链上镖师 / Chain Biaoshi
Omega|枢纽失效与需求波动：韧性供应链网络设计与加速求解
用事件级分布鲁棒优化统筹重分配、外包与损失销售，并以加速Benders分解处理大规模实例
论文把枢纽容量损失、客户需求波动和忠诚度关联纳入两阶段网络设计，并用事件级分布鲁棒模型与加速Benders分解配置扰动后的恢复资源。
- 01：同时刻画枢纽容量损失与客户需求波动，并分别建立独立和相关不确定性模型。
- 02：扰动后的可选动作包括货物流重分配、外部资源承接和损失销售。
- 03：12组实例中，加速Benders分解均在10800秒时限内获得最优解。
- 04：样本外测试比较确定性模型与分布鲁棒模型的成本、枢纽方案和恢复策略。
扰动如何穿透枢纽网络
论文研究由仓库、枢纽设施和客户构成的多层供应链网络。扰动发生前，决策者确定枢纽开放方案以及仓库至枢纽、枢纽至客户的货物流；扰动发生后，部分枢纽容量受损，客户需求同步变化，原有线路可能无法继续完成配送，网络随之产生恢复运输、外包服务和需求流失成本。
供应链网络在扰动前后的节点状态、运输路径与缓解策略示意。来源：Fig. 1
枢纽部分失效后仍可保留可用容量。网络可组合使用重分配、第三方外包和损失销售，以控制扰动阶段总成本并维持客户服务。
从事件样本到两阶段韧性决策
模型以两阶段决策连接日常建设与应急响应。第一阶段决定枢纽是否开放以及正常状态下的货物流，目标包含固定成本和运输成本；第二阶段面对具体扰动场景，根据剩余枢纽容量和变化后的需求重新安排运输量、外包量与损失销售量，并把最不利分布下的期望恢复成本纳入总目标。
1按事件类型和严重程度划分互斥的历史样本子集
2为各场景估计容量损失与需求的均值、平均绝对偏差和支持范围
3分别构建不确定参数独立与相关的事件级歧义集
4将分布鲁棒模型重构为混合整数线性模型并执行两阶段优化
事件级歧义集无需预先指定精确的参数分布。每个场景只约束经验均值、平均绝对偏差、合理支持区间和场景概率，样本可来自历史运营与灾害记录，数据稀缺时也可由专家判断或仿真生成。论文进一步用客户忠诚度描述容量损失与需求变化之间的关联，并分别给出独立模型和相关模型。
算例怎样构造
实验中的客户需求取自U[10,40]，两段内部运输成本分别取自U[10,15]和U[5,10]，外包成本与损失销售成本均取自U[20,30]，客户忠诚度取自U[0,1]。枢纽固定成本设为容量的10倍，枢纽容量和仓库库存依据平均分摊后的客户需求生成。
需求、成本与客户忠诚度参数的实验分布设置。来源：Table 2
论文构造P1至P12共12组规模递增实例，分别交给Gurobi、经典Benders分解和加速Benders分解求解。每组实例重复运行20次，单次时限为10800秒，并以0.01%的求解精度作为终止标准。实验同时记录目标值、最小至最大CPU时间、割数量和上下界收敛过程。
加速算法怎样拉近上下界
加速Benders分解先用贪心规则综合枢纽开放成本、容量和需求覆盖贡献，生成可行的高质量初始方案；随后强化主问题，并将各扰动场景的子问题信息聚合为割。P7中，算法在4次迭代内收敛，经典方法约在165次迭代后找到使子问题可行的方案，约到185次迭代才出现关键下界改善。
ABDA与Gurobi在不同实例上的最小、平均和最大CPU时间。来源：Fig. 2
ABDA与经典Benders分解在P1—P8实例中的目标函数上下界收敛过程。来源：Fig. 3
Gurobi与ABDA在12组实例上的求解时间及改善率。来源：Table 3
ABDA与经典Benders分解的割数量、CPU时间和割削减率比较。来源：Table 4
恢复成本与样本外风险
各实例中，扰动前运输成本与扰动后重分配成本合计约占网络总成本的45%至50%，规模扩大后逐步稳定在45%左右。扰动后的运输成本降幅处于10%至55%，场景数量增加后大致维持在40%。外包与损失销售合计占总成本约30%至40%，占扰动阶段成本的57.17%至72.40%。
不同实例规模下运输成本与扰动应对成本的变化。来源：Fig. 5
DOM与DRM在样本外测试中的成本分解和枢纽选址结果。来源：Table 6
表6中的12组实例均显示分布鲁棒模型具有更低的样本外总成本。以P12为例，其设计目标成本为270358.13，高于确定性模型的228697.98；样本外总成本为250293.28，低于确定性模型的293802.18。
恢复策略与客户忠诚度联动
客户忠诚度决定需求在服务中断后的保留程度。忠诚度较高的客户更可能等待服务恢复，忠诚度较低的客户可能转向竞争者并形成需求流失。论文将该参数用于连接枢纽容量损失和客户需求变化，使网络设计能够同时衡量节点受损、需求迁移以及三类恢复策略的成本后果。
DOM与DRM在扰动期间采用各类恢复策略的成本占比。来源：Fig. 7
不同实例在客户忠诚度参数β变化下的成本结果。来源：Fig. 8
不同客户忠诚度水平下模型M2相对模型M1的改善幅度。来源：Fig. 9
策略占比结果显示，确定性模型在扰动期更集中使用重分配，分布鲁棒模型在重分配、外包和损失销售之间形成多策略配置。忠诚度敏感性实验进一步追踪总成本及各策略成本随β变化的结果，并比较相关模型相对独立模型的改善幅度，为企业设置客户留存参数和应急资源组合提供量化依据。
模型适用条件与研究边界
该框架适用于具有仓库、枢纽和客户层级，且需要在扰动前完成设施配置、扰动后快速调整货流的供应链网络。应用时需要能够按事件划分样本，并估计容量损失、需求变化、场景概率及其支持范围。数据稀缺情形可以采用专家判断和仿真样本，结果的可靠性会受到这些输入质量的直接影响。
✓扰动前的参数均视为确定值，全部成本参数已知且固定。
✓扰动仅发生在枢纽节点，仓库至枢纽的连接保持可用。
✓部分受损枢纽仍保留可用容量，多种缓解策略可在同一场景组合。
✓事件子集需要彼此互斥并覆盖全部样本，支持区间应符合物理条件或经验范围。
✓数值验证基于构造的12组实例，论文未报告真实企业网络的部署效果。
模型尚未覆盖仓库失效、运输链路中断、成本动态变化和跨期恢复过程。将结论外推到真实网络前，需要用企业历史事件、客户流失记录和实际外包能力重新校准场景、忠诚度及成本参数。
论文：Enhancing supply chain network resilience against disruption risks: Event-wise robust optimization with accelerated benders decomposition
作者：Qin Huang，Laijun Zhao，Changzhi Wu
期刊：Omega
链上镖师、先卜交通、先卜运筹通用论文ID
保存此推文 ID，可在粉丝群内获取相关材料，未来更多功能敬请期待
先卜科技团队：常文婕、张巧巧、王一航、夏子帆、张晓乐、祁园园、张仁义
