دانلود مقاله ISI انگلیسی شماره 5434 + ترجمه فارسی
عنوان فارسی مقاله

مدل کنترل موجودی چند پله ی چند محصولی با استراتژی بازپرسازی مشترک

کد مقاله سال انتشار مقاله انگلیسی ترجمه فارسی
5434 2013 12 صفحه PDF 20 صفحه WORD
خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
عنوان انگلیسی
A multi-product multi-echelon inventory control model with joint replenishment strategy
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Applied Mathematical Modelling, Volume 37, Issue 4, 15 February 2013, Pages 2039–2050

فهرست مطالب ترجمه فارسی
چکیده
کلید واژه ها
1. معرفی
2. مدل ریاضی
2.1. توصیف مدل کنترل موجودی چند پله¬ای چند محصولی
2.2. فرضیات
3.2 نماد گذاری
3.2. شبیه سازی
شکل2: مدل مثال
جدول1: مقادیر پارامترهای شرکت مرکزی
جدول2: مقادیر پارامترهای شبکه عرضه
جدول3: مقادیر پارامترهای شبکه توزیع
جدول4: مغیرهای تصمیم مدل کنترل مجودی چند محصول چند پلکانی
جدول5: مقادیر بهینه متغیرهای تصمیم تحت استراتژی دوباره پر کردن مشترک
3.3. تحلیل
4. نتیجه
کلمات کلیدی
- () - موجودی - چند محصول - چند پله - الگوریتم ژنتیک ()
ترجمه چکیده
بر اساس تجزیه و تحلیل کمبود مطالعات کنونی در کنترل موجودی چند پله ای و با توجه به برخی محدودیت ها، این مقاله با استراتژی دوباره پر کردن مشترک به سیستم موجودی اعمال می شود ویک مدل کنترل موجودی چند پله ای چند محصولی را ایجاد میکند. سپس یک الگوریتم طراحی شده توسط الگوریتم ژنتیک (GA) برای حل مدل استفاده می شود. در نهایت، ما به ترتیب مدل را در سه استراتژی های مختلف سفارش دهی شبیه سازی می کنیم. نتیجه این شبیه سازی نشان می دهد که مدل تثبیت شده و الگوریتم طراحی شده توسط الگوریتم ژنتیک به برتری آشکار در کاهش هزینه کل سیستم موجودی چند محصول چند پله ای می انجامد. علاوه بر این، نشانگر امکان سنجی و کارایی این مدل و روش GA. نیز میباشد.
ترجمه مقدمه
زنجیره تامین شبکه ای از گره های همکاری برای برآوردن خواسته های مشتریان است و گره ها در رده هایی مرتب شده اند. در شبکه، موقعیت هر گره مربوط به موقعیت مرتبط خود در واقعیت است. گره ها دارای روابط عرضه و تقاضا هستند. این گره ها تقاضای خارجی را میطلبد که از طریق تولید سفارشات به پله پایین دست مرتبط میشود و با عرضه خارجی ارائه میشود که در پاسخ به دستور پله بالادست ارائه میشود. مشکل کنترل موجودی چند پله ای در اوایل دهه 1950 توسط محققانی مانند آرو و همکاران [1] و لاو [2] بررسی شده است. چالش اصلی در این مشکل کنترل سطوح موجودی از طریق تعیین اندازه سفارشات برای هر پله طی هر دوره تا جائی است که تابع هدف ارائه شده بهینه شود. بسیاری از محققان تحقیق کرده اند که چگونه هزینه موجودی هر کدام از تامین کنندگان یا توزیع کنندگان را میتوان کاهش داد و یا یا سیستم توزیع یا سیستم تولید را در نظر گرفته اند. برنز و سیلوازنیان پاسخ دینامیکی یک زنجیره تامین چند پله ای را به خواسته های مختلف بر سیستم های مصرف کننده نهایی قرار داده شده بررسی کرده اند. ون بیک مدلی را به