Prosiding Konferensi Simulasi Musim Dingin 2019

N. Mustafee, K.-HG Bae, S. Lazarova-Molnar, M. Rabe, C. Szabo, P. Haas, dan Y.-J. Nak, eds.

MENGEVALUASI MODEL PEMROGRAMAN INTEGER CAMPURAN

UNTUK MEMECAHKAN MASALAH PERSEDIAAN STOKASTIK

Bas Bluemink Balan Srinivasan

AG de Kok Reha Uzsoy

Fakultas Teknik Industri Universitas Universitas Negeri Carolina Utara

Eindhoven EP Fitts Dept. Industri & Rekayasa Sistem Raleigh, NC
Eindhoven, 5600 MB, BELANDA 27695-7906, AS

ABSTRAK

Kami memformulasikan model pemrograman integer campuran (MIP) untuk mendapatkan solusi perkiraan untuk model inventaris stokastik horizon
terbatas. Formulasi deterministik kebutuhan ini membuat sejumlah asumsi yang disederhanakan, tetapi struktur khusus mereka memungkinkan waktu
solusi model yang sangat singkat di bawah berbagai kondisi eksperimental. Kami mengevaluasi kinerja model ini menggunakan pengoptimalan simulasi
untuk memperkirakan solusi optimal yang sebenarnya. Eksperimen komputasi mengidentifikasi beberapa skenario permintaan dan biaya di mana model
MIP menghasilkan solusi yang hampir optimal, dan kasus lain di mana mereka gagal, menyarankan arah untuk penelitian di masa mendatang.

1. PERKENALAN

Model persediaan stokastik telah menjadi subjek studi ekstensif sejak karya awal Arrow et al. (1951), dan tetap menjadi salah satu
bidang investigasi paling aktif di bidang manajemen operasi dan sistem produksi. Namun, penghitungan kebijakan inventaris yang
optimal tetap menantang bahkan untuk sistem inventaris yang tampaknya sederhana seperti model tinjauan periodik satu tahap
dengan permintaan independen. Meskipun diketahui bahwa kebijakan stok dasar optimal (Clark dan Scarf 1960), satu-satunya
pendekatan umum untuk menghitung tingkat stok dasar yang optimal adalah pemrograman dinamis stokastik, yang mengalami
kutukan dimensionalitas hingga derajat yang menghasilkan solusi yang merata. contoh yang cukup kecil sangat menantang.
Permintaan non-stasioner menimbulkan tantangan khusus untuk menghitung kebijakan yang optimal. Hasil dari,

Masalah perencanaan produksi, terutama perencanaan pelepasan pekerjaan ke dalam sistem produksi berkapasitas dari waktu
ke waktu, juga telah dibahas secara ekstensif dalam literatur. Pendekatan matematika yang paling umum untuk masalah ini adalah
model pemrograman matematika deterministik, yang telah berkembang menjadi struktur umum yang diterima secara luas.
Cakrawala perencanaan yang terbatas dibagi menjadi periode waktu yang berbeda, dan variabel keputusan (umumnya jumlah rilis)
dikaitkan dengan setiap periode. Variabel keputusan digunakan untuk menghitung nilai variabel status seperti inventaris dan tingkat
pemesanan di awal yang terkait dengan setiap periode, yang memungkinkan penghitungan biaya. Sebagian besar pekerjaan ini
memperlakukan semua parameter masalah sebagai deterministik. Menarik untuk diperhatikan bahwa perkembangan dalam optimasi
stokastik,

Menarik bahwa meskipun asal muasalnya yang sama dalam masalah perencanaan dan manajemen rantai pasokan, penelitian di bidang
perencanaan produksi dan manajemen inventaris telah berkembang hampir secara independen satu sama lain. Teori inventaris berfokus pada
pemodelan aspek stokastik dari permintaan, sebagian besar mengabaikan masalah kapasitas. Perencanaan produksi, di sisi lain, sebagian
besar telah menghindari masalah

978-1-7281-3283-9 / 19 / $ 31.00 © 2019 IEEE 1696

 Bluemink, de Kok, Srinivasan, dan Uzsoy

permintaan stokastik untuk fokus pada aliran material pemodelan dan batasan kapasitas, serta masalah ukuran lot. Sementara stok pengaman
merupakan perhatian utama dalam domain model inventaris, model perencanaan produksi umumnya memperlakukannya sebagai parameter
eksogen. Upaya untuk mengintegrasikan perencanaan stok pengaman ke dalam model perencanaan produksi relatif baru. de Kok (2018)
menyediakan metodologi berbasis simulasi untuk menentukan stok pengaman item akhir yang optimal untuk model perencanaan produksi
berbasis pemrograman matematika.

Karena ketergantungannya yang besar pada model pemrograman matematika, domain perencanaan produksi telah mendapat
banyak manfaat dari perkembangan pemecah pemrograman matematika komersial selama empat dekade terakhir. Hal ini
menunjukkan kemungkinan untuk mengeksploitasi perkembangan ini untuk membangun model pemrograman matematis yang
memperoleh solusi perkiraan untuk masalah inventaris stokastik horizon terbatas. Dalam makalah ini kami menyajikan hasil dari
upaya awal ke arah ini. Model mixed integer programming (MIP) yang kami usulkan memiliki beberapa karakteristik yang sama
dengan pemrograman dinamis stokastik, di mana distribusi permintaan didiskritisasi, menghasilkan sejumlah besar variabel biner.
Namun, struktur khusus dari program bilangan bulat yang dihasilkan, bersama dengan peningkatan pemecah dan daya komputasi,

Bagian berikut secara singkat mengulas pekerjaan terkait sebelumnya. Bagian 3 menyajikan pernyataan masalah formal dan
perumusan pemrograman matematika, diikuti dengan desain percobaan komputasi di Bagian 4. Bagian 5 menyajikan hasil
percobaan kami, dan Bagian 6 menyimpulkan makalah dengan diskusi tentang temuan utama dan implikasinya untuk penelitian di
masa depan.

