Tedarik Zinciri Yıkım ve Dayanıklılık İçin Gerekli

Küresel tedarik zincirleri giderek karmaşık hale geldi ve birbirine bağlıydı, ancak daha önce hiç olmadığı kadar kesintiye maruz kalıyorlar.Sabah-Tükreasyon ve siber saldırılar, şirketler üretime son verecek bir risk dizisiyle karşı karşıya kalıyorlar, gecikmeler ve erode müşteri güven. Geleneksel determinist planlama modellerine, talep hakkında mükemmel bilgi sahibi zamanlar ve maliyetler, bu kadar belirsizliklere yol açıyorlar.

Integer programlama (IP) birçok tedarik zinciri kararı için doğal bir uyumdur, çünkü birçok seçenek doğal olarak ayrı ayrı ayrıdır: bir depo veya yaparsanız, tam bir sayıda kamyonu bir rotaya atarsınız veya tüm birimlerin sağlam bir şekilde birleştirilmesi gerekir. Sağlam optimizasyon teknikleri ile birlikte IP'yi birleştirmek sadece matematiksel olarak titiz değildir, ancak aynı zamanda üretim, perakende, lojistik ve farmasötikler gibi endüstrilerde de pratik olarak dağıtabilirsiniz.

Tedarik Zincirinde Integer Programlamayı Anlamak

Integer programlama, bazı veya tüm karar değişkenlerinin tamsayı değerlerle sınırlı olduğu matematiksel optimizasyonun bir şubesidir. Bir tedarik zinciri bağlamında IP modelleri gibi kararlar alır:

  • Tesislerin sayısı açık veya yakın
  • Her yerde tutmak için envanter miktarı (kesinlikle ambalaj nedeniyle tamsayı)
  • Müşterilerin dağıtım merkezlerinin ataması
  • Sabit kapasitelerle araçların routing of tools with sabit kapasite

Standart tam tam tam tam bir programlama formülü objektif bir işlevden oluşur (örneğin toplam maliyeti en aza indirmek) ve bir kısıtlama seti (örneğin, kapasite sınırları, hizmet seviyesi gereksinimleri).

[FONT:0) [8][[Dönemli) [8][Dönemli) [8][Dönemli) [8][Dönemli) [8]

Belirsizlik tanıtıldığında, belirsiz kısıtlamalar, talep veya tedarikin bazı gerçekleştirilmesi altında uygulanabilir olabilir. Robust tam programlama, çözümün mümkün olduğunu sağlayarak IP çerçevesi genişletilebilir (veya yakın optimize[Dönemli senaryolar). Bu, iki ana paradigma aracılığıyla belirlenir: 03.

Ortak bir yanlışlık, sağlam modeller her zaman belirsiz yöntemler veya kesme-gezegen algoritmaları kullanarak daha pahalı veya karmaşıktır. Pratikte, iyi yapılandırılmış bir sağlam IP modeli, ancak belirsiz ayarlandığında uygun şekilde seçilirse, özellikle de orantısız yöntemleri veya kesme-gezeme algoritmaları kullanarak çözülebilir.

Robust Integer Programlama Modelleri

Tedarik zinciri dayanıklılığı için sağlam bir IP modeli oluşturmak için, aşağıdaki özellikler önemlidir:

  • [FONT:0)Discrete Decision Değişkenleri:[Dönetici: 1) Model, tesis konumu, teknoloji kabulü veya tedarikçi seçimi gibi uzun vadeli kararlar için ikili veya tamsa değişkenleri içermelidir. Bu kararlar genellikle talep edilmeden önce sermayeye yapılır.
  • [FONT:0)Uncertainty Quantification: Uncertain parametreleri – talep, zaman, üretim verimi veya ulaşım maliyeti – aralıkları, ayrı senaryolar veya polihedral belirsizlik setlerini temsil ediyor.
  • [FONT:0)Feabilite ve Recourse: [Dönetici: [Dönetici:0)Feabilite ve Recourse: [Dönetici:0) [Dönetici:0)) İki aşamalı modeller ortaktır: ilk aşama (burada-ve-şimdi) kararlar belirsizliğin ortaya çıkmadan önce yapılır ve ikinci aşama (gören-ve-görüler) kararlar, belirsizlikten sonra işlemleri değiştirir.
  • [FONT:0)Objective Function Sort: Hedef genellikle aşırı olaylar altındayken risk ölçüm (örneğin, en kötü durumdaki değer, veya variance) ile maliyetlerini birleştirir.

