我们前面也提到过，如果把物流优化这样一个因素加进去，我们物流信息化的水平其实是被拉低的，我们做到的业务执行数据采集的可视化，数据的连接性，供应链的可视，我们上午说了到了这个水平，如果优化算进去我们的物流系统优化就是商务智能，包括智能物流的水平还是比较低的，我认为只能达到这样数据连接性，因为我们现在一方面是我们的数据不够规范，不够完整，很难用这些数据进行真正的优化和决策。第二个用户不知道这个优化到底能为他的供应链，为他的物流带来真正的效益。 那么第五个方面，就是物流信息系统的服务关注点，向产业链的下游转移，一个方面上是高层次的DSS决策支持转移，另外又非常具体的在现场作业，刚才讲的场景，这是产业协同的，柔性供应链，企业资源管理，ERP，分销，DRP分销。包括零售连锁店的管理已经做的是比较好的，那么物流系统本身它需要很多的优化，特别是第三方物流的信息系统，包括资源的用户管理，需求供应链的管理。其实我们刚才说的库存的优化，运输配送线路的优化，这都是他叫信息系统的服务关注点，向下游转移，本来是下游这些具体的作为物流信息化来讲是最容易的实现的，也是最早应用的，应用比较普遍的。那么为什么在向下游转移，因为下游这里面还是只做到了信息的采集和信息的这种共享，数据分析，报表等等，它没有做到用这些数据和信息进行优化，进一步的节约资源，进一步的去优化你的流程降低成本。而且在末端这些优化都是一些难题，它比一般的信息化实现起来还要难。 第二个问题我们对物流系统优化的问题进行一些归纳，这就是需求分析，刚才说了，企业不知道你搞优化到底是干什么，能为企业解决什么问题。另外这些搞物流系统优化的或者是搞一些数学上运筹学优化算法的这些人才，包括高校，研究所，包括一些搞优化的服务的这种公司，他不知道企业到底有哪些问题，特别是物流这个领域到底有哪些具体的问题需要优化，所以说我们简单做一个需求分析，需求分析是一个非常供应链巨大，非常细致的工作。我们简单做一个分析，随着市场经济的发展和物流专业化的水平提高，物流业迅速发展，在物流作业的过程中大量的运筹学的问题需要解决，选址，仓库选在什么地方，配送中心，配送车辆的优化，零散生产排程优化问题，就是制造业生产线的优化，都市联运的方案选择和都市联运的线路优化，都市连云涉及到多种方式的连接，这些都是一些典型的优化问题，这些典型的优化问题进一步如果我们用物流的一些典型问题进一步归纳，就可以归纳这么五个方面。 第一个是配送中心的仓库选址优化，我们叫多场景选址优化，为什么叫多场景呢？因为供应链上他要考虑你是在哪个地方建仓库，建几个，仓库建多了你的运输线路相对长，那么如果仓库建少了，线路短了，仓库成本又增加了，这有一个多场景的选址，当然还有很多因素，各个地方经济的发展，消费水平，它的物流服务的水平等等，我们叫多场景选址优化。 第二个典型问题就是配送车辆的路径的优化问题，这个问题又分这么几个层次，第一个叫TSP问题，纯是一个数学问题，从一点出发要经过几个城市，几个桥梁，每次只能一个点经过一次，哪个线路是最短的，如果点多了这是非常复杂的问题。 另外就是VRP问题，这是我们叫做车辆配载问题，它不但要考虑线路，而且还要考虑车辆的载重量，派几个车，怎么样去节约车，车辆不能超重，不能超宽，超高。但是还要尽量的满载，然后尽量的少派车，沿着一个比较短的路径，他一般是从培训中心出去送一圈货再回来这种情况，怎么样更好的优化线路，另外就是PPP问题，就是送货取货问题，我在送货的同时取货，这个怎么样去优化。再就是RLP问题，带选址的路径优化。就是说我这个出去前面VRP问题这些点必须送到，RLP问题要选址，我在配送过程中选择这些送货取货点，怎么样去优化。 第三方面的问题就是典型的多址连运的优化问题，这个多制连运，当然前面车辆配送中心问题必须要配合GS和GPS。都市连云更要配合电子地图，电子海图，因为都市连云主要的大批量的，比如说国际贸易90%的货物都是通过海上走的，就需要电子海图，需要海上运输的优化。那么再就是比较多少年来，这些业界一直在努力，包括一些学者，一些行业里面的人员，包括一些软件企业，比如说最典型的SAP，他们做ERP的，就在研究制造业高级生产配置问题，他是怎么样把APS，就是高级生产排程这样一个优化的模型算法与MRP或者ERP紧密的结合嵌入到里面去，比如说这里面可以解决除了解决制造业生产排程，其实他还可以解决呼叫中心坐席排班问题，其实这些问题，就是生产排程问题抽象出来之后，数学上的问题和呼叫中心坐席排班坐席都是有相同的一些优化模型或者说算法，最后他还要求这样一个优化能够以图或者是一些电子地图的方式显示出来，我们说图形化的界面。最后微观的配送中心与仓库内部的库存优化，库存策略模型，到底采用

