---

2013-07-03 09:43

在變動頻繁的經營環境下，許多決策需從多方角度審慎思考。作為企業重要管理工作之ㄧ的存貨控制，應以多準則的方式進行決策，惟此方面之研究目前並不多見。存貨控制的目的是決定應訂購多少數量，同時維持一定的安全存量，使得存貨總相關成本、缺貨次數與缺貨數量最小。傳統的做法是將各個成本項目整合為單一目標函數，再以單目標最佳化的方式求解。這種解法並不符合柏拉圖最佳化的精神，所得的解為一妥協解，並不一定是非凌越解。此外，各種成本因子(訂購、持有、缺貨等)估計困難，使得理論模型無法應用於存貨管理的實務工作上。因此，多目標存貨模型除了回歸決策問題的本質外，亦可有效減緩甚或完全避免理論模型中成本參數估計的問題。本研究將分別在缺貨後補與銷售損失的情況下，提出多目標 管理系統。 除了上述多目標存貨控制模型之建立外，決策者還得在相互衝突之各目標間求得的為數眾多的非凌越解。本研究應用多目標微粒群算法(MOPSO)與多目標仿電磁吸斥算法(MOEMO)近似問題的非凌越前緣，並將前緣中的非凌越解與另一知名的進化式多目標最佳化算法-SPEA相比。決策者運用多屬性決策分析(MCDA)的方法，可從非凌越解集合中挑出符合偏好的妥協解。 綜而言之，本研究提出一個兩階段的多準則決策分析架構，以有效解決多目標存貨管理問題。首先決策者設定進化式多目標算法中所需的參數，以產生多目標存貨管理系統的非凌越控制政策。接著根據決策者對各目標的偏好權重，運用MCDA對非凌越控制政策進行排序，以挑選出決策者最滿意的政策。 本研究可能的貢獻如下：首先是拓展多目標方法論於存貨管理上的應用，就已蒐集的文獻而言，此方面之應用並不多見。其次，前述MOPSO與MOEMO求得之非凌越解與傳統解法(估計服務水準或缺貨成本後求解單目標最佳化問題)的比較，有助於了解多目標下抵換關係分析之優點與缺點。另一方面，結合區域搜尋與非凌越解多樣性維持機制，可使MOPSO與MOEMO的近似求解效果更佳。最後，我們希望能將上述兩算法調整為專注於搜尋前緣中膝部區域(knee regions)中之解，膝部解的特性為在某一目標的小幅改善，將導致至少一個其餘目標的大幅退化。這個調整使得算法找到的解集合較小，且集合為決策者較關心的決策。

▲back