Robust Modellerinin Anahtar Elements of Robust Models in Detay

Daha önceki listede inşa etmek, her elementi zincir direnci sağlamak için nasıl katkıda bulunduğunu göstermek için genişletiyoruz.

Uncertainty Modeling

Tedarik zincirlerinde belirsizlik, belirsizlik ve operasyonel belirsizlik talep edilebilir. Örneğin, talep, mevsimsel desenlerle bilinen bir dağıtım takip edebilir, ancak beklenmedik şoklar tüm dağıtımını değiştirebilir. Supply belirsizlikler veri yetersizliği, ham malzeme eksikliği veya tedarikçi hataları içerir. Operasyonel belirsizlikler makine arızaları, iş grevleri veya ulaşım gecikmeleri. Robust IP modelleri, tüm olası parametrelerin tüm olası gerçekliğini içeren bir belirsizliği tanımlamak için bunları ele alabilir.

[FONT:0)Example:[Dönetici:[Dönetici:0) Çok-echelon envanter modelinde, ürün için belirsiz talep d i ⁇ [μ i – ⁇ i, μ i + ⁇ i], tüm talepleri aynı anda aşırılıklarından kaçınmak için en yüksek sapmadır.

Senaryo Analizi

olasılık dağıtımları mevcut olduğunda, senaryo nesil teknikleri (örneğin, Monte Carlo simülasyonu, an eşleştirme veya tarihsel kümeleme), altta yatan rastgeleliği çevreleyen senaryoların sonlu bir setini oluşturur.Her senaryoda, bu ayrı set üzerinde optimize eder ve bu kısıtlamaların her senaryo için tutulmasını sağlar.

Senaryo analizi özellikle kuyruk uç riskleri için değerlidir - liman kapatma veya büyük bir tedarikçi iflası gibi ciddi olaylar. Birkaç yüksek performanslı senaryolar dahil olmak üzere, model uygun planları önerebilir (örneğin, yedek tedarikçiler, güvenlik araçları tamponları)

Hedef Fonksiyonlar: Maliyet ve Dayanıklılık

En basit hedef, beklenen toplam maliyeti en aza indirmektir. Ancak, bu genellikle eğim altında başarısız olan sadece zaman stratejilerine yol açar. Daha dirençli bir yaklaşım, risk önlemleri içerir.

  • [FONT:0) En kötü dava maliyetine dikkat edin: En olumsuz senaryoya karşı korumalar. Bu aşırı derecede muhafazakar olabilir, ancak kesintiler felaket olduğunda uygun.
  • [FONT:0)Minie en kötü durumdaki maliyetle ilgili bir kısıtlamaya tabi olmalıdır:[Dönetici: 1 ) Verimlilik ve dayanıklılık arasında bir ticaret-off sunuyor.
  • [FONT:0) Maliyet dağılımının kuyruğunda, finans ve tedarik zinciri risk yönetiminde popüler bir seçime dikkat edin.
  • [0]Bir bütçe kısıtlamasına hizmet seviyesini yükseltmek: İnsani lojistik veya yüksek teknoloji üretiminde, toplantı talebi güvenilir olarak maliyetten daha önemli olabilir.

