فایل ورد کامل روش اکتشافی ایجاد ستون برای مسئله تعیین اندازه دسته های تولید انباشته در دوره های تقاضای تصادفی تحت محدویت نرخ پُرکردن موجودی کالا

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل روش اکتشافی ایجاد ستون برای مسئله تعیین اندازه دسته های تولید انباشته در دوره های تقاضای تصادفی تحت محدویت نرخ پُرکردن موجودی کالا،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۲۶ صفحه

چکیده

این مقاله به بررسی مسئله تعیین اندازه دسته‌های تولید انباشته چندمحصولی پویا تحت دوره‌های تقاضای تصادفی می‌پردازد. وقتی مشتریان کالاهایی را که فعلا موجود نیستند تقاضا می‌کنند، کالاهای مورد نیاز آن‌ها با تاخیر مجددا سفارش داده می‌شود و عملا یک محدویت در نرخ برآورده کردن تقاضای آنان ایجاد می‌شود. اینگونه فرض می‌شود که طبق راهبرد عدم‌اطمینان-ثابت بوکب‌بایندر و تَن، صرف نظر از تحقق تقاضاهای مشتریان، همه تصمیمات مربوط به زمان و مقدار تولید در افق برنامه‌ریزی از پیش تعیین شده‌اند. در این مقاله تلاش شده است تا با استفاده از مدل اِفراز مجموعه‌ها و روش حل اکتشافی که ایجاد ستون و روش اکتشافی جدید ABC_ را ترکیب می‌کند، راه‌حل این مسئله به طور تخمینی ارائه شود.

مقدمه

در این مقاله، ما نسخه‌ی تصادفی مسئله تعیین اندازه دسته‌های تولید انباشته چندمحصولی پویا (CLSP) را برای حل در نظر گرفته‌ایم. مسئله آن است که به‌منظور برآورده کردن تقاضای مشتری درمورد چندین محصول در یک افق زمانی گسسته‌ی محدود، مقدار تولید باید به نحوی تعیین شود که مجموع هزینه‌های تولید و انبارداری حداقل گردد و همزمان محدودیت‌های ظرفیت منابع نیز در نظر گرفته شود. برخلاف مسئله تعیین اندازه دسته‌های تولید انباشته قطعی، ما فرض کرده‌ایم که تقاضا برای محصول k و دوره‌ی t، که آن را با D_kt نشان می‌دهیم، یک متغیر تصادفی (k=1,2,…,K;t=1,2,…,T) است. ما فرض گرفته‌ایم که تقاضاهای هر دوره بی‌ثبات هستند (تا تاثیرات پویا نظیر نوسانات فصلی، تبلیغات محصولات، یا ترکیبات کلی سفارشات مشتریان با توجه به نوسانات تقاضاها در نظر گرفته شوند)، و در واقع در شرایطی محیطی مبتنی بر برنامه‌ریزی برای مواد مورد نیاز همینگونه نیز هست. تقاضا برای کالاهایی که نمی‌توان بلافاصله آن‌ها را با استفاده از موجودی انبار در اختیار مشتریان قرار داد، باید با تاخیر مجددا سفارش داده شوند. از آنجائیکه محاسبات کمّی هزینه‌های مربوط به این کمبود در موجودی کالا که شامل ارزیابی عوامل نامشهود نظیر از دست رفتن خرسندی مشتری می‌شود، اگر غیر ممکن نباشد بسیار دشوار است، فرض می‌کنیم که مدیریت یک سطح هدف را برای خدمات تعیین نموده است. مشخصا، فرض می‌کنیم که معیار نرخ برآورده کردن تقاضا (در سطح خدمت ) معتبر است، زیرا استفاده از این معیار در روش‌های واحدهای صنعتی بسیار رایج است.

نتیجه‌ گیری

در این مقاله ما مدلی را برای برآورد کردن مسئله تعیین اندازه دسته‌های تولید تک‌سطحی با تقاضای تصادفی پویا تحت محدودیت نرخ پُرکردن موجودی کالا ارائه نموده‌ایم. پیشنهاد ما، ترکیب روش تولید ستون برای حل مدل آزادسازی برنامه‌ریزی خطی با استفاده از روش اکتشافی ABC_ پیشنهادی تمپلمایر و هرپرز [۶] بوده است. کیفیت راه‌حل‌ها فقط با نتایج بدست آمده از روش اکتشافی ABC_ پیشنهادی تمپلمایر و هرپرز [۶] مقایسه شده‌اند. مشخص شد که روش اکتشافی پیشنهادی ما سرعت بالایی دارد و راه‌حل‌هایی را ارائه می‌دهد که به طور میانگین بهتر از روش اکتشافی ABC_ پیشنهادی تمپلمایر و هرپرز [۶] هستند.

عنوان انگلیسی:A column generation heuristic for dynamic capacitated lot sizing with random demand under a fill rate constraint~~en~~

Abstract

This paper deals with the dynamic multi-item capacitated lot-sizing problem under random period demands (SCLSP). Unfilled demands are backordered and a fill rate constraint is in effect. It is assumed that, according to the static-uncertainty strategy of Bookbinder and Tan [1], all decisions concerning the time and the production quantities are made in advance for the entire planning horizon regardless of the realization of the demands. The problem is approximated with the set partitioning model and a heuristic solution procedure that combines column generation and the recently developed ABCb heuristic is proposed.

Introduction

We consider the stochastic version of the dynamic multi-item capacitated lot-sizing problem (CLSP). The problem is to determine production quantities to satisfy demands for multiple products over a finite discrete time horizon such that the sum of setup and holding costs is minimized, whereby a capacity constraint of a resource must be taken into consideration. In contrast to the deterministic CLSP, we assume that for every product k and period t the demand is a random variable Dkt (k¼۱,۲,y,K; t¼۱,۲,y,T). The period demands are non-stationary (to permit dynamic effects such as seasonal variations, promotions, or general mixtures of known customer orders with random portions of period demands), which usually is the case in a material requirements planning (MRP) based environment. Demand that cannot be filled immediately from stock on hand is backordered. As the precise quantification of shortage penalty costs which involve intangible factors such as loss of customer goodwill is very difficult, if not impossible, we assume that management has specified a target service level. In particular, we assume that the fill rate criterion (b service level) is in effect, as this criterion is very popular in industrial practice (see Tempelmeier [2]).

Conclusion

In this paper we introduced an approximate model for the single level capacitated lot-sizing problem with dynamic stochastic demand under a fill rate constraint. We proposed to combine a column generation procedure to solve the LP-relaxation of the model with the ABCb heuristic of Tempelmeier and Herpers [6] to solve the remaining problem. The quality of the solutions is compared to the results found with the application of the ABCb heuristic of Tempelmeier and Herpers [6] alone. It was found that the proposed heuristic is fast and that it provides solutions that are on the average superior to the ABCb heuristic.

$$en!!