به جمع مشترکان مگیران بپیوندید!

تنها با پرداخت 70 هزارتومان حق اشتراک سالانه به متن مقالات دسترسی داشته باشید و 100 مقاله را بدون هزینه دیگری دریافت کنید.

برای پرداخت حق اشتراک اگر عضو هستید وارد شوید در غیر این صورت حساب کاربری جدید ایجاد کنید

عضویت
جستجوی مقالات مرتبط با کلیدواژه

stochastic dynamic programming

در نشریات گروه مدیریت
تکرار جستجوی کلیدواژه stochastic dynamic programming در نشریات گروه علوم انسانی
تکرار جستجوی کلیدواژه stochastic dynamic programming در مقالات مجلات علمی
  • عصمت احمدی توتکله، بهروز افشارنجفی*، مهدی سیف برقی
    مقدمه و اهداف

    درنظرگرفتن خاصیت فسادپذیری و همچنین قابلیت جایگزینی، یکی از مهم ترین چالش های طراحی و بهینه سازی تصمیمات سیستم های مدیریت موجودی توسط فروشنده (VMI) است. این چالش زمانی بیشتر موردتوجه قرار می گیرد که در تقاضا محصول عدم قطعیت وجود داشته باشد. بر این اساس، هدف اصلی این پژوهش، ارائه رویکرد برنامه ریزی پویا تصادفی برای کنترل بهینه تصمیمات در این سیستم های VMI با عدم قطعیت پویا تقاضا است که توسط آن سطح سفارش دهی و موجودی محصولات فسادپذیر در شبکه دوسطحی شامل فروشنده و خریداران بهینه می شود.

    روش ها

    پس از تعریف مسئله موردنظر این پژوهش در توسعه سیستم های VMI، با توجه به عدم قطعیت و خاصیت فسادپذیری، مسئله در یک چارچوب چنددوره ای مدل سازی شده و از رویکرد برنامه ریزی پویا تصادفی (SDP) برای فرمولاسیون آن استفاده می شود. در مدل پیشنهادی، تابع هدف، بیشینه کردن سود انتظاری است که در آن هزینه های مختلف ازجمله سفارش دهی و نگهداری به حساب می آید که هزینه نگهداری وابسته به عمر باقی مانده محصول است؛ به این معنا که هرچه محصول به پایان عمر خود نزدیک شود، هزینه نگهداری آن افزایش می یابد. مدل SDP پیشنهادی این پژوهش به شیوه بازگشتی اجرا می شود و از نرم افزار متلب برای پیاده سازی آن استفاده می شود. هر مرحله از مدل SDP به صورت یک مدل بهینه سازی ساده تر خطی است که با حل کننده CPLEX به صورت کارا حل می شود. 

    یافته ها

    نتایج عددی نشان دهنده کارایی روش SDP برای حل این مسئله است و با استفاده از آن می توان با کنترل هزینه های مختلف در یک سیستم VMI و تصمیمات بهینه در مراحل مختلف تحت هر وضعیت، سود در پایان دوره های زمانی را بهبود داد. جایگزینی کالا در صورت مواجهه با کمبود موجب می شود که نخست در صورت کمبود در یک مرکز و ناتوانایی تامین کننده برای تامین آن، مرکز، موجودی مازاد خود را عرضه کند تا از کمبود جلوگیری شود. دوم، درصورتی که موجودی انبار یک مرکز توزیع به تاریخ انقضا نزدیک شود، از فساد آن جلوگیری می شود. به طورکلی این امکان موجب کاهش هزینه های کمبود و هزینه فسادپذیری می شود. نتایج مرتبط با طول عمر محصول نشان می دهد که در صورت لحاظ کردن طول عمر باقی مانده محصول در سیستم کنترل موجودی مبتنی بر سیستم VMI می توان از اطلاعات بین لایه توزیع و تامین برای کاهش قیمت، جابه جایی موجودی آن به یک مرکز دیگر و حتی تغییر سیاست کنترل موجودی استفاده کرد تا نه تنها از فسادپذیری محصول جلوگیری شود، بلکه از هزینه های کمبود و سفارش دهی مجدد نیز کاسته شود. برای مدل کردن این ویژگی، ابتدا یک طول عمر کامل برای هر محصول تازه تامین شده و سپس یک مجموعه دوره تعریف می شود. به ازای هر دوره برنامه ریزی، درصورتی که محصول به مشتری نهایی تحویل داده نشود (موجودی انبار باشد)، عمر باقی مانده آن یک دوره/ روز از عمر اولیه تعریف شده کسر می شود و به مرور از حالت تازه خارج و در دسته محصولات کهنه قرار می گیرد که مشمول کاهش قیمت می شود؛ همچنین درنتیجه مقایسه مدل پیشنهادی با لحاظ کردن قابلیت جایگزینی، نسبت به حالتی که کمبود در نظر گرفته نمی شود، ملاحظه می شود که بهبود 5/10 درصدی در سود ایجاد می شود.