منظور مقایسه چند گزینه برای روشی که در آن محصولات از کارخانه ها، از طریق فروشگاه ها به مشتریان ارسال میشود. Zijm [5] چارچوبی برای برنامه ریزی و کنترل جریان مواد در سیستم تولید چند موردی معرفی کرده است. هدف نخست ارئه سطح خدمات به مشتریان در حداقل هزینه های کلی بود که قبلا مورد توجه نبود. ون در هایدن (6) یک قانون کنترل موجودی ساده برای سیستم های توزیع چند پله ای تحت نظارتهای دوره ای بدون مقدار زیادی اندازه تعیین کردند. یو و همکارانش. [7] یک روش DRP بهبود یافته برای برنامه ریزی شبکه توزیع چند پله-ای ارائه کرده اند. دیکس و کوک [8] یک سیستم موجودی چند پله ای متفاوت را، مانند یک سیستم توزیع یا یک سیستم تولید در نظر گرفتند. اندرسون و ملچیور سیستم موجودی یک انبار چند خرده فروش را در نظر گرفتند، با فرض فروشهای از دست رفته در خرده فروشان. هوانگ و همکاران. [10] سیستم یک انبار چند خرده فروش را تحت تقاضا ثابت و قطعی در نظر گرفتند که مرتبط با ظرفیت حمل و نقل برای هر دوره ارائه شده است. Lagodimos و Koukoumialos [11] مدلهای فرم بسته خدمات به مشتریان را توسعه دادند؛ و بسیاری از محققان یک سیستم موجودی تنها دو پله ای یا دو لایه را مدل سازی کرده اند. گوپتا و آلبرایت [12] سیستم دو پله ای چند قراردادی موجودی قابل جفت سازی- آیتم مدلسازی کردند. Axsäter و ژانگ [13] یک سیستم موجودی دو سطحی با انبار مرکزی و تعدادی از خرده فروشان یکسان را در نظر گرفتند. Axsäter [14] یک سیستم موجودی توزیع دو پله ای با تقاضای تصادفی را در نظر گرفت. چن و همکاران. [15] یک سیستم موجودی دو سطحی را ارائه کردند که در آن یک تامین کننده و خرده فروشان متعدد وجود دارد. تی و روزتی [16] یک مدل شبیه سازی برای کشف توانایی مدل برای پیش بینی عملکرد سیستم را برای سیستم دو پله ای یک انبار، سیستم های خرده فروش متعدد ارائه کردند. Seferlis و Giannelos [17] یک روش جدید کنترل مبتنی بر بهینه سازی دو لایه برای چند محصول، چند شبکه زنجیره تامین پلکانی، ارائه کردند. هیل و همکاران. [18] در نظر گرفته یک مدل موجودی تک موردی، دو پله ای، نظارت پیوسته را ارائه کردند. آلرفاعی و روزتی [19] یک سیستم دو پله ای غیر قابل جبران موجودی قطعات یدکی معرفی کرده اند. میترا [20] یک سیستم دو پله ای با بازده در شرایط کلی در نظر گرفته است و یک مدل قطعی به عنوان یک مدل تصادفی تحت بررسی مستمر برای سیستم توسعه داده است. همچنین تحقیقات بسیاری درباره کنترل موجودی چند پله ای، با توجه به هر دو سیستم توزیع و یا سیستم عرضه وجود دارد. چوی و همکاران. [21] قوانین بسیاربزرگ سنتی در یک سیستم MRP انعقاد چند پله ای بررسی کردند. Chikán و Vastag [22] توصیف یک سیستم موجودی تولید چند پلکانی را ارائه کردند یک پیشنهاد اکتشافی بیان کردند. برگمن و همکاران. [23] یک الگوریتم ابتکاری برای مدیریت موجودی در یک محیط چند پلکانی معرفی کردند. وان در ورست و همکاران. [24] یک روش برای مدل سازی رفتار دینامیکی چند پله ای زنجیره تامین مواد غذایی ارائه کردند و طرح های جایگزین زنجیره تامین را با استفاده از