penambahan gabungan yang optimal, pengiriman dan manajemen persediaan

kebijakan untuk produk yang mudah rusak

abstrak
Dalam makalah ini kami menganalisis keputusan bersama optimal kapan, bagaimana dan berapa banyak untuk mengisi
pelanggan dengan produk dari berbagai usia. Kami membahas fitur utama dari masalah yang timbul dalam penambahan
bersama dan pengiriman produk yang mudah rusak, dan kita model mereka di bawah asumsi umum. Kami kemudian
memecahkan masalah dengan cara algoritma cabang-dan-cut tepat, dan kami menguji kinerjanya pada set contoh secara
acak. Algoritma kami mampu komputasi solusi optimal untuk kasus sampai dengan 30 pelanggan, tiga periode, dan usia
maksimal dua periode untuk produk yang mudah rusak. Untuk contoh yang belum terpecahkan kesenjangan optimalitas
selalu kecil, kurang dari 1,5% rata-rata untuk kasus dengan sampai 50 pelanggan. Kami juga menerapkan dan
membandingkan dua kebijakan prioritas jual suboptimal dengan kebijakan dioptimalkan: selalu menjual barang-barang
tertua pertama yang tersedia untuk menghindari pembusukan, dan selalu menjual barang-barang segar pertama untuk
meningkatkan pendapatan.

1. Perkenalan
inventory control merupakan suatu operasi logistik penting, terutama ketika produk memiliki kehidupan rak terbatas.
Menjaga tingkat persediaan yang tepat menjamin bahwa permintaan puas tanpa menimbulkan yang tidak perlu memegang
atau pembusukan biaya. Beberapa model pengendalian persediaan tersedia [3], banyak yang meliputi pengobatan spesifik
produk yang mudah rusak [30].
Masalah yang terkait dengan pengelolaan persediaan produk yang mudah rusak muncul di beberapa daerah. Aplikasi
pengendalian persediaan produk yang mudah rusak meliputi manajemen darah dan distribusi [5,9,17,18,20,25,26,33], serta
penanganan radioaktif dan bahan kimia [1,11,37], makanan seperti produk susu, buah-buahan dan sayuran
[4,12,29,31,35,36], dan fashion pakaian [28]. Beberapa model manajemen persediaan telah secara khusus diturunkan untuk
barang-barang tahan lama, seperti tinjauan periodik dengan jumlah pesanan minimum dan maksimum Haijema [15], dan
peninjauan berkala dengan pertimbangan tingkat pelayanan Minner dan Transchel [24]. Ulasan model utama dan algoritma
di daerah ini dapat ditemukan di Nahmias [30] dan di Karaesmen et al. [19]. Pendekatan analitis terpadu untuk pengelolaan
jaringan rantai pasokan untuk produk sensitif terhadap waktu disediakan di Nagurney et al.[27].
perencanaan pengiriman yang efisien dapat memberikan penghematan lebih lanjut dalam operasi logistik. Optimalisasi rute
kendaraan merupakan salah satu bidang yang paling dikembangkan dalam penelitian operasi [21]. Integrasi pengendalian
persediaan dan kendaraan routing yang menghasilkan masalah optimasi yang kompleks yang disebut persediaan routing
yang bertujuan untuk meminimalkan biaya keseluruhan yang berkaitan dengan rute kendaraan dan pengendalian
persediaan. ikhtisar baru-baru ini dari masalah persediaan routing (IRP) adalah orang-orang dari Andersson et al. [2] dan dari
Coelho et al. [8].
Manajemen persediaan bersama dan distribusi produk yang mudah rusak, yang merupakan topik makalah ini, menimbulkan
masalah persediaan routing perishable (PIRP). Nagurney dan Masoumi [25] dan Nagurney et al. [26] mempelajari distribusi
dan relokasi darah manusia dalam konteks permintaan stokastik, mengingat rusaknya dan limbah dari darah berhubungan
dengan usia dan terbatasnya kapasitas bank darah. Hemmelmayr et al. [16] mempelajari kasus pengendalian persediaan
darah dengan rute tetap yang telah ditentukan dan permintaan stokastik. Masalah ini dipecahkan heuristik dengan
pemrograman integer dan pencarian lingkungan variabel. Gumasta et al. [14] yang tergabung masalah transportasi di model
pengendalian persediaan terbatas dua pelanggan saja. Custdio dan Oliveira [10] mengusulkan analisis heuristik strategis dari
distribusi dan pengendalian persediaan dari beberapa bahan makanan beku dengan permintaan stokastik. Mercer dan Tao
[23] mempelajari masalah distribusi makanan mingguan dari rantai supermarket, tanpa mengingat usia produk. Sebuah
kertas teoritis mengembangkan pendekatan generasi kolom disampaikan oleh Le et al. [22] untuk memberikan solusi untuk
PIRP a. Kesenjangan optimalitas itu biasanya di bawah 10% untuk kasus dengan delapan pelanggan dan lima periode di
bawah asumsi kehidupan rak yang tetap dan fl pada nilai seluruh kehidupan produk.
Makalah ini membuat beberapa kontribusi ilmiah. Kami terlebih dahulu mengklasifikasikan dan membahas asumsi utama
yang mendasari pengelolaan produk yang mudah rusak. Kami kemudian merumuskan PIRP sebagai program linear mixed
integer (MILP) untuk kasus yang paling umum, dan kami juga model itu untuk menangani kasus-kasus di mana pengecer
selalu menjual barang-barang yang lebih tua terlebih dahulu, dan di mana mereka menjual barang-barang segar terlebih
dahulu. Kami menyusun algoritma cut cabang-dan- tepat untuk solusi dari berbagai model. Untuk yang terbaik dari
pengetahuan kita, ini adalah pertama kalinya sebuah IRP dimodelkan dan diselesaikan tepat di bawah asumsi umum dalam
konteks manajemen produk yang mudah rusak. Model kami tidak memerlukan asumsi apapun pada bentuk pendapatan
produk dan persediaan fungsi biaya. Kami juga membangun beberapa hubungan antara PIRP dan IRP multi-produk baru
dipelajari oleh [7] penulis.
Sisa kertas ini disusun sebagai berikut. Dalam Bagian 2 kami menyediakan deskripsi formal dari PIRP tersebut. Dalam Bagian 3
kami menyajikan model yang MILP kami dan dua variannya yang baru saja dijelaskan, termasuk ketidaksetaraan berlaku
baru. Ini diikuti dengan deskripsi dari algoritma branch- dan-cut dalam Bagian 4. eksperimen Komputasi disajikan dalam
Bagian 5. Bagian 6 menyimpulkan kertas.