2 PEKERJAAN TERKAIT SEBELUMNYA

Makalah pertama tentang penentuan tingkat persediaan dasar yang optimal dalam rantai pasokan serial oleh Clark dan Scarf (1960). Mereka
mengembangkan algoritme untuk memecahkan level stok dasar yang tepat dalam sistem horizon terbatas dan membuktikan bahwa kebijakan
ini memang optimal. Federgruen dan Zipkin (1984) membuktikan optimalitas kebijakan stok dasar untuk rantai pasokan serial waktu terbatas.
Chen dan Zheng (1994) memperluas metode Clark dan Scarf dan mengembangkan pendekatan solusi rekursif. Diks dan De Kok (1998; 1999)
mengembangkan algoritma untuk menghitung kebijakan order-up-to yang mendekati optimal untuk sistem multi-eselon yang berbeda. Shang
dan Song (2003) mengembangkan heuristik berdasarkan solusi dari sejumlah subproblem penjual berita untuk menghitung kira-kira tingkat
stok dasar yang optimal untuk sistem serial tak terbatas dengan menyelesaikan beberapa contoh model penjual berita klasik Snyder dan Shen
(2011) yang dikembangkan oleh Arrow, Harris, dan Marschak (1951). Heuristik cepat dan mudah diterapkan tetapi tidak menjamin optimalitas,
meskipun eksperimen komputasi ekstensif menunjukkan kinerja yang sangat baik. Gambaran dari ekstensi model newsvendor terkait dengan
permintaan pelanggan yang terpengaruh, kebijakan harga pemasok, dan profil risiko pembeli diberikan oleh Qin et al. (2011). Ekstensi lain
termasuk sistem multi-produk, ditangani secara ekstensif oleh Choi (2012), dan sistem multi-produk di bawah batasan, ditangani oleh
Niederhoff (2007), Zhang (2010), dan Abdel-Malek dan Otegbeye (2013). Dari jumlah tersebut, Niederhoff (2007) dan Abdel-Malek dan
Otegbeye (2013) menggunakan pendekatan pemrograman terpisah yang sangat relevan dengan pekerjaan dalam makalah ini.

Parker dan Kapuscinski (2004) menunjukkan bahwa kebijakan stok dasar eselon yang dimodifikasi optimal untuk rantai pasokan serial 2-tahap
yang mengasumsikan kapasitas yang lebih rendah pada tahap paling hilir dan berlaku untuk masalah cakrawala tak terbatas dan tak terbatas.
Glasserman dan Liu (1997) menganalisis sistem serial multi-tahap dengan batasan kapasitas di bawah permintaan stokastik, di mana mereka
mengembangkan perkiraan rata-rata inventaris, pemesanan kembali, permintaan yang tidak terisi, dan kekurangan.

Singkatnya, beberapa metode solusi ada untuk mendapatkan tingkat persediaan dasar yang tepat dan perkiraan dalam rantai pasokan serial
dengan dan tanpa batasan kapasitas. Namun, kendala kapasitas yang bergantung pada waktu dan permintaan non-stasioner belum
dipertimbangkan. Permintaan non-stasioner dapat terjadi dalam banyak kasus,
misalnya, permintaan musiman, penghentian produk, atau pengenalan produk baru. Fluktuasi kapasitas dapat terjadi, misalnya saat perbaikan harus
direncanakan atau ruang penyimpanan yang tersedia bervariasi. Dalam makalah ini, kami menyelidiki apakah mungkin untuk menggabungkan batasan
kapasitas yang bergantung pada waktu dan permintaan non-stasioner ke dalam optimasi menggunakan model pemrograman matematis.

1697
 Bluemink, de Kok, Srinivasan, dan Uzsoy

3 FORMULASI PEMROGRAMAN INTEGER CAMPURAN

Kami mempertimbangkan sistem persediaan berkapasitas satu-item eselon tunggal dalam peninjauan berkala selama cakrawala perencanaan yang terbatas. Kami
mendefinisikan notasi berikut, mencatat periode itu t berjalan dari waktu t - 1 sampai waktu t.

T Himpunan periode perencanaan diskrit t = 1, ..., | T | S t

Tingkat persediaan dasar dalam suatu

periode th t Holding cost pada waktunya tp t

Biaya penalti untuk pemesanan di awal t

C T ( S t) Total biaya sistem untuk satu set nilai saham dasar eselon tertentu S t
∆ Lebar setiap interval diskritisasi
L Jumlah interval diskritisasi
Dt Permintaan pada waktu t

f t (.) Fungsi kepadatan probabilitas permintaan dalam periode t

Xt Jumlah unit yang dipesan di akhir periode t - 1 yang tiba di akhir periode t,
tepat setelah permintaan masuk D t telah dipenuhi. Jadi, X t tidak bisa digunakan untuk bertemu
permintaan D t.

µt Permintaan rata-rata dalam periode t

saya t Persediaan yang tersedia di akhir periode t

Bt Pemesanan di belakang di akhir periode t

Zt Persediaan bersih pada akhir periode t, diberikan oleh saya t - B t; catat itu X t tidak termasuk dalam Z t

Yt Posisi pesanan persediaan pada saat itu t, diberikan oleh Z t + semua pesanan luar biasa

Qt Kekurangan dalam periode t, didefinisikan sebagai Q t = maks { 0, S t - Y t}

Ct Kapasitas dalam periode t

Permintaan di setiap periode bersifat independen, tetapi tidak terdistribusi secara identik. Di setiap periode t sistem bisa
mengisi kembali posisi persediaannya dengan memesan hingga maksimum C t unit. Tidak ada biaya pemesanan tetap. Pada akhir setiap periode, biaya
penyimpanan yang dikeluarkan sama dengan h t dikalikan jumlah unit di tangan, sedangkan
biaya penalti yang dikeluarkan sama dengan p t dikalikan jumlah unit yang macet. Federgruen dan Zipkin (1986) telah menunjukkan bahwa kebijakan
optimal untuk masalah ini memiliki bentuk kebijakan stok dasar yang dimodifikasi, di bawah
yang merupakan level stok dasar S t ditentukan untuk setiap periode, dan pesanan ditempatkan untuk membawa posisi persediaan
Y t sampai level ini. Namun, karena keterbatasan kapasitas, tidak memungkinkan untuk menaikkan posisi persediaan ke tingkat
persediaan dasar S t. Jumlah di mana tingkat persediaan dasar melebihi persediaan
posisi, diberikan oleh Q t = maks { 0, S t - Y t}, disebut sebagai shortfall for period t.
Formulasi pemrograman matematis kami mengikuti pemrograman dinamis stokastik sebelumnya dan
pendekatan pemrograman cembung terpisah dalam mendiskritisasi distribusi permintaan di setiap periode menggunakan L
interval diskritisasi dengan ∆. Variabel keputusan biner kemudian digunakan untuk meniru integrasi numerik dalam evaluasi fungsi tujuan.
Variabel biner tambahan dan batasan diterapkan untuk memastikan bahwa kebijakan stok dasar diterapkan dengan benar. Kita mulai
dengan mendefinisikan fungsi objektif yang cocok untuk masalah finite-horizon, diikuti dengan persamaan keseimbangan material dan
kendala terkait. Batasan tambahan kemudian memastikan bahwa rilis pesanan mengikuti kebijakan stok dasar yang dimodifikasi. Titik
awal kami
formulasinya adalah untuk mengekspresikan tingkat persediaan dasar S t terkait dengan periode t dalam hal interval diskritisasi, seperti

