ارائه یک الگوریتم جدید برای یافتن کمینه های موضعی مساله بهینه سازی سیستم های کنترل موجودی چندسطحی با پارامترهای تصادفی

فصلنامه مدیریت راهبردی در سیستم های صنعتی (مدیریت صنعتی سابق)

مقاله 6، دوره 9، شماره 30، دی 1393، صفحه 71-84   

نوع مقاله: مقاله پژوهشی

نویسندگان

فریبرز جولای¹؛ سیدمحمدرضا داودی^{* 2}؛ علی محقر³؛ محمدرضا مهرگان⁴

¹استاد دانشکده مهندسی صنایع، پردیس دانشکده های فنی، دانشگاه تهران

²دانشجوی دکتری مدیریت،دانشگاه آزاد اسلامی، واحد دهاقان، ایران

³دانشیار دانشکده مدیریت، دانشگاه تهران

⁴استاد دانشکده مدیریت، دانشگاه تهران

چکیده

در این مقاله طراحی و مقایسه یک مدل شبیه سازی موجودی چند سطحی، چند محصولی که هر واحد آن از سیاست کنترل موجودی نقطه سفارش مرور مستمر (R,Q) استفاده می‌کند، ارائه می‌شود. مدل توزیع با چندین محصول نهایی وچندین محصول میانی و یک قلم محصول اصلی در نظر گرفته می‎شود این بهینه سازی شامل کمینه سازی تابع هزینه می‌باشد. سطح سرویس دهی واحدها با نرخ پرسازی سنجیده می‌شود که برای هر واحدی از مقدار مفروض کمینه‌ای بیشتر است. در الگوریتم ارائه شده با داشتن یک نقطه‌ی شدنی و موضعی‎سازی درجه دوم تابع هدف و موضعی سازی خطی قیود حول آن نقطه و استفاده از الگوریتم ژنتیک سعی در رسیدن به نقطه‌ی بهینه موضعی شده است. از آنجا که برآوردهای نقطه‎ای تابع هدف و نرخ های پرسازی به کمک شبیه سازی انجام می‌گیرد از آزمون فرض‌های آمــاری برای بررسی شدنی و بهبود جواب ها استفاده می‌شود. در پایان با یک مثال عددی، الگوریتم روی یک شبکه‌ی سه سطحی پیاده سازی می‌شود. با توجه به این نکته که موضعی سازی خطی حالت خاصی از موضعی سازی درجه دوم است از این رو با اطمینان بیشتری می‎توان انتظار داشت نقطه بدست آمده از این الگوریتم شدنی بهتر از حالت موضعی سازی خطی باشد.
 

کلیدواژه‌ها

مدیریت زنجیره تأمین؛ بهینه سازی بر پایه شبیه سازی؛ موجودی چند سطحی؛ آزمون فرض‎های آماری؛ کمینه موضعی