第二个就是说，这些建模的数学的模型和算法，当然他也有一些系统或者是一些软件，他的界面后面一般的习惯的这种关系系统或者是表格化的或者是特别是图形化的这种习惯是不太一样的，所以说我们还有一个任务，就是怎么样使他和我们习惯用的这种MISS界面，特别是可视化的二维三维的，比如说对地图对象，对时间，地图对象就是在GS上的地理信息系统，甚至是对仓库，对集装箱堆厂，对散伙堆厂，这种三维的展示，三维的优化，比如说你对一个配送中心的自动堆割机，对一个港口的装卸场景，你用三维的展示，这个三维还有伪三维的，还有真实的这种虚拟现实的三维的。一般伪三维我们用3D的效果就可以了，虚拟现实就要求更高了，跟真的一样，你人可以介入进去，去展示这些优化的结果，使它更加真实，更加可视化，更方便用户的这种体验，我们总结归纳一下，其实我们对物流系统优化求解系统的要素，这个求解系统就是刚才说的工具化，系统化，平台化，提供给客户用，而不是一个一个去建模，一个一个去研究。它的思想就是将这些三项技术，一个是智能解算器，这是建模了，简洁高层次数学建模，我们等一下介绍它是什么样的建模语言和平台。第二个就是求解，建模难，其实优化问题更难的是求解，模型出来了，你怎么样能够高效的快速的求解，而且你这个求解是严谨的，完备的，你最后的系统求解到底达到多优，你还是发散式根本没有解，要告诉用户，最后就是高效的业务规则，对不同的行业，不同的应用场景你给出一些快速的个性化的规范求解，或者是一些比较成熟的算法，你能快速的通过一些我们叫做求解，就是策略能够得出一些真正的优化的一些规范性求解结果。 这里有一个难点问题，稳定求解大规模复杂问题的有效方法，因为优化数据，优化目标如果多于两个以上或者数据量非常大的时候，就变成了一个多目标的动态的组合优化，这样你的求解器和算法怎么样有效的结合，用尽量简洁的数学模型清晰的定义问题，大家一看就明白，就是这么一个数学问题。举一个例子就是田忌赛马，三匹马你这个两方决策对弈三匹马，你可以用人脑思维或者你用手算一算，用它的上马对他的下马，用他的中马对他的下马，用他的上马对下马，然后他可以赢掉。 单位如果这个问题变成四匹马，五匹马，十匹马，一百匹马，人是没有办法去解的，只有用这种求解的工具。用业务逻辑去规范求解空间，让求解空间尽量的少，尽量快的找到优化的解。 我们举一个例子，比如说路径优化问题，VRP或者PEP问题。VRP问题就是车辆路径的优化问题或者说我们叫配车问题。那么送货取货问题就是，就是送货同时取货，这在供应链和物流上最常见的问题，这就涉及到对车辆的全局调度及线路的优化，两个问题合在一起了。那么我们看看对车辆的约束，这就是什么呢？这就是告诉，你跟客户，你说他就明白，你说把数学模型拿出来，参数拿出来可能不知道怎么回事，比如说运输能力，你每台车载量，你的时间，客户要求你运输配送时间是多少，时间跨度是多少，多少个车次，相容性，车辆对客户的相容性，产品类，准入吨位，工作日期，你运输什么产品，比如说有的车只能要求产品，只能是非常干净的，比如说服装、食品等等的集装箱，那么而且这个车辆的实际吨位或者说容积吨位是有限制的，多少吨，我不同的目的岗要求两个订单有不同的车辆服务，或者是两个不同港要求订单用不同的船，或者到了之后用不同的车辆来进行门到门的服务，客户的优先级，哪些客户是急的，要加急，其他就是在港与否，工作条例，包括工作的规章制度，订单优先权等等，这是车辆的约束。再一个方面是线路约束，距离约束，你要求多长时间送达，多少里，费用，一般是我们的运输，特别是实际的运输都是按吨公路收钱的，当然也有包车的这种整车的运输。海运也是按吨，从哪儿到哪儿来收取海运费。 工作条例，工作的时间量，间休，你几班倒，工班是怎么规定的。时间窗口要求做上而非下午供货，这个时间窗口一个是你自己业务的要求，再一个就是什么呢？就是说客观条件的限制，比如说什么时候配送车辆不让进市区，不让进三环以内，有的超市的送货要求你必须早晨几点到晚上几点，在这个时间内是不收货的，等等等等。还有优先约束，订单A优先于订单B，有的是紧急插单，这个单非常急，你要用这种插单的功能，而且你插完单之后要重新进行优化，你原来配置好了，计划做好了。作为优化的目标也可以是单目标，也可以是多目标。最小化费用就是成本最低，最小化卡车速，你用的卡车最小。最优化工作时间，你用最短的时间，最要化工作时间跨度，你尽量用少的这种工班，最小化流程，最短路径。一般情况下我们不是追求单一最优，我们追求是全局最优，所以说这是多目标的组合优化，就是更加的难。 我们再看一下定期定量多频率配送计划，定期定量多频率配送问题，在日常生活中层出不穷，天然气，煤炭，能源的供应，需求往往是具有定期定量的特性，这个和快递不一样，快