L
S t = ∑ ∆ y l, t, (1)
l=1

1698
 Bluemink, de Kok, Srinivasan, dan Uzsoy

dimana ∆ menunjukkan lebar diskritisasi {interval dan y l, t adalah variabel keputusan biner sedemikian rupa

1 jika S t ≥ l ∆
y lt =
0 jika tidak .

Untuk memastikan definisi yang benar dari level persediaan dasar S t, kami memberlakukan batasan

y l - 1, t ≥ y l, t l = 2, ... L, ∀ t ∈ T. (2)

Himpunan kendala ini sangat penting untuk ketepatan komputasi formulasi MIP, dan
menangkap pesanan hingga struktur kebijakan stok dasar. Sekarang kita akan menggunakan definisi dari S t untuk merumuskan fungsi tujuan
dan kendala model MIP kami. Untuk kejelasan eksposisi kami tidak akan menggantinya
ekspresi (1) untuk stok dasar ke dalam setiap ekspresi saat kami mendeskripsikan model secara lebih detail, memungkinkan pembaca untuk melihat
kesejajaran dengan model inventaris stokastik dengan lebih jelas.

3.1 Fungsi Tujuan

Karena kami hanya mempertimbangkan biaya kepemilikan dan penalti linier, kami mendekati fungsi tujuan dengan asumsi
bahwa pada awal setiap periode posisi persediaan Y t dinaikkan ke tingkat stok dasar (tergantung waktu)
S t. Formulasi ini mengabaikan kemungkinan tidak mungkinnya menaikkan posisi persediaan menjadi
tingkat stok dasar yang diinginkan karena kapasitas yang terbatas C t, yaitu, kemungkinan shortfall positif Q t> 0. Namun, kendala dari program
matematika secara eksplisit mengakui bahwa hal ini mungkin tidak mungkin terjadi
untuk kendala kapasitas (menyebabkan shortfall positif), atau kelebihan persediaan yang dibawa dari periode sebelumnya. fungsi tujuan dapat
Dengan mendiskritkan fungsi probabilitas permintaan yang bergantung waktu dan menjumlahkannya selama semua periode waktu
dinyatakan sebagai berikut:
}
T L L {( l ∆ - S t) P. l, t} ( 1 - y lt), l = 1
C T ( S t) = ∑ h t ∑ ( S t - l ∆) P. l, t + ( p t + h t) ∑ (3)
t=0 l=1

dimana

∆
P. l, t = 2 ( t (( fl - 0,5) ∆) + f t (( l + 0,5) ∆)). (4)

Fungsi biaya ini pada dasarnya mengimplementasikan fungsi biaya penjual berita klasik di setiap periode t
(Snyder dan Shen 2011) menggunakan Persamaan (4) untuk mengimplementasikan aturan trapesium untuk integrasi numerik. Penjumlahan pertama di
dalam kurung kurawal menghitung perkiraan biaya penyimpanan dari persediaan bersih, dan yang kedua menghitung jumlah permintaan yang terlewat.

3.2 Persamaan Neraca Material

Persediaan bersih pada akhir setiap periode t adalah jumlah dari persediaan bersih periode sebelumnya ditambah jumlah yang dipesan dikurangi
permintaan dalam periode ini. Oleh karena itu, persamaan keseimbangan material (5) harus selalu berlaku di setiap akhir periode.

Zt=Zt-1+ Xt-1- Dt (5)

Namun, sejak zaman permintaan D t adalah variabel acak, batasan ini tidak dapat diimplementasikan dalam bentuk ini dalam model
pemrograman matematis. Dalam pendekatan pemrograman stokastik berbasis skenario, ini
akan diberlakukan menggunakan sejumlah realisasi permintaan (skenario), tetapi ini menghasilkan pertumbuhan eksponensial dalam ukuran formulasi
dengan jumlah realisasi dan periode perencanaan. Oleh karena itu, kami mengambil pendekatan untuk menegakkan Persamaan (5) dengan harapan,
menghasilkan kendala keseimbangan material deterministik

Zt=Zt-1+ Xt-1- µt (6)

1699
 Bluemink, de Kok, Srinivasan, dan Uzsoy

Akhirnya, karena persediaan bersih Z t dapat mengambil nilai negatif dan model pemrograman matematis
membutuhkan variabel non-negatif, kami menggunakan relasi Z t = saya t - B t untuk mendapatkan bentuk akhir dari batasan keseimbangan material yang diberikan oleh

saya t - B t = saya t - 1 - B t - 1 + X t - 1 - µ t (7)

Jika permintaan meningkat dari waktu ke waktu, inventaris hanya dapat dibangun hingga maksimum dari kapasitas yang memungkinkan. Oleh karena itu, tingkat

persediaan dasar tidak dapat meningkat melebihi kapasitasnya C t dari satu periode ke periode berikutnya:

St≤ St-1+ Ct (8)

Kami juga mengasumsikan bahwa jumlah persediaan bersih periode sebelumnya dan pesanan periode saat ini akan selalu sama dengan tingkat
persediaan dasar (lihat pembahasan kita tentang fungsi tujuan di atas):

Zt-1+ Xt+ Xt-1=St (9)

Batasan Persamaan (9) adalah jika permintaan turun setelah waktu t; tingkat persediaan dasar pada saat itu t setidaknya harus Z t - 1. Untuk memungkinkan tingkat

persediaan dasar pada waktunya t untuk pergi di bawah ini, Persamaan (9) adalah santai jika X t = 0

dan S t < S t - 1 - µ t - 1. Ini dicapai {dengan memperkenalkan tiga variabel keputusan biner tambahan baru
didefinisikan sebagai berikut:

zt= (10)
0 jika X t> 0
{ 1 jika X t = 0

ut= (11)
0 jika S t ≥ S t - 1 - µ t - 1
{ 1 jika S t < S t - 1 - µ t - 1
1 jika zu
t t=1
vt= (12)
0 jika z t u t = 0