2. Masalah deskripsi
Sendi pengisian dan persediaan masalah bagi produk yang mudah rusak prihatin dengan optimasi gabungan rute pengiriman
dan pengendalian persediaan untuk produk yang memiliki umur simpan sementara. Di sini, kita mempertimbangkan rantai
pasokan tiga-eselon di mana pemasok memberikan produk ke pengecer yang kemudian menjual produk ke pelanggan akhir.
Produk ini biasanya memiliki tanggal kadaluwarsa, setelah itu mereka tidak lagi fi t untuk konsumsi. Ini adalah kasus tidak
hanya dari beberapa produk hukum yang diatur seperti makanan dan obat-obatan, tetapi juga dari berbagai macam produk
yang tidak diatur yang berkualitas, penampilan atau daya tarik komersial berkurang dari waktu ke waktu, seperti bunga-
bunga, kosmetik, cat, produk elektronik atau busana item. Pada bagian ini kita membahas empat asumsi utama yang
mendasari pengobatan jenis produk, dan kami menjelaskan bagaimana kita memasukkan mereka dalam model kami. Secara
khusus, kita membahas jenis rusaknya produk dalam Bagian 2.1, asumsi yang mengatur biaya menyimpan persediaan produk
ini dalam Bagian 2.2, pendapatan mereka sebagai fungsi usia dalam Bagian 2.3, dan pengelolaan item dari berbagai usia
diadakan dalam persediaan di bagian 2.4.

2.1. Jenis rusaknya produk

Ada ada dua jenis utama dari produk yang mudah rusak menurut bagaimana mereka membusuk [30]. Jenis pertama
mencakup produk yang nilainya tidak berubah sampai tanggal tertentu, dan kemudian turun ke nol segera. Ini adalah kasus
produk yang utilitas akhirnya berhenti dihargai oleh pelanggan, seperti kalender, buku tahun, elektronik atau peta, yang
dengan cepat menjadi sen obsoles- setelah tanggal tertentu atau ketika generasi baru produk memasuki pasar. Namun, ini
lebih merupakan kasus usang dari rusaknya. Meskipun barang-barang ini mungkin masih dalam kondisi sempurna, mereka
hanya tidak lagi berguna. Dalam kategori yang sama, kami fi produk nd dengan tanggal kadaluwarsa, seperti obat, yogurt dan
susu botol. Produk ini dapat dikonsumsi apakah mereka atas segar atau berumur beberapa hari, tapi setelah tanggal
kadaluwarsa mereka, mereka biasanya dianggap un fi t untuk konsumsi. Tipe kedua meliputi produk yang kualitas atau nilai
yang dirasakan meluruh secara bertahap dari waktu ke waktu. Contoh umum adalah buah-buahan, sayuran dan bunga-
bunga. Model yang diperkenalkan dalam Bagian 3 dapat menangani kedua jenis produk tanpa ad hoc modi fi kasi. Raafat [34]
menjelaskan model stokastik dimana kerusakan adalah fungsi dari tingkat persediaan di tangan. Model kami tidak bekerja di
bawah asumsi seumur hidup acak.
2.2. Dampak usia item pada biaya menyimpan persediaan
Sebagai aturan, unit persediaan perubahan biaya holding sehubungan dengan usia dan nilai suatu produk. asumsi umum ini
berlaku, misalnya, untuk biaya asuransi yang nilai terkait. Semua biaya variabel yang berkaitan dengan usia produk dapat
dimodelkan melalui parameter tunggal, yang disebut biaya penyimpanan persediaan unit, yang tergantung pada usia item.
Dalam beberapa konteks, semuanya menghasilkan biaya penyimpanan yang sama, tanpa memandang usia mereka. Produk
dengan umur simpan pendek biasanya muat dalam kategori ini. Dalam hal ini, biaya holding, yang meliputi semua biaya
variabel lainnya, dapat ditangkap oleh parameter masukan yang unik independen dari nilai dan usia produk, yang terjadi di
sebagian besar aplikasi.
2.3. Pendapatan dari item sesuai dengan umurnya
Sebuah parameter yang sangat mempengaruhi pro fi t yang dihasilkan oleh produk dari berbagai usia ini mereka dirasakan
nilai oleh konsumen. Merek item baru biasanya memiliki harga jual yang lebih tinggi, yang menurunkan dari waktu ke waktu
menurut beberapa fungsi. Dalam makalah ini kami tidak membuat spesifik asumsi mengenai bentuk fungsi ini. Sebaliknya,
kita mengasumsikan bahwa harga jual dikenal di muka untuk setiap usia produk. Perhatikan bahwa fungsi menggambarkan
hubungan antara harga dan usia dapat non-linear, non-kontinyu atau bahkan non-cembung, tapi masih bisa ditampung oleh
model kami, seperti akan ditunjukkan dalam Bagian 3.

