Optimal periodic review order-up-to policy in a single-vendor multi-retailer cold chain with continuous multi-stage quality degradation
Notice bibliographique
Résumé
This study presents a cost optimization model for a two-echelon cold chain involving a single vendor and multiple retailers with stochastic product demand. The vendor and retailers follow periodic review order-up-to policies, where the vendor’s review period is an integer multiple of each retailer’s review interval. Product quality degradation, influenced by storage time and temperature, is modeled using the non-Arrhenius equation and the global stability index method. Degradation begins at the vendor’s side and continues at the retailers’, necessitating a continuous modeling approach. An algorithm is developed to minimize the expected total cost and to determine the optimal decisions for the cold chain. The study explores various scenarios and their optimal solutions, highlighting the impact of storage time and temperature on quality degradation and cost efficiency. The findings demonstrate that periodic review order-up-to policies enhance cost efficiency and inventory management in cold chains, while controlling storage time and temperature is essential to mitigate quality degradation and maintain product integrity. A continuous degradation model provides a more accurate understanding of quality loss across multiple stages, enabling better decision-making. Scenario analysis helps identify cost-effective strategies tailored to specific supply chain conditions, and the proposed algorithm serves as a practical tool for managers to balance cost and quality in cold chain operations. This research advances cold chain management by integrating cost optimization with quality degradation modeling, offering actionable insights for improved replenishment strategies and operational decision-making.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 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 ».