Constraint (9) sekarang dapat diimplementasikan menggunakan batasan

Zt-1+ Xt+ Xt-1≥ St (13)

Zt-1+ Xt+ Xt-1≤ St+ vt M (14)

dimana M mewakili jumlah yang sangat besar. Jika v t = 0, Persamaan (13) dan (14) menegakkan Persamaan (9). Namun,
jika v t = 1, sisi kanan Persamaan (14) menjadi cukup besar sehingga batasan tidak lagi mengikat. Batasan berikut kemudian
memastikan dinamika sistem yang benar:

( 1 - z t) ≤ X t ∀t∈T (15)

( 1 - z t) M ≥ X t ∀t∈T (16)

St+ ut M ≥ St-1- µt-1 ∀t∈T (17)

S t < S t - 1 - µ t - 1 + ( 1 - u t) M ∀t∈T (18)

vt≤ zt ∀t∈T (19)

vt≤ ut ∀t∈T (20)

vt≥ zt+ ut- 1 ∀t∈T (21)

Dua set kendala pertama menghubungkan nilai-nilai kuantitas pesanan X t dengan nilai-nilai variabel keputusan biner z t. Kedua kendala ini
bersama-sama memastikan hal itu X t ≥ 0. Set kendala ketiga dan keempat memungkinkan

17.00
 Bluemink, de Kok, Srinivasan, dan Uzsoy

u t untuk mengambil nilai yang benar berdasarkan hubungan antara s t, S t = 1 dan µ t. Tiga set kendala terakhir
memastikan bahwa variabel keputusan biner z t mengambil nilai-nilai yang konsisten dengan nilai-nilai u t dan v t.
Akhirnya, pesanan yang masuk tidak pernah bisa melebihi kapasitas yang tersedia:

Xt≤ Ct (22)

Formulasi akhir dengan demikian meminimalkan fungsi tujuan (3) yang tunduk pada kendala

(2), (7), (14) - ( 20) (23)

saya t ≥ 0 ∀t∈T (24)

Bt≥ 0 ∀t∈T (25)

y l, t ∈ { 0,1} l = 1, ..., L, ∀ t ∈ T (26)

z t ∈ { 0,1} ∀t∈T (27)

u t ∈ { 0,1} ∀t∈T (28)

v t ∈ { 0,1} ∀t∈T (29)

Besarnya formulasi ini, dan karenanya waktu komputasi yang diperlukan untuk solusinya, jelas bergantung pada beberapa faktor,
yang nilainya harus ditentukan secara eksperimental. Ini termasuk unit diskritisasi
∆ dan nomornya L interval diskritisasi yang digunakan. Perumusannya melibatkan O (LT) variabel keputusan dan O (T) kendala.
Jadi, ukuran instans MIP yang harus diselesaikan terutama ditentukan oleh jumlah interval diskritisasi yang digunakan untuk
memperkirakan fungsi tujuan.
Rumusan yang dijelaskan di atas merupakan pendekatan terhadap masalah persediaan stokastik yang ingin kita selesaikan.
Perkiraan pertama terjadi dalam fungsi tujuan (3), yang mengasumsikan bahwa
posisi persediaan selalu dapat dibawa ke tingkat persediaan dasar S t; probabilitas kekurangan positif diabaikan. Hal ini diharapkan
dapat mempengaruhi kualitas solusi yang diusulkan oleh formulasi
ketika batasan kapasitas mengikat sebagian besar waktu. Pendekatan kedua adalah asumsi dalam keseimbangan material Persamaan
(6) bahwa permintaan akan selalu terwujud pada tingkat rata-rata. Hal ini diperlukan untuk menghindari pertumbuhan eksponensial dalam
ukuran formulasi yang akan dihasilkan dari penggunaan realisasi permintaan tertentu, yaitu skenario, tetapi dapat mengakibatkan tingkat
stok dasar yang kurang optimal. Percobaan komputasi kami di bagian selanjutnya memeriksa sejauh mana perkiraan ini mempengaruhi
kualitas solusi yang diperoleh dari formulasi.

4 DESAIN EKSPERIMENTAL

Tujuan dari eksperimen eksplorasi ini adalah untuk menilai potensi model MIP yang disajikan di bagian sebelumnya untuk menghasilkan
solusi yang hampir optimal untuk masalah tersebut, dan untuk mengembangkan pemahaman tentang alasan kinerja yang buruk
sehingga dapat ditingkatkan dan diperbaiki. Cakrawala finit terdiri dari 10 periode, dengan t ∈ T, T = { 0,1, ..., 9}, dan t = 0 waktu saat
penghitungan tingkat persediaan dasar di masa depan dijalankan. Untuk mendefinisikan parameter biaya secara intuitif, kami
menetapkan nilai p
dan h untuk menghasilkan tingkat layanan yang ditentukan (probabilitas tidak ada persediaan habis) α di seorang penjual berita yang tidak berdaya

masalah, yaitu, p
p + h = α. Parameter berikut bervariasi:

• Tingkat layanan: 90% atau 95% koefisien variasi kuadrat ( CV 2) dari permintaan periode: 0,5,
• 1, atau 2
• Permintaan periode rata-rata: konstan, naik, turun, atau konstan dengan satu puncak. Variasi yang digunakan untuk permintaan rata-rata
per periode diberikan pada Tabel 1.
• Kapasitas per periode: rendah, tinggi, tidak terbatas, atau tinggi dengan penurunan mendadak. Untuk kasus kapasitas tak terbatas,
nilai harus didefinisikan sebagai input, yang nilai 50 dipilih. Nilai 50 mewakili kapasitas tidak terbatas dalam kasus ini, karena sangat
jarang tercapai dengan tingkat permintaan yang saat ini diajukan. Variasi yang digunakan untuk kapasitas per periode diberikan pada
Tabel 2.

1701
 Bluemink, de Kok, Srinivasan, dan Uzsoy

Tabel 1: Profil permintaan rata-rata.

