Έλεγχος Αποθεμάτων υπό Σταθερή Ζήτηση

Μέγεθος: px
Εμφάνιση ξεκινά από τη σελίδα:

Download "Έλεγχος Αποθεμάτων υπό Σταθερή Ζήτηση"

Transcript

1 Έλεγχος Αποθεμάτων υπό Σταθερή Ζήτηση Γιώργος Λυμπερόπουλος 1

2 Οικονομική Ποσότητα Παραγγελίας (ΟΠΠ): βασικό μοντέλο Q απόθεμα Q λ λ Σταθερός ρυθμός ζήτησης λ λ λ 2

3 ΟΠΠ: Βασικό πρότυπο Υποθέσεις Σταθερός ρυθμός ζήτησης: λ (μονάδες προϊόντος ανά μονάδα χρόνου) Ο χρονικός ορίζοντας του προβλήματος είναι άπειρος Οι ελλείψεις του προϊόντος απαγορεύονται Οι παραγγελίες για την αναπλήρωση του αποθέματος γίνονται σε τακτά χρονικά διαστήματα που ονομάζονται κύκλοι ή περίοδοι Η αναπλήρωση του αποθέματος γίνεται στιγμιαία Μοναδιαίο μεταβλητό κόστος παραγγελίας: c ( ανά μονάδα προϊόντος) Σταθερό κόστος παραγγελίας: K ( ανά παραγγελία) Κόστος (επιτόκιο) κεφαλαίου: I ( ανά επενδυμένο σε απόθεμα ανά μονάδα χρόνου) 3

4 ΟΠΠ: Βασικό πρότυπο Υπολογισμός Κόστος διατήρησης αποθέματος: h = Ic ( ανά μονάδα προϊόντος ανά μονάδα χρόνου) Απόφαση Ποσότητα παραγγελίας: Q (μονάδες προϊόντος ανά παραγγελία) Αναφορά Harrs, F. W (reprnt from 1913). How many parts to make at once. Operatons Research 38 (6)

5 ΟΠΠ: Βασικό πρότυπο Απόθεμα Q λ Υπολογισμός T Χρόνος Μήκος κύκλου ή περιόδου παραγγελίας: TT = QQ (μονάδες λλ χρόνου ανά κύκλο) Συχνότητα παραγγελιών: NN = 1 = λλ (κύκλοι παραγγελίας TT QQ ανά μονάδα χρόνου) 5

6 ΟΠΠ: Βασικό πρότυπο Βασικό ζήτημα Αντιστάθμιση μεταξύ του σταθερού κόστους παραγγελίας και του κόστους διατήρησης αποθέματος Απόθεμα Q Q T T Χρόνος 6

7 ΟΠΠ: Βασικό πρότυπο Πρόβλημα βελτιστοποίησης χωρίς περιορισμούς λ Q Mnmze GQ ( ) = K + c λ + h Q Q μέσο μεταβλητό 2 G(Q) ολικό μέσο κόστος παραγγελίας μέσο σταθερό κόστος παραγγελίας κόστος παραγγελίας μέσο κόστος διατήρησης αποθέματος K λ/q h Q/2 cλ Q * Q 7

8 ΟΠΠ: Βασικό πρότυπο Λύση Συνθήκη βελτιστότητας Q * dg( Q) Kλ h : = 0 + = 0 2 dq Q 2 * * 2Kλ * Q 2K Q = T = = h λ hλ ( ) = 2 + * * G GQ Kλh c λ Επισήμανση: K, λ Q *, h Q * 8

9 Παράδειγμα 1 ΟΠΠ: Βασικό πρότυπο Ένας χονδρέμπορος ποτών προμηθεύεται μια μπύρα από μια ζυθοποιία. Ο χρόνος ικανοποίησης μιας παραγγελίας είναι αμελητέος. Τα μεταφορικά και άλλα πάγια έξοδα διαμορφώνουν το σταθερό κόστος παραγγελίας σε 144 ανά παραγγελία. Το κόστος αγοράς κάθε φιάλης είναι 1,20. Το κόστος κεφαλαίου (επιτόκιο) του χονδρεμπόρου είναι 15% ετησίως. Ο χονδρέμπορος πουλάει την μπύρα σε καταστήματα τροφίμων και εστιατόρια με σταθερό ρυθμό ίσο με 72 κιβώτια των 24 φιαλών ανά μήνα. 1. Ποια ποσότητα μπύρας σε κιβώτια πρέπει να παραγγέλνει ο χονδρέμπορος και κάθε πότε, για να ελαχιστοποιήσει το ολικό μέσο κόστος παραγγελίας και διατήρησης αποθεμάτων; 2. Ποια είναι η ελάχιστη τιμή στην οποία πρέπει να πουλάει κάθε φιάλη μπύρας για να μην έχει ζημίες σε σχέση με το ολικό μέσο κόστος παραγγελίας και διατήρησης αποθεμάτων; 9