2.4. kebijakan manajemen persediaan

The fi nal asumsi kita membahas berkaitan dengan pengelolaan item dari berbagai usia yang diadakan di persediaan. Hal ini
hingga pengecer untuk memutuskan mana item untuk menawarkan kepada pelanggan, yang akan memengaruhi pendapatan
yang terkait. Dalam konteks seperti itu, tiga kebijakan prioritas penjualan yang berbeda dapat dipertimbangkan. Yang
pertama salah satu terdiri dari menerapkan kebijakan baru pertama (FF) dimana pengecer selalu menjual barang-barang
segar terlebih dahulu. Kebijakan ini memastikan kehidupan rak lagi dan meningkatkan utilitas untuk pelanggan tetapi, pada
saat yang sama, menghasilkan tingkat pembusukan yang lebih tinggi. Kebijakan kedua adalah sebaliknya. Di bawah kebijakan
lama pertama (OF), barang-barang tua yang dijual pertama, yang menghasilkan kurang pembusukan, tetapi juga kurang
pendapatan. Kebijakan ketiga, yang kami memperkenalkan dalam model kami, lebih fleksibel dan umum, dan encom-
melewati dua ekstrem. prioritas dioptimalkan (OP) kebijakan memungkinkan model menentukan item untuk menjual pada
setiap periode waktu tertentu untuk memaksimalkan keuntungan. Ini berarti bahwa tergantung pada pengaturan parameter,
salah satu dapat memilih untuk merusak beberapa item dan menjual yang segar karena mereka menghasilkan pendapatan
yang lebih tinggi.
Meskipun mereka serupa, FF dan OF kebijakan berbeda dari FIFO dan LIFO kebijakan tradisional umum dalam manajemen
persediaan. Di bawah kebijakan FIFO, produk pertama yang disampaikan akan menjadi yang pertama untuk dijual. Ini
bertepatan dengan OF kebijakan hanya jika pengiriman dari pemasok ke peritel selalu item segar. Namun, ketika pemasok
memberikan produk dari berbagai usia di periode yang berbeda, urutan pengiriman tidak selalu bertepatan dengan usia
produk dalam persediaan. Untuk menggambarkan, mempertimbangkan kasus di mana pemasok memberikan item baru pada
hari pertama, dan barang-barang tiga hari pada hari kedua. Kemudian, pada hari ketiga, solusi yang berbeda akan diperoleh
di bawah OF dan kebijakan FIFO. Memang, di bawah kebijakan FIFO, item baru (disampaikan pada hari pertama) akan dijual
pertama, tetapi item yang lebih tua (disampaikan pada hari kedua) akan dipilih di bawah OF kebijakan.

Dalam rangka untuk menggambarkan FF dan OF kebijakan, pertama mempertimbangkan kasus susu botol memiliki
kehidupan rak terbatas. Seorang pengecer memegang dalam persediaan satu unit susu tua memiliki kehidupan rak sisa satu
hari, dan satu unit susu berusia satu hari masih baik selama beberapa hari. Pendapatan unit adalah $ 2. Jika pengecer berlaku
kebijakan FF, dia menjual susu lama satu hari hari ini, membuat $ 2 pendapatan. Besok, botol yang tersisa akan dimanjakan
dan ia tidak akan membuat pendapatan. Total pendapatan di bawah kebijakan FF kemudian $ 2. Jika, di sisi lain, ia berlaku
suatu OF kebijakan, dia menjual botol lamanya hari ini, dan baru satu besok, membuat total pendapatan $ 4, atau dua kali
pendapatan dicapai di bawah kebijakan FF.

Sekarang perhatikan kasus bunga, yang nilainya menurun dengan cepat dari satu hari ke hari berikutnya. Sebuah buket
berusia satu hari bunga menghasilkan pendapatan sebesar $ 10, sedangkan karangan berusia dua hari hanya menghasilkan $
4. Di bawah kebijakan FF, dia akan menjual satu hari bunga tua hari ini, dan tidak ada besok, membuat total pendapatan $
10. Di bawah OF kebijakan, pengecer akan menjual bunga yang lebih tua hari ini dan yang lainnya besok, mencapai
pendapatan lebih kecil dari $ 8.

Perhatikan bahwa dalam kedua contoh, kebijakan OP bertepatan dengan baik OF atau kebijakan FF. Namun, hal ini tidak
selalu terjadi, yaitu ketika fungsi pendapatan tidak monoton sehubungan dengan usia produk. Pertimbangkan misalnya kasus
pisang, yang memulai kehidupan rak mereka sebagai produk hijau, belum matang untuk konsumsi, maka menguning ketika
mereka mencapai nilai puncak mereka, dan akhirnya menjadi coklat dekat dengan tanggal pembusukan mereka. Misalkan
ada dua tangan pisang setiap warna dalam persediaan. Biarkan pendapatan menjadi $ 1,50 untuk tangan pisang hijau, $ 2
untuk tangan kuning, dan $ 0,50 untuk tangan coklat. Perhatikan bagaimana produk hijau dihargai lebih tinggi dari yang
coklat, karena akan jatuh tempo dari waktu ke waktu dan akhirnya akan menjadi kuning. Untuk permintaan harian dari satu
tangan lebih dari dua periode, yang

Kebijakan FF menghasilkan pendapatan dari $ 3, OF hasil kebijakan hanya $ 1, namun kebijakan OP yang terdiri dari menjual
pisang kuning setiap hari menghasilkan pendapatan yang optimal dari $ 4. Jika persediaan hanya berisi pisang hijau dan
kuning, maka OF dan kebijakan OP bertepatan; sama, jika hanya pisang kuning dan coklat dianggap, maka kebijakan FF dan
OP bertepatan.

Dengan demikian, pilihan mana dari FF atau OF kebijakan untuk menerapkan tergantung pada trade-off antara tingkat
persediaan dan fungsi pendapatan produk di bawah pertimbangan. The advan-tage dari kebijakan OP adalah bahwa hal itu
tidak memaksakan kendala apapun pada usia item untuk menjual dan mampu menghasilkan solusi yang paling umum dan
menguntungkan.
Kami menerapkan semua tiga kebijakan dan kami menganalisis mereka trade-off dalam konteks maksimalisasi keuntungan.

