ارائه یک الگوریتم جدید برای یافتن کمینه های موضعی مساله بهینه سازی سیستم های کنترل موجودی چندسطحی با پارامترهای تصادفی
محورهای موضوعی : مدیریت صنعتی
Fariborz Jolai
1
(Professor, Department of Industrial Engineering, University of Tehran, Tehran, Iran)
Sayyed Mohammad Reza Davoodi
2
(Ph.D. Student, Department of Industrial Management, Dehaghan Branch, Islamic Azad University, Iran,)
Ali Mohaghar
3
(Associate Professor,Department of Industrial Management, University of Tehran, Tehran, Iran)
Mohammad Reza Mehregan
4
(Professor, Department of Industrial Management, University of Tehran, Tehran, Iran)
کلید واژه: supply chain management, مدیریت زنجیره تأمین, بهینه سازی بر پایه شبیه سازی, موجودی چند سطحی, آزمون فرضهای آماری, کمینه موضعی, Simulation-based Optimization, Statistical hypotheses tests, Local Optimization,
چکیده مقاله :
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.
The present study aimed to develop and compare a simulated model of multi-product and multi-level inventory systems. The model is developed for the final product, different medium products, and the main product. The main purpose of optimization is to minimize costs function. The servicing level of units is measured through backfilling rate that should be more than a minimum level. In the proposed algorithm, the local optimization was found through the genetic algorithm. Since point estimation of goal function and backfilling rates are done on the simulation in the present study based, the statistical methods were used for investing possibility of solutions. Finally, one example was presented in the three-level network. Because linear localization is an especial form of second-order localization, the difference between goal function and estimated volume was at the minimum level. Undoubtedly, it is expected that the estimated point of this algorithm is better than the estimated point of linear localization.
_||_