基于Anylogic的汽车零部件销售店布局研究

王 欢，李 民



基于Anylogic的汽车零部件销售店布局研究

王 欢，李 民

（昆明理工大学 机电工程学院，云南 昆明 650500）

随着汽车零部件的配套全国化、全球化发展，零部件销售店布局的问题也越来越突显，配送成本已成为物流所考虑的重要问题。本文以北京市为研究对象来优化该地的汽车零部件销售店布局。通过已知确认的的几个物流配送中心，在GIS地图上标示出来，运用Anylogic软件建模与仿真，通过定性和定量相结合的方法对汽车零部件销售店布局进行科学的研究，最终得出最优配送位置。

汽车零部件销售店布局；配送中心；GIS；Anylogic；建模与仿真

0 引言

近年来，随着经济的快速发展，我国汽车市场日趋成熟，加之原材料价格的大幅上涨及整车业的压价，汽车零部件供应企业利润空间越来越小。物流是企业的重要价值来源，降低物流成本，提高作业效率，对汽车零部件物流企业来说己迫在眉睫。汽车零部件物流配送中心是汽车零部件物流的必然选择，其功能的有效实现主要取决于设施布局规划的合理性，运用适当的方法实现各个设施的最优布局，对于降低物流成本，提高作业效率以及满足客户需要具有重要意义[1-2]。

1 研究的理论基础

1.1 Anylogic软件介绍

AnyLogic是俄罗斯的XJTechnologies公司研发的复杂系统仿真软件，能与GIS相结合，进行模拟仿真[3-4]。软件提供模板式的结构，用户从模板库中将所需对象拖拉到工作空间中，再定义这些对象的属性和相互间的关系，使建模过程变得直观快捷。AnyLogic支持最常用的三种模拟方法：系统动力学、离散事件以及基于Agent建模，其中基于Agent的建模与仿真方法试图通过对Agent 的行为及其之间的交互关系、社会性进行刻画，来描述复杂系统的行为，并且使得整体系统对于群体行为复杂性的表现能力超过了单个主体行为的简单叠加[5]。从实践运用的观点来看，基于Agent 的建模应定义为本质上分散的、以个体为中心的模型设计方案。基于Agent的建模方法可以较好的诠释个体在一个环境中所表现出的状态，通过建立他们之间的联系，使得整体的行为成为个体行为相互交织的结果，为模拟仿真方法提供了一个新视角[6]。

1.2 销售店布局

物流网点作为物流系统的重要组成部分，其存在的目的就是为物流系统提供支撑，通过物流系统的目标，我们知道销售店布局的内容主要包含以下几部分：

（1）网点数目的多少，即针对某一企业按其生产及零部件的分布情况具体应该设立几个网点来为其服务；

（2）网点规模的大小，不同区域所服务的对象不同，资源量、品种也有所差别，应该根据实际情况设计其面积；

（3）网点的位置，物流网点位置的确定往往由其流向、流量确定；

（4）网点的供货范围，即物流网点主要负责中转、流通的货品种类及其服务对象物流网点布局主要分为地区和地点的选择。地区选择，考虑宏观布局，确定应该设立多少个网点，应该设立在什么地区；地点选择则考虑微观因素（资源、环境、交通), 是确定在被选定的地区中应该设立几个网点，设在什么地方。

具体来说，地区选择主要考虑因素有：符合国家的宏观生产力布局和经济发展规划；地区经济发展水平与市场前景良好，有比较充足的物流需求量；与大物流系统网络接轨配套；交通基础设施比较齐全、配套，运输方便；能源、信息、市场、法制等基础条件好；还要考虑竞争态势和自己的实力情况，如果在这些地区有很强的竞争对手，则要根据自己的实力来确定是勇敢挑战还是采取回避策略[7-13]。

2 汽车零部件销售店布局仿真模型的建立

销售店布局的问题实际上就是配送问题，本文运用Anylogic软件，建立一个城市配送案例来对北京市部分零部件销售店布局进行建模与仿真。该模型基于GIS和智能体定义配送节点和运输车辆。输入所有配送节点的位置以及上下级的关系、各节点间配送路线、货物配送订单的产生，包括初始地、目的地和货物量和运输车辆的内容以及安排规则等。输出为货物运输完成总量、运输成本（以运输车辆行驶里程计算）和不同网点布局或派送规则比较。以下是用Anylogic软件建模的具体过程。

2.1 创建Order智能体

Order智能体中只包含一个类型为Retailer的参数，其作用在于为货车提供一个信息，其模型如图1所示。

2.2 创建Truck智能体

Truck智能体包含一个参数owner（其类型为Ditributor）、当前的订单变量order（其类型为Order）、车的忙闲程度变量busy（其类型为boolean）和一个时间变量timeMove（其类型为Double）。这些变化可以用状态图来表示，状态AtDistributor收到一个订单信息变迁进入第二个状态moveToRetailer，第二个状态接收到一个消息开始unload，最后又回到配送中心Distributor。依次循环，货车状态图流程如图2所示。

图1 Order智能体模型

图2 Truck智能体模型

其内部逻辑为：

Distributor进入行动busy=false；

离开行动busy=true

接收到一个消息产生行动：order=msg；

moveTo(order.retailer)；

到达moveToRetailer后进入行动timeMove= time()；

Back的进入行动是moveTo(owner)；

智能体到达后产生行动owner.cost+=(time()- timeMove)*0.5

此时会产生一个分支当满足条件！owner.coll­ectionOrder.isEmpty()会产生行动order=owner.coll­ectionOrder.removeLast()；

moveTo(order.rentailer)；

2.3 创建Distributor智能体

首先设置一个参数numOfTrucks来设定配送中心车的数量,再将所有车队放在一个集合truckFleet里面。车子内部逻辑图由findTruck、For循环、决断、返回状态组成。

