Adaptive optimization approach for production and distribution planning of perishable food products under demand uncertainty
Notice bibliographique
Résumé
Abstract Management of production and distribution planning of perishable food products is crucial due to their low-profit margin and the increased environmental costs of manufacturing. The production planning of perishable products is challenging as it combines multiple factors such as temperature tracking of products, sequence-dependent facility setup cost, and uncertain demand in one setting. This paper studies the production and distribution planning problem for perishable food products and unifies the mentioned factors in an optimization framework. We propose an adaptive optimization approach to address the uncertainty in demand, providing flexible optimization approaches for a multi-period planning horizon. The first approach is adjustable robust optimization that generates a resilient and Pareto-efficient production and distribution plan to tackle demand uncertainty avoiding over-conservative solutions via decision rules. The second is the folding horizon, which re-optimizes production and distribution plans based on the realized demands over time. We assess the efficiency of the adaptive approach through extensive Monte Carlo simulation experiments. Furthermore, we perform a real-case adoption study on the production planning of a dairy factory to assess the applicability of our model and solution approach in real-world instances. According to the results, the adjustable approach and the folding horizon approach improve the objective function value by 4–14% and 5–28% for that of the orthodox robust model. The numerical results also show that the adjustable robust approach is always resistant to uncertainty, while the percentage of unmet demand for the deterministic model can reach as high as 18%.
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 | 0,001 |
| 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 ».