کنترل موجودی در سیستم‎های چند کالایی با تقاضای احتمالی توسط الگوریتم ازدحام ذرات (مطالعه موردی: شرکت نوین قطعه کاسپین)

نوع مقاله : مقاله علمی پژوهشی

نویسندگان

1 کارشناس ارشد مدیریت صنعتی، دانشگاه بین‎المللی امام خمینی (ره)، قزوین، ایران

2 ، استادیار گروه مدیریت صنعتی، دانشگاه بین‎المللی امام خمینی (ره)، قزوین، ایران

3 استادیار گروه مدیریت صنعتی، دانشگاه بین‎المللی امام خمینی (ره)، قزوین، ایران

چکیده

هدف: کنترل موجودی و برنامه‎ریزی سفارش‎ها، یکی از مباحث مهم در تدوین سیاست‎های اقتصادی واحد‎های صنعتی است که نیازمند توجه به شرایط حاکم بر سازمان و بازار است. در این زمینه، تعیین تعادل بهینه بین مقدار موجودی، هزینه‎های سفارش‎دهی و هزینه‎های نگهداری، نقش بارزی در جلوگیری از اتلاف سرمایه و مواجه شدن با کمبود موجودی دارد. هدف این مقاله، کنترل موجودی در سیستم‎های چند کالایی در شرایط تقاضای احتمالی و محدودیت انبار است.
روش: برای دستیابی به این هدف، دوره‎های افق برنامه‎ریزی توسط بازه‎های زمانی کوچک در مدل عمومی سفارش‎های دوره‎ای جایگزین شد و با بهره‎مندی از الگوریتم ازدحام ذرات به حل مسئله اقدام گردید.
یافتهها: نتیجه این اقدام، اتصال مقدار موجودی در دو زمان 1- t و t است. مزیت آن، پویایی مدل عمومی سفارش‎ها به ویژه در شرایط عدم اطمینان فضای کسب‎وکار، به دلیل تغییرات شدید و نزدیک به هم شرایط بازار است که در کمک به مدیران هنگام تعیین مقدار اقتصادی در زمان‎های مختلف با توجه به محدودیت فرمول‎های قطعی، اهمیت دارد. به منظور اعتبار‎سنجی، مدل یاد شده برای چهار محصول شرکت نوین قطعه، پیاده‎سازی شد.
نتیجهگیری: از آنجا که در سازمان‌های تولیدی، به دلیل وجود مواد اولیه، قطعات و موجودی‌های در جریان، نقش کنترل موجودی مشهودتر است، می‎توان با استفاده از روش پیشنهاد شده در پژوهش حاضر، جریانی را ایجاد کرد که با در نظر گرفتن زمان، مکان، تعداد، کیفیت و هزینه، ضمانت‎کننده اقلام و موجودی سازمان باشد.
 

کلیدواژه‌ها


عنوان مقاله [English]

Inventory Control in multi-item Systems with Probable Demand Using Particle Swarm Algorithm (Case study: Novin Ghate Caspian Company)

نویسندگان [English]

  • Mehrdad Malekmohamadi 1
  • Mahdi Nasrollahi 2
  • Mohsen Alvandi 3
1 MSc. in Industrial Management, Faculty of Social Sciences, Imam Khomeini International University (IKIU), Qazvin, Iran
2 Assistant Prof. in Industrial Management, Faculty of Social Sciences, Imam Khomeini International University (IKIU), Qazvin, Iran
3 Assistant Prof., Faculty of Social Sciences, Imam Khomeini International University (IKIU), Qazvin, Iran
چکیده [English]

