老王想把“老王包子铺”从一个小店开成全国连锁。他面前摆着一张中国地图，上面散布着上百个潜在门店。最头疼的问题不是包子馅配方，而是：中央厨房建在哪几个城市？区域冷链仓放在哪里？每个仓该备多少货？如果用一辆辆冷链车把包子从北京运到广州，成本会高到离谱；但如果每个城市都建厨房，又会被房租和设备投资压垮。这就像一个“建什么、建在哪、建多大、谁来服务谁”的巨型棋盘。 供应链网络设计要解决的，正是这张棋盘上的布局问题。它把工厂、仓库、配送中心和客户看成一个个节点，把运输路线看成连线，然后综合计算建设成本、运输成本、服务水平和风险韧性，找到最优的“落子方案”。面对几百个候选城市、上千条路线组合，人工拍脑袋早已失灵，于是 AI 登场：它能快速比较海量方案，平衡“省钱”与“高效”，还能告诉我们“如果油价涨了，仓库该往哪挪”。本文就用老王的故事，带你从头理解供应链网络设计。

岗位关联

学会网络设计，你就能帮企业把每年数亿的物流成本“拧出水来”，是供应链算法工程师与物流规划师的核心竞争力。

目录
  1. 可视化演示
  2. 网络设计基础
  3. 问题建模方法
  4. 设施选址优化
  5. 产能需求分配
  6. AI智能求解
  7. 多目标与风险韧性
  8. 行业应用
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

演示设施选址与产能分配、混合整数规划MIP建模、AI算法大规模求解与多目标韧性平衡，直观展示供应链网络如何最小化总成本并保障服务水平。

本节配有交互动效（进入视口后自动加载，约 3KB）。

设施选址与网络设计 选址决定几何布局 min 总成本 在满足服务水平约束下确定工厂与配送中心位置及产能

网络设计基础

老王最初的想法很朴素：在每个城市都租一间仓库，包子随到随卖。可算完账他倒吸一口凉气——房租、冷链设备、人员工资加起来，比包子利润还高。后来军师老李在地图上画了三层圈：第一层是少数几个“中央厨房”，负责统一和面、做馅；第二层是区域冷链仓，负责中转和暂时存放；第三层才是街头巷尾的门店。这个三层结构，就是供应链网络的骨架。

在专业术语里，这三层分别对应工厂、仓库/配送中心和客户节点。供应链网络设计不是简单画连线，而是要回答：每一层建几个点、建在哪里、每个点处理多少货。就像老王不能凭感觉决定厨房位置，企业也不能只凭经验拍板，否则辛辛苦苦省下的原料成本，会被高昂的运输费悄悄吃掉。

网络设计的最终目标，是在总成本和服务水平之间取得最佳平衡。总成本不仅包括建仓的固定投入，还包括包子从中央厨房运到仓库、再从仓库送到门店的每一笔运输费，以及仓库里积压原料的库存持有成本。服务水平则体现在门店补货等多久、会不会断货。把这些要素写在一起，就形成了最基础的成本公式：

老王看到公式后恍然大悟：原来节约成本不是单看租仓库便不便宜，而是要把“建、运、存”三本账一起算。这也正是供应链网络设计的第一步——先看清棋盘上有哪些钱在流动。

TC=∑jFjxj+∑i∑jcijyij+∑jhjIj\displaystyle TC = \sum_{j} F_j x_j + \sum_{i}\sum_{j} c_{ij} y_{ij} + \sum_{j} h_j I_j
这个公式告诉我们：网络总成本 = 建设施的钱 + 运货的钱 + 囤货的钱，后续所有优化模型都在和这三大块博弈。
  1. 设施开设成本只要老王在某个城市开了仓，就要付租金和设备费。
    ∑jFjxj\displaystyle \sum_{j} F_j x_j
  2. 运输成本把包子从节点 \(i\) 运到节点 \(j\)，每一份都要付运费。
    ∑i∑jcijyij\displaystyle \sum_{i}\sum_{j} c_{ij} y_{ij}
  3. 库存持有成本仓库里存的原料和半成品会占用资金，产生持有费用。
    ∑jhjIj\displaystyle \sum_{j} h_j I_j

