Production policy optimization in the systems with perishable products under seasonal demand
Notice bibliographique
Résumé
Manufacturing systems are often subject to dynamic market conditions, characterized by demand variations over time. Production policy optimization in this situation is more challenging than in case of stationary demand rate. When manufactured products are perishable, the demand variations are of particular importance, as they often result in additional losses due to disposal of perished products. In particular, that is the case in food and pharmaceutical industry. Both these aspect must be taken into account for production policy optimization. It is particularly important when the production facility is failure-prone. The rationale here is that conventional approach is based on setting the safety (hedging) inventory level in order to cope with potential equipment failures leading to shortage. For perishable products, however, this approach needs revision due to eventual deterioration of products kept in stock longer than the shelf-life limit. To address the production control problem in this context, a 3-steps procedure is developed. First, the hedging inventory level that varies in time adapting to demand variations is computed. Second, the upper limit for the products kept in stock (perishable inventory limit), which depends on the shelf-life and demand variation pattern (thus also varies in time) is determined. Third, that perishable inventory limit is shown to determine an upper bound for the hedging level. The proposed production policy adapts to demand variations and accounts product shelf-live; it is optimal and results in no perished products.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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 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 ».