شبیه سازی گسسته رویداد ارزیابی کردند. این مدل یک تهیه کننده، یک مرکز توزیع و 2 رسانه خرده فروش را در نظر میگیرد. لیدا یک مشکل موجودی چند پله ای پویا را با تقاضاهای غیرایستا مورد مطالعه قرار داد. لاو و لاو [26] توابع منحنی مختلف تقاضا را دریک مدل موجودی / قیمت گذاری ساده به کار برد. روتاری وکدالی یک مدل موجودی سه پله ای برای تک محصول ارائه کرد که شامل تک تولید کننده، یک واحد انبار و یک خرده فروش است. دونگ و لی [28] سیستم موجودی نظارتی دوره ای چند پلکانی و 3 رده ای را برای مثال عددی ارائه کرد. این سیستم تقریب به زمان مرتبط به پردازش تقاضا متعلق به کلارک و روسری [29] را گسترش داد و به طور خاص برای تقاضای خودکار تاثیر زمانهای تاثیر گذار و ارتباط خودکار بر عملکرد سیستم موجودی سریالی را مدلسازی کرد. گاموس و گونری یک چارچوب مدیریت موجودی و مدلهای هزینه قطعی / اتفاقی –نروفازی را در زمینه این چارچوب برای زنجیره تامین چند پله ای موثر تحت محیط های تصادفی و فازی شکل دادند. کاگیانو و همکاران. [31] یک روش عملی برای محاسبه نرخ پر کردن کانال در یک سیستم توزیع قطعات خدمات معتبر چند موردی، چند پله ای را شرح دادند. یانگ و لین [32] یک مدل سریالی چند پله ای یکپارچه درست به موقع (JIT) را بر اساس زمان منجر به تحویل نامشخص و ملاحظات عدم اطمینان کیفیتف ارائه کردند. گاموس و همکاران. [33] یک چارچوب مدیریت موجودی و مدلهای هزینه قطعی / اتفاقی –نروفازی را در زمینه این چارچوب ارائه کردند. سپس، یک برنامه عددی در یک زنجیره سه پله سه ساختاری برای نشان دادن کاربرد و عملکرد چارچوب ارائه شده بوجود آوردند. این مدل فقط بر روی یک نوع محصول انجام می شود. فقط یک مقاله دیگر وجود داشت که یک مشکل مشابه ما آگاه بودند و بهینه سازی موجودی در یک سیستم چند پلکانی را مطرح کردند، با توجه به سیستم توزیع و سیستم عرضه. راو و همکاران. [34] یک مدل موجودی چند دسته ای برای یک آیتم روبه وخامت و استنتاج کل هزینه های مشترک مطلوب از دیدگاه یکپارچه در میان تامین کننده، تولید کننده و خریدار توسعه دادند. این مدل یک منبع واحد، تولید کننده واحدو تنها یک خریدار را مورد نظر قرار میدهد. تفاوت اساسی بین مدل ما و مدل راو و همکاران. [34] این است که مدل ما تامین کنندگان متعدد، یک تولید کننده و توزیع کنندگان و خریداران متعدد را در نظر می گیرد. علاوه بر این، یک الگوریتم طراحی شده توسط الگوریتم ژنتیک (GA) برای حل مدل استفاده می شود و ما استراتژی دوباره پر کردن مشترک را در مدل به کار بردیم. در ادامه این مقاله به صورت زیر سازماندهی شده است: در بخش 2، پیش فرض های مختلف ساخته می شوند و مدل کنترل موجودی چند محصولی چند پله ای توسعه داده شده است. در بخش 3، GA برای حل مدل استفاده می شود و الگوریتم بر اساس GA طراحی شده است. سپس، ما به ترتیب مدل را در سه استراتژی های مختلف سفارش دهی شبیه سازی کردیم. در بخش 4، نتیجه گیری و محدودیت های این تحقیق ارائه شده است.
پیش نمایش مقاله
پیش نمایش مقاله مدل کنترل موجودی چند پله ی چند محصولی با استراتژی بازپرسازی مشترک