Objective: Inventory control and orders planning are among the key issues in developing the economic policies of industrial units, which requires attention to the factors and conditions governing the organization and the market. In this context, an optimal balance among inventories, ordering costs and maintenance costs can have a crucial role in preventing the loss of capital and shortages in the inventories. The purpose of this paper is to control the inventory in multi-item systems under the conditions of probabilistic demand and warehouse limit.
Methods: The problem is studied by replacing the scheduling horizons with short-term periods in the general model of periodic orders which has solved the problem using the Particles swarm optimization algorithm.
Results: The results illustrated the connection of the inventory amount at two times of t-1 & t. The model's advantage is the dynamics of the general model of orders, especially in conditions of uncertainty in the business environment due to dramatic changes in the market conditions that are close to each other. This can make the general model of orders more dynamic and reflect the real conditions better and it can help managers determine the economic value at different times which is of high importance considering the limitations of definitive inventory control formulas. The model has been implemented on four different products in Novin Gateh Co.
Conclusion: Since in manufacturing organizations, due to the presence of raw materials, particles, and inventories in the process, the role of inventory control is more evident, the proposed model can be used to create a reliable stream of items and inventory of the organization taking into account the elements of time, location, quantity, quality and costs.

کلیدواژه‌ها [English]

  • Particle Swarm Algorithm (PSO)
  • Inventory Control
  • Probabilistic demand
  • multi-item Systems
  • Orders planning
اصغری‎زاده، عزت‎الله (1379). مقدمه‎ای بر خط‎مشی‎ها و مدل‎های وارانتی: مولود تازه مدیریت مهندسی و تولید. دانش مدیریت، 51(1)، 61-87.
ثابت مطلق، محمد؛ محقر، علی (1395). به‌ کارگیری الگوریتم ژنتیک برای برنامه‌ریزی تأمین، تولید و توزیع یکپارچه سیستم‌های مونتاژ، مدیریت صنعتی، 8(2)، 163-190.
حاج شیر محمدی، علی (1395). اصول برنامهریزی و کنترل تولید و موجودیها. اصفهان، انتشارات ارکان.
رضایی صدرآبادی، زهرا؛ طالبی، داود (1390). ارائه یک مدل کنترل موجودی دوسطحی (R,Q) و حل آن با الگوریتم های ژنتیک و رقابت استعماری. چشمانداز مدیریت صنعتی، 2(1)، 79-92.
رنجبران، هادی (1395). آمار و احتمال و کاربرد آن در مدیریت و حسابداری. تهران، انتشارات اثبات.
طالعی زاده، عطا؛ صالحی، علی (1394). مدل کنترل موجودی با طول دوره بازپرسازی تصادفی و پرداخت معوقه برای کالاهای فسادپذیر. پژوهشهای مهندسی صنایع در سیستمهای تولید، 3(5)، 13-25.
عندلیب، علیرضا (1393). روش تدوین پایاننامه کارشناسی ارشد و دکتری. تهران، انتشارات آذرخش.
کاظمی، ابوالفضل؛ ملکیان، محمدرضا؛ صرافها، کیوان (1391). ارائه یک مدل جدید کنترل موجودی مقدار تولید اقتصادی (EPQ) چند کالایی با تقاضای فازی تصادفی. نشریه مهندسی صنایع، 46 (1)، 53-62.
کاوسی داودی، سیدمجتبی؛ بالاوند، علیرضا؛ نجفی، اسماعیل (۱۳۹۳). تعیین مقدار بهینه سفارش سیستم‎های کنترل موجودی با تقاضای دینامیک تک محصولی توسط الگوریتم PSO. کنفرانس بینالمللی توسعه و تعالی کسبوکار، تهران.
منعم، محمد جواد؛ نوری، محمد علی (1389). کاربرد الگوریتم بهینه‎سازی PSO در توزیع و تحویل بهینه آب در شبکه‎های آبیاری، مجله آبیاری و زهکشی ایران، 4 (1)، 73-82.
وکیلی، پریزاد؛ حسینی مطلق، سید مهدی؛ غلامیان، محمدرضا؛ جوکار، عباس (1396). ارائه مدل ریاضی مسیریابی موجودی چند محصوله برای اقلام دارویی در زنجیره تأمین سرد و روش حل ابتکاری مبتنی بر جست وجوی همسایگی انطباقی، مدیریت صنعتی، 9(2)، 383-407.
 
