1. 课程导入与工程全景
在制造现场，物料配送并不是“把货送到线边”这么简单。当工厂同时存在多个原料仓、线边暂存区、半成品缓冲区和多条节拍不同的生产线时，配送系统就变成了一个受库存、路径、时间窗、载具和人员约束的实时调度网络。本课程讨论的多仓多产线物料配送优化，指的是：在多个供应仓（含中心仓、区域仓、线边仓）与多条产线（含不同车间、不同节拍、不同班次）之间，以最小化缺料停线风险、配送成本与在制品占用为目标，对“何时、从哪个仓、用什么载具、走哪条路径、送多少、送给哪条线”进行建模、求解与持续改进的工程方法。
它的业务边界需要先划清。上游通常止于仓库出库口或配送中心分拣完成，下游止于产线线边工位或设备上料点；不包含采购下单、供应商到货、生产排程本身，但必须与MES工单、WMS库存、产线节拍和叫料信号对接。典型场景包括：电子装配车间多仓向SMT与组装线配送料盘和结构件；汽车零部件厂从中心仓向冲压、焊装、总装线配送周转箱；食品饮料厂从原料仓、包材仓向多条灌装线配送批次物料。这些场景的共同点是：仓多、线多、物料SKU多、时间窗紧、载具容量有限、路径可能冲突。
为了把问题讲清楚，先建立一张工程全景图。下图不是流程图，而是多仓多产线配送系统的拓扑与信号链关系图：左侧是多个供应仓，中间是配送资源与路径网络，右侧是多条产线及线边缓存，底部是贯穿全链的信息流与决策流。图中同时标出了关键参数：仓到线的距离、载具容量、时间窗、叫料触发点和缺料风险等级。
从这张全景图可以看到，配送优化不是孤立的最短路径问题，而是“仓—车—路—线—信息”五层耦合。实际工程中，我们通常先做现状基线测量：统计每条线每班叫料次数、平均等待时间、缺料停线分钟数、AGV空驶率、线边库存周转。例如某电子厂实测：L1线每班叫料12次，平均等待18分钟，缺料停线累计42分钟；AGV空驶率38%，线边库存平均4.2小时。这些数字就是后续优化的起点和验收依据。
接下来要建立参数化模型。以AGV配送为例，设仓i到线j的距离为dij，载具容量为Q，线j在时间窗[tjearly, tjlate]内需求量为qj，则一趟配送任务可描述为：选择仓i、路径p、载量q≤Q，满足到达时间落在时间窗内，且线边剩余库存sj在配送到达前不低于安全阈值。目标函数可写成加权和：min α·缺料风险 + β·总里程 + γ·线边库存 + δ·空驶率。权重α、β、γ、δ由现场管理者根据停线成本与配送成本标定，例如停线1分钟损失200元，AGV行驶1米成本0.05元，则α/β约为4000:1，缺料风险会被显著放大。
课程学习地图按“认知—建模—求解—落地—复盘”展开，但不会机械重复五段式。后续章节将依次深入：多仓库存分配与调拨策略、产线需求预测与叫料触发机制、配送路径与载具调度算法、时间窗与优先级规则、AGV与人工配送协同、异常处理与动态重调度、绩效指标与持续改进。每一章都会给出可计算的参数、可观察的指标和可判断的结果，而不是停留在概念层面。
最后强调一个工程原则：先定义参照系，再谈优化。本文所有距离均指实际可通行路径长度，时间均指从叫料信号发出到物料到达线边工位的端到端时间，库存均指线边可用库存（不含在途和在检）。只有统一口径，后续的模型、算法和验收才有意义。多仓多产线配送的优化，本质上是在不确定需求与有限资源之间，建立一套可测量、可执行、可迭代的决策规则。