2.4 创建Retailer智能体

零售店负责接收产生的订单，设置一个函数generateOrder来表达此订单，该函数体的表达如下所示：

Order o=new Order()；

o.retailer=this；

Distributor d=getNearestAgentByRoute(main. distri­butor)；

Send(o,d)；

Event-事件可以用时间来表示，选择速率为每小时五次，产生的行动用generteOrder（）表示。

2.5 模型初始化

以北京市区为研究对象，在模型中建立一个GIS地图，找到北京市城区图，按照给出的坐标标记出五个GIS点，其中GISPoint、GISPoint1、GISPoint2三个点为汽车零部件销售店地址，其余的GIS点为其配送对象，他们的地理位置如表1和图5所示。

图3 Distributor智能体模型

图4 Retailer智能体模型

创建智能体群distributors、retailers和trucks,将他们都设定为包含给定数量的智能体，初始智能

体数都为零，定义配送中心和零售店的地理位置collectiongDistributor和collectionRetailer，再建立一个函数initial。该函数的函数体为：

for(int i=0;i

Retailer r=add_retailers();

r.setLocation(collectionRetailer.get(i));}

for(int i=0;i

Distributor d=add_distributors();

d.numOfTrucks=uniform_discr(5,10);

for(int j=0;j

Truck t=add_trucks();

t.owner=d;

d.truckFleet.add(t);

t.setLocation(collectionDistributor.get(i));

}

建立完模型然后运行，从软件中得到相关仿真数据，然后对这数据加以处理分析得出结论。

表1 销售店运输成本

Tab.1 Transport costs of sales outlets

3 仿真结果分析

在Distributor智能体上加上一个文本cost后即可运算出货车从各个销售店在一定时间内向各个配送站运输货物的总成本的大小，成本直接显示在每个销售店图标上方，随着时间的改变而改变。通过Anylogic系统仿真结果对这些数据进行统计和分析就可以确定三个销售店中最优位置。

根据仿真结果得到成本数据如表2所示。

由表中数据可知GISPoint点成本最低，成本最高的是GISPiont1.分析可以得到GISPoint点为汽车零部件的最佳销售点，它向外配送可以使成本达到GISPoint1由于成本过高，可以取消在该点的布局。

4 结论

本文运用Anylogic仿真软件来对具体的实例进行建模仿真，相比其他仿真软件，Anylogic有其更强大的功能，结合了多种建模方法，避免了因仿真方法不足所造成的系统仿真误差，大大提高了仿真效率和准确性，从而可以准确的仿真出最优的销售店位置。

图5 零售店需求分布图

图6 仿真结果图

表2 销售店运输成本

Tab.2 Transport costs of sales outlets

表3 销售店位置坐标

Tab.3 Location coordinates of sales outlets

[1] 冯耕中. 物流配送中心规划与设计[M]. 西安: 西安交大出版社, 2004.

[2] 毛海军. 基于Anylogic的仿真平台的物流中心建模分析[J]. 东南大学学报, 2008(3): 314-318.

[3] 郭洪涛. 物流中心物流系统建模与仿真[D]. 南京: 东南大学, 2007.

[4] 王愧林. 物流管理学[M]. 武汉: 武汉大学出版社, 2004: 35-43.

[5] 陈洁. 物流中心的模式研究[J]. 中国水运, 2006(6): 216- 217.

[6] 齐二石. 物流工程[M]. 北京: 机械工业出版社, 2006.

[7] 侯玉梅. 物流工程[M]. 北京: 清华大学出版社, 2011.

[8] 郑畅. 物流中心选址方法研究[D]. 武汉: 武汉理工大学, 2004.

[9] 苏尼尔·乔普拉. 供应链管理[M]. 第5版. 北京: 中国人民大学出版社, 2013.

[10] 蒋方玲. 用户驱动的软件实施方法研究[J]. 软件, 2015, 36(5): 89-92.

[11] 姜雪原. 基于动态规划算法的轨迹地图匹配软件设计与实现[J]. 软件, 2015, 36(5): 108-112

[12] HAO Qian-qian, DING Jin-kou, WANG Jian-fei. A self- adaptive learning rate principle for Stacked Denoising Autoencoders[J]. 软件, 2015, 36(9): 82-86

[13] Wang S, Sun Q, Zou H, Yang F. Particle Swarm Optimization with Skyline Operator for Fast Cloud-based Web Service Composition. Mobile Networks and Applications, 2013, 18(1): 116-121.

Research on the Distribution of Auto Parts Sales Shop Based on Anylogic

WANG Huan, LI Min

(School of mechanical and electrical engineering, Kunming university of science and technology, Kunming 650500, China)

With the development of auto parts nationwide and globalization, the distribution of parts and components is becoming more and more obvious. The cost of distribution has become an important issue in logistics. This article takes Beijing city as the research object to optimize the layout of auto parts store. Through several known logistics distribution centers, it is marked on the GIS map, using Anylogic software modeling and simulation, through the combination of qualitative and quantitative methods to study the distribution of auto parts sales stores, and finally get the optimal distribution position.

The layout of auto parts shop; Distribution center; GIS; Anylogic; Modeling and simulation

TP391.9

A

10.3969/j.issn.1003-6970.2018.09.021

王欢(1993-)，男，研究生在读，主要研究方向：生产及制造系统工程；李民(1973-)，女，副教授，主要研究方向：生产及制造系统工程。

本文著录格式：王欢，李民. 基于Anylogic的汽车零部件销售店布局研究[J]. 软件，2018，39（9）：103-108