10 Λύση ΟΠΠ: Βασικό πρότυπο Κόστος (επιτόκιο) κεφαλαίου: ΙΙ = 0,15 = 0,0125 ανά ανά μήνα 12 Μοναδιαίο κόστος παραγγελίας: cc = 1,20 24 = 28,8 ανά κιβώτιο. Μοναδιαίο κόστος διατήρησης αποθέματος: h = IIII = 0, ,8 = 0,36 ανά κιβώτιο ανά μήνα. ΟΠΠ: QQ = 2KKKK = (2)(144)(72) h 0,36 = 240 κιβώτια ανά παραγγελία. Βέλτιστος χρόνο κύκλου: TT = QQ = 240 = 3,3333 μήνες λλ 72 Ελάχιστο ολικό μέσο κόστος: GG QQ = 2KKKKK + cccc = (2)(144)(72)(0,36) + 28,8 72 = 2160 ανά μήνα Ελάχιστη τιμή πώλησης: ανά φιάλη GG QQ λλ = = 30 ανά κιβώτιο = = 1,25 10

11 Ανάλυση ευαισθησίας ΟΠΠ: Βασικό πρότυπο λ Q * G '( Q) = K + h G'( Q ) = 2Kλh Q 2 μερικό μέσο κόστος παραγγελίας Έστω ότι επιλέγεται μια τυχαία ποσότητα παραγγελίας Q * G'( Q) 1 Q Q = = * + * G'( Q ) 2 Q Q Παράδειγμα: * * * G'( Q) 1 Q 2Q 1 1 Q= 2Q = * + * * = + 2 = 1.25 G'( Q ) 2 2Q Q 2 2 Με λόγια: 100% σφάλμα στην επιλογή του Q 25% αύξηση στο μερικό μέσο κόστος παραγγελίας Συμπέρασμα: Το κόστος έχει μικρή ευαισθησία στην ποσότητα παραγγελίας Q και κατ επέκταση σε σφάλματα στην εκτίμηση των παραμέτρων κόστους και του ρυθμού ζήτησης. 11

12 ΟΠΠ: Περιορισμοί Πρόβλημα βελτιστοποίησης με περιορισμούς Έστω ότι Q mn Q Q max ( ) Q = max mn Q, Q, Q * * constr max mn G(Q) G(Q) G(Q) Q Q * mn Q max Q Q Q * mn Q max Q Q * Q mn Q max Q Εναλλακτικά, έστω ότι T mn T T max ( ) * * Tmn λ Q Tmax λ Qconstr = max mn Q, Tmax λ, Tmn λ 12

13 Παράδειγμα 2 ΟΠΠ: Περιορισμοί Ίδιες υποθέσεις με το Παράδειγμα 1. Επιπλέον: Η ζυθοποιία δεν δέχεται παραγγελίες μικρότερες των 150 κιβωτίων. Η μπύρα δεν είναι παστεριωμένη με αποτέλεσμα να έχει περιορισμένο χρόνο ζωής και ο χονδρέμπορος να μην θέλει να την κρατήσει στο ράφι του περισσότερο από 2,5 μήνες. 1. Ποια ποσότητα μπύρας σε κιβώτια πρέπει να παραγγέλνει ο χονδρέμπορος και κάθε πότε, για να ελαχιστοποιήσει το μέσο κόστος παραγγελίας και διατήρησης αποθεμάτων; 2. Ποια είναι η ελάχιστη τιμή στην οποία πρέπει να πουλάει κάθε φιάλη μπύρας για να μην έχει ζημίες σε σχέση με το ολικό μέσο κόστος παραγγελίας και διατήρησης αποθεμάτων; 3. Ποια η αύξηση στο μερικό και ολικό μέσο κόστος παραγγελίας και διατήρησης αποθέματος που προκαλείται από τους περιορισμούς. 13

