Optimal Joint Replenishment and Transshipment Policies in a Multi-Period Inventory System with Lost Sales
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
Mismatch between supply and demand when the uncertainty of the demand is high and the supply lead time is relatively long, such as seasonal good markets, can result in high overstocking and understocking costs. In this paper we propose transshipment as a powerful mechanism to mitigate the mismatch between the supply and demand. We consider a finite horizon multi-period inventory system where in each period two retailers have the option to replenish their inventory from a supplier (if there is any supply) or via transshipment from the other retailer. Each retailer observes nonnegative stochastic demand with general distribution in each period and incurs overstocking/understocking costs as well as costs for replenishment and transshipment that may be time dependent. We study a stochastic control problem where the objective is to determine the optimal joint replenishment and transshipment policies so as to minimize the total expected cost over the season. We characterize the structure of the optimal policy and show that unlike the known order-up-to level inventory policy, the optimal ordering policy in each period is determined based on two switching curves. Similarly, the optimal transshipment policy is also identified by two switching curves. These four curves together partition the optimal joint ordering and transshipment polices to eight regions where in each region the optimal policy is an order-up-to-curve policy. We demonstrate that the structure of the optimal policy holds for any known sequence and combination of ordering and transshipment over time.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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