Eklenmeler: Aydınlanmayı Teşvik Etmek Across Scenarios

Robust kısıtlamaları, belirsizlik setinde her şeyin gerçekleşmesini gerektirir, çözüm kapasiteyi, akış korumasını ve hizmet seviye gerekliliklerini yerine getirmelidir.Bu, sağlam optimizasyon teknikleri kullanarak, bu en kötü sapmayı temsil eden son derece kısıtlayıcı bir kısıtlama haline gelir. - ticaret-off sorun büyüklüğü, ama modern şarjlar (örneğin, Guro CPJ) gibi bir tesis kısıtlaması olur.

Enhancing Robustness için Yöntemler: Gelişmiş Teknikler

Orijinal makalede belirtilen temel yöntemlerin ötesinde, pratikte kullanılan daha derin matematiksel ve algoritma yaklaşımları araştırıyoruz.

Stochastic Programming with Recourse

İki aşamalı stochastic tam programlama en yaygın olarak incelenen çerçevelerden biridir. İlk aşamada, tesis açma, tedarikçi seçimi ve teknoloji yatırımı gibi kararlar alınır. İkinci aşamada, taleplerin ilk aşama kararları (problemler, envanter tahsisleri, routing) optimize edilir. Amaç, ikinci aşama maliyetlerin beklenen değeri genellikle iyileştirilmiş programlama problemlerini sağlamaktır.

Gerçek uygulamalar, ilaç şirketlerinin hangi ilaçların yüksek talepte olacağını bilmeden önce üretim kapasitelerini kararlaştırır veya elektrikli araç satışlarından önce batarya hücre tedarik sözleşmelerine taahhüt eden otomotiv üreticileri belirlidir.

Robust Optimizasyonu Bütçe Uncertainty

Bu yöntem Bertsimas ve Sim tarafından popülerleştirilmiş, her belirsiz parametrenin en fazla bir miktara göre nominal değerden sapması mümkün olduğu bir belirsizliği tanımlar, ancak tüm parametrelerdeki toplam normal sapma standart IP çözücüleri ile çözülebilir. Para birimine sahip olan sağlam bir kısıtlama dahildir: ⁇ = 0, en iyi lineer bir lineer problem verir. Çünkü belirsizlik seti polihedral, model yapısına sahiptir ve standart IP çözücüler ile çözülebilir.

Benders Decomposition ve Durak Yöntemler

Büyük ölçekli sağlam IP modelleri genellikle her senaryo veya belirsizlik altında operasyonel kararları ifade ederken hafıza ve zaman sınırlarını aşıyor. usta problem, problemin bir usta problemine ayırıyor (sayılı değişkenleri) ve her senaryo veya belirsizlik altında çalışan alt düzlem yöntemlerin bir setini ele alabilir.

Örneğin, küresel bir lojistik şirketi, Benders decomposition'ı talep belirsizliği altında dağıtım merkezleri ağının optimize edilmesini, günden güne hesaplama süresini azaltırken, çözüm kalitesini% 15 oranında bir determinist yaklaşımla geliştirirken.

Şans Eklenmeleri ve Robust Counterparts

Bazen, yüksek bir olasılıkla kısıtlamaları karşılaması yeterlidir (örneğin,% 95) Tüm senaryolar için değil. Şansla programlanmış programlama, olasılıksal kısıtlamalar kullanır. Normal dağıtım varsayımları altında, bu, normal dağıtım varsayımları altında, bu, daha fazla genel dağıtım işlevlerini kullanarak reform yapılabilir. IP modelleri için, bu, modern çözücülerle çözülebilir.

Uygulama ve Vaka Çalışmaları: Gerçek Dünya Etkisi

Robust tam programlama modelleri çeşitli endüstriler boyunca dağıtıldı. Daha önceki örnekler üzerinde ayrıntılı olarak çalıştık ve yenileri ekledik.