References
Andalib, A. (2013). Method of compiling Master's thesis and Ph.D. Tehran, Azarakhsh Press. (in Persian)
Asgharizadeh, E. (2000). Introduction to Warranty policies and models: newly born in engineering and production management. Quarterly Journal of management knowledge, 51(1), 61-87. (in Persian)
Axsäter, S. (2013). Initiation of an inventory control system when the demand starts at a given time. Journal of Production Economics, 143(2), 553–556.
Babbie, E.R. (2007). The Practice of Social Research.10thedition. Wadsworth, Thomson Learning Inc.
Dutta, P., Chakraborty, D. & Roy, A.R. (2007). Continuous review inventory model in mixed fuzzy and stochastic environment. Journal of Applied Mathematics and Computation, 188(1), 970–980.
Haj Shirmohammadi, A. (2015). Principles of production and inventory management. Isfahan, Arkan Press. (in Persian)
Kavoosi, M., Balavand, A., & Najafi, A. (2014). Determining the optimal order quantity in inventory control system with single-product dynamical demand by the PSO algorithm. International conference on business development and excellence, Tehran, Iran.
(in Persian)
Kazemi, A., Malekian, M. R. & Sarrafha, K. (2012). Presenting a New Model for Inventory Control of Multi-item Economic Production Quantity (EPQ) with Fuzzy Random Demand. Journal of Industrial Engineering, 46(1), 53-62. (in Persian)
Monem, M.J., & Nouri, M.A. (2010). Application of PSO Method for Optimal Water Delivery in Irrigation Networks. Iranian Journal of irrigation and drainage, 1(4), 73-82.
(in Persian)
Pervin, M., Roy, S. K., & Weber, G. W. (2018). Analysis of inventory control model with shortage under time-dependent demand and time-varying holding cost including stochastic deterioration. Annals of Operations Research, 260(1-2), 437-460.
Petrovic, R., & Petrovic, D., (2001). Multi criteria ranking of inventory replenishment policies in the presence of uncertainty in customer demand. International Journal of Production Economic, 71(3), 439-446.
Ranjbaran, H. (2016). Statistics and probability, its application in management and accounting. Tehran, Esbat Press. (in Persian)
Rego, M. & Mesquita, A. (2015). Demand forecasting and inventory control: A simulation study on automotive spare parts. International Journal of Production Economics, 161(1), 1-16.
Rezaei Sadrabadi, Z., & Talebi, D. (2011). Presenting a two-level inventory control model (R, Q) and solving it with genetic algorithms and colonial competition. Journal of Industrial Management Perspective, 2(1), 79-92. (in Persian)
Rizkya, I., Syahputri, K., Sari, R. M., Siregar, I., & Ginting, E. (2018, January). Comparison of Periodic Review Policy and Continuous Review Policy for the Automotive Industry Inventory System. In IOP Conference Series: Materials Science and Engineering (Vol. 288, No. 1, p. 012085). IOP Publishing.
Roya, A., Maityb, K., karc, S. & Maitid, M. (2009). A production–inventory model with remanufacturing for defective and usable items in fuzzy-environment. Journal of Computers & Industrial Engineering, 56(1), 87–96.
Sabet Motlagh, M. & Mohaghar, A. (2016). Applying Genetic Algorithm for An integrated Supply and Production/Distribution Planning in assembly systems. Industrial Management Journal, 8(2), 163-190. (in Persian)
Taleizadeh, A, & Salehi, A. (2015). Inventory Control Model with Stochastic Replenishment Period Length and Delayed Payment for Deteriorating Item. Journal of Industrial Engineering Research in Production Systems, 3(5), 13-25. (in Persian)
Vakili, P., Hosseini-Motlagh, S.M., Gholamian, M.R. & Jokar, A. (2017). A developed model and heuristic algorithm for inventory routing problem in a cold chain with pharmaceutical products. Industrial Management Journal, 9(2), 383-407. (in Persian)
Wacker, J.G. (1998). A definition of theory: research guidelines for different theory-building research methods in operations management. Journal of Operations Management, 16, 361–385.
Zhou, W., Chen, L. & Ming Ge, H., (2013). A multi production-echelon inventory control model with joint replenishment strategy. Applied Mathematical Modeling, 37(4), 2039-2050.