Variasi \ t 1 2 3 4 5 6 7 8 9 Berarti

Konstan 9 9 9 9 9 9 9 9 9 9
Kenaikan 5 6 7 8 9 10 11 12 13 9
Menurun 9 10 11 13 11 9 7 6 5 9
Puncak 7 7 7 7 10 12 17 7 7 9

Tabel 2: Profil kapasitas.

Variasi \ t 1 2 3 4 5 6 7 8 9 Berarti

Rendah 10 10 10 10 10 10 10 10 10 12 12 12 12 12 12 12 12 10
Tinggi 12 50 50 50 50 50 50 50 50 50 50 12
Tak terbatas 50
Penurunan tiba-tiba 13 13 13 13 4 4 13 13 13 11

Alih-alih menyajikan desain faktorial lengkap, kami fokus pada 15 kasus yang disajikan pada Tabel 3. Kasus 1–4 dibuat untuk
memeriksa perilaku model MIP di bawah tingkat kapasitas yang berbeda. Kasus 5–12 dibuat untuk menguji perilaku dengan batasan
kapasitas, sedangkan Kasus 13–15 menguji pengaruh nilai CV 2.

Formulasi MIP diselesaikan dengan CPLEX 12; waktu larutan untuk formulasi terbesar adalah 40 menit, meskipun biasanya
kurang dari 5 menit. Tidak ada upaya yang dilakukan untuk meningkatkan formulasi menggunakan ketidaksetaraan yang valid, dan
CPLEX dijalankan dengan semua pengaturan pada nilai defaultnya. Kinerja level stok dasar yang diperoleh dari model MIP
dievaluasi dengan mensimulasikan eksekusinya untuk 2000 ulangan menggunakan Microsoft Excel.

Karena kesulitan dalam menerapkan pendekatan pemrograman dinamis stokastik yang tepat dalam waktu yang tersedia bagi kami, kami
menggunakan pendekatan optimisasi simulasi untuk menghasilkan solusi yang mendekati optimal sebagai tolok ukur untuk model MIP. Mekanisme
pencarian yang digunakan adalah Genetic Algorithm (GA) yang diimplementasikan menggunakan Standard Evolutionary Engine di add-in Frontline
Solver ke Microsoft Excel. Setiap kromosom
sesuai dengan vektor level stok dasar S t, t = 1, ..., 10. Algoritma ini diimplementasikan dengan menggunakan ukuran populasi 200,
dengan kesesuaian setiap kromosom diukur dengan biaya rata-rata 2.000.
replikasi simulasi independen. Sebuah lembar kerja Excel diimplementasikan untuk mensimulasikan kinerja vektor tertentu dari
tingkat stok dasar, yang ditentukan sebagai variabel keputusan yang dicari GA. Eksperimen awal berusaha untuk meminimalkan
biaya rata-rata pada 2.000 ulangan. Namun, dicatat bahwa dalam beberapa contoh algoritma evolusi menghasilkan tingkat stok
dasar yang sangat besar yang jelas-jelas berlebihan dengan adanya batasan kapasitas. Untuk mencegah perilaku ini, istilah penalti
sebesar 5% dari jumlah level stok dasar di semua periode ditambahkan ke biaya rata-rata selama ulangan simulasi, dan digunakan
sebagai fungsi tujuan untuk optimasi simulasi. Namun, hasil yang dilaporkan di bagian selanjutnya tidak termasuk istilah penalti.
Batas waktu komputasi maksimum 7, 200 detik digunakan untuk semua proses, dengan algoritme dihentikan jika solusi terbaik saat
ini tidak ditingkatkan dalam 30 menit. Waktu berjalan rata-rata untuk prosedur pengoptimalan simulasi adalah sekitar satu jam pada
MacBook Pro dengan prosesor Intel Core i7 2,5 GHz dan RAM 16 GB.

Kami menyadari bahwa solusi yang diberikan oleh prosedur optimasi simulasi tidak dapat dijamin akan optimal. Namun, ada beberapa
hasil dalam literatur yang membuktikan bahwa GA akan, ketika dijalankan dalam waktu yang cukup lama di bawah parameterisasi yang tepat,
mencapai solusi optimal global dengan probabilitas 1 (Goldberg 1989). Jadi, kami menggunakan GA yang sangat lama sebagai pengganti
yang diakui tidak sempurna untuk solusi optimal yang tepat untuk masalah pengoptimalan stokastik.

1702
 Bluemink, de Kok, Srinivasan, dan Uzsoy

Tabel 3: Kasus percobaan.

Kasus Tingkat layanan CV 2 t: 1 2 3 4 5 6 7 8 9

µ t: 5 6 7 8 9 10 11 12 13
1 95% 0,5
C t: 50 50 50 50 50 50 50 50 50
µ t: 9 9 9 9 9 9 9 9 9
2 95% 0,5
C t: 50 50 50 50 50 50 50 50 50
µ t: 7 7 7 7 10 12 17 7 7
3 95% 0,5
C t: 50 50 50 50 50 50 50 50 50
µ t: 9 10 11 13 11 9 7 6 5
4 95% 0,5
C t: 50 50 50 50 50 50 50 50 50
µ t: 9 9 9 9 9 9 9 9 9
5 90% 1
C t: 10 10 10 10 10 10 10 10 10
µ t: 9 9 9 9 9 9 9 9 9
6 90% 1
C t: 13 13 13 4 4 13 13 13 13
µ t: 5 6 7 8 9 10 11 12 13
7 90% 1
C t: 10 10 10 10 10 10 10 10 10
µ t: 5 6 7 8 9 10 11 12 13
8 90% 1
C t: 12 12 12 12 12 12 12 12 12
µ t: 9 10 11 13 11 9 7 6 5
9 90% 1
C t: 10 10 10 10 10 10 10 10 10
µ t: 9 10 11 13 11 9 7 6 5
10 90% 1
C t: 12 12 12 12 12 12 12 12 12
µ t: 7 7 7 7 10 12 17 7 7
11 90% 1
C t: 10 10 10 10 10 10 10 10 10
µ t: 7 7 7 7 10 12 17 7 7
12 90% 1
C t: 12 12 12 12 12 12 12 12 12
µ t: 5 6 7 8 9 10 11 12 13
13 95% 0,5
C t: 10 10 10 10 10 10 10 10 10
µ t: 5 6 7 8 9 10 11 12 13
14 95% 1
C t: 10 10 10 10 10 10 10 10 10
µ t: 5 6 7 8 9 10 11 12 13
15 95% 2
C t: 10 10 10 10 10 10 10 10 10