مراجع

1. Axsate, R. S. (2006). Inventory control, 2nd edition, New York: Spriner.
2. Deuermeyer, B. L., Schwarz, L.B. (1981). "A model for the analysis of system service level in warehouse-retailer· distribution systems: the identical retailer case". Presented in: Schwarz, L.B. (1981). Multilevel Production/Inventory Control systems: Theory and Practice, Elsevier science Ltd.
3. Graves, S. C. (1985). "A Multi-Echelon Inventory Model for a Repairable Item with one-for-one Replenishment". Management science, 31(10): 1247-1256.
4. Almeder, C., Preusser, M., & Hartl, R. F. (2009).Simulation and optimization of supply chains: alternative Or complementary approaches? OR Spectrum, 31, 95-119.
5. Amiri, M., Seif barghy, ·M,, Olfat, L., Razavi Hajiagha, S.H. (2012). "Determination of a desirable inventory policy in a three echelon multilayer supply chain with normal demand". International Journal of Industrial Engineering and Production Research, 23(1): 65-72.
6. Axsater, S. (1990). "Simple Solution Procedure for a Class of Two-Echelon Inventory Problem". Operatians Research, 38(1): 64-69.
7. Axsater, s. (2002). "Approximate optimization of a two-level distribution inventory system". International Journal of Production Economics, 81-82: 545-553.
8. Cachon, G.P. (2001). "Exact Evaluation of Batch-ordering Inventory Policies in Two-Echelon supply chains with Periodic Review". Operations Research: 49(1): 79-98.
9. Chu, Y., You, F., & Wassick, J. M. (2014). Hybrid method integrating agent-based modeling and heuristic tree search for scheduling of complex batch processes. Computers & Chemical Engineering, 60, 277-296.
10. Chu, Y., You, F., Wass1ck, J.M., & Agarwal, A. (2014).Integrated planning and scheduling under production uncertainties: Bi-level model formulation and hybrid solution method. Computers & chemical Engineering, DOI: 10. 1016 /j . compchemeng. 2014.02.023. With general network structure via agent-based modeling. AIChE Journal, 59, 2884-2906.
11. Chu,Y., You, F., Wasslck, J.M., & Agarwal.A. (2014). Simulation – based optimization framework for multi – echelon inventory systems under uncertainty. computer & chemical Engineering , 73, 1-16.
12. Clark, A. J., Scarf, H. (1960). Optimal policies for a multi-echelon inventory problem". Management science, 6(4):475-490.
13. Gao,J. , Wang, w. D. (2008). "Simulation-based optimization and its application in multi-echelon network stochastic inventory system". 7th International conference on system simulation and scientific computing, 10-12 October, china, Beijing, 1302-1307.
14. Ghiami, Y., Williams, T., & Wu, Y. (2013). A two-echelon inventory model for a deteriorating item with stock-dependent demand, partial backlogging and capacity constraints. European Journal of Operational Research.
15. Ivanov, D., Dolgui, A., & Sokolov, B. (2012). Applicability of optimal control theory to adaptive supply chain planning and scheduling. Annual Reviews in control, 36, 73-84.
16. Jung, J. Y., Blau, G., Pekny, J. F., Reklaitis, G., & Eversdyk, D. (2008). Integrated safety stock management for multi-stage supply chains under production capacity constraints. Computers & chemical Engineering,32,2570-2581.
17. Jung, J. Y., Blau, G., Pekny, J. F., Reklaitis, G., V. & Eversdyk, D. (2004). A Simulation based optimization approach to supply chain management under demand uncertainty. Computers & chemical Engineering, 28, 2087-2106.
18. Kochel, P., Nielander, U. (2005). "Simulation-based optimization of multi-echelon inventory systems".International Journal of Production Economics. 93-94(1): 505-513.
19. Mele, F. D., Guillen, G., Espuna, A., & Puigjaner, L.(2006).A simulation-based optimization framework for parameter optimization of supply-chain networks. Industrial & Engineering chemistry Research, 45, 3133- 3178.
20. Melouk, S., Freeman, N., Miller, D., Dunning, M.,(2013). Simulation optimization based decision support tool for steel manufacturing. Int. J. Prod. Econ. 141 (1), 269–276.
21. Nikolopoul, A., & Ierapetritou, M. G. (2012). Hybrid simulation based optimization approach for supply chain management. Computers & chemical Engineering, 47,183-193.
22. O’Donnell, T., Maguire, L., McIvor, R., & Humphreys, P. (2006). Minimizing the bullwhip effect in a supply chain using genetic algorithms. International Journal of Production Research, 44, 1523–1543.
23. Pasandideh, S. H. R., Niaki, S. T. A., & Nia, A. R. (2011). A genetic algorithm for vendor managed inventory control system of multi-product multi-constraint economic order quantity model. Expert Systems with Applications, 38, 2708 –2716.
24. Perea-Lopez, E., Ydstie,B.E., & Grossmann, I.E.(2003). A model predictive control strategy for supply chain optimization. Computers & chemical Engineering, 27, 1201- 1218.
25. Silva,C.A., Sousa, J.M.C. Runkler, T.A., &Dacosta, J.(2006). Distributed optimization of a logistic system.
26. Sherbrook, C.C. (1968). "Metric: A Multi- Echelon Technique for Recoverable Item Control". Operations Research, 16(1): 122- 141.14- Schwartz,j.D., Wang, W.L.& Rivera, D.E.(2006). Simulation- based optimization of process control policies for inventory management in supply chains. Automatica, 42, 1311- 1320.