يك رويكردشبيه سازي-بهينه‌سازي براي برنامه ريزي سفارش و تخصيص فضاي قفسه در صنعت خرده فروشي با تقاضاي وابسته به مكان نمايش و موجودي

A Simulation-optimization Approach for Replenishment Planning and Shelf Space Allocation in Retail Industry under Zone- and Stock-dependent Demand

يك رويكردشبيه سازي- بهينه‌سازي براي برنامه ريزي سفارش و تخصيص فضاي قفسه در صنعت خرده فروشي ارايه مي شود. تقاضاي مشتري به دو گروه ثابت (مشتريان وفادار) و متغير (مشتريان ناخواسته وابسته به ناحيه و سطح قفسه نمايش و موجودي نمايش داده شده) تقسيم مي شود. مشتري هنگام خريد، مسيري را در فروشگاه طي مي كند. با تقسيم فضاي فروشگاه به چند ناحيه و محاسبه مطلوبيت ذاتي ثابت و متغير براي نواحي، رابطه تحليلي براي احتمال بازديد مشتري از هر ناحيه با استفاده از مدل مطلوبيت تصادفي تعيين مي شود. به دليل پيچيدگي رابطه تحليلي، از شبيه سازي براي ارزيابي حركت مشتريان در فروشگاه استفاده و تقاضاي متغير برندها تخمين زده مي شود. يك مدل برنامه ريزي عددصحيح كاربردي مبتني بر سود، براي مسيله ارايه مي شود كه نياز به تخمين تقاضاي خروجي شبيه سازي دارد. اما تخمين تقاضاي شبيه سازي بستگي به برخي متغيرهاي بهينه مدل رياضي دارد. بنابراين، با استفاده از يك مقدار تقاضاي اوليه، يك الگوريتم تكرارشونده شبيه سازي-بهينه-سازي تا دستيابي به يك انحراف كوچك از آرمان سود موردانتظار ادامه مي يابد. در پايان، نتايج عددي براي يك مثال كوچك گزارش مي شود.

A simulation-optimization approach is proposed for replenishment planning and shelf space allocation. The customers’ demand is divided into fixed and variable demand. Each customer follows a given path while shopping in the store. By dividing the store space into several zones and calculating the related substantial and random utilities, an analytical equation is proposed for the probability of zone visits. Due to the complexity of the proposed equation, a simulation method is used to evaluate the customers’ movements and predict the variable demand. A profit-based integer-programming model is then formulated for the case problem that needs the output demand of the simulation phase. However, the optimal values of some decision variables should be available through simulation. Therefore, a simulation-optimization algorithm is iteratively run since a pre-determined small deviation from the expected profit goal is achieved. Finally, the numerical results are reported for a small-sized problem.