Optimización de costes de inventario con penalizaciones mediante algoritmos genéticos
DOI:
https://doi.org/10.64117/simposioscea.v1i2.104Palabras clave:
Control de inventarios, Algoritmos genéticos, no lineal, optimización, fiabilidad, producción, planificación, restricciones, programación matemáticaResumen
Este trabajo presenta un modelo de optimización de inventario que integra múltiples componentes de coste logístico bajo restricciones operativas, logísticas y financieras. Se evalúa la eficacia de dos técnicas de optimización: un algoritmo genético (GA) y el algoritmo de punto interior (interior-point), implementado mediante la función fmincon. La función objetivo incluye penalizaciones asociadas a pedidos, rotura de stock, volumen logístico, acumulación de inventario, desviaciones respecto a la cantidad económica de pedido (EOQ, Economic Order Quantity) y al lead time. Los resultados muestran que ambos métodos son viables, siendo GA más robusto frente a mínimos locales y el enfoque de punto interior más preciso cuando parte de condiciones iniciales favorables. El modelo identifica los componentes críticos del coste total, valida el cumplimiento de restricciones y resulta aplicable a entornos reales.
Citas
Azizi, N., Hu, G., 2021. A simulation-based approach for multi-echelon inventory optimization under demand uncertainty. Computers & Industrial Engineering 153, 107081. DOI: 10.1016/j.cie.2020.107081
Becerra, P., Mula, J., Sanchis, R., 2021. Green supply chain quantitative models for sustainable inventory management: A review. Journal of Cleaner Production 328, 129544. DOI: 10.1016/j.jclepro.2021.129544
Berbiche, N., Chakir, M., Hlyal, M., El Alami, J., 2024. An Integrated Inventory-Production-Distribution Model for Crisis Relief Supply Chain Optimization: A Systematic Review and Mixed Integer Programing Formulation. Journal Européen des Systèmes Automatisés 57(3), 345–365. DOI: 10.18280/jesa.570302
Díaz-Madroñero, M., Mula, J., Peidro, D., 2014. A review of discrete-time optimization models for tactical production planning. International Journal of Production Research 52(17), 5171–5205. DOI: 10.1080/00207543.2014.892013
Esteso, A., Peidro, D., Mula, J., Díaz-Madroñero, M., 2023. Reinforcement learning applied to production planning and control. International Journal of Production Research 61(16), 5772–5789. DOI: 10.1080/00207543.2022.2103405
Jackson, I., Tolujevs, J., Kegenbekov, Z., 2020. Review of inventory control models: A classification based on methods of obtaining optimal control parameters. Transport and Telecomunication 21(3), 191–202. DOI: 10.2478/tj-2020-0016
Lei, Y., Wu, H., Zhang, Y., 2024. Demand Forecasting Accuracy and Supply Chain Performance: A Meta-Analysis. International Journal of Forecasting 40(1), 55–70. DOI: 10.1016/j.ijforecast.2023.05.003
Maitra, A., Banerjee, A., Sharma, S., 2023. Integrated inventory models: A critical review of service-level focused approaches. Operations Research Perspectives 10, 100243. DOI: 10.1016/j.orp.2023.100243
Tan, B., Lu, Y., Goh, M., 2024. The impact of forecasting errors on inventory control: A quantitative review. Omega 121, 102849. DOI: 10.1016/j.omega.2023.102849
Ternero, R., Sepúlveda-Rojas, J. P., Alfaro, M., Fuertes, G., Vargas, M., 2023. Inventory management with stochastic demand: Case study of a medical equipment company. South African Journal of Industrial Engineering 34(1), 131–142. DOI: 10.7166/34-1-2954
Voina, A., 2024. Strategic inventory policies under demand uncertainty: A real options perspective. European Journal of Operational Research 309(2), 567–583. DOI: 10.1016/j.ejor.2023.08.019
