:
        ship[(w, c)] = pulp.LpVariable(f"ship_{w}_{c}", lowBound=0, cat="Continuous")

# 目標：總成本 = 倉庫固定成本 + 運輸成本
prob += (
    pulp.lpSum(fixed_cost[w] * select[w] for w in warehouses) +
    pulp.lpSum(ship[(w, c)] * distance.get((w, c), 999) * cost_per_km_per_unit
              for w in warehouses for c in cities)
)

# 限制：每個城市的需求必須滿足
for c in cities:
    prob += pulp.lpSum(ship[(w, c)] for w in warehouses) >= demand[c]

# 限制：倉庫產能限制
for w in warehouses:
    prob += pulp.lpSum(ship[(w, c)] for c in cities) <= capacity[w] * select[w]

# 求解
prob.solve()

print(f"\n=== 供應鏈網路設計結果 ===")
print(f"求解狀態: {pulp.LpStatus[prob.status]}")
print(f"總成本: {pulp.value(prob.objective):.2f} 萬元/月")

print(f"\n選擇的倉庫:")
for w in warehouses:
    if select[w].value() == 1:
        print(f"  ✅ {w} (固定成本: {fixed_cost[w]} 萬元/月)")

print(f"\n配送計畫:")
for w in warehouses:
    if select[w].value() == 1:
        total = sum(ship[(w, c)].value() for c in cities)
        print(f"\n{w} 倉庫 (總出貨: {int(total)} 件):")
        for c in cities:
            qty = ship[(w, c)].value()
            if qty and qty > 0:
                dist_val = distance.get((w, c), 999)
                cost = qty * dist_val * cost_per_km_per_unit
                print(f"  → {c}: {int(qty)} 件 (距離 {dist_val}km, 運費 {cost:.0f} 元)")

應用場景

資源分配：在有限預算下最大化產出
排程問題：最小化工廠閒置時間
投資組合：在風險限制下最大化報酬

供應鏈網路設計的關鍵洞察

供應鏈網路設計（Supply Chain Network Design）是 ILP 在真實世界中最有價值的應用之一。一個好的網路設計可以幫企業節省數百萬的物流成本。

模型中的權衡

| 要權衡的項目 | 增加倉庫的影響 | 減少倉庫的影響 | |:-----------|:------------|:------------| | 運輸成本 | 下降（離客戶更近） | 上升（距離更遠） | | 倉庫固定成本 | 上升（更多租金/人力） | 下降 | | 服務水準 | 提升（24h 到貨率更高） | 下降 | | 庫存成本 | 上升（更多安全庫存） | 下降（集中庫存） |

為什麼這不是簡單的問題？

直覺上你可能覺得「倉庫越多越好」，但從上面的表格可以看到——每個決策都有 trade-off。ILP 的價值就在於幫你找到總成本最低的平衡點，而不是靠感覺決定。

敏感度分析

求解後可以問：「如果台北的租金漲 20%，結果會變嗎？」只要改變 fixed_cost 參數重新求解——ILP 可以快速回答這種 what-if 問題。

下一章預告：投資組合最佳化

供應鏈網路最佳化的是實體的物流。下一章的投資組合最佳化的是財務的資產配置——如何在不同風險和報酬的資產之間分配資金。