产品回流依赖于历史需求再制造系统的库存控制

We consider a single-product periodic-review inventory system with remanufacturable returned products, in which the serviceable product used to fulfill stochastic customer demand can be either manufactured from raw materials or remanufactured from the returned products. We assume the returns are dependent on the historical demands. Due to this correlation, traditional dynamic program framework is not suitable for the problem. We propose a new heuristic policy for managing such a system. We can show that this new policy will incur at most the twice of the cost as the optimal one, while in contrast, the myopic policy can be arbitrarily bad. Empirical study show that the correlation between product returns and demand can be in general characterized by a autoregressive distributed lag model. For such a system, we propose a forecast-adjusted policy and show that the optimal base stock level can be found in closed-form when the system goes to heavy traffic. The advantage of the forecast-adjusted policy is that it is very easy to implement. We also compare the system cost as well as the inventory level behavior under such policy and the traditional base stock policy.

我们研究一个单产品多阶段库存系统。用于满足客户需求的新产品既可以从原材料制造生产也可以通过再制造回流的产品。我们假设产品的回流依赖于历史需求。由于这种相关性，传统的动态规划方法不太适合解决这类问题。于是我们提出了一种启发式方法用于管理这类系统。我们可以证明在这种启发式方法下，系统的总成本在最差的情形下也不会超过最优成本的两倍。与其形成对的是短视策略下的系统总成本可能会是最优成本的任意大倍。另外，很多实证研究指出产品回流与历史需求的相关性通常可以由一个自回归分布延时模型所刻画。对于这样的库存系统，我们提出了一个根据预测调整的基库存策略。在交通繁忙近似之下我们可以得到最优基库存水平的显性表达式。根据预测调整的基库存策略的优点在于非常易于实施。同时我们也将比较该策略下与传统的基库存策略下系统成本以及库存量变化的不同。

产品回流已经成为现代生产、分销和零售系统中的重要组成部分。通过再制造回流的产品可以降低采购原材料的成本，生产过程带来的能量消耗及污染排放，从而达到可持续发展的目的。再制造系统的管理往往比普通的库存系统更加困难，因为企业需要同时预测或控制产品回流、协调制造和再制造的运作以满足不确定的客户需求。其中产品回流的一个重要特征就是其回流的数量与时间都有极大的不确定性，同时又与历史需求密切相关。目前关于此类库存系统的建模和理论研究非常少，也可以预见此类系统的最优策略非常复杂，并且难以计算和实施。本项目的研究，围绕库存管理中近年来受到较多关注的近似方法，对于产品回流依赖历史需求的库存系统提出了一些次优策略。一方面，本项目的研究针对一般性的模型，提出了平衡策略，我们最主要的研究成果是证明了这个平衡策略在理论上与最优策略相比，其成本不会超过后者的 200%，这个是在再制造库存系统理论方面的一个突破。另外一方面，在产品回流与历史需求的线性关系下，本项目的研究提出了“基于预测调整”的基库存策略。“基于预测调整”的基库存策略非常便于计算和实施，对于企业的实践具有较强的指导意义。