Dynamic mutual adjustment search for supply chain operations planning co-ordination
Notice bibliographique
Résumé
Operational planning is an activity carried out by all manufacturing and logistical companies. Its co-ordination with supply chain partners aims at synchronising resources utilisation in order to minimise inefficiencies, such as unnecessary inventory holding, or in order to improve revenue through better resource utilisation. It is a rather complex process as partners have different objectives and information asymmetry is part of any effort to find good co-ordination solutions. Furthermore, because supply chains evolve in a dynamic and uncertain environment, once a co-ordination of operations plans is achieved, input data, such as forecasts or resources’ status, can change and affect on hand plans. These dynamic changes not only require updating the plan that is directly affected by the changes, but it also requires the adjustment of all plans that are part of the same co-ordination solution (Stadtler, H. 2009. A framework for collaborative planning and state-of-the-art. OR Spectrum, 31 (1), 5–30). Therefore, the development of a practical co-ordination approach should be capable of dealing with these dynamic changes. This paper proposes a dynamic mutual adjustment search heuristic, which can be used to co-ordinate the operations plans of two independent supply chain partners, linked by material and non-strategic information flows. Computational analysis shows that the proposed approach produces a win-win strategy in the context of two supply chain partners, and improves the results of upstream planning in each planning cycle, and also improves the fairness of revenue sharing when compared to optimal centralised planning.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».