    نتیجه گیری

    در مدیریت سیستم های VMI مدرن، در نظر گرفتن پویایی در رفتار تقاضا و عدم قطعیت مرتبط با آن بسیار حائز اهمیت است و می تواند بر سود بنگاه ها بسیار تاثیرگذار باشد. رویکرد SDP با در نظر گرفتن سناریوهای محتمل عدم قطعیت تقاضا، امکان ایجاد جایگزینی و نهایتا توجه به طول عمر محصول، تصمیمات بهینه در وضعیت های مختلف را فراهم می آورد و نه تنها ریسک تصمیم گیری را کاهش می دهد که موجب می شود سود نهایی نسبت به مدل های مقدار اسمی و مدل های کلاسیک در مبانی نظری بهبود قابل ملاحظه ای داشته باشد.

    کلید واژگان: مدیریت موجودی با فروشنده (VMI)، عدم قطعیت تقاضا، محصولات فسادپذیر، زنجیره تامین دوسطحی، قابلیت جایگزینی، برنامه ریزی پویا تصادفی
    Esmat Ahmadi Tootkaleh, Behrouz Afshar Najafi *, Mehdi Seifbarghi
    Introduction

    Considering the perishability and substitutability of products are among the most significant challenges in the design and optimization of decision-making in Vendor Managed Inventory (VMI) systems. This challenge becomes more pronounced when there is uncertainty in product demand. Therefore, the primary objective of this research is to present a stochastic dynamic programming approach for optimal control of decisions in VMI systems with dynamic demand uncertainty, optimizing the ordering levels and inventory of perishable products in a two-tier network including vendors and buyers.

    Methods

    After defining the problem of interest in developing VMI systems, considering demand uncertainty and product perishability, the problem is formulated in a multi-period modeling framework, and a stochastic dynamic programming (SDP) approach is used for its formulation. In the proposed SDP model, the objective function is to maximize expected profit by taking into account various costs such as ordering and holding, where the holding cost is dependent on the remaining product life; meaning that as the product approaches its expiration date, the holding cost increases. The proposed SDP model is executed in a recursive manner, and MATLAB software is used for its implementation. Each step of the SDP model is a simpler linear optimization model that is efficiently solved using the CPLEX solver.Results and discussion (Findings): Numerical results demonstrate the computational effectiveness of the SDP method in solving this problem. Using this approach, it is possible to control different costs in a VMI system and make optimal decisions at different stages under any state, thereby improving profit at the end of the time periods.Product substitution in the event of a shortage ensures that, firstly, in the case of a shortage at one center and the supplier's inability to replenish, the center offers its excess inventory to prevent the shortage. Secondly, if the inventory in a distribution center approaches its expiration date, spoilage is prevented. Therefore, the substitution capability generally leads to a reduction in shortage costs and spoilage costs.

    Results

    related to product shelf life indicate that by considering the remaining shelf life of products in a VMI-based inventory control system, information between the distribution and supply layers can be used to reduce prices, transfer inventory to another center, and even change inventory control policies to not only prevent product spoilage but also reduce shortage and reordering costs. To model this feature, a full shelf life is initially defined for each newly supplied product, and then a set of periods is defined. For each planning period, if the product is not delivered to the end customer (remains in inventory), one period/day is deducted from the initially defined shelf life, and over time, it moves from a fresh state to the category of older products, which are subject to price reductions. Furthermore, comparing the proposed model with substitution capability in the case of a shortage to the case where a shortage is not considered, it is observed that there is a 10.5% improvement in profit.