Resilient Dağıtım Ağları Tasarımı

50'den fazla ülkedeki operasyonlarla çok uluslu bir perakendeci, sınır kapatmaları ve liman gecikmeleri nedeniyle sık sık sık tedarik kesintileriyle karşı karşıya kaldı.İki aşamalı stochastic IP modeli kullanarak, şirket, depo ağını esnekliği içerecek şekilde yeniden tasarladı: bazı dağıtım merkezleri birden fazla bölgeye hizmet etmek için fazla kapasiteyle tasarlandı ve envanter, stratejik konumlarda önceden tahsis edildi.

[FONT=0)Dön bağlantı: [Dönetici programlamanın belirsizliğe göre nasıl uygulandığına dair bir örnek için, buDANFLT:2) Operasyon Araştırmasında araştırma makalesi).

Robustness ile olağanüstü optimizasyon

Bir otomotiv parçası tedarikçi, özellikle de yeni araç modellerine ihtiyaç duyan binlerce SKU'yu yönetmek için gerekliydi. Uygulama aynı genel envanter yatırımını sürdürmek için% 20 oranında azaltımı sağladı.

Tesis Konum Planlaması Disruptions

Bir ilaç şirketi, anahtar aktif malzemeler için tek kaynak tedarikini fark etti. Güçlü bir IP modeli, her bir tedarikçinin ve güvenlik stok seviyelerini seçmek için inşa edildi, her tedarikçinin aylarca kullanılamadığı senaryolar dikkate alındı. Model, ikili kararlarını sipariş miktarları için dahil etti.En iyi çözüm iki yedek sağlayıcı için önerilen her biri farklı bir kıtada bulunan ve kritik ilaçlar için envanter seviyelerini %35 artırdı.

Ulaşım Seyahat Times ile Yol Tarifi

Gıda dağıtım şirketi öngörülemeyen trafik ve hava gecikmeleriyle karşı karşıya kaldı. Araç yönlendirmesi için sağlam bir tamsayı programlama modeli, sipariş edilen kamyonlar ve sipariş teslimatlar için sipariş edilen teslimatlar için daha yüksek olan siparişlerde, teslimat süresindeki pencerelerin % 20'ye kadar artışla karşı karşıya kaldığı durumlarda, belirli bir yaylarda yolcunun% 20'ye kadar artışla yüzde 10'unu bildirdi.

C ⁇ Challenges and Practical Implementation

Sert tam tam tamsayı programlama önemli faydalar sağlarken, aynı zamanda hesaplama engellerini sunar. senaryoların veya sağlam kısıtlamaların eklenmesi, problem boyutunu dramatik bir şekilde artırabilir. Örneğin, 100 olası tesis lokasyonu olan bir ağ, 1.000 müşteri ve 500 senaryosu milyonlarca kısıtlama ve değişkenle model üretebilir. Bu tür modeller çözülebilir, uygulamacılar bir kombinasyon kullanabilir:

  • [FONT=0]Scenario azaltımı:[Dönetici: [Dönetici:0][Dönetici:0))[Döneticileri kullanarak, k-means) veya en uygun azaltma algoritmaları sadece bir temsilci alt senaryoyu tutmak için.
  • [FONT:0)Decomposition:[Dönlenenler, Benders veya Dantzig-Wolfe decomposition sorunu yönetilebilir parçalara ayırmaktadır.
  • [FONT:0]Heuristics:[[Dönetici: [Döneticiler için] Çok büyük sorunlar için, matematikçi yaklaşımlar (örneğin, IP alt dizileri ile birlikte) hızla optimize edilen büyük mahalle arama.
  • [0]Parallel hesaplama:[Dönetici:[Dönetici: 1 ) Birçok çözücü artık birden fazla çekirdekten faydalanıyor ve paralel olarak birden fazla alt yapıyı çözmek için hesaplama dağıtılıyor.

Bir başka pratik değerlendirme veri kalitesidir. Robust modelleri sadece belirsizlik karakterizasyonu kadar iyidir. Enestimating belirsizlik aşırı maliyetlere yol açar; en azından kırılgan çözümlere yol açar. Belirsiz bütçe veya senaryo olasılıklar üzerindeki hassaslık analizi nihai kararlardan önce önemlidir.

