以多次独立差分进化优化应对库存管理中需求的不确定性与波动性
神经与进化计算
2023-12-11 v2 机器学习
最优化与控制
摘要
为确定元启发式差分进化优化策略在随机需求背景下库存管理（IM）中的有效性，本实证研究开展了深入调查。主要目标是在不确定需求模式下辨识最小化库存成本的最有效策略。库存成本指企业持有与管理库存相关的开支。该方法将 IM 策略的连续评审与蒙特卡洛模拟（MCS）相结合。为求得最优解，研究聚焦于元启发式方法并比较多种算法。结果表明，差分进化（DE）算法在优化 IM 方面优于其他对手。为微调参数，研究采用拉丁超立方采样（LHS）统计方法。为确定最终解，本研究采用一种方法，将多次独立 DE 优化的结果相组合，每次均以不同随机初始条件启动。该方法为库存管理领域引入了新颖且具前景的维度，在随机需求模式存在时尤其可望提升性能与成本效率。
引用
@article{arxiv.2309.13095,
title = {Multiple Independent DE Optimizations to Tackle Uncertainty and Variability in Demand in Inventory Management},
author = {Sarit Maitra and Sukanya Kundu and Vivek Mishra},
journal= {arXiv preprint arXiv:2309.13095},
year = {2023}
}
备注
6 pages, 2 figures, 6 tables, IEEE (ICITEE 2023)