Optimal ordering policy for perishable products by incorporating demand forecasts
Notice bibliographique
Résumé
Inventory management of perishable products has seen extensive study over the years; the perishable nature capturing the real-world phenomena of expiration after a limited shelf life. Such problems are challenging as they involve balancing demand fulfillment with minimal wastage. An added dimension to such problems, given the rise of machine learning, is that demand predictions are often available. In this paper, we study the structural properties of the optimal ordering policy for a perishable product with a fixed shelf life in a periodic-review single-item inventory system over a finite horizon, where demand predictions are available. We consider both lost-sales and backlogging cases. The objective is to find the optimal ordering policy that minimizes the total expected cost over a finite horizon. The total expected cost consists of linear ordering cost, inventory holding cost, wastage cost, and shortage cost. By using the concept of L ♮ -convexity, we show that under particular assumptions on the demand forecasts, the optimal policy is a state-dependent base-stock policy in which the base-stock values are a function of the system’s state, the inventory level, a vector of current and previous demand forecasts, and previous demand values. Moreover, we explore the monotonicity properties of the optimal policy. The monotonicity properties motivate us to propose a heuristic in which the order quantity is an affine function of the inventory level and forecast-dependent target inventory levels. Numerical results show that the proposed heuristic is effective in minimizing the total cost while maintaining low on-hand inventory levels.
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 | 0,006 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 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 ».