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)是生產庫存運作優(yōu)化研究中的重要內容,對于企業(yè)乃至供應鏈的運作優(yōu)化有著基礎性的作用。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/訂貨(或進行服務);二是生產/訂貨多少(或提供可計量的服務)。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、基于供應鏈的LSP,等等)的研究提供基礎。進一步,針對需求高度非平穩(wěn)及高度波動下應用混合預測優(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,回顧了相關隨機需求模型以及處理未知需求的預測方法的文獻,亦對單級動態(tài)批量決策、供應鏈及多級動態(tài)批量決策的相關研究進行了梳理,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,結合基本的USILSP算法,尤其是結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(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)過相關假設、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,相應的TSA算法基礎也得到初步構建。針對第二個子問題,通過基于愛爾朗分布的優(yōu)化模型及應用二分搜索算法,解決了相應動態(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測轉化為確定性動態(tài)批量問題來解決。其具體又可分為兩部分:一是混合需求預測的優(yōu)化;

6、二是通過研究預測誤差對LSP的影響,從而突顯優(yōu)化的預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)驗模態(tài)分解(Ensemble Empirical Mode Decompositio

7、n)方法的混合模型的應用,發(fā)現(xiàn)該兩類混合預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測方法更好的預測效果。進一步,針對基于滾動時域的多級動態(tài)批量問題,通過相關分析及模型,結合有關算法和數(shù)值實驗,比較了預測誤差對多種動態(tài)批量算法的成本績效的影響,明確了預測方法及預測誤差對動態(tài)批量決策有著顯著的影響。因此,在預測誤差較大的情況下,選擇上述兩種混合預測方法改進預測,有利于降低預測誤差,從而能有效降低動態(tài)批量決策相關成