shield_lock
JinDaGe
← Back to skills
extension
Category: Data & AnalyticsNo API key required

仓配网络优化器

基于整数规划（MILP）的仓配网络优化系统，支持时效计算（含等待时间）、中转链路、供应关系到区县等。

personAuthor: jinqianfeihubclawhub
open_in_newRepositorydownloadDownload package

仓配网络规划优化器 Skill v2.7

概述

基于整数规划（MILP）的仓配网络优化系统，使用 PuLP+CBC 求解器，支持多约束优化。

版本历史

| 版本 | 日期 | 更新内容 | |------|------|----------| | v2.7 | 2026-04-07 | RDC数量改为上限（<=N），新增参数引导流程 | | v2.6 | 2026-04-07 | 智能单位检测 + 加权平均时效指标 | | v2.5 | 2026-04-07 | 优化门店匹配逻辑（城市优先，省份备选） | | v2.4 | 2026-04-07 | 新增等待时间计算（考虑发车日） |

📋 完整使用流程

Step 1: 准备数据文件
    ↓
Step 2: 转换数据（Excel → JSON）
    ↓
Step 3: 配置优化参数 ⭐【新增引导流程】
    ↓
Step 4: 运行优化 → 生成 Excel 报告

🎯 Step 3: 参数配置（重要更新 v2.7）

参数引导清单

1. 基本参数 | 参数 | 说明 | 格式 | |------|------|------| | RDC数量上限 | 最多选择的RDC数量 | 数字（如5） |

2. 约束条件（可选） | 参数 | 说明 | 格式 | |------|------|------| | 必选仓库 | 必须包含的RDC仓库 | 仓库名列表 | | 禁止仓库 | 不能作为RDC的仓库 | 仓库名列表 |

⚠️ 重要：RDC数量含义

  • 旧逻辑：== N（恰好N个）
  • 新逻辑：<= N（最多N个，由优化器自动选择最优数量）

🔴 v2.7 重要变更

1. RDC数量改为上限

变更前：

设置 RDC=5 → 必须恰好选择5个RDC

变更后：

设置 RDC<=5 → 最多选择5个RDC，优化器自动选择最优数量
优点：更灵活，避免过度建设

2. 参数引导流程

优化前必须确认的参数：

1. RDC数量上限（N）
2. 必选仓库（如有）
3. 禁止仓库（如有）

🚀 快速开始

1. 安装依赖

pip install pulp pandas openpyxl

2. 准备数据文件

| 数据类型 | 格式 | 说明 | |----------|------|------| | 门店数据 | Excel | 省份、城市、区县、详细地址 | | 干线数据 | Excel | 仓库间调拨线路和时效 | | 共配数据 | Excel（多Sheet） | 各基地报货周期表 |

3. 转换数据

# 转换干线数据（自动检测单位并转换）
python3 convert_data.py --trunk 干线数据.xlsx --output-dir .

# 转换共配数据
python3 convert_data.py --distribution 共配报货周期表.xlsx --output-dir .

4. 配置参数并运行

python3 run_optimization.py \
    --store-file 门店数据.xlsx \
    --rdc-count 5 \        # 最多5个RDC
    --output result.xlsx

📊 优化算法逻辑

1. 目标函数

最小化：Σ(门店数 × 线路时效) 加权和

2. 约束条件

1. 每个省份必须分配给1个RDC
2. RDC数量 <= 指定上限
3. 必选仓库（如果有）必须被选中
4. 禁止仓库（如果有）不能被选中

3. 时效计算

总时效 = 等待时间 + 干线时效 + 等待时间 + 配送时效

| 时效类型 | 单位 | 说明 | |----------|------|------| | 干线时效 | 天 | 由小时转换或直接使用 | | 配送时效 | 天 | 共配表原始数据 | | 等待时间 | 天 | 因发车日导致的等待 |

4. 链路类型判断

| 链路类型 | 判断条件 | |----------|----------| | 直达 | RDC = 配送基地 | | 调拨一次 | RDC ≠ FSL，有直达干线 | | 中转 | 需要经过TC中转仓 |

5. 门店匹配逻辑

1. 优先城市精确匹配
2. 其次省份模糊匹配
3. 城市推断省份

📊 输出Excel结构

| Sheet名称 | 内容 | |-----------|------| | 执行摘要 | 关键指标、RDC数量、覆盖区域、加权平均时效 | | RDC选址 | 选中的RDC仓库 | | 供应关系 | 完整链路信息（含时效分解） | | 调拨中转仓 | 涉及的中转链路 | | 省份分布 | 各省归属 |

执行摘要字段

| 字段 | 说明 | |------|------| | RDC数量 | 实际选中的RDC数量（≤上限） | | 覆盖区域 | 省-市-区组合数 | | 总门店数 | 有效门店总数 | | 时效单位 | 天 | | 加权平均时效 | Σ(门店数×时效)/总门店数 |

📝 代码示例

方式1：命令行

python3 run_optimization.py \
    --store-file 门店数据.xlsx \
    --rdc-count 5 \
    --output result.xlsx

方式2：Python调用

from run_optimization import optimize_and_generate_excel

optimize_and_generate_excel(
    store_file='门店数据.xlsx',
    num_rdc=5,  # 最多5个RDC
    output_file='result.xlsx'
)

✅ 检查清单

  • [x] RDC数量改为上限（<= N）
  • [x] 参数引导流程
  • [x] 智能单位检测
  • [x] 加权平均时效指标
  • [x] 时效计算（含等待时间）
  • [x] 链路类型判断
  • [x] 供应关系展示到区县级别
  • [x] 门店匹配逻辑（城市优先，省份备选）

📁 文件结构

warehouse-network-optimizer.skills/
├── SKILL.md               # 本文档
├── convert_data.py         # 数据转换脚本
├── run_optimization.py     # 核心优化脚本
├── trunk_lines.json        # 干线数据
└── distribution_cycles.json # 共配数据

Status: 生产可用 ✅
Version: 2.7.0
核心功能: 整数规划优化 + 智能单位检测 + 加权平均时效