1703
 Bluemink, de Kok, Srinivasan, dan Uzsoy

5 HASIL KOMPUTASI

Kami menyajikan hasil percobaan dalam dua bagian terpisah. Dalam rangkaian percobaan pertama, ditunjukkan pada Tabel 5, kami
memeriksa dampak dari tingkat kapasitas yang berbeda pada kinerja formulasi MIP. Setiap baris tabel memberikan biaya rata-rata
kebijakan yang disarankan oleh model MIP (Rata-rata), deviasi standar (SD), dan batas bawah dan atas dari interval kepercayaan 95%
untuk biaya rata-rata (LL dan UL,
masing-masing). Itu C t kolom memberikan kapasitas, yaitu ukuran pesanan maksimum yang dapat dikirim dalam periode apa pun. Kolom terakhir
memberikan rasio biaya rata-rata kebijakan MIP dengan yang diperoleh dengan menggunakan
GA, yang kami gunakan sebagai pengganti untuk nilai optimal. Rasio di bawah 1 menunjukkan kasus di mana optimasi simulasi
tidak dapat meningkatkan solusi MIP; hal ini mungkin karena terjebak dalam optimum lokal, atau adanya istilah yang menghukum
tingkat stok dasar yang tinggi di GA.
Segera terlihat bahwa kapan C t = 50, yaitu, batasan kapasitas tidak mengikat, yang dihasilkan MIP
solusi yang pada dasarnya memiliki kualitas yang sama dengan prosedur optimasi simulasi. Dalam kondisi ini,
Asumsi dalam fungsi tujuan bahwa persediaan dasar selalu dapat dicapai adalah valid, meskipun
asumsi permintaan rata-rata dalam persamaan keseimbangan material (6) tidak. Kapan C t = 12, kinerja MIP kembali meningkat, kecuali
untuk Kasus 3. Kasus 3 mengalami puncak permintaan rata-rata pada periode 6 sampai
8, membutuhkan akumulasi inventaris sebelum terjadi kemacetan sementara ini. Dalam kapasitas menengah
kasus C t = 11 atau 12, deviasi maksimum solusi MIP dari yang diperoleh dengan optimasi simulasi adalah 15%, yang terjadi, agak
mengherankan, dalam Kasus 2 di mana distribusi permintaan tetap
konstan di semua periode. Menarik untuk mengamati bahwa prosedur optimasi simulasi secara konsisten menghasilkan tingkat stok dasar yang
lebih tinggi daripada MIP, meskipun fakta bahwa tingkat stok dasar yang tinggi secara eksplisit dihukum dalam ukuran kesesuaian yang digunakan
dalam prosedur optimasi simulasi.

Tabel 4: Hasil untuk Kasus 1 sampai 4.

Kasus Ct Rata-rata SD LL UL MIP / GA

50 194.23 121,99 189.74 198.72 0.98
10 343.24 495.63 325 361.49 1.15
1
11 278.12 365.71 264.66 291.58 1
12 257.45 346.72 244.69 270.21 1.03
50 206.15 122.24 201.65 210,64 1
10 311.84 481.07 294.13 329.54 1.08
2
11 290.88 456.8 274.07 307.69 1.15
12 254,98 342.49 242.38 267.59 1.02
50 214.21 131.5 209.37 219.05 0,99
10 392.3 578.44 371.01 413.59 1.09
3
11 347.57 493.85 329.4 365.75 1.08
12 326.79 476.65 309.25 344.34 1.11
50 218.06 134.02 213.13 223 1.02
10 321.8 581.79 300.39 343.21 0.98
4
11 292.58 503.1 274.07 311.1 1.07
12 269.36 419.6 253.91 284.8 1

Hasil untuk Kasus 5 sampai 15 ditunjukkan pada Tabel 5. Kolom CAP / GA memberikan kinerja
dari kebijakan yang mengatur kapasitas di setiap periode, yaitu, X t = C t untuk semua periode t. Dalam kasus ini, kesalahan maksimum, kecuali untuk Kasus 10,
adalah 13%, menunjukkan bahwa secara keseluruhan formulasi MIP menghasilkan solusi yang
sangat masuk akal mengingat beratnya asumsi yang dibuatnya. Dalam Kasus 10, permintaan rata-rata menurun dari waktu ke waktu,
menyiratkan bahwa variabilitas permintaan juga menurun karena CV dipertahankan konstan di
cakrawala perencanaan. Kasus 9 memiliki pola permintaan yang sama, tetapi memiliki C 9 = 10 sementara C 10 = 12. Kasus ini sangat sulit
karena pada periode-periode selanjutnya sering tidak perlu dipesan, karena lebih tinggi

1704
 Bluemink, de Kok, Srinivasan, dan Uzsoy

probabilitas persediaan yang tersisa dari periode sebelumnya. Dengan memeriksa level stok dasar yang dihasilkan, optimasi simulasi memiliki stok
dasar yang lebih tinggi pada periode sebelumnya daripada MIP, dan yang lebih rendah pada periode akhir.

Kolom CAP / GA juga menghasilkan beberapa wawasan menarik. Dalam semua kasus kecuali Kasus 9 dan 10, pemesanan
hingga kapasitas penuh di setiap periode tampaknya berkinerja sangat baik. Kasus 9 dan 10, tentu saja, adalah kasus dengan
penurunan permintaan rata-rata dari waktu ke waktu, di mana pemesanan hingga kapasitas pada periode selanjutnya akan
menghasilkan tingkat kelebihan persediaan. Perbandingan dengan hasil MIP / GA menunjukkan bahwa MIP secara sistematis
menetapkan level stok dasarnya terlalu rendah, karena karena batasan kapasitas, tidak ada level stok dasar yang akan
menghasilkan jumlah pesanan yang lebih tinggi daripada yang berasal dari kebijakan CAP. Bias terhadap tingkat persediaan dasar
yang lebih rendah ini diharapkan dari asumsi permintaan rata-rata dalam batasan keseimbangan material (6), yang mengabaikan
variabilitas permintaan yang menciptakan kebutuhan akan persediaan pengaman. Di samping itu,

tingkat stok dasar S t, yang secara efektif melonggarkan kendala kapasitas dalam fungsi tujuan.