3. formulasi Matematika
Kita sekarang secara resmi menjelaskan formulasi matematis dari PIRP di bawah asumsi hanya disajikan untuk satu produk
dan di bawah tiga kebijakan manajemen persediaan yang baru saja dijelaskan. Kasus beberapa produk secara konseptual
serupa, tetapi membutuhkan indeks tambahan [7]. Kami berasumsi bahwa matriks biaya routing simetris. Dengan demikian,
kita mendefinisikan masalah pada sebuah grafik diarahkan G DV; ETH, di mana V f0; ...; ng adalah himpunan titik dan E
FDI; j: i; Jav; i ojg adalah himpunan sisi. Vertex 0 mewakili pemasok dan simpul sisanya V0 V \ f0 g sesuai dengan n
pelanggan. Sebuah cij biaya routing terkait dengan tepi DI; j AE.

Karena asumsi umum disajikan dalam Bagian 2, kami menganggap bahwa baik pemasok dan pelanggan sepenuhnya
menyadari jumlah item dalam persediaan sesuai dengan usia mereka. Hal ini penting karena biaya pendapatan penjualan dan
persediaan memegang dipengaruhi oleh usia produk. pemasok memiliki pilihan untuk memberikan item produk segar atau
tua, dan setiap kasus menghasilkan biaya holding yang berbeda. Setiap pelanggan memiliki kapasitas maksimum persediaan
memegang Ci, yang tidak dapat dilampaui dalam jangka waktu horison perencanaan panjang p. Pada setiap periode waktu t
AT f1; ...; pg, pemasok menerima atau menghasilkan kuantitas segar rt produk yang mudah rusak. Kami berasumsi bahwa
pemasok memiliki persediaan yang cukup untuk memenuhi permintaan pelanggan selama horizon perencanaan, semua
permintaan harus puas. Pada awal horison perencanaan pembuat keputusan tahu tingkat persediaan saat ini dari produk
pada setiap usia yang diadakan oleh pemasok dan oleh pelanggan, dan menerima informasi tentang DTI permintaan setiap
pelanggan i untuk setiap periode waktu t. Perhatikan lagi bahwa, seperti yang dibahas pada bagian sebelumnya, permintaan
bisa sama-sama puas dengan produk segar atau tua, yang pada gilirannya akan mempengaruhi pendapatan.

Seperti biasanya terjadi dalam literatur IRP [8], kita mengasumsikan bahwa jumlah rt tersedia pada pemasok pada periode t
dapat digunakan untuk pengiriman ke pelanggan pada periode yang sama, dan jumlah pengiriman yang diterima oleh
pelanggan i pada periode t dapat digunakan untuk memenuhi permintaan di masa itu. Satu set K f1; ...; Kg kendaraan yang
tersedia. Kami dilambangkan dengan Qk kapasitas kendaraan k. Setiap kendaraan dapat melakukan paling banyak satu rute
per periode waktu, mengunjungi bagian dari pelanggan, mulai dan berakhir di lokasi pemasok. Juga, seperti dalam makalah
IRP lain, kami tidak mengijinkan pengiriman split, yaitu, pelanggan menerima paling kunjungan satu kendaraan per periode.

Produk perishable dipertimbangkan menjadi manja setelah s periode, yaitu, usia produk milik diskrit set S f0; ...; sg. Produk
ini dihargai sesuai dengan umurnya, dan pengambil keputusan menyadari penjualan pendapatan ug satu unit produk dari
usia g. Demikian pula, biaya penyimpanan persediaan HGI di lokasi IAV adalah fungsi dari g usia produk. representasi umum
ini memungkinkan untuk pendapatan datar atau variabel, dan untuk biaya holding datar atau variabel tergantung pada usia
dan nilai produk, sehingga mencakup semua situasi yang digambarkan dalam Bagian 2.

Tingkat persediaan Iti yang diselenggarakan oleh pelanggan i pada periode t terdiri item dari berbagai usia. Kami memecah
variabel ini ke Iti g AS Igti, di mana Igti mewakili kuantitas produk usia h dalam persediaan di pelanggan i pada periode t.
Demikian juga, kita membusuk DTI permintaan ke

g AS dgti.
Tujuan dari masalah adalah untuk secara bersamaan membangun rute kendaraan untuk setiap periode dan untuk
menentukan jumlah pengiriman produk dari berbagai usia untuk setiap periode dan setiap pelanggan, untuk memaksimalkan
total keuntungan, sama dengan pendapatan penjualan, minus routing dan persediaan memegang biaya. Masalah ini sangat
sulit untuk memecahkan karena mencakup beberapa masalah NP-keras seperti masalah rute kendaraan [21] dan sejumlah
varian dari IRP klasik [8].

Model MILP kami bekerja dengan variabel routing yang xktij sama dengan

i j digunakan pada rute kendaraan k di

beberapa kali tepi ; kt
periode t. Kami juga menggunakan variabel biner yi sama dengan satu jika dan hanya jika
simpul i dikunjungi oleh kendaraan k pada periode t. Secara formal, variabel
Ini Igt menunjukkan tingkat persediaan pada simpul i AV di akhir
i g AS i gt
periode t AT, dan di menunjukkan kuantitas produk usia g digunakan untuk memenuhi permintaan pelanggan i pada periode
t, dan kita dilambangkan dengan qgkti kuantitas produk usia g disampaikan oleh kendaraan k kepada pelanggan i pada
periode t. Masalahnya kemudian dapat dirumuskan di bawah kebijakan OP sebagai berikut:

Fungsi tujuan (1) memaksimalkan total pendapatan penjualan, dikurangi persediaan dan routing biaya. Kendala (2)
menentukan kondisi konservasi persediaan untuk pemasok, penuaan produk oleh satu unit di setiap periode. Kendala (3)
memastikan bahwa pemasok selalu menghasilkan atau menerima atas produk-produk segar. Kendala (4) dan (5)
mendefinisikan konservasi persediaan dan penuaan item untuk pelanggan. Kendala (6) memberlakukan kapasitas persediaan
maksimal pada setiap pelanggan. Kendala (7) menyatakan bahwa permintaan setiap pelanggan dalam setiap periode adalah
jumlah dari kuantitas produk dari berbagai usia. Perhatikan bahwa dengan desain, produk apapun yang g usia lebih tinggi dari
s adalah manja, misalnya, tidak lagi muncul dalam persediaan maupun dapat digunakan untuk memenuhi permintaan.
kendala

