کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
7541144 | 1489047 | 2018 | 33 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
A multi-stage stochastic programming for lot-sizing and scheduling under demand uncertainty
ترجمه فارسی عنوان
یک برنامه ریزی تصادفی چند مرحله ای برای اندازه گیری و برنامه ریزی زمان بندی تحت عدم اطمینان تقاضا
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
برنامه ریزی تصادفی چند مرحلهای، اندازه و برنامه ریزی طولانی، عدم قطعیت تقاضا، صنعت خودرو،
ترجمه چکیده
در این مقاله، مسئله اندازه گیری و برنامه ریزی تصادفی با عدم قطعیت تقاضا مورد بررسی قرار گرفته است. اندازه لاتی اندازه دسته را برای هر محصول تعیین می کند و زمانبندی توالی تولید را تعیین می کند. یک مدل برنامه ریزی تصادفی چند مرحله ای برای به حداقل رساندن هزینه های کلی سیستم از جمله هزینه تولید، هزینه راه اندازی، هزینه موجودی و هزینه های پس انداز توسعه یافته است. هدف ما یافتن راه حل های مطلوب تولید و تصمیم گیری در مورد تخصیص منابع است. عدم قطعیت تقاضا درختان سناریو با استفاده از روش تطابق لحظه ای نشان داده شده است. کاهش سناریو برای انتخاب سناریوها با بهترین نمایش مجموعه اصلی استفاده می شود. یک مطالعه موردی بر اساس یک شرکت تولیدی برای نشان دادن و تایید مدل انجام شده است. ما مدل برنامه ریزی اتفاقی دو مرحله ای را به مدل برنامه ریزی تصادفی چند مرحله ای مقایسه کردیم. انگیزه اصلی برای اتخاذ مدلهای تصادفی چند مرحله ای این است که مدل های برنامه ریزی اتفاقی دو مرحله ای را با اجازه دادن به تصمیمات تجدید نظر در هر دوره بر اساس تحقق پیشین عدم قطعیت و همچنین تصمیمات گسترش می دهد. آزمون پایایی و آزمون ضعیف از نمونه مورد استفاده برای پیدا کردن یک نمونه نمونه مناسب سناریو استفاده می شود. با استفاده از مدل برنامه ریزی تصادفی چند مرحله ای، کیفیت راه حل را با 10 تا 13 درصد بهبود دادیم.
موضوعات مرتبط
مهندسی و علوم پایه
سایر رشته های مهندسی
مهندسی صنعتی و تولید
چکیده انگلیسی
A stochastic lot-sizing and scheduling problem with demand uncertainty is studied in this paper. Lot-sizing determines the batch size for each product and scheduling decides the sequence of production. A multi-stage stochastic programming model is developed to minimize overall system costs including production cost, setup cost, inventory cost and backlog cost. We aim to find the optimal production sequence and resource allocation decisions. Demand uncertainty is represented by scenario trees using moment matching technique. Scenario reduction is used to select scenarios with the best representation of original set. A case study based on a manufacturing company has been conducted to illustrate and verify the model. We compared the two-stage stochastic programming model to the multi-stage stochastic programming model. The major motivation to adopt multi-stage stochastic programming models is that it extends the two-stage stochastic programming models by allowing revised decision at each period based on the previous realizations of uncertainty as well as decisions. Stability test and weak out-of-sample test are applied to find an appropriate scenario sample size. By using the multi-stage stochastic programming model, we improved the quality of solution by 10-13%.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computers & Industrial Engineering - Volume 119, May 2018, Pages 157-166
Journal: Computers & Industrial Engineering - Volume 119, May 2018, Pages 157-166
نویسندگان
Zhengyang Hu, Guiping Hu,