问题建模方法

老王想知道到底该在哪些城市建仓，老李却说：“别急着给我答案，先把你的规矩说清楚。”老王一脸懵。老李解释：建仓就像下棋，得先定义什么是棋子、什么是规则、什么是赢。于是老王写下：候选城市有 20 个，最多只能建 5 个仓；每个门店每天必须收到 100 箱包子；每个仓一天最多处理 300 箱。这些“规矩”翻译成数学语言，就成了一组决策变量和约束条件。

在供应链优化中，决策变量是我们要决定的事：\(x_j\) 表示是否在位置 \(j\) 开设设施，\(y_{ij}\) 表示从设施 \(j\) 运给客户 \(i\) 的货量。约束条件是业务底线：每个客户的需求必须被满足，每个仓库的出货量不能超过它的处理能力。目标函数则是要最小化的总成本。把这些组合起来，就得到一个经典的混合整数规划模型：

老王发现，把生意规则变成数学公式后，问题清晰多了。AI 之所以能帮忙，正是因为它能在这套清晰的“棋规”下快速搜索，而不是像人一样凭印象做决定。

min⁡  ∑jFjxj+∑i∑jcijyij\displaystyle \min \; \sum_{j} F_j x_j + \sum_{i}\sum_{j} c_{ij} y_{ij}
s.t.∑jyij=di,∑iyij≤Kjxj,xj∈{0,1}\text{s.t.} \quad \sum_{j} y_{ij} = d_i, \quad \sum_{i} y_{ij} \le K_j x_j, \quad x_j \in \{0, 1\}
这个模型是“用数学写生意经”：目标是花最少的钱，同时保证每个门店都有货、每个仓库都不超载。
  1. 目标函数把建仓的固定成本和所有运输成本加总起来，作为要优化的总开销。
    min⁡  ∑jFjxj+∑i∑jcijyij\displaystyle \min \; \sum_{j} F_j x_j + \sum_{i}\sum_{j} c_{ij} y_{ij}
  2. 需求约束每个客户 \(i\) 收到的总货量，必须刚好等于它的需求量 \(d_i\)。
    ∑jyij=di\displaystyle \sum_{j} y_{ij} = d_i
  3. 容量约束只有开了仓（\(x_j=1\)）的设施才能出货，而且出货总量不能超过容量 \(K_j\)。
    ∑iyij≤Kjxj\displaystyle \sum_{i} y_{ij} \le K_j x_j
  4. 开仓决策\(x_j\) 只能是 0 或 1，代表“不开”或“开”。
    xj∈{0,1}\displaystyle x_j \in \{0, 1\}

设施选址优化

老王最初想当然地说：“仓库当然要建在租金最便宜的城市。”老李摇头：仓库不是租来好看的，而是要让包子尽快送到门店。真正的选址不是看地价，而是看它和所有门店的距离。这就像老朋友聚会选餐厅，不会选最便宜的餐厅，而会选大家走过去总路程最短的地方，也就是数学里的“中位点”。

经典的选址模型之一叫 p-中位模型。它的思路是：在一堆候选点中选出 \(p\) 个设施，每个门店只由一个设施服务，目标是让所有门店的加权运输距离总和最小。这里的“加权”，是把每个门店的需求量当作权重——需求量大的门店，路线就更值得重视。模型写作：

老王盯着模型想了一会儿：“原来选址不是看租金，而是看全局距离。”当他尝试多建一个仓、少建一个仓时，总运输距离会变化。AI 能做的，就是把成百上千个候选组合全部算一遍或智能筛选一遍，找到那个让包子送得最省力的落子位置。