(8) dan (9) menghubungkan jumlah dikirim ke variabel routing. Secara khusus, mereka hanya memungkinkan kendaraan
untuk memberikan produk kepada pelanggan jika kendaraan telah ditugaskan untuk itu. Kendala (10) memastikan bahwa
kapasitas kendaraan dihormati. Kendala (11) dan (12) adalah kendala derajat dan kendala subtour eliminasi, masing-masing.
Ketidaksetaraan (13) memastikan bahwa paling banyak satu kunjungan kendaraan setiap pelanggan di setiap periode,
sehingga melarang pengiriman split. Kendala (14) - (17) menegakkan keutuhan dan non-negatif kondisi pada variabel.

Model ini dapat diperkuat melalui masuknya keluarga berikut ketidaksetaraan berlaku [6]:
Kendala (18) dan (19) menegakkan kondisi bahwa jika pemasok adalah penerus langsung dari pelanggan di rute dari

kendaraan k pada periode t, maka saya harus dikunjungi oleh kendaraan yang sama. Sebuah alasan yang sama diterapkan
kepada pelanggan j di ketidaksetaraan (19). Kendala (20) memastikan bahwa pemasok dikunjungi jika ada pelanggan saya
dikunjungi oleh kendaraan k pada periode t.

Ketika armada kendaraan homogen, salah satu dapat mematahkan beberapa simetri kendaraan dengan cara kendala (21),
sehingga memastikan bahwa kendaraan k tidak bisa meninggalkan depot jika kendaraan k 1 tidak digunakan. simetri
melanggar aturan ini kemudian diperluas ke simpul pelanggan dengan kendala (22) yang menyatakan bahwa jika pelanggan
saya ditugaskan untuk kendaraan k pada periode t, maka kendaraan k 1 harus melayani pelanggan dengan indeks lebih kecil
dari i pada periode yang sama.

Kami juga memperkenalkan pemotongan tambahan untuk memperkuat formulasi ini. Jika jumlah dari tuntutan atas t1; t 2
& setidaknya sama dengan persediaan maksimum yang mungkin diadakan, maka harus ada setidaknya satu kunjungan ke
pelanggan ini dalam interval t1; t2 &. Kendala ini dapat diperkuat dengan mempertimbangkan bahwa jika kuantitas yang
dibutuhkan untuk memenuhi tuntutan masa depan lebih besar dari kapasitas persediaan maksimum, maka beberapa
kunjungan yang diperlukan. Karena ukuran pengiriman maksimum adalah minimum antara kapasitas holding dan kapasitas
kendaraan maksimum, satu dapat mengumpulkan sisi kanan (23). Membuat pembilang ketat dengan mempertimbangkan
persediaan sebenarnya bukan kemungkinan hasil inventarisasi ketidaksetaraan maksimal (24), yang tidak dapat ditangkap
karena mereka kemudian akan menjadi non-linear karena adanya variabel Iti1 di sisi kanan mereka

Sebuah versi yang berbeda dari ketidaksetaraan yang sama dapat ditulis sebagai berikut. Hal ini terkait dengan apakah terus
persediaan pada setiap periode cukup untuk memenuhi kebutuhan masa depan. Secara khusus, jika persediaan diadakan di
periode t1 oleh pelanggan saya tidak cukup untuk memenuhi kebutuhan masa depan, maka kunjungan ke pelanggan ini
harus berlangsung dalam t1 selang; t2 &. Kondisi ini dapat ditegakkan oleh set berikut ketidaksetaraan

Bahkan jika ketidaksetaraan ini berlebihan untuk model kami, mereka berguna dalam membantu CPLEX menghasilkan luka
baru.

Hal ini relevan untuk dicatat bahwa model ini membedakan item dari berbagai usia melalui penggunaan indeks g. Variabel
memiliki arti mirip dengan multi-produk IRP [6]. Dalam kasus produk yang mudah rusak tunggal, model bekerja sebagai jika
produk-produk dari berbagai usia yang berbeda satu sama lain (melalui indeks mereka) dan memiliki keuntungan yang
berbeda, tetapi bertentangan dengan apa yang terjadi dalam kasus multi-produk, salah satu produk tersebut dapat
digunakan untuk memenuhi permintaan yang sama. kekhususan lain dari model ini adalah bahwa pada setiap periode, item
mengubah dirinya menjadi satu sama lain melalui proses penuaan. Dengan demikian, masalah kita berbagi beberapa fitur
dari masalah multi-produk [6], tetapi secara struktural berbeda dari itu.

3.1. Pemodelan kebijakan FF

Kami sekarang menunjukkan bagaimana formulasi baru saja dijelaskan dapat digunakan untuk memecahkan masalah di
bawah kebijakan FF di mana pengecer menjual barang-barang segar pertama. Kami menambahkan variabel dan kendala
ekstra untuk perumusan PIRP untuk membatasi pilihan usia produk yang akan dijual.

