A Fixed Rate Production Problem with Poisson Demand and Lost Sales Penalties
Notice bibliographique
Résumé
We solve a variation of a classic make‐to‐stock inventory problem introduced by Gavish and Graves. A machine is dedicated to a single product whose demand follows a stationary Poisson distribution. When the machine is on, items are produced one at a time at a fixed rate and placed into finished‐goods inventory until they are sold. In addition, there is an expense for setting up the machine to begin a production run. Our departure from Gavish and Graves involves the handling of unsatisfied demand. Gavish and Graves assumed it is backordered, while we assume it is lost, with a unit penalty for each lost sale. We obtain an optimal solution, which involves a produce‐up‐to policy, and prove that the expected time‐average cost function, which we derive explicitly, is quasi‐convex separately in both the produce‐up‐to inventory level Q and the trigger level R that signals a setup for production. Our search over the ( Q, R) array begins by finding Q 0 , the minimizing value of Q for R = 0. Total computation to solve the overall problem, measured in arithmetic operations, is quadratic in Q 0 . At most 3 Q 0 cost function evaluations are required. In addition, we derive closed‐form expressions for the objective function of two related problems: one involving make‐to‐order production and another for control of an N‐policy M/ D/1 finite queue. Finally, we explore the possibility of solving the lost sales problem by applying the Gavish and Graves algorithm for the backorder problem.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,005 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».