基于不確定性時變需求的動態(tài)批量決策研究.pdf

1、動態(tài)批量問題(LSP,Lot Sizing Problem)是生產(chǎn)庫存運作優(yōu)化研究中的重要內(nèi)容,對于企業(yè)乃至供應(yīng)鏈的運作優(yōu)化有著基礎(chǔ)性的作用。動態(tài)批量決策就是在時變需求下解決兩個基本問題:一是何時生產(chǎn)/訂貨(或進行服務(wù));二是生產(chǎn)/訂貨多少(或提供可計量的服務(wù))。而時變需求有兩類:一是確定性時變需求,二是不確定性時變需求。眾多研究所基于的需求為第一類需求,第二類則較少。本文通過界定第二類需求,并按非平穩(wěn)性、波動性從低到高系統(tǒng)地聚焦于研究

2、隨機性時變需求以及未知分布的時變需求下的無能力約束的單品種動態(tài)批量批量問題(USILSP,Uncapacitated Single Item Lot Sizing Problem),其研究成果可為后續(xù)基于不確定性時變需求下的更為復(fù)雜的動態(tài)批量問題(有能力約束的LSP、多品種多級LSP、基于供應(yīng)鏈的LSP,等等)的研究提供基礎(chǔ)。進一步,針對需求高度非平穩(wěn)及高度波動下應(yīng)用混合預(yù)測優(yōu)化研究滾動時域的多品種(多級)動態(tài)批量問題,亦是一種新的嘗試

3、。
　　為深入研究,回顧了相關(guān)隨機需求模型以及處理未知需求的預(yù)測方法的文獻,亦對單級動態(tài)批量決策、供應(yīng)鏈及多級動態(tài)批量決策的相關(guān)研究進行了梳理,并介紹了研究所需的動態(tài)批量決策的基本算法。在此基礎(chǔ)上,針對市場需求的隨機性、非平穩(wěn)性特征,按平穩(wěn)性到非平穩(wěn)性以及從已知需求分布到未知需求分布,將所研究的不確定性時變需求下的動態(tài)批量問題細分為三個子問題:一是需求平穩(wěn)性較強的基于正態(tài)分布的隨機動態(tài)批量問題;二是有一定非平穩(wěn)性的基于愛爾朗需求分

4、布的隨機動態(tài)批量問題;三是在需求分布未知且非平穩(wěn)性、非線性波動程度高的情形下的不確定性動態(tài)批量問題。
　　對于上述第一個子問題,結(jié)合基本的USILSP算法,尤其是結(jié)合當中的件期平衡算法(PPB,Part Period Balancing)及Silver-Meal算法(簡稱SM)的思想,并且針對截尾期效應(yīng)(Truncated Horizon Effect)的處理,提出了基于“先后顧,再前瞻“的“T期跳躍算法”(T-peirod Sk

5、ipping Algorithm),該算法經(jīng)過相關(guān)假設(shè)、證明及數(shù)值實驗的驗證,相較于其它一些主流啟發(fā)式算法,其成本績效及其穩(wěn)定性均為優(yōu)良,相應(yīng)的TSA算法基礎(chǔ)也得到初步構(gòu)建。針對第二個子問題,通過基于愛爾朗分布的優(yōu)化模型及應(yīng)用二分搜索算法,解決了相應(yīng)動態(tài)批量決策優(yōu)化所需的最優(yōu)累積訂貨批量的問題。而對于第三個子問題,將未知分布需求下的動態(tài)批量問題通過混合需求預(yù)測轉(zhuǎn)化為確定性動態(tài)批量問題來解決。其具體又可分為兩部分:一是混合需求預(yù)測的優(yōu)化;

6、二是通過研究預(yù)測誤差對LSP的影響,從而突顯優(yōu)化的預(yù)測對獲得更好的動態(tài)批量決策的功效。通過季節(jié)性自回歸整合移動平均(SARIMA,Seasonal Auto Regression Integrated Moving Average)與支持向量機(SVM,Support Vector Machine)方法的混合模型、自回歸整合移動平均(ARIMA)與整合經(jīng)驗?zāi)B(tài)分解(Ensemble Empirical Mode Decompositio

7、n)方法的混合模型的應(yīng)用,發(fā)現(xiàn)該兩類混合預(yù)測方法分別對于高周期性非線性需求及高頻波動非線性需求有著較其它單一預(yù)測方法更好的預(yù)測效果。進一步,針對基于滾動時域的多級動態(tài)批量問題,通過相關(guān)分析及模型,結(jié)合有關(guān)算法和數(shù)值實驗,比較了預(yù)測誤差對多種動態(tài)批量算法的成本績效的影響,明確了預(yù)測方法及預(yù)測誤差對動態(tài)批量決策有著顯著的影響。因此,在預(yù)測誤差較大的情況下,選擇上述兩種混合預(yù)測方法改進預(yù)測,有利于降低預(yù)測誤差,從而能有效降低動態(tài)批量決策相關(guān)成