Kami menerapkan ide ini sebagai berikut. Kami pertama kali memperkenalkan variabel biner baru Lgti sama dengan satu jika
dan hanya jika produk usia g dapat digunakan untuk memenuhi permintaan pelanggan i pada periode t. Set pertama kendala
baru membatasi penggunaan variabel dgti, yaitu, penggunaan penggunaan produk usia g untuk memenuhi permintaan
pelanggan i pada periode t, hanya untuk produk-produk yang diizinkan oleh variabel Lgti masing-masing, yaitu
Kami juga memesan variabel baru dalam rangka meningkatkan indeks usia. Berikut set kendala memungkinkan menjual
produk dari usia g 1 hanya jika produk usia g telah digunakan untuk memenuhi permintaan pelanggan i pada periode t:
Kami kemudian memaksakan kendala berikut untuk melarang penggunaan produk yang lebih tua jika ada cukup persediaan
produk segar. Penggunaan produk usia g 1 diperbolehkan jika dan hanya jika total persediaan produk dari usia g; g 1; ...; 0
tidak cukup untuk memenuhi permintaan pelanggan i pada periode t. Hal ini dapat ditegakkan melalui kendala berikut:

3.2. Pemodelan OF kebijakan

Hal ini mudah untuk memodelkan OF kebijakan dari kendala yang dikembangkan untuk kasus FF. Kebijakan ini dapat
ditegakkan dengan mempertimbangkan variabel Lgti yang sama dan tiga set berikut kendala:
Kendala (29) hanya mengizinkan penggunaan persediaan usia g untuk memenuhi permintaan jika variabel Lgti yang terkait
diatur ke satu. Kemudian, kami juga peringkat variabel Lgti dalam rangka meningkatkan indeks usia. Berikut set kendala
memungkinkan menjual produk dari usia g 1 hanya jika produk usia g yang digunakan untuk memenuhi permintaan
pelanggan i pada periode t:
Akhirnya, kami memaksa beberapa variabel L untuk mengambil nilai nol dengan menambahkan kendala berikut untuk model.
Jika total persediaan yang tersedia dari usia fg; g 1; ...; sg cukup untuk memenuhi permintaan pelanggan i pada periode t,
maka sisi kanan ketidaksetaraan (31) adalah positif, yang pada gilirannya menjamin bahwa lgi 1; t akan mengambil nilai nol
3.3. Memperluas model untuk mempertimbangkan limbah dan penyelamatan pendapatan

Kami mencatat bahwa fungsi pendapatan untuk produk berusia dapat dengan mudah mempertimbangkan nilai sisa untuk
produk terbuang. Hal ini dapat dicapai dengan memasukkan hasil untuk produk ketika tidak lagi layak untuk dikonsumsi, dan
dengan artifisial memperpanjang umur simpan dalam model. Ini memiliki kekurangan, bagaimanapun, bahwa permintaan
untuk tua (terbuang) produk dibagi dengan permintaan untuk produk-produk yang masih baik. biaya penyelamatan dan
account untuk produk terbuang dapat dimodelkan sebagai berikut.

Biarkan WTI menjadi kuantitas produk terbuang di pelanggan i pada periode t. Hal ini mudah diamati bahwa
Jika adalah biaya penyelamatan per unit, biaya penyelamatan total maka
yang dapat ditambahkan ke fungsi tujuan (1).
algoritma 4. Cabang-dan-cut

Untuk contoh ukuran yang sangat kecil, model yang disajikan dalam Bagian 3 dapat sepenuhnya dijelaskan dan semua
kendala dan variabel yang dihasilkan. Hal ini kemudian dapat diselesaikan dengan memberi makan langsung ke integer linear
solver pemrograman. Namun, untuk kasus ukuran realistis, jumlah kendala subtour eliminasi (12) terlalu besar untuk
memungkinkan pencacahan penuh dan ini harus dihasilkan secara dinamis selama proses pencarian. Yang tepat algoritma
kami sajikan adalah kemudian skema cabang-dan-cut klasik di mana kendala subtour elimina-tion hanya dihasilkan dan
dimasukkan ke dalam program setiap kali mereka ditemukan dilanggar. Ia bekerja sebagai berikut. Pada node generik dari
pohon pencarian, program linier yang berisi subset dari kendala subtour eliminasi diselesaikan, pencarian untuk
ketidaksetaraan melanggar dilakukan, dan beberapa di antaranya ditambahkan ke program saat yang kemudian reoptimized.
Proses ini diulangi sampai solusi yang layak atau didominasi tercapai, atau sampai tidak ada lagi pemotongan yang akan
ditambahkan. Pada titik ini, percabangan pada variabel pecahan terjadi. Kami menyediakan sketsa skema cabang-dan-terikat-
dan-cut di Algoritma 1.

Algoritma Algoritma 1. Cabang-dan-cut

1. Pada simpul akar pohon pencarian, menghasilkan dan masukkan semua ketidaksetaraan berlaku ke dalam program.
2. zn'1.
3. Penghentian cek:
4. jika tidak ada lebih node untuk mengevaluasi kemudian
5. Berhenti dengan solusi kewajiban dan optimal biaya zn.
6. lain
7. Pilih salah satu simpul dari pohon cabang-dan-terikat.
8. endif
9. solusi subproblem: memecahkan relaksasi LP node dan membiarkan z menjadi biaya.
10. jika solusi saat ini layak maka
11. jika z rzn kemudian
12. Pergi ke cek pemutusan.
13. lain
z 14. zn.
15. Perbarui solusi incumbent.
16. node Prune dengan batas bawah lebih rendah dari atau sama dengan zn.
17. Pergi ke cek pemutusan.
18. endif
19. endif
20. Cut generasi:
21. jika solusi dari relaksasi LP saat ini melanggar pemotongan apapun maka
22. Mengidentifikasi komponen terhubung seperti pada Padberg dan Rinaldi [32].
23. Tentukan apakah komponen yang mengandung pemasok yang lemah terhubung seperti pada Gendreau et al. [13].
24. Tambah melanggar kendala subtour eliminasi (12).
25. Pergi ke subproblem solusi.
26. endif
27. Percabangan: cabang di salah satu variabel pecahan.
28. Pergi ke cek penghentian.