Tabel 5: Hasil komputasi untuk Kasus 5 hingga 15

Kasus Rata-rata SD LL UL MIP / GA CAP / GA

5 395.16 545.16 375.09 415.22 1.1 0,99
6 329.90 346,98 317.13 342.67 1.15 1.09
7 364.59 446.56 348.15 381.02 1.09 1.00
8 324.3 410.74 309.18 339.41 1.12 1.04
9 407.82 599.97 385.73 429.9 1.03 1.06
10 419.23 649.89 395.31 443.15 1.22 1.26
11 398.97 509.33 380.22 417.72 1.04 1.02
12 342.03 424.29 326.41 357.65 1.01 1.07
13 334.58 312.53 323.08 346.08 1.14 1.02
14 474.95 661.29 450.61 499.29 1.07 0.94
15 747.21 1133.52 705.49 788.93 1.13 0.96

6 KESIMPULAN DAN ARAH MASA DEPAN

Secara keseluruhan, hasil dari eksperimen kami cukup menggembirakan mengingat perkiraan yang berpotensi parah yang dibuat oleh formulasi
MIP. Formulasi tersebut mengabaikan batasan kapasitas dalam fungsi tujuan, tetapi memaksakannya dengan harapan melalui batasan
keseimbangan material yang menghubungkan periode. Sebaliknya, fungsi tujuan memiliki gambaran lengkap tentang distribusi permintaan,
tetapi batasan keseimbangan material hanya menggunakan permintaan rata-rata di setiap periode. Hasil yang secara umum baik yang diperoleh
menunjukkan bahwa trade-off yang dibuat dalam pemodelan kendala dan fungsi tujuan saling mengimbangi sampai tingkat tertentu, meskipun
tidak cukup untuk menghindari kinerja yang buruk dalam beberapa kondisi eksperimental, terutama skenario penurunan permintaan dari Kasus
9 dan 10. Namun, kami sangat menyadari bahwa hasil yang dilaporkan di sini bersifat eksplorasi. Eksperimen komputasi yang lebih besar
dengan tolok ukur yang lebih baik untuk solusi optimal, idealnya solusi optimal yang tepat, diperlukan untuk menarik kesimpulan yang dapat
digeneralisasikan.

Model MIP telah terbukti dapat dikerjakan secara komputasi, memungkinkan instans yang relatif besar diselesaikan dalam waktu CPU
yang wajar, meskipun tidak selalu sangat singkat. Efisiensi komputasi formulasi sebagian besar disebabkan oleh struktur yang berurutan yang
tersirat oleh batasan (2), tetapi kami tidak melakukan upaya lain untuk meningkatkan formulasi. Meningkatkan efisiensi komputasi formulasi
dengan mengembangkan ketidaksetaraan yang valid dan merumuskan batasan yang lebih ketat tetap menjadi arah yang menarik untuk
penelitian di masa mendatang.

1705
 Bluemink, de Kok, Srinivasan, dan Uzsoy

Hasil eksplorasi yang disajikan di sini memunculkan sejumlah pertanyaan menarik untuk pekerjaan di masa mendatang. Prosedur optimasi
simulasi tampaknya menyarankan bahwa ada sejumlah besar kebijakan alternatif yang memiliki nilai biaya rata-rata yang sangat mirip di sekitar
solusi optimal. Meskipun hal ini mempersulit untuk mendapatkan optimal global dengan menggunakan optimasi simulasi tanpa menggunakan
sejumlah besar ulangan untuk setiap evaluasi ukuran kesesuaian, hal ini juga menunjukkan bahwa mendapatkan solusi yang mendekati optimal
dengan menggunakan pendekatan perkiraan mungkin cukup praktis. Ada juga kemungkinan untuk meningkatkan formulasi MIP dengan beberapa
cara. Salah satunya mungkin memasukkan sejumlah realisasi permintaan yang dipilih dengan cermat untuk memandu model MIP, misalnya,
dengan mengasumsikan distribusi dua titik dengan mean dan varians yang sama seperti distribusi permintaan awal. Peningkatan lain mungkin
dimasukkannya kendala peluang untuk memungkinkan deskripsi yang lebih baik tentang ketidakpastian permintaan dalam kendala keseimbangan
material.

UCAPAN TERIMA KASIH

Penulis mengucapkan terima kasih kepada Dr. Karthick Gopalswamy dari North Carolina State University atas bantuannya dalam mempersiapkan makalah ini.

REFERENSI

Abdel-Malek, LL dan M. Otegbeye. 2013. “Pendekatan Pemrograman / Dualitas Terpisah untuk Memecahkan Berita Multi-Produk-
Anak laki-laki / Masalah Tukang Kebun dengan Batasan Linear ”. Pemodelan Matematika Terapan 37 (6): 4497–4508. Panah, KJ,
T. Harris, dan J. Marschak. 1951. "Kebijakan Persediaan Optimal". Ekonometrika 19: 250–272. Bertsimas, D. dan M. Sim. 1994. "The Price
of Robustness". Operasi pencarian 52 (1): 35–53. Birge, JR dan F. Louveaux. 1997. Pengantar Pemrograman Stochastic. New York:
Springer.
Chen, F. dan Y.-S. Zheng. 1994. "Batas Bawah untuk Sistem Persediaan Stokastik Multi-Eselon". Ilmu Manajemen
ence 40 (11): 1426–1443.
Choi, T.-M. 2012. Buku Pegangan Masalah Penjual Berita: Model, Ekstensi dan Aplikasi. New York, NY: Springer, Clark, AJ dan H. Scarf. 1960. “Kebijakan Optimal
untuk Masalah Inventaris Multi-Eselon”. Ilmu Manajemen 6 (4): 475–490. de Kok, T. 2018. "Manajemen Persediaan: Pemodelan Rantai Pasokan Kehidupan Nyata
dan Validitas Empiris". Yayasan dan Tren
dalam Teknologi, Informasi dan Manajemen Operasi 11 (4): 343–437.
Diks, EB dan A. De Kok. 1998. "Pengendalian Optimal dari Sistem Inventarisasi Multi-Eselon Divergen". Jurnal Eropa
Riset Operasional 111 (1): 75–97.
Diks, EB dan A. De Kok. 1999. “Hasil Perhitungan untuk Pengendalian Sistem Inventarisasi Eselon N Divergen”.
Jurnal Internasional Ekonomi Produksi 59 (1–3): 327–336.
Federgruen, A. dan P. Zipkin. 1984. "Masalah Komputasi dalam Cakrawala Tak Terbatas, Model Inventaris Multiekelon". Operasi
Penelitian 32 (4): 818–836.
Federgruen, A. dan P. Zipkin. 1986. “Model Persediaan dengan Kapasitas Produksi Terbatas dan Permintaan Tidak Pasti I. The
Kriteria Biaya Rata-Rata ”. Matematika Riset Operasi 11 (2): 193–207. Fu, MC 2015. Buku Pegangan
Optimasi Simulasi. New York: Springer.
Glasserman, P. dan T.-W. Liu. 1997. "Perkiraan Difusi yang Dikoreksi untuk Sistem Inventori-Produksi Multistage".
Matematika Riset Operasi 22 (1): 186–201. Goldberg, DE 1989. Algoritma Genetik dalam Pencarian, Pengoptimalan, dan Pembelajaran Mesin. Membaca, MA:
Addison-Wesley. Niederhoff, JA 2007. “Menggunakan Pemrograman Terpisah untuk Memecahkan Beberapa Produk Beberapa Ex-Ante Constraint Newsvendor