min⁡  ∑i∑jdicijzij\displaystyle \min \; \sum_{i}\sum_{j} d_i c_{ij} z_{ij}
s.t.∑jzij=1,∑jxj=p,zij≤xj\text{s.t.} \quad \sum_{j} z_{ij} = 1, \quad \sum_{j} x_j = p, \quad z_{ij} \le x_j
简单说，就是“选 p 个中转站，让所有客户的加权距离之和最小”。
  1. 加权距离目标每个客户 \(i\) 的需求量 \(d_i\) 乘以单位运输成本 \(c_{ij}\)，再按分配关系 \(z_{ij}\) 累加。
    ∑i∑jdicijzij\displaystyle \sum_{i}\sum_{j} d_i c_{ij} z_{ij}
  2. 单一分配约束每个门店只能分给一个仓库，不能一家店同时让两个仓送货。
    ∑jzij=1\displaystyle \sum_{j} z_{ij} = 1
  3. 数量限制总共只能选出 \(p\) 个设施，对应老王“最多建 5 个仓”的预算。
    ∑jxj=p\displaystyle \sum_{j} x_j = p
  4. 逻辑关系只有被选中开设的设施，才有资格被分配客户。
    zij≤xj\displaystyle z_{ij} \le x_j

产能需求分配

选址定下来只是第一步。老王发现，就算仓库位置选好了，还得决定每个仓每天该备多少货。中央厨房一天最多蒸 10 万只包子，区域仓 A 离三号街近，但容量只有 2 万只；区域仓 B 容量很大，但送过去要多绕 30 公里。如果硬把货塞给小仓，仓会爆仓；如果全塞给大仓，运费又会失控。这就像水管系统：每根管道有粗细限制，每户人家有用水需求，必须统一调度。

在数学上，这是一个“运输问题”或“分配问题”。我们依然要最小化运输成本，同时必须保证每个门店的需求刚好被覆盖，且每个仓库的出货量不超过产能。用 \(y_{ij}\) 表示从仓 \(j\) 送到门店 \(i\) 的货量，模型可以写成：

老李告诉他，现实中还有更复杂的“均衡策略”，比如不能让一个仓累死、另一个仓闲着。AI 优化求解后，能给出每个仓的分配量，让成本、产能、服务水平三者同时被满足。老王感叹：这就像给每个门店“派活”，比人工排班靠谱多了。

min⁡  ∑i∑jcijyij\displaystyle \min \; \sum_{i}\sum_{j} c_{ij} y_{ij}
s.t.∑jyij=di,∑iyij≤Sj,yij≥0\text{s.t.} \quad \sum_{j} y_{ij} = d_i, \quad \sum_{i} y_{ij} \le S_j, \quad y_{ij} \ge 0
这套规则的核心是“不多不少”：每家的需求都满足，每个仓都不超载。
  1. 成本目标让所有运输线路上的总费用最低。
    min⁡  ∑i∑jcijyij\displaystyle \min \; \sum_{i}\sum_{j} c_{ij} y_{ij}
  2. 需求满足无论怎么分配，每个门店收到的总货量必须等于需求量 \(d_i\)，少一箱都会断货。
    ∑jyij=di\displaystyle \sum_{j} y_{ij} = d_i
  3. 产能限制每个仓库送出去的总货量不能超过它的最大产能 \(S_j\)，否则仓库会“爆仓”。
    ∑iyij≤Sj\displaystyle \sum_{i} y_{ij} \le S_j
  4. 非负约束运输量不能是负数，总不能把包子从门店运回仓库。
    yij≥0\displaystyle y_{ij} \ge 0

AI智能求解

问题模型建好了，但老王挠头：“20 个候选城市选 5 个，组合数就有 15504 种；要是 200 个城市选 50 个，组合数比宇宙原子还多，怎么算？”老李笑了：这正是 AI 发挥作用的地方。精确算法确实能保证找到最优解，可规模一大，计算时间会爆炸式增长，就像让人把每一条地铁线路都试走一遍；而启发式算法像有经验的老司机，不保证每趟都走最优路线，但能在几分钟内找到一条非常好的路线。

遗传算法是最常用的启发式方法之一。它把“建哪些仓”这个方案编码成一条染色体，然后像生物进化一样，通过选择、交叉、变异不断迭代，一代代逼近更优方案。在计算中，每个方案的“适应度”通常用成本加惩罚来评价：如果某个方案让门店缺货，就在成本上狠狠扣分。于是适应度函数可以写成：