5. percobaan Komputasi
Dalam rangka untuk mengevaluasi algoritma yang diusulkan, kami telah dikodekan dalam CTH dan digunakan IBM Konser
Teknologi dan CPLEX 12,5 berjalan secara paralel dengan dua benang. Semua perhitungan dieksekusi pada mesin yang
dilengkapi dengan prosesor Intel XeonTM berjalan pada 2,66 GHz dengan 24 GB RAM, dengan 6.1 sistem operasi Scientific
Linux.
5.1. contoh generasi
Kami telah menciptakan contoh secara acak untuk menilai kinerja dari algoritma kami pada berbagai situasi. Kami telah
menghasilkan total 60 kasus yang berbeda yang bervariasi dalam hal jumlah pelanggan, periode, kendaraan dan usia
maksimum produk. testbed kami terdiri dari contoh yang dihasilkan dengan parameter berikut:
Jumlah pelanggan n: 10, 20, 30, 40, 50.
Jumlah periode H: 3 sampai n 50; 6 sampai n 40; dan 10 sampai n 30.
Jumlah kendaraan K: 1 untuk n 10; 2 untuk n 20 dan 30; 3 untuk n 40 dan 50.
Usia maksimal dari produk s: 2 untuk H 3; 3 untuk H 6; 5 untuk H 10.
Permintaan DTI: dipilih secara acak dari interval [30, 210].
Posisi dx; YTH dari pemasok dan pelanggan: dipilih secara acak dari interval [0, 1000].
kapasitas pelanggan persediaan Ci: R maxt fdti g, di mana R dipilih secara acak dari himpunan {2, 3}.
persediaan awal I0i produk-produk segar: sama dengan Ci d1i.
Pendapatan ugi: sama dengan R1 R1 R2g = s, di mana R1 dan R2 yang dipilih secara acak dari interval [10, 20] dan [4, 7],
masing-masing.
Persediaan memegang biaya HGI: sama dengan DR1 gr2 = D1 g = 100, di mana R1 dan R2 yang dipilih secara acak dari
interval [0, 100] dan [0, 70], masing-masing.
kapasitas kendaraan Qk: sama dengan 1: 25i AV0 t AT DTI = HKc.
Untuk setiap kombinasi dari n, s, K dan H parameter kita telah dihasilkan lima kasus, menghasilkan total 60 kasus.
Dalam apa yang berikut kami menyediakan statistik rata-rata selama lima kasus per kombinasi. Hasil rinci disajikan pada
Lampiran A. Hasil ini bersama dengan contoh juga tersedia untuk di-download dari http://www.leandro-coelho.com.

5.2. Solusi untuk kebijakan OP

Kami menyediakan dalam Tabel 1 Rata-rata hasil komputasi untuk hal ini di bawah kebijakan OP. Kami telah memungkinkan
algoritma untuk menjalankan untuk maksimal 2 jam. Ketika batas waktu tercapai, kami melaporkan terbaik yang tersedia
batas bawah dan atas (nilai solusi) dan kesenjangan optimalitas. Kami melaporkan contoh ukuran sebagai (n-s-K-H), di mana
n adalah jumlah pelanggan, s adalah usia maksimum produk, K adalah jumlah kendaraan, dan H adalah panjang horison
perencanaan. Kolom berikutnya melaporkan rata-rata nilai solusi terbaik diperoleh, rata-rata yang terbaik terikat, rata-rata

Tabel 1
Ringkasan dari hasil komputasi untuk PIRP di bawah kebijakan OP

tabel 4
Persentase penurunan laba saat menggunakan fungsi pendapatan alternatif.

kesenjangan optimalitas, jumlah kasus dari lima yang dipecahkan untuk optimalitas, dan waktu berjalan rata-rata di detik.

Hasil ini jelas menunjukkan bahwa kinerja algoritma secara langsung berkaitan dengan jumlah n dari pelanggan dan dengan
panjang H dari horison perencanaan. Untuk contoh dengan cakrawala perencanaan yang lebih pendek (H3), algoritma
selalu dapat menemukan solusi yang optimal dalam beberapa detik dari waktu komputasi. Hal ini tetap berlaku bahkan ketika
jumlah pelanggan dan kendaraan meningkat, misalnya, semua lima kasus dengan 30 pelanggan dan tiga periode diselesaikan
untuk optimalitas, mengambil rata-rata 5 menit. contoh yang lebih besar dengan sampai 40 dan 50 pelanggan juga dengan
tiga periode diselesaikan dengan jarak kurang dari 1,50% rata-rata.
Ara. 2. fungsi pendapatan Variable. Sumbu horizontal menunjukkan pendapatan untuk satu unit item tertua sebagai sebagian
kecil dari pendapatan item segar. nilai-nilai rendah pada sumbu horisontal menunjukkan fungsi pendapatan curam
sehubungan dengan usia produk. nilai-nilai tinggi pada sumbu horisontal menunjukkan fungsi pendapatan ringan
sehubungan dengan usia produk
5.3. Solusi untuk FF dan OF kebijakan

Kami juga membandingkan biaya solusi dari kebijakan dioptimalkan sehubungan dengan usia produk yang dijual dengan
biaya alternatif kebijakan FF dan OF. Kami pertama mempertimbangkan kebijakan FF yang memaksimalkan pendapatan
dengan selalu menjual barang-barang segar. Kebijakan ini, di sisi lain, mengarah ke lebih pembusukan, yang pada gilirannya
meningkatkan kebutuhan untuk lebih pengiriman, sehingga meningkatkan biaya distribu-tions. Hasilnya ditunjukkan pada
Tabel 2 sebagai persentase mewakili penurunan keuntungan dari kebijakan FF sehubungan dengan kebijakan OP. Kami juga
melaporkan kesenjangan optimalitas, jumlah kasus diselesaikan secara optimal, dan waktu berjalan dalam hitungan detik.
Kami mencatat bahwa kesulitan memecahkan PIRP di bawah kebijakan FF mirip dengan yang diamati untuk kebijakan OP,
dan keuntungan hanya sedikit lebih rendah. Akhirnya, kami menyediakan perbandingan yang sama sehubungan dengan OF
kebijakan. Ringkasan hasil ditunjukkan pada Tabel 3.

