Multilevel Facility Location Optimization (多级设施选址优化)

1. 解决的问题

在一个从工厂到终端消费者的多层级供应链网络中，决定在哪里建哪类设施、各层级之间如何连通，使全链路固定成本和运输成本之和最小。

2. 核心算法逻辑

多级设施选址问题（MFL）解决的核心问题是：在一个从工厂到终端消费者的多层级供应链网络中，决定在哪里建哪类设施、各层级之间如何连通，使全链路固定成本和运输成本之和最小。它比传统的"仓库客户"两级模型更接近真实供应链。

3. 业务应用场景

业务问题： 某中国出海品牌（消费电子或母婴用品）正在规划全球供应链网络。现有候选节点：2 个国内工厂、4 个国内/海外总仓候选位置、8 个海外分拨中心候选位置、覆盖 50 个终端市场。问题是：应该开哪些仓？各仓如何互联？ 每个节点的开设都涉及高额固定租金合规成本，而物流方案又直接影响履约成本。

数据要求： - 候选设施列表：各层级候选位置的固定年化成本（万元/年）和处理能力（件/月） - 运输成本矩阵：各节点间单位货值的物流报价（万元/万件） - 市场需求预测：各终端市场月均销量（件/月）

预期产出： - 最优仓网拓扑：哪些工厂/总仓/分拨中心应该开设 - 物流分配方案：各层级之间的货量分配关系 - 全链路总成本：年化固定成本 + 运输成本

4. 输入数据要求

请查看原始代码模板获取输入规格。

5. 输出结果

请查看原始代码模板获取输出规格。

6. 业务价值 / ROI

• ✓ 正在规划新市场进入（美国/欧洲/东南亚）
• ✓ 现有仓网有 3 个以上节点，怀疑存在冗余
• ✓ 面临仓网从 2 级升 3 级的扩张决策
• ✗ 仓网结构已固定且短期无调整计划（此时应转向动态库存优化）

7. 代码模板

代码块数量：1 · 路径：未检测到

"""
快速上手示例 - 出海供应链四级 FLP 规划
完整代码见: paper2skills-code/04-供应链/multilevel_flp_2024/model.py
"""
import sys
sys.path.insert(0, "paper2skills-code/04-供应链/multilevel_flp_2024")

from model import (
    FacilityNode, MarketNode, MLFLPInstance,
    generate_random_instance, vnd_solve, print_solution_summary
)

# -------------------------------------------------------
# 1. 构建实例（或使用 generate_random_instance 生成测试数据）
# -------------------------------------------------------
instance = generate_random_instance(
    n_plants=2,       # 国内工厂数量
    n_warehouses=3,   # 候选总仓数量
    n_dcs=5,          # 候选分拨中心数量
    n_markets=20,     # 终端市场数量
    seed=2024,
)

# -------------------------------------------------------
# 2. VND 启发式求解
# -------------------------------------------------------
best_solution, cost_history = vnd_solve(
    instance,
    max_iterations=1000,
    seed=42,
    verbose=True,      # 打印迭代过程
)

# -------------------------------------------------------
# 3. 输出结果
# -------------------------------------------------------
print_solution_summary(best_solution, instance)

# 查看分配决策
print("\n仓网分配决策:")
print(f"  开放总仓: {best_solution.open_warehouses}")
print(f"  开放分拨中心: {best_solution.open_dcs}")
print(f"  DC -> Warehouse 映射: {best_solution.assign_wd}")

# 优化效益
initial_cost = cost_history[0]
final_cost = best_solution.total_cost
saving_pct = (initial_cost - final_cost) / initial_cost * 100
print(f"\n优化效益: {initial_cost:.2f} → {final_cost:.2f} 万元 (节省 {saving_pct:.1f}%)")

8. 论文来源

• 2406.07382