Please use this identifier to cite or link to this item:
https://olympias.lib.uoi.gr/jspui/handle/123456789/32716Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | Πιπεράγκας, Γρηγόριος | el |
| dc.contributor.author | Piperagkas, Grigorios | en |
| dc.date.accessioned | 2023-05-19T09:34:59Z | - |
| dc.date.available | 2023-05-19T09:34:59Z | - |
| dc.identifier.uri | https://olympias.lib.uoi.gr/jspui/handle/123456789/32716 | - |
| dc.identifier.uri | http://dx.doi.org/10.26268/heal.uoi.12518 | - |
| dc.rights | Attribution-NonCommercial-NoDerivs 3.0 United States | * |
| dc.rights | info:eu-repo/semantics/openAccess | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/us/ | * |
| dc.subject | Μεταευρετικοί αλγορίθμοι βελτιστοποίησης | el |
| dc.subject | Προβλήματα διαχείρισης αποθεμάτων | el |
| dc.subject | Computer algorithms | en |
| dc.title | Επίλυση προβλημάτων διαχείρισης αποθεμάτων με χρήση μεταευρετικών αλγορίθμων βελτιστοποίησης | el |
| dc.title | Solving inventory management problems using metaheuristic optimization algorithms | en |
| dc.type | masterThesis | * |
| dc.type | info:eu-repo/semantics/masterThesis | * |
| heal.type | masterThesis | el |
| heal.type.en | Master thesis | en |
| heal.type.el | Μεταπτυχιακή εργασία | el |
| heal.classification | Computer algorithms | en |
| heal.dateAvailable | 2023-05-19T09:35:59Z | - |
| heal.language | en | el |
| heal.access | free | el |
| heal.recordProvider | Πανεπιστήμιο Ιωαννίνων. Σχολή Θετικών Επιστημών | el |
| heal.publicationDate | 2012 | - |
| heal.abstract | Στην παρούσα εργασία μελετάται η επίλυση προβλημάτων διαχείρισης αποθεμάτων με χρήση μεταευρετικών αλγορίθμων βελτιστοποίησης. Συγκεκριμένα, επικεντρώσαμε σε προ βλήματα με πολλούς προμηθευτές και προϊόντα με περιορισμένο αποθηκευτικό χώρο, καθώς και στο δυναμικό πρόβλημα με στοχαστική ζήτηση. Επιλέχθηκαν τρεις ιδιαίτερα δημοφιλείς αλγόριθμοι για την επίλυσή τους, οι Particle Swarm Optimization (PSO), Differential Evolution (DE) και Harmony Search (HS). Αρχικά παρουσιάζεται το πρόβλημα διαχείρισης αποθεμάτων με πολλά προϊόντα και πολλούς προμηθευτές, περιορισμένη αποθηκευτικό χώρο και ελαττωματικά προϊόντα. Το μοντέλο περιλαμβάνει συγκεκριμένο κόστος συναλλαγής αλλά και κόστος αποθήκευσης. Στόχος είναι ο καθορισμός του μεγέθους παραγγελιών, δεδομένης της ζήτησης για ένα συγκεκριμένο χρονικό ορίζοντα, ενώ το πρόβλημα καθορίζεται από μεγάλο πλήθος περιορι σμών και διαμορφώνεται ως πρόβλημα μεικτού ακέραιου προγραμματισμού. Για την επίλυση χρησιμοποιούνται οι αλγόριθμοι PSO και DE, με κατάλληλες τροποποιήσεις και εκδοχές για το συγκεκριμένο είδος μοντέλου. Σε επόμενο στάδιο, το μοντέλο απλοποιείται για ευκολότερη επίλυση. Τα αποτελέσματα παρουσιάζονται και αναλύονται στατιστικά. 'Στο δεύτερο μέρος της εργασίας, εξετάζεται ένα σύστημα προγραμματισμού και ελέγχου αποθεμάτων με ένα προϊόν και πεπερασμένο ορίζοντα σχεδιασμού, με στοχαστική μη στάσιμητ ζήτηση. Το μοντέλο είναι βασισμένο στο δυναμικό μοντέλο των Wagner-Whitin που προτάθηκε το 1958 και επεκτάθηκε πρόσφατα για στοχαστική ζήτηση. Εδώ η επίλυση γίνεται με τρεις αλγορίθμους, τις μεθόδους PSO, DE και HS. Πρόκειται για την πρώτη απόπειρα επίλυσης του προβλήματος αυτού με μεταευρετικούς αλγόριθμους βελτιστοποίησης. Οι μέθοδοι τροποποιούνται κατάλληλα για να προσαρμοστούν στις απαιτήσεις του μοντέλου και καταγράφεται η επίδοσή τους, ως προς το χρόνο και την ποιότητα λύσης, για διαφορετι κές εκδοχές και συνθήκες του προβλήματος. Η απόδοση των αλγορίθμων αναλύεται στατι στικά. Τα αποτελέσματα υποστηρίζουν την πεποίθηση ότι οι συγκεκριμένοι αλγόριθμοι μπορούν να θεωρηθούν ως εναλλακτικές μέθοδοι για την επίλυση αυτών των προβλημά | el |
| heal.abstract | We investigate the solution of inventory management problems through metaheuristic optimization algorithms. More specifically, we focus on multi-item inventory problems with limited capacity, as well as on the dynamic lot-sizing problem with stochastic de mand. Three quite popular optimization algorithms were selected, namely Particle Swarm Optimization (PSO), Differential Evolution (DE) and Harmony Search (HS). Initially the multi-item inventory problem with supplier selection, limited capacity and defective items is presented. The model includes specific transaction and storage cost. The objective is the determination of a replenishment policy, given the demand over a planning horizon, while the problem is defined from a set of constraints and is formed as a mixed-integer optimization problem. The PSO and DE algorithms are used for solving the model, with appropriate modifications and assumptions for the specific model. At the next stage, the model is simplified in order to obtain the solution-easier. Results