Seperti halnya kebijakan FF, kesulitan memperoleh solusi optimal dan quasi-optimal tidak terpengaruh oleh inclu-sion dari
variabel biner baru dan kendala baru. Bagaimana-pernah, tidak seperti kebijakan sebelumnya, efek pada biaya menjual
barang-barang tua pertama, sehingga berasal pendapatan yang lebih rendah, memiliki efek besar pada total keuntungan
yang diamati, yang menurun secara substansial atas semua kasus.
5.4. Solusi untuk fungsi pendapatan alternatif
Dalam rangka untuk menilai trade-off antara OP, FF dan OF kebijakan, kami telah mengubah bagaimana pendapatan produk
bervariasi secara linear sebagai fungsi dari usia. Kami telah dihasilkan tiga variasi. Dalam skenario ringan pertama, perbedaan
biaya antara produk-produk segar dan tua berkurang. Dalam skenario curam kedua, perbedaannya adalah
meningkat. Akhirnya, kami juga telah membuat skenario datar di mana pendapatan dari produk adalah konstan sebagai
fungsi dari usia. Ketiga skenario dan kasus dasar yang digambarkan dalam Gambar. 1. lereng fungsi linear dalam rangka
meningkatkan sama dengan 2.4, 1.8 dan 1.2.
Kami telah merancang percobaan berikut untuk mengevaluasi dampak dari perubahan ini di trade-off antara kebijakan yang
berbeda. Kami telah memilih semua 30 kasus yang mengandung 10 dan 20 pelanggan. Setiap contoh dipecahkan di bawah
tiga kebijakan dan di bawah tiga fungsi pendapatan alternatif. Pada Tabel 4 kami melaporkan persentase penurunan laba
sehubungan dengan kebijakan dioptimalkan untuk masing-masing fungsi pendapatan dianggap.

Untuk lebih memahami bagaimana pendapatan yang berbeda untuk produk dari berbagai usia mempengaruhi trade-off
antara masing-masing tiga kebijakan, kami telah melakukan percobaan berikut. Kami telah memilih satu contoh (PIRP-10-5-1-
10-1) dan kami telah dipecahkan menggunakan tiga kebijakan untuk beberapa lereng fungsi pendapatan. Secara khusus, kami
telah menetapkan pendapatan dari produk segar untuk 20 dan kami telah menetapkan pendapatan dari item tertua mulai
dari nol sampai 20, dalam langkah-langkah dari satu unit. Kami telah kemudian diplot nilai-nilai fungsi tujuan masing-masing
dalam grafik Gambar. 2.

Set ini baru percobaan mengkonfirmasi bahwa data kami mengatur

Kebijakan FF memberikan nilai solusi yang hampir identik dengan kebijakan OP. Perhatikan bagaimana garis kontinyu tipis
kebijakan OP hanya sedikit lebih tinggi dari garis putus-putus dari kebijakan FF, tapi secara visual dibedakan dari itu. Ini
berarti bahwa di sini kebijakan yang optimal cenderung mendukung penjualan produk segar. The OF kebijakan, di sisi lain,
menyediakan solusi yang biayanya sangat dipengaruhi oleh nilai pendapatan dari produk yang lebih tua. Perbedaan antara
kebijakan adalah terbesar ketika produk ini dinilai sangat rendah. Ketika nilai pendapatan untuk produk yang lebih tua
meningkat, begitu juga meningkatkan keuntungan menerapkan OF kebijakan, dan perbedaan antara kebijakan ini dan dua
lainnya cenderung lenyap.
Akhirnya, kami juga telah menguji kinerja dari tiga kebijakan sehubungan dengan fungsi pendapatan non-monoton. Bentuk
contoh non-monoton digambarkan pada Gambar. 3. Ada tiga kasus di mana kenaikan pendapatan sebelum menurun, dan
tiga kasus di mana pendapatan pertama menurun dan kemudian naik kembali. Enam kasus diilustrasikan pada Gambar. 3.
Kami telah menciptakan lima contoh dari setiap jenis. Hasil rata-rata disajikan pada Tabel 5. Kami mengamati bahwa untuk
semua kasus, kebijakan OP performanya melebihi FF dan OF kebijakan.

6. Kesimpulan
Kami telah memperkenalkan sendi pengisian dan pengendalian persediaan produk yang mudah rusak. Kami telah dimodelkan
masalah di bawah asumsi umum sebagai MILP, dan kami telah memecahkan persis dengan cabang-dan-cut. Kami juga telah
diperkenalkan, model dan diselesaikan tepat dua varian dari masalah didefinisikan dengan menerapkan OF dan kebijakan
prioritas FF jual, di mana pengecer menjual dengan prioritas yang lebih tinggi item yang lebih tua dan lebih segar, masing-
masing. Model kami tetap linier bahkan ketika pendapatan produk penurunan non-linear atau bahkan secara non-cembung
dari waktu ke waktu. Ini melacak jumlah item masing-masing umur, dan menganggap biaya holding yang berbeda untuk
produk dari berbagai usia. Produk model identifi es dari berbagai usia independen satu sama lain, yang sangat mirip dengan
berurusan dengan beberapa produk, seperti dalam lingkungan multi-produk, tetapi tidak identik karena keadaan perubahan
produk dari waktu ke waktu. Model optimal menentukan item untuk menjual di setiap periode berdasarkan trade-off antara
biaya dan pendapatan. algoritma dapat secara efektif menghitung pengisian dan pengiriman keputusan bersama yang
optimal untuk produk yang mudah rusak dalam konteks persediaan-routing untuk contoh ukuran medium. Kami juga telah
menunjukkan bahwa pada testbed kami, perubahan laba secara drastis tergantung pada bentuk dari pendapatan dari
produk. Pada monoton menurun fungsi pendapatan, nilai solusi yang diperoleh di bawah OP berkurang ketika OF kebijakan
diterapkan, namun penurunan ini hanya marjinal di bawah kebijakan FF. eksperimen komputasi yang luas dilakukan pada
kasus secara acak mendukung kesimpulan ini.