Material Requirements Planning Under Demand Uncertainty Using Stochastic Optimization
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Material Requirements Planning (MRP), a core component of enterprise resource planning (ERP) systems, is widely used by manufacturers to determine the production lot sizes of components. These lot sizes are typically computed based on deterministic and dynamic demand assumptions, while safety stocks, which hedge against demand uncertainty, are determined independently based on different assumptions. As the lot sizes and safety stocks are not determined simultaneously, sub‐optimal decisions are often used in practice. The critical impact of inventories and service levels in manufacturing motivates the study of stochastic optimization methods for MRP. In this study, we investigate stochastic optimization methods for MRP systems under demand uncertainty. A two‐stage and a multi‐stage model are proposed to deal with the static‐static and static‐dynamic decision frameworks, respectively. We first derive structural properties of the two‐stage and multi‐stage models to provide insights on the differences between the plans created with these two models. As multi‐stage stochastic programs are not convenient in real‐world applications, several practical enhancements are proposed. First, to address scalability issues, we employ heuristics in combination with advanced sampling methods. Second, to allow real‐time static‐dynamic decisions, we derive a policy from the solution of the multi‐stage model. Third, to deal with the dynamic‐dynamic decision framework, we employ a rolling horizon implementation. The effectiveness and performance of stochastic optimization for MRP are validated by numerical experiments, which demonstrate that the stochastic optimization approaches have the potential to generate significant cost savings compared to traditional methods for production planning and safety stocks determination.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 découle