Masalah dan Ekstensi ”. Jurnal Riset Operasional Eropa 176 (2): 941–955.
Parker, RP dan R. Kapuscinski. 2004. “Kebijakan Optimal untuk Sistem Inventarisasi Dua Eselon Kapasitas”. Operasi
Penelitian 52 (5): 739–755.
Qin, Y., R. Wang, AJ Vakharia, Y. Chen, dan MM Seref. 2011. “Masalah Penjual Berita: Review dan Arahan untuk
Penemuan masa depan". Jurnal Riset Operasional Eropa 213 (2): 361–374.
Shang, KH dan J.-S. Lagu. 2003. "Perbatasan Newsvendor dan Heuristik untuk Kebijakan Optimal dalam Rantai Pasokan Serial".
Ilmu Manajemen 49 (5): 618–638.
Snyder, LV dan Z.-JM Shen. 2011. Dasar-dasar Teori Rantai Suplai. New York: John Wiley & Sons. Zhang, G. 2010. "Masalah Tukang Koran Multi-Produk dengan
Diskon Kuantitas Pemasok dan Batasan Anggaran". Orang eropa
Jurnal Riset Operasional 206 (2): 350–360.

1706
 Bluemink, de Kok, Srinivasan, dan Uzsoy

BIOGRAPHI PENULIS

BAS BLUEMINK adalah mahasiswa MS dari fakultas Teknik Industri & Ilmu Inovasi di Universitas Teknologi Eindhoven, Belanda. Di universitas ini, dia mengejar
gelar MS di bidang Teknik Sistem Manufaktur, program gabungan dari Teknik Industri dan Teknik Mesin. Meraih gelar BS di bidang Teknik dan Manajemen Industri
dari University of Groningen, Belanda. Melalui magang di perusahaan di industri semikonduktor dan elektronik, dia telah memperoleh pengalaman bekerja di
lingkungan rantai pasokan di Belanda dan Malaysia. Alamat emailnya adalah bwbluemink@student.tue.nl .

TON DE KOK adalah Profesor Analisis Kuantitatif Operasi di Sekolah Teknik Industri di Universitas Teknologi Eindhoven di Belanda. Dia memegang gelar BS di
Matematika dan Fisika, gelar MS di Matematika dari Leiden University dan Ph.D. gelar dari Universitas Gratis di Amsterdam. Dia adalah Finalis Edelman 2004. Ia
telah menerbitkan lebih dari 100 makalah di jurnal ISI, termasuk Ilmu Manajemen, MSOM, POM, dan OR. Dia mendirikan Forum Rantai Suplai Eropa. Minat
penelitiannya saat ini mencakup Rantai Pasokan Build-To-Order dan model umum untuk pengoptimalan rantai pasokan di bawah permintaan dan pasokan stokastik.
Alamat emailnya adalah agdkok@tue.nl .

BALAN SRINIVASAN adalah seorang Ph.D. mahasiswa di Departemen Teknik Industri dan Sistem Edward P. Fitts di North Carolina State University. Dia memegang
gelar BS di bidang Teknik Industri dari Sekolah Tinggi Teknik, Guindy, Universitas Anna dan Magister Teknik Industri dari Institut Nasional Teknik Industri, India.
Minat penelitiannya adalah dalam optimalisasi inventaris multi-eselon, manajemen risiko rantai pasokan, dan teknik rantai pasokan. Sebelum bergabung dengan NC
State University, dia bekerja di industri ini selama delapan tahun di sektor otomotif, manufaktur, perawatan kesehatan, agribisnis, dan konsultasi. Dia menulis lima
makalah jurnal wasit, dan merupakan Sabuk Hijau Six Sigma yang bersertifikat. Dia menerima suara penghargaan masa depan dan penghargaan keunggulan
selama bekerja di grup Murugappa dan Olam international ltd. Alamat emailnya adalah sbalan@ncsu.edu .

REHA UZSOY adalah Profesor Terhormat Clifton A. Anderson di Departemen Teknik Industri dan Sistem Edward P. Fitts di North Carolina State University. Dia
memegang gelar BS di bidang Teknik Industri dan Matematika dan MS di bidang Teknik Industri dari Universitas Bogazici, Istanbul, Turki. Dia menerima gelar Ph.D.
di Teknik Industri dan Sistem pada tahun 1990 dari University of Florida, dan memegang posisi fakultas di Teknik Industri di Purdue University sebelum bergabung
dengan North Carolina State University pada tahun 2007. Minat pengajaran dan penelitiannya adalah dalam perencanaan produksi dan manajemen rantai pasokan.
Sebelum datang ke AS, ia bekerja sebagai insinyur produksi di Arcelik AS, produsen alat besar di Istanbul, Turki. Ia juga pernah menjadi peneliti tamu di Intel
Corporation dan IC Delco. Dia dinobatkan sebagai Fellow dari Institute of Industrial Engineers pada tahun 2005, Outstanding Young Industrial Engineer in Education
pada tahun 1997, dan telah menerima penghargaan untuk pengajaran sarjana dan pascasarjana. Dia adalah penulis lebih dari 120 makalah jurnal dan bab buku
yang direferensikan, satu monograf, dan tiga buku yang diedit. Alamat emailnya adalah ruzsoy@ncsu.edu .

1707