    Conclusion

    In the management of modern VMI systems, considering the dynamism in demand behavior and the associated uncertainty is very important and can significantly affect the profitability of enterprises. This importance is doubled when the system in question is managed for the inventory control of perishable products. The SDP approach, by considering potential scenarios of demand uncertainty, enabling substitution, and ultimately paying attention to product shelf life, provides optimal decisions in different situations and not only reduces the risk of decision-making but also leads to a noticeable improvement in final profit compared to nominal quantity models and classical optimization models in the literature.

    Keywords: Vendor-Managed Inventory, Uncertain Demand, Perishable Products, Two-Stage Supply Chain, Replacing Ability, Stochastic Dynamic Programming
  • مریم قندهاری، عادل آذر*، احمدرضا یزدانیان، غلامحسین گل ارضی
    هدف

    انتخاب یک سبد سرمایه گذاری بهینه در طولانی مدت منطقی نیست و با گذشت زمان کارایی خود را از دست می دهد. هدف این مقاله ارائه روشی برای به روز کردن چندمرحله ای سبد سهام است. همچنین از آنجا که بعد این مسئله با گذشت دوره های زمانی، به صورت چشمگیری افزایش می یابد، حل مسئله به روش قطعی ممکن نیست، از این رو هدف دیگر، استفاده از روش تقریبی برای مقابله با این دغدغه است.

    روش

    از برنامه ریزی پویای تصادفی تقریبی چندمرحله ای برای تعیین سبد بهینه سهام و رفع مشکل ناکارایی آن با گذشت زمان استفاده شده است. از نرخ های بازده به عنوان متغیر تصادفی طی دوره ها، از روش مونت کارلو برای سناریوسازی و از معیار ریسک GlueVaR به عنوان معیار اندازه گیری ریسک استفاده شده است. با استفاده از روش تقریبی، امکان حذف برخی از جواب های بهینه افزایش می یابد، از این رو، از الگوریتم ژنتیک برای جست وجو در اطراف پاسخ بهینه بهره برده شد تا در صورت امکان، جواب بهتری به دست آید. مدل سازی این پژوهش توسط نرم افزار متلب و آزمون های آن به کمک نرم افزار SPSS صورت پذیرفته است.

    یافته ها

    در این مقاله از اطلاعات 100 شرکت برتر موجود در بورس اوراق بهادار تهران، در سال های 1390 تا 1396 استفاده شد و بر اساس روش برنامه ریزی پویای تقریبی پیشنهادی، الگوریتم ژنتیک و روش سبد سهام با وزن های برابر، به مقایسه بازدهی و ریسک سرمایه گذاری در سبدهای مختلف پرداخته شده است.

    نتیجه گیری

     آزمون های آماری مربوطه نشان دهنده عملکرد بهتر روش پیشنهادی در مقایسه با دو روش دیگر است.

    کلید واژگان: بهینه سازی سبد سهام، برنامه ریزی پویای تصادفی، معیار ریسک GlueVaR، الگوریتم ژنتیک، سناریوسازی
    Maryam Ghandehari, Adel Azar *, Ahmad Reza Yazdanian, Gholamhossein Golarzi
    Objective

    The selection of an optimal investment portfolio for a long-term period does not seem logical. So the investors should update their investment portfolios over specific time periods if needed. Since the problem dimensions significantly increase after the periods, a definitive solution to the problem is not achievable.

    Methods

    In this regard, the Multistage Approximate Stochastic Dynamic Programming has been used to make the best portfolio over each period by using a stochastic return rate. The Monte Carlo was used for scenario development, and GlueVar was selected as a risk measurement criterion. The approximation technique was used to resolve for large dimensions; however, some optimized solutions may be eliminated so we used the Genetic Algorithm for the rapid search around the optimal solution to obtain a better one, if possible.

    Results

    Top 100 companies listed in the Tehran Stock Exchange between 2011 and 2017 were investigated. This study investigated and compared the return and risk of investment portfolios based on the proposed method, Genetic Algorithm, and stock portfolio with equal weights. The modeling was done with MATLAB and tests were carried out with SPSS.

    Conclusion

    The results indicated a higher performance of the proposed method in comparison with the other mentioned methods.

    Keywords: Portfolio optimization, Stochastic dynamic programming, GlueVaR risk measurement, Genetic Algorithm, Scenario constructiom
نکته
  • نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
  • کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
  • در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
درخواست پشتیبانی - گزارش اشکال