چکیده انگلیسی

On the basis of analyzing the shortages of present studies on multi-echelon inventory control, and considering some restrictions, this paper applies the joint replenishment strategy into the inventory system and builds a multi-product multi-echelon inventory control model. Then, an algorithm designed by Genetic Algorithm (GA) is used for solving the model. Finally, we respectively simulate the model under three different ordering strategies. The simulation result shows that the established model and the algorithm designed by GA have obvious superiority on reducing the total cost of the multi-product multi-echelon inventory system. Moreover, it illustrates the feasibility and the effectiveness of the model and the GA method.

مقدمه انگلیسی

A supply chain is a network of nodes cooperating to satisfy customers’ demands, and the nodes are arranged in echelons. In the network, each node’s position is corresponding to its relative position in reality. The nodes are interconnected through supply–demand relationships. These nodes serve external demand which generates orders to the downstream echelon, and they are served by external supply which responds to the orders of the upstream echelon. The problem of multi-echelon inventory control has been investigated as early as the 1950s by researchers such as Arrow et al. [1] and Love [2]. The main challenge in these problems is to control the inventory levels by determining the size of the orders for each echelon during each period so as to optimize a given objective function. Many researchers have studied how to reduce the inventory cost of either suppliers or distributors, or have considered either the distribution system or the production system. Burns and Sivazlian [3] investigated the dynamic response of a multi-echelon supply chain to various demands placed upon the system by a final consumer. Van Beek [4] carried out a model in order to compare several alternatives for the way in which goods are forwarded from factory, via stores to the customers. Zijm [5] presented a framework for the planning and control of the materials flow in a multi-item production system. The prime objective was to meet a presanctified customer service level at minimum overall costs. Van der Heijden [6] determined a simple inventory control rule for multi-echelon distribution systems under periodic review without lot sizing. Yoo et al. [7] proposed an improved DRP method to schedule multi-echelon distribution network. Diks and Kok [8] considered a divergent multi-echelon inventory system, such as a distribution system or a production system. Andersson and Melchiors [9] considered a one warehouse several retailers’ inventory system, assuming lost sales at the retailers. Huang et al. [10] considered a one-warehouse multi-retailer system under constant and deterministic demand, which is subjected to transportation capacity for every delivery period. Lagodimos and Koukoumialos [11] developed closed-form customer service models. And many researchers have modeled an inventory system of only two-echelon or two-layer. Gupta and Albright [12] modeled a two-echelon multi-indentured repairable-item inventory system. Axsäter and Zhang [13] considered a two-level inventory system with a central warehouse and a number of identical retailers. Axsäter [14] considered a two-echelon distribution inventory system with stochastic demand. Chen et al. [15] considered a two-level inventory system in which there are one supplier and multiple retailers. Tee and Rossetti [16] developed a simulation model to explore the model’s ability to predict system performance for a two-echelon one-warehouse, multiple retailer system. Seferlis and Giannelos [17] developed a new two-layered optimization-based control approach for multi-product, multi-echelon supply chain networks. Hill et al. [18] considered a single-item, two-echelon, continuous-review inventory model. Al-Rifai and Rossetti [19] presented a two-echelon non-repairable spare parts inventory system. Mitra [20] considered a two echelon system with returns under more generalized conditions, and developed a deterministic model as well as a stochastic model under continuous review for the system. There are also many researches on multi-echelon inventory control, considering either the distribution system or the supply system. Choi et al. [21] evaluated conventional lot-sizing rules in a multi-echelon coalescence MRP system. Chikán and Vastag [22] described a multi-echelon production inventory system and developed a heuristic suggestion. Bregman et al. [23] introduced a heuristic algorithm for managing inventory in a multi-echelon environment. Van der Vorst et al. [24] presented a method for modeling the dynamic behavior of multi-echelon food supply chains and evaluating alternative designs of the supply chain by applying discrete-event simulation. The model considered a producer, a distribution center and 2 retailer outlets. Iida [25] studied a dynamic multi-echelon inventory problem with nonstationary demands. Lau and Lau [26] applied different demand-curve functions to a simple inventory/pricing model. Routroy and Kodali [27] developed a three-echelon inventory model for single product, which consists of single manufacturer, single warehouse and single retailer. Dong and Lee [28] considered a multi-echelon serial periodic review inventory system and 3 echelons for numerical example. The system extended the approximation to the time correlated demand process of Clark and Scarf [29], and studied in particular for an auto-regressive demand model the impact of leadtimes and auto-correlation on the performance of the serial inventory system. Gumus and Guneri [30] structured an inventory management framework and deterministic/stochastic-neurofuzzy cost models within the context of this framework for effective multi-echelon supply chains under stochastic and fuzzy environments. Caggiano et al. [31] described and validated a practical method for computing channel fill rates in a multi-item, multi-echelon service parts distribution system. Yang and Lin [32] provided a serial multi-echelon integrated just-in-time (JIT) model based on uncertain delivery lead time and quality unreliability considerations. Gumus et al. [33] structured an inventory management framework and deterministic/ stochastic-neuro-fuzzy cost models within the context of the framework. Then, a numerical application in a three-echelon tree-structure chain is presented to show the applicability and performance of proposed framework. The model only handled one product type. Only one other paper we are aware of addresses a problem similar to ours and consideres inventory optimization in a multi-echelon system, considering both the distribution system and the supply system. Rau et al. [34] developed a multi-echelon inventory model for a deteriorating item and to derive an optimal joint total cost from an integrated perspective among the supplier, the producer, and the buyer. The model considered the single supplier, single producer and single buyer. The basic difference between our model and Rau et al. [34] is that our model considers multiple suppliers, one producer, and multiple distributors and buyers. Additionally, an algorithm designed by Genetic Algorithm (GA) is used for solving the model, and we apply the joint replenishment strategy into the model. The remainder of this paper is organized as follows: In Section 2, the various assumptions are made and the multi-product multi-echelon inventory control model is developed. In Section 3, GA is used for solving the model and the algorithm based on GA is designed. Then, we simulate the model under three different ordering strategies, respectively. In Section 4, conclusions and limitations in this research are presented.

نتیجه گیری انگلیسی

The problem of multi-echelon inventory control is becoming more important. Aiming at this problem, we apply the joint replenishment strategy into the multi-echelon inventory system and build a multi-product multi-echelon inventory control model. Considering both suppliers and distributors, or both the distribution system and the production system, this model can integrally express the actions and relations between every entity in the system. And an algorithm designed by GA is used for solving the model. Then we respectively simulate the model under three different ordering strategies. The simulation results show that the established model and the algorithm designed by GA have a clear advantage on decreasing the inventory cost of the multi-echelon inventory system. There are some limitations in this research. First, we assume the lead time of each nodal enterprise is fixed. In practice, however, it is often random variable. Second, this model only considers the inventory cost. In real life, it also needs to consider the time cost. If consider both the inventory cost and the time cost, it is the inventory control model based on agile supply chain. This will be done in our future research.

خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.