[FONT=0)Dön bağlantı: [Dönetici:0) Katı optimizasyon için hesaplama araçlarına genel bakış için, [[Gurobi belgesini sağlam optimizasyonda gör).

Future: Tüm Makine Öğrenmesi ve Gelişmiş Analytics

Güçlü tam tam tam tam programlama alanı hızla gelişmektedir. İki önemli trend tedarik zinciri dayanıklılığının geleceğini şekillendirmektedir.

Uncertainty Tahmining için Makine Öğrenme

Statik bir dağıtım varsaymak yerine, makine öğrenme modelleri (örneğin, rastgele ormanlar veya gradient güçlendirme) her ürün için talep dağıtımlarını veya kesinti olasılıklarını tahmin edebilir, sonra bu aralığı sağlam bir envanter optimizasyonuna geç. Bu entegrasyon, koşulları değiştirmek için sağlam IP modellerine uygulanabilir. Örneğin, bir perakendeci, her ürün için bir aralık (düşük ve üst sınır) bir tahmini modeli kullanabilir.

Araştırma ayrıca optimizasyon modelinin bir sinir ağı içinde gömülü olduğu son öğrenilir, karar kalitesi konusunda doğrudan lisansüstü eğitim sağlar. Bu hala ortaya çıkan bir alandır, ancak erken sonuçlar daha hızlı bir karar verme söz verir.

Gerçek Zamanlı Optimizasyon ve Dijital Twins

Hesaplamalı güçteki ilerlemeler (bulut hesaplama, GPU-akcelerated çözücüler), sağlam bir tamsayı yakın zamanda çözme modellerini tedarik zincirinin dijital ikiziyle birleştirin - fiziksel sistemin en iyi şekilde yeniden konumlandırılması – tedarik zincirinin dayanıklılığını azaltması için en üst düzey bir simülasyon modelidir: Bir tedarikçi sadece şoklara dayanamazsa, sağlam model anında geri dönebilir.

[FONT=0]Dönemli bağlantı: [Dönetici:0) Kaynak: [Dönetici:0] [FONT=0]

Sonuç: Robust IP ile Resilient Supply Chains

Güçlü tam tam tam tam programlama modellerini geliştirmek sadece akademik bir egzersiz değildir; belirsiz bir dünyada faaliyet gösteren kuruluşlar için pratik bir gerekliliktir.Süresel olmayan programlama, sağlam optimizasyon veya hibridler aracılığıyla - güçlü çözücüler ve paralel hesaplamalar, her ikisine de stres altında etkili olan kararlar verebilir. Matematiksel teknikler (Bendersler ayrıştırma, uçakları, bütçeli belirsizlik) endüstri ölçekli sorunlara uygulanabilir oldukları bir noktaya kadar olgunlaşmıştır.

Kabul edilmesi gereken temel adımlar şunlardır: (1) Organizasyonun risk toleransı ile uyumlu olan ayrık kararları tanımlamak; (2) tarihsel verileri ve uzman yargı kullanarak belirsizlikleri karakterize etmek; (3) uygun sağlam bir yaklaşım (tavaplama, bütçeli, stochastic) seçmek, sadece dirençli olmayan tedarik zincirleri haline gelir; (4) Gerekli olan modeli uygulamak; ve (5) Tarihsel veya simülasyonlu kesintiler ile doğrulayın.

Güçlü modellere yatırım yapmak, gelecekteki dayanıklı bir IP yaklaşımının arttırılmasına yatırımdır.İşsizliği görmezden gelmek maliyeti - Kayıp satışlarda sigortalı nakliye ve itibarlı hasar - sağlam bir IP yaklaşımının artışını aşmaktadır. Herhangi bir tedarik zinciri lideri için bugün planlama aracınıza sert bir optimizasyon.