José A. Gutierrez-Rave¹, Jesús Muñuzuri¹, Luis Onieva¹ and José Guadix¹

¹ Universidad de Sevilla, C/ Camino de los Descubrimientos s/n, 41092 Sevilla, España.

Keywords: Reposición en tiendas, Particle Swarm Optimization, Simulated Annealing.

1. Introducción

El objetivo de esta trabajo es optimizar la reposición en tiendas garantizando una alta disponibilidad y rotación del producto, minimizando con ello los costes, especialmente, los derivados por exceso de almacenamiento o, por el contrario, los costes de rotura de stock para un modelo multi-producto, multi-ubicación y multi-periodo. Para este fin, se ha implementado una versión que conjuga dos meta-heurísticas distintas: Particle Swarm Optimization (PSO) y Recocido Simulado (Simulated Annealing).

2. Revisión del estado del arte

Algunos investigadores centran su atención en el sector textil considerando modelos de lote económico bajo cambios del mercado o estacionalidad. En esta misma línea, [2] evalúan la variación sensible del precio dominado por la aleatoriedad y estacionalidad de la demanda. Fuera del sector textil, se destacan otros trabajos como el de [1] sobre el reabastecimiento y reposición en tiendas para productos perecederos o en deterioro [3] calcula el coste mínimo de un inventario con transbordos para reposición en tiendas, ubicadas en la misma región geográfica. Para la problemática de reposición en tienda de este trabajo se ha seguido como referencia el artículo de [4].

3. Descripción del problema

El problema genérico versa sobre la gestión de inventario y reposición en tienda para un modelo multi-producto con múltiples localizaciones y varios periodos de tiempo, enfocado a productos no perecederos y con devaluación en el tiempo. Algunos supuestos considerados son: ventas dependientes de la demanda y del inventario final del periodo anterior; generación de la demanda como una distribución uniforme en un rango fijo a partir de las previsiones de ventas; recepción de un pedido por tienda al inicio de cada periodo. Por tanto, el problema de optimización consiste en maximizar el beneficio, entendido como la diferencia entre ingresos (R) y costes de Rotura de Stock (C_s), costes de Compra (C_p), costes de Transporte (C_T) y costes de Almacenamiento (C_H).

max {R – (C_s+C_p+C_T+C_H)}

                                         s.t           C_p ≤ Budget                            (1)

4. Metodología

Esta tipología de problema presenta gran cantidad de soluciones factibles pero con un tiempo finito no existe convergencia garantizada al óptimo.  La metodología de este estudio combina dos meta-heurísticas: 1. PSO donde la mejor solución participa en la constitución de una nueva vecindad. El objetivo es alcanzar soluciones alejadas de las que se han evaluado pero con la herencia o influencia otorgadas por las mejores y actuales soluciones 2. Simulated Annealing con movimientos ascendentes para escapar de óptimos locales, aceptando o denegando los cambios producidos en la solución.

5. Análisis y Resultados

El análisis de sensibilidad permite comparar el beneficio según el modo de generación de vecindades: media Aritmética (A) o media Ponderada (P). Y atendiendo al modo de búsqueda local: intensificación de la búsqueda local (50 vecinos) o priorizando una búsqueda más deslocalizada (10 vecinos). Los resultados muestran que en todas las configuraciones se alcanza un mejor beneficio empleando la media ponderada (para la generación de nuevas soluciones) y con un tamaño de vecindad de 50 individuos.

6. Conclusiones

Se concluye que la generación de una nueva vecindad presenta una fuerte influencia de la mejor solución encontrada (media ponderada) frente a la aleatoriedad que sugiere la media aritmética. Líneas futuras de investigación: a) variación del precio de un producto por periodo b) considerar rutado de vehículos hasta varias ubicaciones diferentes.

Referencias

1. Coelho, L. C.: Optimal joint replenishment, delivery and inventory management policies for perishable products. Computers and Operations Research 47, 42–52 (2014).
2. Grewal, C. S.: Dynamic reorder point replenishment strategies for a capacitated supply chain with seasonal demand. Computers & Industrial Engineering 80, 97–110 (2015).
3. Lee, HL.: A multi-echelon inventory model for repairable items with emergency lateral transshipments. Management Science 33, 1302–1316 (1987).
4. Martino, G, Yuce, B.: Optimisation of the replenishment problem in the Fashion Retail Industry using Tabu-Bees algorithm. IFAC WORLD CONGRESS, vol. 49(12), pp. 1685–1690 (2016).