[논문 리뷰] Multi-echelon Supply Chain Inventory Planning using Simulation-Optimization with Data Resampling

Anshul Agarwal|arXiv (Cornell University)|2019. 01. 01.

Simulation Techniques and Applications참고 문헌 17인용 수 5

한 줄 요약

이 논문은 수요 변동성 하에서 다단계 공급망 재고 계획을 위한 시뮬레이션 최적화 프레임워크를 제안하며, 데이터 재표본화를 통합하여 불확실한 수요 하에서의 강건성을 향상시킨다. 시간 연속 업데이트 메커니즘을 사용해 반복적으로 주문 흐름을 시뮬레이션하고 시설 간 재고 위치를 최적화함으로써, 주문 부족과 과잉 재고를 감소시켜 동적인 공급망에서 서비스 수준과 비용 효율성을 햖थ한다.

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.

연구 동기 및 목표

• 수요 변동성 하에서 복잡한 다단계 공급망에서의 재고 최적화 과제를 해결한다.
• 시뮬레이션과 최적화 기법을 통합하여 재고 의사결정을 향상시킨다.
• 불확실한 수요 분포를 다루기 위해 데이터 재표본화를 통해 재고 정책의 강건성을 향상시킨다.
• 전체 재고 비용을 최소화하면서 공급망 단계 전반에서 높은 서비스 수준을 유지한다.
• 재고 위치, 수취 재고, 주문 큐에 대한 동적인 시간 연속 업데이트 메커니즘을 개발한다.

제안 방법

• 고정된 시간 간격 $H$ 동안 시간 연속 시뮬레이션 루프를 사용하여 재고 변화를 모델링한다.
• 각 시설당 세 가지 핵심 상태 변수를 유지한다: 재고 위치 $I_f$, 수취 재고 $O_f$, 주문 큐 $Q_f$.
• 우선순위 기반 디스패치를 사용해 큐에서 주문을 처리한다: $s = \min(o, O_{f,t})$ 를 통해 즉시 발송 가능 수량을 결정한다.
• 수취 재고가 부족할 경우 발송을 연기하여 시간 $t$ 를 갱신하고 충분한 재고가 확보될 때까지 대기한다.
• 강건한 최적화를 위해 역사적 또는 시뮬레이션된 수요 데이터에 대한 재표본화 기법을 사용한다.
• 실시간 재고 상태와 재표본화된 수요 입력을 기반으로 주문 수량과 시기를 동적으로 조정하여 시뮬레이션과 최적화를 통합한다.

실험 결과

연구 질문

• RQ1 수요 변동성 하에서 시뮬레이션 최적화를 다단계 재고 시스템에 효과적으로 적용할 수 있는가?
• RQ2 데이터 재표본화가 재고 정책의 강건성과 성능에 어떤 영향을 미치는가?
• RQ3 시간 연속적이고 사고 기반의 시뮬레이션 모델은 기존 주기적 점검 방식보다 주문 부족과 보관 비용을 줄이는 데 뛰어나게 작용하는가?
• RQ4 주문 큐 관리와 동적 보충의 통합이 재고 정확성과 반응성에 어떻게 기여하는가?
• RQ5 제안된 방법은 서비스 수준 목표를 유지하면서 전체 재고 비용을 얼마나 줄이는가?

주요 결과

• 데이터 재표본화를 통한 시뮬레이션 최적화 프레임워크는 불확실한 수요 하에서 재고 정책의 강건성을 크게 향상시킨다.
• 동적 주문 처리 메커니즘이 주문 큐와 수취 재고를 효율적으로 관리함으로써 주문 부족 발생 빈도를 감소시킨다.
• 시간 연속 업데이트 논리가 재고 수준과 발송 시점의 정확한 추적을 보장하여 과잉 및 부족 주문을 최소화한다.
• 수요 데이터의 재표본화로 인해 변동성이 크거나 비정상적인 수요 패턴에 모델이 더 잘 적응할 수 있게 되었다.
• 재표본화 또는 동적 조정 없이 기준 정책을 사용하는 것에 비해 비용 효율성과 서비스 수준이 향상되었다.
• 실시간 재고 상태 업데이트와 적응형 보충의 통합은 더 민감하고 신뢰할 수 있는 공급망 운영을 가능하게 하였다.