Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightSayısal bulgular, modelin farklı operasyonel koşullarda envanter ve taşıma maliyetlerini etkin bir şekilde yönettiğini göstermektedir.
📌 3 Maddede Bu Makale
Özet
Bu çalışma, statik envanter kontrol politikası ve rotalama kararlarını içeren tek depolu stokastik bir envanter-rotalama problemini ele almaktadır. Model, müşteri bazlı talep değişkenliği ve hizmet seviyesi gereksinimlerini dikkate alarak önceden hesaplanmış güvenlik stoğu değerlerini karma tamsayılı doğrusal programlama formülasyonuna entegre etmektedir. Yenileme zamanlaması, teslimat miktarları ve kapsama aralıkları sonlu bir planlama ufku boyunca birlikte optimize edilmektedir. Sayısal bulgular, modelin farklı operasyonel koşullarda envanter ve taşıma maliyetlerini etkin bir şekilde yönettiğini göstermektedir. Araç kapasitesi kısıtlarının sıkı olduğu ya da talep belirsizliğinin arttığı durumlarda toplam sistem maliyetlerinde genel bir artış gözlemlenmektedir. Benzer şekilde, sabit teslimat takvimlerinin uygulanması envanteri azaltabilse de daha karmaşık ve maliyetli rotalamalara neden olabilmektedir. Talep desenlerinin değişkenlik gösterdiği senaryo bazlı analizler, yenileme zamanlamasının talep eğilimleriyle uyumlu hale getirilmesinin daha verimli sonuçlar sağlayabileceğini ortaya koymaktadır. Özetle, önerilen model belirsiz ortamlarda güçlü bir performans sergilemekte ve özellikle hizmet seviyesi gerekliliklerinin kritik olduğu durumlarda lojistik planlama için değerli bilgiler sunmaktadır.
Abstract
This study addresses a single-depot stochastic inventory-routing problem with static inventory control policies and vehicle routing decisions. The model integrates precomputed safety stock values into a mixed-integer linear programming formulation, accounting for customer-specific demand variability and service level requirements. Replenishment timing, delivery quantities, and coverage intervals are jointly optimized over a finite planning horizon. The computational findings indicate that the model effectively manages inventory and transportation expenses in diverse operational contexts. When vehicle capacity limits are tight or demand grows more unpredictable, total system costs generally increase. Similarly, imposing fixed delivery schedules might reduce inventory, but can cause more intricate and expensive routing. Scenario-based analyses with fluctuating demand patterns show that aligning replenishment timing with demand trends can result in more efficient results. In summary, the model exhibits robust performance in uncertain settings and provides insightful guidance for logistics planning, particularly where service-level requisites are crucial.