AI 算法的价值在于，它不追求盲目遍历所有方案，而是像老王挑厨师一样，先试几个候选，保留好的、淘汰差的、再随机变异出新的组合。经过几十代进化，方案会越来越接近最优。这正是 AI 在大规模供应链网络规划中的核心优势——把“不可能穷举”的问题变成“足够好且算得快”的答案。

f(x)=∑jFjxj+∑i∑jcijyij+λ∑imax⁡(0, di−∑jyij)\displaystyle f(x) = \sum_{j} F_j x_j + \sum_{i}\sum_{j} c_{ij} y_{ij} + \lambda \sum_{i} \max\left(0, \, d_i - \sum_{j} y_{ij}\right)
这个公式是“先算真成本，再算缺货款”：缺一箱货就罚一笔钱，逼迫算法不敢轻易牺牲服务。
  1. 设施成本候选方案里所有被选中设施的建设成本总和。
    ∑jFjxj\displaystyle \sum_{j} F_j x_j
  2. 运输成本按当前方案的分配关系计算出的运输总费用。
    ∑i∑jcijyij\displaystyle \sum_{i}\sum_{j} c_{ij} y_{ij}
  3. 缺货惩罚当实际供货量小于需求时，用 \(\lambda\) 放大差值作为惩罚，缺得越多罚得越重。
    λ∑imax⁡(0, di−∑jyij)\displaystyle \lambda \sum_{i} \max\left(0, \, d_i - \sum_{j} y_{ij}\right)

多目标与风险韧性

老王尝到了 AI 的甜头，但老李提醒他：“便宜不一定是好方案。”如果把所有仓库都建在租金最低的西部县城，运输距离会拖垮服务时效；如果所有仓都集中在一个城市，一场暴雨就可能让全国断供。供应链网络设计从来不是单一目标，而是成本、服务水平、风险韧性三者的三方拔河。

多目标优化里有一个重要概念叫帕累托前沿：一组方案中，如果你无法在不损害“服务”或“风险”的前提下继续降低“成本”，这些方案就处在帕累托前沿上。老王需要在这条前沿上根据战略偏好做选择。常见做法是给三个目标分配权重，把它们合并成一个综合分数：

除了多目标权衡，老李还做了“敏感性分析”：把油价调高 10%、把某城市需求量调高一倍，看最优方案会不会巨变。就像开车时不断转动方向盘测试车辆稳定性。如果某仓库选址对某个参数极其敏感，说明它是网络中的关键瓶颈，需要重点加固或设置冗余。老王这才意识到，真正靠谱的方案不是最便宜，而是“不管风往哪吹，都不容易翻车”。

min⁡  α⋅TC(x)+β⋅T(x)+γ⋅R(x)\displaystyle \min \; \alpha \cdot TC(x) + \beta \cdot T(x) + \gamma \cdot R(x)
s.t.α+β+γ=1\text{s.t.} \quad \alpha + \beta + \gamma = 1
权重越大，代表企业越看重这个目标。想主打效率就调高 \(\beta\)，想防风险就调高 \(\gamma\)。
  1. 成本目标\(TC(x)\) 是方案 \(x\) 的总成本，权重 \(\alpha\) 表示企业有多在意省钱。
    α⋅TC(x)\displaystyle \alpha \cdot TC(x)
  2. 服务水平目标\(T(x)\) 可以代表平均配送时长，权重 \(\beta\) 用来向服务时效倾斜。
    β⋅T(x)\displaystyle \beta \cdot T(x)
  3. 风险韧性目标\(R(x)\) 可以表示网络在灾害或断供下的脆弱程度，权重 \(\gamma\) 越高，越追求“抗揍”。
    γ⋅R(x)\displaystyle \gamma \cdot R(x)
  4. 权重归一化三个权重加起来等于 1，保证综合目标有可比性。
    α+β+γ=1\displaystyle \alpha + \beta + \gamma = 1

行业应用

老王的故事，其实就是今天无数企业数字化转型的缩影。从连锁餐饮、电商零售到医药冷链、应急物资，供应链网络设计早已不只是学术模型，而是智慧物流的“总设计师”。一家生鲜电商要把仓库从 20 个缩减到 12 个，AI 先算出每个城市的流量与成本，再模拟不同方案的服务时效，最后给出能同时满足 30 分钟达和利润率目标的网络布局。老李说，这就是“用数据换真金白银”。