are presented and analyzed statistically. At the second part of the thesis, we examine the dynamic lot sizing problem under stochastic and non-stationary demand over a predefined finite planning horizon. The model is based on the dynamic Wagner-Whitin model, which was proposed in 1958 and was recently extended with stochastic demand. Here the solution is examined with three algorithms, namely PSO, DE and HS. It is the first attempt to solve this kind of problem with metaheuristic optimization algorithms. The methods are modified appropriately to accomodate the model’s specificities. Their efficiency is reported regarding the time and solution quality, for various problem instances. The algorithms performance is statistically analyzed along with their proper modifications. The results support the claim that they can be successfully considered as an alternative for the solution of the specific problems. | en |
| heal.tableOfContents | Contents 1 Introduction 9 1.1 Multi-item inventory model with supplierselection......................................... 9 1.2 The stochastic dynamic lot-sizingproblem...................................................... 11 1.3 Thesis organization............................................................................................ 12 2 Employed algorithms 13 2.1 Particle Swarm Optimization ................................ 13 2.1.1 Main scheme ......................................................................................... 13 2.1.2 Unified Particle Swarm Optimization................................................. 16 2.2 Differential Evolution.................................................. 16 2.3 Harmony search.................................................................................................. 18 2.4 Synopsis.............................................................................................................. 19 3 The investigated problems 20 3d Multi-item inventory problem with supplierselection: problem formulation 20 3.1.1 Original model....................................................................................... 22 3.1.2 Simplified model.................................................................................... 23 3.1.3 Penalty function ............................................................................. 23 3.2 The stochastic dynamic lot-sizing problem.................................................... 24 3.2.1 The Wagner-Whitin model .................................................................. 24 3.2.2 Stochastic model:problem formulation.................................................. 26 3.3 Synopsis.............................................................................................................. 29 4 Experimental settings and results 30 4.1 Settings for the multi-item inventory modelwith supplier selection............. 30 4.2 Results and discussion..................................................................................... 32 4.2.1 Results for the original model............................................................... 34 4.2.2 Results for the simplified model............................................................ 38 4.3 Stochastic dynamic lot-sizing model................................................................ 43 4.3.1 Solution representation........................................................................... 43 4.3.2 The case of normally distributed demand............................................ 44 4.3.3 Test problems.......................................................................................... 44 4.3.4 Experimental setup................................................................................. 45 4.3.5 Presentation of results and discussion.................................................. 47 4.4 Synopsis........................................-................................................................... 54 5 Conclusions 57 | el |
| heal.advisorName | Παρσόπουλος, Κωνσταντίνος | el |
| heal.committeeMemberName | Παρσόπουλος, Κωνσταντίνος | el |
| heal.committeeMemberName | Σκούρη, Κωνσταντίνα | el |
| heal.committeeMemberName | Λαγαρής, Ισαάκ | el |
| heal.academicPublisher | Πανεπιστήμιο Ιωαννίνων. Σχολή Θετικών Επιστημών. Τμήμα Μηχανικών Ηλεκτρονικών Υπολογιστών και Πληροφορικής | el |
| heal.academicPublisherID | uoi | el |
| heal.numberOfPages | 63 σ. | el |
| heal.fullTextAvailability | true | - |
| Appears in Collections: | Διατριβές Μεταπτυχιακής Έρευνας (Masters) - ΜΥ | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| Μ.Ε Γρηγόριος Πιπερέγκας (2012).pdf | 4.57 MB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License
