[論文レビュー] Multi-echelon Supply Chain Inventory Planning using Simulation-Optimization with Data Resampling

Anshul Agarwal|arXiv (Cornell University)|Jan 1, 2019

Simulation Techniques and Applications参考文献 17被引用数 5

ひとこと要約

本稿は、需要の不確実性下でも頑健性を高めるためにデータリサンプリングを統合した、多段階サプライチェーン在庫計画のためのシミュレーション最適化フレームワークを提案する。時間連続的な更新メカニズムを用いて施設間の在庫位置を繰り返しシミュレートし最適化することで、在庫不足と過剰在庫を低減し、動的なサプライチェーンにおいてサービス水準とコスト効率を向上させる。

ABSTRACT

Modeling and optimization of multi-echelon supply chain systems is challenging as it requires a holistic approach that exploits synergies and interactions between echelons while accurately accounting for variability observed by these systems. We develop a simulation-optimization framework that minimizes average inventory while maintaining desired average $β$ service level at stocking locations. We use a discrete-event simulation framework to accurately capture system interactions. Instead of a parametric estimation approach, the demand and the lead time variability are quantified by bootstrap sampling the historical data, thus preserving the true nature of the variability. We compare three different open source simulation-optimization libraries - the derivative free methods from SciPy.Optimize, a Bayesian optimization algorithm Scikit-Optimize, and a radial basis function based black-box optimizer RBFOpt. The experiments demonstrate practical applicability of our approach. While we observe substantially lower inventory levels and computationally superior results from RBFOpt, depending on the problem, search strategy, and the random start states, close enough good solution can be obtained from both RBFOpt and Scikit-Optimize. The optimization results demonstrate a preference for a centralized inventory planning scheme that help with risk pooling. Moreover, with no order placement cost, the optimal solution tends to order more frequently in order to lower inventory.

研究の動機と目的

• 需要の変動が生じる複雑な多段階サプライチェーンにおける在庫最適化の課題に取り組む。
• シミュレーションと最適化手法を統合することで、在庫意思決定を改善する。
• 需要分布の不確実性に対応するため、データリサンプリングによる在庫方針の頑健性を高める。
• 全在庫コストを最小限に抑えながら、サプライチェーンの各段階で高いサービス水準を維持する。
• 在庫位置、在庫残高、注文キューの時間連続的更新メカニズムを構築する。

提案手法

• 固定ホライズン $H$ の時間連続的シミュレーションループを用いて在庫の変化をモデル化する。
• 各施設ごとに3つの主要な状態変数を維持する：在庫位置 $I_f$、在庫残高 $O_f$、注文キュー $Q_f$。
• 優先順位に基づくディスパッチによりキューからの注文を処理する：$s = \min(o, O_{f,t})$ を用いて即時出荷数量を決定する。
• 在庫残高が不足している場合、出荷を遅延させ、十分な在庫が確保されるまで時間 $t$ を更新する。
• 過去の需要データまたはシミュレートされた需要データに対してリサンプリング技術を用い、多様なシナリオを生成して頑健な最適化を実現する。
• リアルタイムでの在庫状態とリサンプルされた需要入力を基に、注文数量とタイミングを動的に調整することで、シミュレーションと最適化を統合する。

実験結果

リサーチクエスチョン

• RQ1 需要の不確実性下での多段階在庫システムに、シミュレーション最適化を効果的に適用する方法は何か？
• RQ2 データリサンプリングは在庫方針の頑健性とパフォーマンスにどのような影響を与えるか？
• RQ3 時間連続的でイベント駆動型のシミュレーションモデルは、従来の定期的レビュー手法に比べ、在庫不足と在庫費用の低減において優れているか？
• RQ4 注文キュー管理と動的補充の統合は、在庫の正確性と対応性をどのように向上させるか？
• RQ5 提案手法は、サービス水準の目標を維持したまま、全在庫コストをどの程度低減できるか？

主な発見

• データリサンプリングを統合したシミュレーション最適化フレームワークは、需要の不確実性下でも在庫方針の頑健性を顕著に向上させる。
• 動的な注文処理メカニズムにより、注文キューと在庫残高を効果的に管理することで、在庫不足の発生頻度が低減される。
• 時間連続的更新論理により、在庫レベルと出荷タイミングの正確な追跡が可能となり、過剰注文および不足注文が最小限に抑えられる。
• 需要データのリサンプリングにより、変動が激しいまたは非定常な需要パターンに対してもモデルの適応能力が向上する。
• リサンプリングや動的調整なしのベースライン方針と比較して、コスト効率とサービス水準の両方が向上する。
• リアルタイムでの在庫状態更新と適応的補充の統合により、より迅速かつ信頼性の高いサプライチェーン運用が実現される。