经济效益也要算清楚。建设新仓、升级系统都需要投入，企业最关心的永远是“这笔钱多久能赚回来”。投资回报率公式可以直观表达：

实施路径上，老李建议老王不要一步到位：先找两个城市试点，验证模型参数，再逐步铺开到全国。供应链网络设计不是一次性项目，而是一个持续迭代的动态过程。只要门店在增加、油价在波动、客户需求在变化，这张“棋盘”就需要不断重新优化。AI 能做的，是让企业始终站在全局视角，快速响应变化，稳稳地把每一只包子送到该去的地方。

ROI=ΔTC−II×100%\displaystyle ROI = \frac{\Delta TC - I}{I} \times 100\%
其中 \(\Delta TC\) 是优化后的成本节约额，\(I\) 是总投入。ROI 越高，项目越值得做。
  1. 成本节约用优化前的总成本减去优化后的总成本，得到省下的钱。
    ΔTC=TCbefore−TCafter\displaystyle \Delta TC = TC_{\text{before}} - TC_{\text{after}}
  2. 净收益省下的钱减去投入的系统与建设成本，才是真正赚到的部分。
    ΔTC−I\displaystyle \Delta TC - I
  3. 投资回报率净收益除以投入，再乘以 100%，得到一个直观的收益率。
    ROI=ΔTC−II×100%\displaystyle ROI = \frac{\Delta TC - I}{I} \times 100\%

AI 应用场景

连锁零售仓网规划

阶段：需求建模与求解优化

解决的问题：传统方式下，连锁企业靠经验选仓、按历史订单平均分配产能，导致仓库过多、空置率高，或仓库过少、配送超时。AI 把每个门店的需求、每个候选仓的租金与容量写成模型，用启发式算法快速找到成本与服务双优的选址和分配方案。

具体案例：一家拥有 800 家门店的连锁便利店计划重新规划区域仓。AI 分别计算了 3 仓、5 仓、8 仓方案的成本与服务时效，最终选择 5 仓方案：总运输成本下降 18%，平均补货时长从 26 小时缩短到 19 小时。

应急物资预置网络

阶段：风险建模与多目标决策

解决的问题：传统应急物资储备常按行政区平均布置，忽视灾害发生概率和灾后道路中断风险。AI 引入风险韧性目标，模拟不同灾害情景下仓库被毁、道路中断的情况，找到“平时不浪费、灾时不掉链子”的预置点。

具体案例：某省应急管理部门用历史台风与洪水数据构建情景库，AI 从 60 个候选点中选出 8 个预置仓库，使灾后 24 小时物资到达率从 61% 提升到 89%，同时总成本仅增加 7%。

电商大促产能分配

阶段：敏感性分析与动态分配

解决的问题：大促期间需求暴涨，固定仓网在局部爆单时容易瘫痪。AI 用敏感性分析识别哪些仓库对所有城市的时效影响最大，再根据实时订单动态调整各仓产能与调拨量，避免一仓崩溃、全网拥堵。

具体案例：某电商平台在“双 11”前用 AI 重排全国 16 个前置仓的覆盖范围，并把部分订单在仓间动态切换，最终单均配送成本下降 12%，爆仓投诉量减少 40%。

