Optimization approaches for a stochastic disassembly lot-sizing problem under random lead times

In a reverse logistics context, this study addresses a multi-period disassembly lot-sizing problem under uncertainty disassembly lead times. The disassembly lead time comprises the time elapsed between releasing the disassembly order and receiving the disassembled item. To the best of our knowledge, this uncertainty is studied for the first time in the disassembly lot-sizing problem. A disassembly system with a two-level BOM and a single end-of-life product type is considered. Disassembly lead times are discrete random variables with a finite number of possible values. The problem is formulated as a two-stage stochastic Integer Linear Programming (ILP) model through all possible scenarios in order to minimize the expected total cost. Because of the large number of scenarios, ILP is intractable. To make it treatable, we propose an optimization approach that combines Monte Carlo (MC) simulation and ILP. Besides, to solve large scale problems, we propose a basic genetic algorithm. Experimental results based on randomly generated data show the effectiveness of the proposed.

Dans un contexte de logistique inverse, cette étude traite un problème de planification de désassemblage multi-période sous incertitude de délai d’obtention des composants. Ce délai est le nombre de périodes écoulées entre la passation d’un ordre de désassemblage et la réception des composants désassemblés. À notre connaissance, cette incertitude est étudié pour la première fois dans le problème de planification des opérations de désassemblage. Un système de désassemblage avec une nomenclature à deux-niveau et un seul type de produit est considéré. Les délais de désassemblage sont des variables aléatoires discrètes avec un nombre fini de valeurs possibles. Le problème est formulé en tant que modèle de Programmation Linéaire en Nombres Entiers (PLNE) stochastique à deux étapes à travers tous les scénarios possibles afin de minimiser l’espérance mathématique du coût total. En raison du grand nombre de scénarios, le modèle PLNE est intraitable. Pour le rendre traitable, nous proposons une approche d’optimisation qui combine la simulation Monte Carlo (MC) et le modèle PLNE. Cependant, cette approche est inefficace pour les problèmes de grande taille. Pour résoudre des problèmes à grande échelle, nous proposons un algorithme génétique classique. Les résultats expérimentaux basés sur des données générées de façon aléatoire montrent l’efficacité de l’algorithme proposé.

Disassembly lot-sizing stochastic lead time stochastic programming law of Large Numbers Monte Carlo simulation

Planification de désassemblage délai stochastique programmation stochastique loi de grands nombres simulation Monte Carlo