طرح يك چارچوب تركيبي پيش بيني تقاضاي متلاطم و كنترل پيش بين مدل به منظور كمينه سازي اثر شلاقي

Design of a Combined Lumpy Demands Forecasting and a model Predictive Scheme for Reduction of Bullwhip Effect

اين مقاله يك رويكرد كنترل پيش بين مدل براي سيستم‎هاي برنامه ريزي توليد ـ موجودي ارايه مي كند. كنترل پيش بين مدل (MPC) قبلاً در مسايل زنجيره‎ي تامين به‎كار گرفته شده و نتايج رضايت‎بخشي داشته است. اما سيستم‎هاي پيشنهادي تا حال اطلاعاتي راجع به تقاضاي آتي ندارند. ادغام يك متدولوژي پيش بيني در چارچوب MPC مي تواند عملكرد سيستم‎هاي كنترلي را بهبود دهد. در اين مقاله براي پيش بيني عدم قطعيت در رفتار تقاضاي متلاطم، از روش‎هاي كلاسيك و هوشمند پيش بيني استفاده مي شود. با توجه به رفتار غيرخطي و نوساني و حتي آشوبي تقاضاي متلاطم، شبكه هاي عصبي در مقايسه با روش‎هاي معمول كلاسيك همچون روش هموارسازي نمايي بهتر مي توانند اين رفتار را مدل‎سازي و پيش بيني نمايند. داده-هاي واقعي براي بررسي و مقايسه‎ي كارايي طرح پيشنهادي با توجه به خطاي معيار عملكردي به‎كار گرفته مي شود.

This paper presents a model predictive control (MPC) approach for production and inventory control systems. Model predictive control previously has been successfully applied to supply chain problems; however most systems that have been proposed so far possess no information on future demand. The incorporation of a forecasting methodology in an MPC framework can promote the efficiency of control actions by providing more insights in the future demands. In this paper, we investigate the applicability of advanced and traditional methods to forecasting lumpy demand at supply chains. Neural networks can be better model for forecast the nonlinear and chaotic behavior of lumpy demands in comparison with traditional and usual methods such as exponential smoothing. This paper efficiently employs neural networks as the main core in the proposed control design. To highlight efficiency of the proposed method, real datasets are used for investigation and comparison studies.