Python 演示

python38 行
# -*- coding: utf-8 -*-# 小规模 p-中位问题暴力求解import itertools  def solve_p_median(candidates, demand_points, p):    best_cost = float('inf')    best_selection = None    for combo in itertools.combinations(range(len(candidates)), p):        total = 0.0        for d in demand_points:            min_dist = min(                ((candidates[j][0] - d[0]) ** 2 +                 (candidates[j][1] - d[1]) ** 2) ** 0.5                for j in combo            )            total += d[2] * min_dist        if total < best_cost:            best_cost = total            best_selection = combo    return best_cost, best_selection  if __name__ == "__main__":    # 候选仓库坐标 (x, y)    candidates = [(10, 10), (20, 30), (40, 20), (60, 50)]    # 需求点坐标 (x, y, 需求量)    demand_points = [        (5, 5, 100),        (15, 25, 80),        (25, 35, 120),        (45, 15, 90),        (55, 45, 110),        (65, 60, 70)    ]    cost, selection = solve_p_median(candidates, demand_points, 2)    print("最小加权运输距离:", round(cost, 2))    print("选中设施索引:", selection)
目的：用暴力枚举方式解决小规模 p-中位问题，从候选仓库中选 2 个，使所有需求点到最近仓库的加权距离总和最小。
  1. for combo in itertools.combinations(range(len(candidates)), p):枚举任意 2 个仓库位置的全部组合，把“选哪几个仓”这个决策变成可遍历的集合。
  2. min_dist = min(... for j in combo)对每个需求点，计算它到本轮所有选中仓库的最小距离，模拟“就近服务”。
  3. total += d[2] * min_dist用需求量 \(d[2]\) 给距离加权，需求大的点对选址影响更大。
  4. if total < best_cost:如果当前组合的总加权距离比历史最优更小，就更新最优方案，对应 AI 算法中的“保留更优解”。

常见误区

误区我看多建一个仓，每家店都能更快拿到货，那当然是仓库越多越好，最好每个城市都建一个。

正解仓库越多，固定租金、设备、人员成本越高。供应链网络设计的目标不是“越快越好”，而是“成本与服务平衡”。就像老王不会为了省 10 分钟路程就在每条街都开一家包子铺，那样利润会被房租吃光。多建仓只有在边际运输成本下降大于边际建设成本上升时才划算。

为何常见：人们容易直观关注到“快”带来的体验提升，却看不见固定成本在后台悄悄累积，所以会下意识认为数量越多越好。

误区选仓库时只要比较运费高不高就行，反正运输是最贵的一块，其他成本都是小钱。

正解供应链网络里，运输成本、库存成本、建设成本是相互牵制的三角关系。比如把仓库集中到一处，运输距离变长了，但库存持有成本可能大幅下降；分散建仓虽然省运费，却会让每个仓都要备安全库存，持有成本飙升。只看运输单价，就像只看包子馅价格不看面粉价格，账单一定算错。

为何常见：运输费用在财务报表上最显眼，而库存持有成本分布在不同科目里，容易被人为低估。

误区AI 那么厉害，只要把数据扔进去，它一定能找到全世界最好的仓网方案，所以我只要相信结果就行。

正解大规模供应链网络设计大多属于 NP 困难问题，精确算法在规模增大后计算时间会爆炸。AI 启发式算法通常给出的是“足够好的近似最优解”，而不是理论上的全局最优。而且模型质量取决于参数和约束是否准确。这就像老李虽是最强军师，但如果地图画错了，他给的路线再聪明也到不了目的地。

为何常见：AI 在宣传中被神化为“万能最优解”，让人忽略了建模质量、数据质量和算法本身的近似性质。

误区只要用过去一年的平均订单量来规划仓库容量，未来就不会出大问题。

正解平均值会掩盖很多极端情景。大促暴增、极端天气断路、供应商断货，都可能让一个“平均最优”的网络彻底瘫痪。优秀的网络设计会引入情景规划、冗余容量和敏感性分析，相当于给包子铺多准备一条备用的面粉供应商，而不是把所有鸡蛋放一个篮子里。

为何常见：确定性模型简单易懂，而风险建模需要额外数据和计算，容易被追求短期效率的项目省略。

面试题

Q1. 供应链网络设计的核心要回答的问题是？

单选题 · easy

  • A.订单应由哪个配送员派送
  • B.设施建在哪里且产能多大← 正确答案
  • C.商品详情页应如何排布
  • D.优惠券折扣如何计算

答案：B。网络设计解决的是“设施建在哪、产能多大、如何分配”的全局布局问题。配送员派送属于末端路径优化，详情页与优惠券则属于电商运营范畴。

Q2. 在选址模型中，二进制变量 \(x_j\) 通常表示？

单选题 · easy

  • A.是否在位置 j 开设设施← 正确答案
  • B.客户 j 的实际需求量
  • C.仓库 j 的单位仓租
  • D.工厂 j 的运输单价

答案：A。\(x_j \in \{0,1\}\) 是典型的决策变量，表示位置 \(j\) 是否被选中开设设施。需求量、仓租、运输单价都是输入参数，而非 0/1 决策。

