Production control problem for multi-product multi-resource make-to-stock systems
Notice bibliographique
Résumé
Most of today's production systems are working with parallel production resources to increase throughput rate due to the increase in high variability in demand and product mix. Effective control and performance evaluation of such systems is of paramount importance to minimize production and inventory-related costs. We examine a production-inventory system featuring parallel production resources capable of producing various products. In many industries such as automotive, white goods, electronics, and paint, multiple/parallel production resources are widely used to produce the ideal amount and satisfy incoming demands for distinct products. In this study, shortage cost is not restricted to only one type and both lost sales and backordering cases are analyzed. In order to analyze the optimal production policies' behavior, we initially formulate dynamic programming models for both lost sales and backordering systems, treating them as Markov Decision Processes. Subsequently, we solve these models using the value iteration algorithm. Given the challenges posed by the curse of dimensionality in the value iteration algorithm, we suggest alternative heuristic production policies. These policies extend the existing ones described for multi-item single-resource make-to-stock (MTS) systems to accommodate multiple resources. We construct simulation models to assess the efficacy of the heuristic policies, conducting comparisons of their performance against both the optimal policy and among one another. To the best of our knowledge, there has been no exploration of scenarios involving multiple production resources concurrently manufacturing distinct products in a MTS environment. Hence, this study serves as an extension to the examination of multi-item, multi-production resource MTS systems.
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 | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 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 ».