BULLWHIP EFFECT · 供应链仿真实验台
多级供应链里，越往上，订单波动越被放大——这就是牛鞭效应。在这个浏览器实验台里，你可以亲手调整 供货延迟、信息共享、仓库容积等参数，看波动怎么被放大、库存怎么积压、订单满足率怎么变化， 用真实数据理解供应链的"蝴蝶效应"。
Demo · Bullwhip Effect
五条波形是同一股需求信号：最下面的顾客需求几乎平稳，越往上游，订单波动越被放大——这就是牛鞭效应。
不用从头调参数——挑一个贴近你的问题，系统会自动配好一套参数，进入实验台即可直接计算。
我是饮料公司的供应链经理，上游动不动就缺货爆仓，想量化一下信息共享到底值不值。
课本说"订单越传越抖"，我想亲眼看清楚每一级供应链是怎么把波动一步步放大的。
我是物流公司运营，想知道上游突然停供、仓库又放不下时，订单满足率会掉多少。
从上方三张卡片里挑一个贴近你的问题，参数已自动配好，也可以随时换成预设模板。
LadybugDB Wasm 引擎在浏览器内跑完仿真，三张图 + 一句人话结论直接呈现。
改"供货延迟""信息共享"等参数再点一次计算，看订单波动放大倍数怎么变。
一条线：供应商 → 制造商 → 经销商 → 零售商。越往上游，订单波动被放大得越厉害（节点色=BWR 状态，标签 BW 即波动放大倍数）。
APS 的核心数据全部是「图」：BOM 树、工艺路线、供应链网络、需求明细。图 = 约束生成器，CPLEX 在图上做 MIP 优化。
条件（输入）
成品→组件→子件的父子关系 + 每边用量系数 qty_per
结果（输出）
材料需求展开（BOM 爆炸）：独立需求 × 沿路用量累乘 = 各层毛需求
图算法
树遍历、路径用量累乘、subgraph_isomorphism 找共享子件
条件（输入）
工序先后（precedence）+ 每工序 processing_time / 机器 / setup_time
结果（输出）
排程：工序最早开始/完工时间、关键路径、机器负载
图算法
topological_sort（工序排序）、critical path（最长 lead_time 路径）
条件（输入）
层级节点（lead_time / holding_cost / backorder_cost / capacity）+ 有向边（物料流）
结果（输出）
Bullwhip Effect BWR 逐层放大 / 库存放大 NSAmp / 缺货传播
图算法
链式 BWR、topological_sort、graph_signature、detect_drift_points
条件（输入）
独立需求（MPS）+ BOM 结构
结果（输出）
相关需求（MRP）：按 BOM 沿路展开到各层件，需求波动沿树放大
图算法
需求传播（自底向上汇总、自顶向下展开）
| 图结构 | 决策变量 | 约束（由图生成） |
|---|---|---|
| BOM 树 | x_{ijt}：订单 i 在资源 j 时段 t 的生产量 | 物料守恒：产量 × qty_per ≥ 下游组件消耗 |
| 工艺路线 | y_{ijt}：0/1 开工指示 | 工序先后（precedence）；每机器产能 Σ processing_time × x ≤ 可用 |
| 供应链网络 | I_{it}：库存；B_{it}：欠货 | 库存平衡：I_t = I_{t-1} + 到货 - 需求 + B 调整 |
| 需求明细 | D_{it}：满足量 | 需求满足 / 允许欠货上限 / 服务水平 |
| 目标：min 总成本 = 持有 + 缺货 + 换型 + 加班 | ||
流程：LadybugDB 存图 → 遍历图生成约束系数矩阵（MIP）→ CPLEX 分支定界+割平面求解 → 结果（计划/排程/库存）写回图。 图是约束生成器，CPLEX 是图上定义的 MIP 求解器。
同一组数据：全时域口径 CUM_BWR=3.64（把冷启动瞬态误判为"信息共享残留"），warm-up ≥10 期后收敛到 ≈1.0。有限时域方差会把瞬态污染成机制效应——评估 Bullwhip Effect 必须用稳态口径。
判定 A：命题 4 成立，依赖 φ_i iid 同分布假设（双口径一致、单调递减、Welch 单侧 p<1e-6）。此前 315 格扫描的脆弱性是固定 φ + 短时域的测量伪影，非命题本身问题。