[论文解读] 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 5

一句话总结

本文提出了一种用于多层级供应链库存规划的仿真-优化框架，通过数据重采样提升在需求不确定性下的鲁棒性。通过迭代模拟订单流动并使用时间连续更新机制在各设施间优化库存水平，该方法减少了缺货和过剩库存，在动态供应链中实现了更高的服务水平和成本效率。

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.

研究动机与目标

• 解决在需求波动下复杂多层级供应链中的库存优化挑战。
• 通过整合仿真与优化技术，改进库存决策。
• 通过数据重采样增强库存策略的鲁棒性，以应对不确定的需求分布。
• 在维持各供应链层级高水平服务水平的同时，最小化总库存成本。
• 开发一种动态、时间连续的库存水平、在库库存和订单队列更新机制。

提出的方法

• 在固定时间范围 $H$ 上使用时间连续的仿真循环来模拟库存演变。
• 在每个设施中维护三个关键状态变量：库存水平 $I_f$、在库库存 $O_f$ 和订单队列 $Q_f$。
• 使用基于优先级的调度机制处理队列中的订单：$s = \min(o, O_{f,t})$ 以确定即时发货量。
• 当在库库存不足时，通过延迟发货来补足短缺，持续更新时间 $t$ 直至有足够的库存可用。
• 对历史或模拟的需求数据采用重采样技术，生成多样化场景以实现鲁棒优化。
• 通过根据实时库存状态和重采样后的需求输入动态调整订单数量与时间，实现仿真与优化的集成。

实验结果

研究问题

• RQ1 在需求不确定性下，仿真-优化如何被有效应用于多层级库存系统？
• RQ2 数据重采样对库存策略的鲁棒性和性能有何影响？
• RQ3 时间连续、事件驱动的仿真模型是否能优于传统周期性检查方法，以减少缺货和持有成本？
• RQ4 订单队列管理与动态补货的集成如何提升库存准确性与响应速度？
• RQ5 所提出方法在维持服务水平目标的前提下，能在多大程度上降低总库存成本？

主要发现

• 结合数据重采样的仿真-优化框架显著提升了在不确定需求下的库存策略鲁棒性。
• 动态订单处理机制通过高效管理订单队列和在库库存，减少了缺货发生次数。
• 时间连续的更新逻辑确保了对库存水平和发货时间的精确追踪，最大限度减少了过度和不足订货。
• 对需求数据的重采样增强了模型适应波动性或非平稳需求模式的能力。
• 与不采用重采样或动态调整的基线策略相比，该方法实现了更高的成本效率和更好的服务水平。
• 实时库存状态更新与自适应补货的集成，使供应链运营更具响应性和可靠性。