О РАСШИРЕНИИ СКЛАДСКОЙ БАЗЫ В РАССМАТРИВАЕМОМ ЭКОНОМИЧЕСКОМ РАЙОНЕ С ПАРАЛЛЕЛЬНЫМ ОПРЕДЕЛЕНИЕМ ОПТИМАЛЬНОЙ РАБОТЫ ЛОГИСТИКИ

В статье предложено комплексное решение трех задач линейного программирования: транспортная задача (проблема логистики), задача о максимальном потоке, задача размещения центров. Подобные задачи в предложенной комплексной постановке часто возникают на предприятиях в процессе принятия решения о расширении складской базы с последующим определением оптимального процесса работы складов как пунктов отправки груза до потребителя. Рассмотрены основные алгоритмы поиска оптимального решения, сформулирована комплексная задача, построена модель и реализован алгоритм решения, проведено сравнение существующего метода и авторского. Предложенная модель может быть использована на любом предприятии, где необходимо найти оптимальный комбинаторный вариант для доставки со склада с целью минимизации затрат на транспортировку готовой продукции. Такая задача в точности подходит к экономической ситуации, когда предприятию предстоит отправить продукцию по известной транспортной инфраструктуре при учете стоимости на перевозку. Задача, которую мы решаем, впервые появилась на предприятии лесоперерабатывающей направленности. Такая проблема носит характер нетривиально комбинаторный.

математическое моделирование, линейное программирование, максимальный поток, размещение центров, производство, логистика

1. Писарук Н. Н. Исследование операций. Минск: БГУ, 2015. 304 с.

2. Lee J., & Wiegele A. Another pedagogy for mixed-integer Gomory // EURO Journal on Computational Optimization. 2017. № 5(4). Рр. 455-466.

3. Xiaoping Jiang, Ruibin Bai, Jason Atkin, Graham Kendall. A scheme for determining vehicle routes based on Arc-based service network design // INFOR: Information Systems and Operational Research. 2017. № 55:1. Рp. 16-37.

4. Morrison D. R., Sewell E. C., & Jacobson S. H. An application of the branch, bound, and remember algorithm to a new simple assembly line balancing dataset. European Journal of Operational Research. 2014. № 236(2). Рр. 403-409.

5. Chu W. S., de la Torre F., Cohn J. F. & Messinger D. S. A Branch-and-Bound Framework for Unsupervised Common Event Discovery // International Journal of Computer Vision. 2017. № 1-20.

6. Siew Mooi Lim, Abu Bakar Md. Sultan, Md. Nasir Sulaiman, Aida Mustapha, and Leong K. Y. Crossover and Mutation Operators of Genetic Algorithms // International Journal of Machine Learning and Computing. 2017. Vol. 7. No. 1. Pp. 9-12,

7. Sumathi P. A new approach to solve linear programming problem with intercept values // Journal of Information and Optimization Sciences, 2016. № 37:4. Рр. 495-510.

8. Daganzo C. F. & Smilowitz K. R. Bounds and approximations for the transportation problem of linear programming and other scalable network problems // Transportation Science. 2004. № 38(3). Рр. 343-356.

9. Hadi Heidari Gharehbolagh, Ashkan Hafezalkotob, Ahmad Makui, and Sedigh Raissi. A cooperative game approach to uncertain decentralized logistic systems subject to network reliability considerations // Kybernetes. 2017. Vol. 46. № 8. Pp. 1452-1468.

10. https://pastebin.com/Mz2xnwft

11. https://pastebin.com/8KZ5Bf5j

12. Maysara Sayed, Linda C. Hendry, Marta Zorzini Bell. Institutional complexity and sustainable supply chain management practices // Supply Chain Management: An International Journal. 2017. Vol. 22. Issue 6. Pp. 542-563. URL: https://doi.org/10.1108/ SCM-10-2016-0365