【内部业务支撑】智能规划算法赋能供应链降本增效

背景简介

供应链规划属于战略层，是供应链的上游环节，规划层面的调整将对供应链的下游环节带来巨大的变化和深远的影响，牵一发而动全身，需要以全局视角，对众多环节及策略的成本、效率、体验指标进行评估，当中涉及大量数据、众多分析维度、多环节串联等问题，依赖人工分析将耗费大量的时间精力。

供应链规划算法可以在广度和深度两个方向上，为业务进行赋能：通过运筹模型、高效寻优算法，帮助业务完成复杂问题的计算和最优组合的搜索，拓展组合寻优范围；同时，通过供应链仿真和智能诊断，帮助业务了解不同业务策略背后的指标影响，识别潜在的优化方向和机会点，加深量化价值认知。

供应链智能规划算法及应用介绍

供应链智能规划算法以优化供应链成本、效率、体验为目标，搭建智能诊断-数智解决方案-落地执行-运营监控的供应链规划算法技术体系，在仓网规划、库存布局、供应链仿真、智能诊断领域等建立算法能力。本节将对仓网规划、库存布局、供应链仿真的算法及应用场景进行介绍。





3.1 仓网规划

合理的供应链网络设计，能提升供应链效率，服务企业商业模式和竞争战略的目的。京东内外客户的供应链优化需求主要分为干线网络选址和前置仓网络选址两个场景。

干线网络选址是全国或区域性、多层级的干仓网络规划，以成本、时效全局最优为目标，设计商品从供应商到客户全链路的供应链网络。在综合考虑搬运次数、搬运距离和搬运成本的前提下，实现商品流向、候选点选择、网络层级&覆盖关系、航空/陆运/车型等运输模式的最优组合决策。





在实际的业务场景中，由于存在多种差异化的策略和约束，一般以定制化的形式输出网络规划方案，造成交付效率低、交付成本高。为适配业务差异化诉求，设计了基于仿真场景生成的干线网络规划模型：以业务数据、策略以及约束，支持通过仿真，生成 商品 x 节点 x 层级流向 x 运输模式 网络场景，满足业务定制化诉求；决策模型则高度抽象为网络场景选择的0-1整数规划模型（Binary Scenarios Selection Model），与业务逻辑解耦，保证决策模型通用性。对标Llmasoft、蓝幸等国内外同行仓网规划产品，与物流规划共建NetSim仓网规划系统，支持大家电网络、工业网络、跨境网络、国际物流英国仓、物流网格仓、京东洗衣等仓网规划项目，覆盖零售、物流、工业等BG/BU，在京东内部完成从1-N的推广应用。

为提升大规模干线网络规划问题的求解效率，设计了Pre-filter策略+变量聚类+决策空间降维压缩的求解算法，在物流规划部输入8000W场景决策变量的大规模网络规划问题上，可在90s完成最优结果输出，而SCIP、Gurobi等求解器在该规模下，无法完成问题建模。





前置仓网络选址是单个城市内、近距离的单层网络规划，主要服务即时零售前置仓、线下零售、线下服务的选址规划场景，在城市内通过前置仓/线下门店，实现更近距离、更快时效地触达消费者。当前支持创新零售买菜仓、健康非药前置仓、秒送仓、七鲜1+N、医药药房、3C门店、母婴馆、综合前置仓、京东养车门店等各类仓店站点选址场景，实现京东内部即时零售、线下零售场景100%覆盖。





为突破线上大规模算例的计算瓶颈，与团队的李熠鑫同学共同设计GA+Rollout的求解算法，将强化学习中的探索机制与经典的遗传算法（Genetic Algorithm）进行结合，引入了带优化方向的贪心探索算子，实现局部最优解的跳出与迭代效率的提升。同等求解质量下，新算法在多数案例计算效率对比线上使用的开源求解器SCIP提升9-15倍，满足线上求解精度&求解时长要求；对标商业求解器Gurobi，两者效率上互有优劣，GA+Rollout算法在寻优质量和寻优效率表现更为稳定，在部分案例上，新算法计算效率最多提升48倍。







3.2 库存布局

库存布局环节定位在供应链规划层，衔接仓网规划和计划补货，从规划视角提供商品存放问题的解决方案，是在物理仓库、运输网络关系的基础上，满足体验、成本、效率目标下的商品网络决策。当前库存布局算法覆盖包括BBCC、大件库存布局、时尚鞋服、图书、秒送、跨境等网络场景，实现供应链成本节降5亿+ 。



不同仓网下的库存布局，业务目标、策略因子、选品约束差异化大，同时策略线上化、商品网络自动化生成的诉求高。为快速响应业务诉求，设计了通用的选品策略配置算法模型，解耦选品策略因子、决策模型与选品应用三大模块：通过构建标准的策略因子库，可定制化搭建选品策略；基于用户的选品目标和约束，通过决策模块输出选品结果；结合应用场景，可打通生产系统，或进行选品仿真评估。以通用算法模型为基座，支持差异化业务场景诉求，实现线上化、自动化快速响应，24年支持8个库存布局场景策略上线，其中自动同步执行系统场景3个，通过算法高效调度百万量级SKU，动态调优商品网络。



3.3 供应链仿真

供应链仿真是供应链业务决策优化的量化评估工具。供应链上下游环节之间的耦合紧密，“蝴蝶效应”明显，上游环节的调整，会给下游所有环节带来影响和变化。供应链本身是一个实体场景，通过线下的 A/B 实验，测试业务策略效果，投入成本高、评估周期长，且部分场景不具备 A/B 实验的可行性，因此需要通过仿真技术提供科学决策支持，在数字环境中评估决策的量化影响。

供应链仿真算法技术包含仿真模型构建、仿真方案寻优、仿真计算加速三个方向：建立通用的全链路仿真底层模型，以沙盒形式，组合网络结构、商品布局结构、库存策略和履约定位策略，搭建特定场景仿真，输出全局仿真结果；利用运筹优化和深度学习框架中的梯度下降算法，实现仿真方案组合、策略参数寻优；通过矩阵计算与GPU算力堆叠，对仿真计算加速可提升10-100倍。





在BBCC项目中，支持采销仿真供应商在不同入仓方案下的成本及报价费率的成本仿真，从12月推广至今，覆盖7个事业部，以采销为主的用户群体人数达150+，线上输出费率仿真方案80+，协助采销与供应商进行BBCC入仓谈判；基于FDC的库存宽度&深度的库存仿真，协同零售规划部、物流规划部和物流省区，支持邢台FDC开仓、喀什FDC开仓、直送资源计划保障（大促计划达成率99.5%）、FDC日常资源盘点（预测准确率94.5%）等项目，为物流仓资源评估及三四级规划提供商流输入；为优化VMI的时效体验，为时尚、3C共12个Boss单元、50+家VMI供应商输出航空、陆运的时效仿真，保障消费者的服务体验。

总结与展望

本人基于项目经验介绍了智能规划算法，以及如何赋能供应链业务，从而实现降本增效的降本增效目标。随着新一轮人工智能技术的发展，供应链向自动化、智能化的发展已经是大势所趋，未来将结合大模型、强化学习等前沿技术，设计更高效、高质量的算法应用，同时提升算法“黑盒”的可解释性，降低算法的理解和应用门槛，与合作伙伴共同提升供应链的数智水平。