基于CPLEX的双工厂多配送点5需求场景生产计划模型问题咨询

问题说明 #

现有双工厂向5个配送点供货的生产计划模型，需基于历史需求生成5种需求场景（乘数为0.8、0.9、1.0、1.1、1.2），但原代码仅支持单一预测系数，且之前尝试主函数迭代时无法获取决策变量x的取值。

解决方案 #

以下提供两种可行的实现方式：

方式1：主函数迭代求解多场景 #

通过OPL主函数循环遍历所有预测乘数，每次更新ForecastMultiplier后求解模型，并将每个场景的决策变量值和目标函数值输出保存。

修改后的完整代码：

// Data
range ProductionRegionID = 1..2;
range SalesRegionID = 1..5;
// 定义所有预测乘数场景
float multiplers[1..5] = [0.8, 0.9, 1.0, 1.1, 1.2];

// 工厂最大产能
int cap[ProductionRegionID] = ... ;
// 工厂生产成本费率
float cost[ProductionRegionID] = ... ;
// 工厂到配送点的运输成本
float Trans[ProductionRegionID][SalesRegionID] = ... ;
// 各配送点历史需求
int HistOrder[SalesRegionID] = ... ;
// 预测乘数（主函数中动态赋值）
float ForecastMultiplier;

// 决策变量：工厂p向配送点s的配送量
dvar int+ x[ProductionRegionID][SalesRegionID];

// 目标函数：最小化总生产成本+总运输成本
minimize sum (p in ProductionRegionID, s in SalesRegionID) (cost[p]*x[p][s] + Trans[p][s]*x[p][s]);

// 约束条件
subject to {
  // 每个配送点的需求满足约束
  forall(s in SalesRegionID)
    sum (p in ProductionRegionID) x[p][s] >= ForecastMultiplier*HistOrder[s];
  // 每个工厂的产能约束
  forall(p in ProductionRegionID)
    sum (s in SalesRegionID) x[p][s] <= cap[p];
}

// 主函数：迭代所有场景并输出结果
main {
  var source = thisOplModel;
  var cplex = new IloCplex();
  var data = source.dataElements;
  
  // 遍历每个预测乘数场景
  for(var m in data.multiplers) {
    writeln("=== 处理预测乘数为 ", m, " 的场景 ===");
    source.ForecastMultiplier = m;
    
    // 加载模型并求解
    var cplexModel = cplex.copyModel(source);
    if(cplex.solve()) {
      // 输出当前场景的目标总成本
      writeln("目标总成本: ", cplex.getObjValue());
      
      // 获取并输出决策变量x的取值矩阵
      writeln("配送量矩阵x：");
      for(var p in data.ProductionRegionID) {
        var rowContent = "";
        for(var s in data.SalesRegionID) {
          rowContent += cplex.getValue(source.x[p][s]) + "\t";
        }
        writeln(rowContent);
      }
    } else {
      writeln("场景乘数", m, "求解失败");
    }
    cplexModel.end();
  }
  cplex.end();
}

关键说明：

• 通过cplex.getValue(source.x[p][s])可直接获取决策变量x在当前场景下的取值，解决之前无法读取矩阵变量值的问题
• 每次迭代后调用cplexModel.end()释放资源，避免内存溢出

方式2：一次性建模所有场景 #

将场景作为额外维度加入模型，一次性求解所有场景的最优解，适合场景数量较少的情况（如本次的5个场景）。

修改后的代码示例：

// Data
range ProductionRegionID = 1..2;
range SalesRegionID = 1..5;
// 场景索引
range ScenarioID = 1..5;
// 各场景对应的预测乘数
float multiplers[ScenarioID] = [0.8, 0.9, 1.0, 1.1, 1.2];

// 工厂最大产能
int cap[ProductionRegionID] = ... ;
// 工厂生产成本费率
float cost[ProductionRegionID] = ... ;
// 工厂到配送点的运输成本
float Trans[ProductionRegionID][SalesRegionID] = ... ;
// 各配送点历史需求
int HistOrder[SalesRegionID] = ... ;

// 决策变量：新增场景维度，sc场景下工厂p向配送点s的配送量
dvar int+ x[ScenarioID][ProductionRegionID][SalesRegionID];

// 目标函数：最小化所有场景的总成本之和（可按需调整为加权和或其他形式）
minimize sum (sc in ScenarioID, p in ProductionRegionID, s in SalesRegionID) (cost[p]*x[sc][p][s] + Trans[p][s]*x[sc][p][s]);

// 约束条件
subject to {
  // 每个场景下的配送点需求满足约束
  forall(sc in ScenarioID, s in SalesRegionID)
    sum (p in ProductionRegionID) x[sc][p][s] >= multiplers[sc]*HistOrder[s];
  // 每个场景下的工厂产能约束
  forall(sc in ScenarioID, p in ProductionRegionID)
    sum (s in SalesRegionID) x[sc][p][s] <= cap[p];
}

关键说明：

• 变量x新增场景维度ScenarioID，每个场景对应一组独立的配送决策
• 求解后可直接通过x[sc][p][s]获取第sc个场景下工厂p向配送点s的配送量
• 若无需同时优化所有场景的总成本，方式1的迭代求解会更灵活

内容的提问来源于stack exchange，提问作者Anduliska