[論文レビュー] A comparison of non-stationary stochastic lot-sizing strategies

Gozdem Dural‐Selcuk, Onur A. Kilic+2 more|arXiv (Cornell University)|Jul 29, 2016

Supply Chain and Inventory Management参考文献 20被引用数 4

ひとこと要約

この論文は、バックオーダー費用を伴う非定常確率的ロットサイズ決定戦略を、共通のテストベッドを用いて比較し、静的および動的再計画アプローチの両方を評価している。再計画が、従来弱いとされていた静的不確実性戦略を、最適解との差がわずか0.5%の近似最適手法に変えることを示しており、動的設定下で他のヒューリスティクスを上回っている。

ABSTRACT

We consider the non-stationary stochastic lot sizing problem with backorder costs and make a cost comparison among different lot-sizing strategies. We initially provide an overview of the strategies and some corresponding solution approaches in the literature. We then compare the cost performances of the lot-sizing strategies on a common test bed while taking into account the added value of realized demand information. The results of this numerical experience enable us to derive novel insights about the cost performance of different stochastic lot-sizing strategies under re-planning with respect to demand realization.

研究の動機と目的

• 完全なバックオーダーとペナルティコストを伴う非定常確率的ロットサイズ決定のための最新のヒューリスティクスを比較すること。
• 実現した需要情報に基づく再計画が、さまざまなロットサイズ決定戦略のコストパフォーマンスに与える影響を評価すること。
• 静的不確実性、静的ダイナミック不確実性、および動的不確実性戦略の相対的なコスト効率についての実証的知見を提供すること。
• さまざまなコストおよび需要条件下で、最適な動的不確実性ポリシーに最も近いパフォーマンスを示すヒューリスティクス戦略を特定すること。

提案手法

• 非定常的で独立的かつ非同一の需要分布を有する100の問題インスタンスを含む共通のテストベッドを用いる。
• 6つのヒューリスティクスを評価する：Scarce (1960)、Askin (1981)、Bollapragada and Morton (1999)、Sox (1997)、Vargas (2009)、およびTarim and Kingsman (2006)/Rossi et al. (2012)。
• 最適ポリシーは確率的動的プログラミングを用いて計算され、最適性ギャップのベンチマークとして用いられる。
• 再計画は、各意思決定ポイントで実現した需要情報に基づいてポリシーのパラメータを更新することで実装され、特に静的不確実性および静的ダイナミック不確実性戦略に適用される。
• パフォーマンスは、最適な動的ポリシーに対する平均最適性ギャップとして測定され、ペナルティコストおよび需要変動性の変動にわたる感度分析が実施される。
• 3つのポリシー型のコストパフォーマンスを比較する：静的不確実性、静的ダイナミック不確実性、および動的不確実性。

実験結果

リサーチクエスチョン

• RQ1 非定常的かつ非同一の需要分布に適用された場合、さまざまな確率的ロットサイズ決定ヒューリスティクスのコストパフォーマンスはどのように異なるか？
• RQ2 実現した需要情報に基づく再計画が、静的不確実性および静的ダイナミック不確実性戦略のコストパフォーマンスに与える影響は何か？
• RQ3 ペナルティコストが変化する条件下で、動的不確実性に基づくヒューリスティクスのパフォーマンスは、静的ダイナミック不確実性に基づくものと比べてどう異なるか？
• RQ4 再計画を組み合わせることで、従来パフォーマンスが低かった静的不確実性戦略が、ほぼ最適なパフォーマンスを達成できるか？
• RQ5 どのヒューリスティクス戦略が、さまざまな需要およびコストパrameter設定下で、最も強固で一貫性のあるコストパフォーマンスを示すか？

主な発見

• 再計画下では、静的ダイナミック不確実性戦略、特にTarim and Kingsman (2006)およびRossi et al. (2012)のヒューリスティクスが、最適性ギャップ約0.25%を達成し、最適な動的ポリシーに近づく。
• 再計画なしでは、静的不確実性戦略（Sox, 1997; Vargas, 2009）は平均最適性ギャップが13%に達し、パフォーマンスが著しく低いことが示された。
• 再計画後、静的不確実性戦略の最適性ギャップはわずか0.5%にまで低下し、顕著なパフォーマンス向上が確認された。
• 動的不確実性ヒューリスティクスのパフォーマンスはパrameter設定に極めて敏感であり、異なるテストインスタンス間でコストパフォーマンスの分散が著しく大きいことが分かった。
• ペナルティコストが上昇するにつれ、Askin（1981）のヒューリスティクスのパフォーマンスが相対的に向上するが、他のヒューリスティクスのパフォーマンスは混合した傾向を示す。
• 再計画は、すべての手法における最悪ケースのパフォーマンス分散を顕著に低減し、特に静的不確実性戦略に大きな利益をもたらした。