An efficient production planning approach based demand driven MRP under resource constraints
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
Production plans based on Material Requirement Planning (MRP) frequently fall short in reflecting actual customer demand and coping with demand fluctuations, mainly due to the rising complexity of the production environment and the challenge of making precise predictions. At the same time, MRP is deficient in effective adjustment strategies and has inadequate operability in plan optimization. To address material management challenges in a volatile supply-demand environment, this paper creates a make-to-stock (MTS) material production planning model that is based on customer demand and the demand-driven production planning and control framework. The objective of the model is to optimize material planning output under resource constraints (capacity and storage space constraints) to meet the fluctuating demand of customers. To solve constrained optimization problems, the demand-driven material requirements planning (DDMRP) management concept is integrated with the grey wolf optimization (GWO) algorithm and proposed the DDMRP-GWO algorithm. The proposed DDMRP-GWO algorithm is used to optimize the inventory levels, shortage rates, and production line capacity utilization simultaneously. To validate the effectiveness of the proposed approach, two sets of customer demand data with different levels of volatility are used in experiments. The results demonstrate that the DDMRP-GWO algorithm can optimize the production capacity allocation of different types of parts under the resource constraints, enhance the material supply level, reduce the shortage rate, and maintain a stable production process.
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 | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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