基于不確定性時(shí)變需求的動(dòng)態(tài)批量決策研究.pdf

1、動(dòng)態(tài)批量問(wèn)題(LSP,Lot Sizing Problem)是生產(chǎn)庫(kù)存運(yùn)作優(yōu)化研究中的重要內(nèi)容,對(duì)于企業(yè)乃至供應(yīng)鏈的運(yùn)作優(yōu)化有著基礎(chǔ)性的作用。動(dòng)態(tài)批量決策就是在時(shí)變需求下解決兩個(gè)基本問(wèn)題:一是何時(shí)生產(chǎn)/訂貨(或進(jìn)行服務(wù));二是生產(chǎn)/訂貨多少(或提供可計(jì)量的服務(wù))。而時(shí)變需求有兩類(lèi):一是確定性時(shí)變需求,二是不確定性時(shí)變需求。眾多研究所基于的需求為第一類(lèi)需求,第二類(lèi)則較少。本文通過(guò)界定第二類(lèi)需求,并按非平穩(wěn)性、波動(dòng)性從低到高系統(tǒng)地聚焦于研究

2、隨機(jī)性時(shí)變需求以及未知分布的時(shí)變需求下的無(wú)能力約束的單品種動(dòng)態(tài)批量批量問(wèn)題(USILSP,Uncapacitated Single Item Lot Sizing Problem),其研究成果可為后續(xù)基于不確定性時(shí)變需求下的更為復(fù)雜的動(dòng)態(tài)批量問(wèn)題(有能力約束的LSP、多品種多級(jí)LSP、基于供應(yīng)鏈的LSP,等等)的研究提供基礎(chǔ)。進(jìn)一步,針對(duì)需求高度非平穩(wěn)及高度波動(dòng)下應(yīng)用混合預(yù)測(cè)優(yōu)化研究滾動(dòng)時(shí)域的多品種(多級(jí))動(dòng)態(tài)批量問(wèn)題,亦是一種新的嘗試

3、。
　　為深入研究,回顧了相關(guān)隨機(jī)需求模型以及處理未知需求的預(yù)測(cè)方法的文獻(xiàn),亦對(duì)單級(jí)動(dòng)態(tài)批量決策、供應(yīng)鏈及多級(jí)動(dòng)態(tài)批量決策的相關(guān)研究進(jìn)行了梳理,并介紹了研究所需的動(dòng)態(tài)批量決策的基本算法。在此基礎(chǔ)上,針對(duì)市場(chǎng)需求的隨機(jī)性、非平穩(wěn)性特征,按平穩(wěn)性到非平穩(wěn)性以及從已知需求分布到未知需求分布,將所研究的不確定性時(shí)變需求下的動(dòng)態(tài)批量問(wèn)題細(xì)分為三個(gè)子問(wèn)題:一是需求平穩(wěn)性較強(qiáng)的基于正態(tài)分布的隨機(jī)動(dòng)態(tài)批量問(wèn)題;二是有一定非平穩(wěn)性的基于愛(ài)爾朗需求分

4、布的隨機(jī)動(dòng)態(tài)批量問(wèn)題;三是在需求分布未知且非平穩(wěn)性、非線性波動(dòng)程度高的情形下的不確定性動(dòng)態(tài)批量問(wèn)題。
　　對(duì)于上述第一個(gè)子問(wèn)題,結(jié)合基本的USILSP算法,尤其是結(jié)合當(dāng)中的件期平衡算法(PPB,Part Period Balancing)及Silver-Meal算法(簡(jiǎn)稱(chēng)SM)的思想,并且針對(duì)截尾期效應(yīng)(Truncated Horizon Effect)的處理,提出了基于“先后顧,再前瞻“的“T期跳躍算法”(T-peirod Sk

5、ipping Algorithm),該算法經(jīng)過(guò)相關(guān)假設(shè)、證明及數(shù)值實(shí)驗(yàn)的驗(yàn)證,相較于其它一些主流啟發(fā)式算法,其成本績(jī)效及其穩(wěn)定性均為優(yōu)良,相應(yīng)的TSA算法基礎(chǔ)也得到初步構(gòu)建。針對(duì)第二個(gè)子問(wèn)題,通過(guò)基于愛(ài)爾朗分布的優(yōu)化模型及應(yīng)用二分搜索算法,解決了相應(yīng)動(dòng)態(tài)批量決策優(yōu)化所需的最優(yōu)累積訂貨批量的問(wèn)題。而對(duì)于第三個(gè)子問(wèn)題,將未知分布需求下的動(dòng)態(tài)批量問(wèn)題通過(guò)混合需求預(yù)測(cè)轉(zhuǎn)化為確定性動(dòng)態(tài)批量問(wèn)題來(lái)解決。其具體又可分為兩部分:一是混合需求預(yù)測(cè)的優(yōu)化;

6、二是通過(guò)研究預(yù)測(cè)誤差對(duì)LSP的影響,從而突顯優(yōu)化的預(yù)測(cè)對(duì)獲得更好的動(dòng)態(tài)批量決策的功效。通過(guò)季節(jié)性自回歸整合移動(dòng)平均(SARIMA,Seasonal Auto Regression Integrated Moving Average)與支持向量機(jī)(SVM,Support Vector Machine)方法的混合模型、自回歸整合移動(dòng)平均(ARIMA)與整合經(jīng)驗(yàn)?zāi)B(tài)分解(Ensemble Empirical Mode Decompositio

7、n)方法的混合模型的應(yīng)用,發(fā)現(xiàn)該兩類(lèi)混合預(yù)測(cè)方法分別對(duì)于高周期性非線性需求及高頻波動(dòng)非線性需求有著較其它單一預(yù)測(cè)方法更好的預(yù)測(cè)效果。進(jìn)一步,針對(duì)基于滾動(dòng)時(shí)域的多級(jí)動(dòng)態(tài)批量問(wèn)題,通過(guò)相關(guān)分析及模型,結(jié)合有關(guān)算法和數(shù)值實(shí)驗(yàn),比較了預(yù)測(cè)誤差對(duì)多種動(dòng)態(tài)批量算法的成本績(jī)效的影響,明確了預(yù)測(cè)方法及預(yù)測(cè)誤差對(duì)動(dòng)態(tài)批量決策有著顯著的影響。因此,在預(yù)測(cè)誤差較大的情況下,選擇上述兩種混合預(yù)測(cè)方法改進(jìn)預(yù)測(cè),有利于降低預(yù)測(cè)誤差,從而能有效降低動(dòng)態(tài)批量決策相關(guān)成