Q3. p-中位模型的目标函数是什么？

单选题 · mid

  • A.加权运输总距离最小← 正确答案
  • B.设施建设总成本最大
  • C.库存周转率目标最大
  • D.配送车辆数量最少

答案：A。p-中位模型的目标是让所有需求点到最近设施的加权运输距离总和最小。建设成本最大化显然荒谬，库存周转率和车辆数量不是该模型的目标。

Q4. 大规模网络设计常采用启发式算法的原因是？

单选题 · mid

  • A.精确算法完全没有可行解
  • B.精确算法求解时间过长← 正确答案
  • C.启发式算法结果一定最优
  • D.启发式算法无需任何建模

答案：B。精确算法在候选点规模变大时，组合数量爆炸，求解时间过长，实际中难以接受。启发式算法速度快但通常不保证最优；它同样需要建模，只是用策略性搜索代替穷举。

Q5. 关于帕累托前沿的正确说法是？

单选题 · mid

  • A.所有目标同时最优的唯一方案
  • B.改善一个目标需牺牲另一目标的解集← 正确答案
  • C.只包含成本最低方案的集合
  • D.目标函数数量最多的方案

答案：B。帕累托前沿上的每个解，都无法在不损害其他目标的前提下改善某个目标。真实世界中几乎没有“所有目标同时最优”的方案，只有一组需要权衡的候选解。

Q6. 敏感性分析在供应链网络设计中的作用是？

单选题 · hard

  • A.检测参数变化对最优解的影响← 正确答案
  • B.用随机需求直接替代所有参数
  • C.减少物流网络中的节点数量
  • D.消除一切市场不确定性风险

答案：A。敏感性分析通过改变油价、需求、容量等参数，观察最优网络布局是否剧烈变化，从而识别关键瓶颈。它不能消除风险，也不能直接减少节点。

Q7. 覆盖模型中的核心约束通常是？

单选题 · hard

  • A.每个需求点至少被一个设施覆盖← 正确答案
  • B.每个设施必须服务全部客户点
  • C.所有设施必须建于同一城市
  • D.每条运输线路只能选择一次

答案：A。覆盖模型常用于应急设施或配送中心选址，核心要求是每个需求点都在某个设施的服务半径内，即至少被一个设施覆盖。其他选项不符合覆盖模型的业务逻辑。

Q8. 供应链网络设计中通常需要权衡的核心目标有？

多选题 · easy

  • A.物流成本与服务水平← 正确答案
  • B.固定投资与运营支出← 正确答案
  • C.库存周转与缺货风险← 正确答案
  • D.菜单定价与广告投放

答案：ABC。网络设计需要在建设成本、运输成本、库存成本与服务时效之间权衡。菜单定价和广告投放属于营销决策，不在网络设计模型的知识边界内。

Q9. 增强供应链风险韧性的常见策略包括？

多选题 · mid

  • A.设置多源供应商备份← 正确答案
  • B.在关键节点保留冗余产能← 正确答案
  • C.把全部库存集中到单仓
  • D.用情景规划模拟突发风险← 正确答案

答案：ABD。多源供应商、冗余产能和情景规划都能让网络在突发冲击下保持运转。把库存集中到单仓会降低韧性，一旦仓库受损就全网瘫痪，是典型的反例。

Q10. 关于供应链网络设计模型，下列说法正确的有？

多选题 · extreme

  • A.需求参数变化会影响设施布局← 正确答案
  • B.服务水平目标与成本形成权衡← 正确答案
  • C.启发式算法保证找到全局最优
  • D.敏感性分析能识别瓶颈参数← 正确答案

答案：ABD。需求是模型的重要参数，变化会通过约束传导并影响最优布局；服务与成本天然存在此消彼长的关系；敏感性分析可识别出影响最大的瓶颈参数。启发式算法只能逼近最优，不能保证全局最优。