14 Λύση ΟΠΠ: Περιορισμοί QQ QQ mmmmmm = 150 κιβώτια ανά παραγγελία ΤΤ TT mmmmmm = 2,5 μήνες ανά κύκλο QQ QQ mmmmmm = TT mmmmmm λλ = 2,5 72 = 180 κιβώτια ανά παραγγελία QQ cccccccccccc = max mn QQ, QQ mmmmmm, QQ mmmmmm = max mn 240,180, 150 = 180 κιβώτια ανά παραγγελία TT = QQ cccccccccccc λλ GG QQ cccccccccccc = = KKKK ανά μήνα QQ cccccccccccc = 2,5 μήνες ανά κύκλο + ccλλ + hqq cccccccccccc 2 Ελάχιστη τιμή πώλησης: GG QQ cccccccccccc ανά φιάλη λλ = (144)(72) 180 = 2163,6 72 Αύξηση στο μερικό κόστος: GG QQ = 1 GG QQ 2 4,17% Αύξηση στο ολικό κόστος: QQ QQ cccccccccccc + 28, (0,36)(180) 2 = 2163,6 = 30,05 ανά κιβώτιο = 30,05 24 = 1, QQ cccccccccccc = 1 QQ 2 GG QQ = 2163,3 GGΓ. QQΛυμπερόπουλος - Διοίκηση Παραγωγής =1, = 1,0017 0,17% 14

15 ΟΠΠ: Χρόνος αναπλήρωσης > 0 Μη-μηδενικός σταθερός χρόνος αναπλήρωσης αποθέματος τ Ίδιο σαν το βασικό πρότυπο ΟΠΠ μόνο που η παραγγελία δίνεται όταν το απόθεμα κατέλθει στο σημείο αναπαραγγελίας R, όπου λλττ, αν ττ < TT, RR = λ ττ mod TT, αν ττ TT, ττ mod TT = Υπόλοιπο της διαίρεσης ττ: TT Απόθεμα Q T Απόθεμα Q T τ mod T R λ τ R λ τ Αποστολή παραγγελίας Χρόνος Αποστολή παραγγελίας Χρόνος 15

16 ΟΠΠ: Χρόνος αναπλήρωσης > 0 Παράδειγμα 3 Ίδιες υποθέσεις με το Παράδειγμα 1. Να βρεθεί το σημείο αναπαραγγελίας όταν ο χρόνος ικανοποίησης μιας παραγγελίας είναι: (α) ½ μήνας και (β) 3½ μήνες. Λύση Ίδια λύση: QQ = 240 κιβώτια ανά παραγγελία και TT = 3,333 μήνες 72ττ, αν ττ < 3,3333, RR = 72 ττ mod 3,3333, αν ττ 3,333, (α) ττ = 1/2: RR = 72 1/2 = 36 κιβώτια (β) ττ = 3,5: RR = 72 3,5 mod3,3333 = 72 0,1666 = 12 κιβώτια 16

17 ΟΠΠ: Εκκρεμείς παραγγελίες Υποθέσεις Ίδιες με αυτές του βασικού προτύπου ΟΠΠ με τη διαφορά ότι: Σε περίπτωση έλλειψης προϊόντων οι ζητήσεις ικανοποιούνται με καθυστέρηση (εκκρεμείς παραγγελίες πελατών) Κόστος ανά μονάδα έλλειψης ανά μονάδα χρόνου: b ( ανά μονάδα εκκρεμών παραγγελιών ανά μονάδα χρόνου) Αποφάσεις Ποσότητα παραγγελίας: Q (μονάδες προϊόντος ανά παραγγελία) Ποσοστό ζητήσεων που ικανοποιούνται άμεσα από το απόθεμα: F 17

18 ΟΠΠ: Εκκρεμείς παραγγελίες Απόθεμα/έλλειμμα Q FQ (1 F)Q λ T Χρόνος Πρόβλημα βελτιστοποίησης λ FQ (1 F) Q Mnmze GQF (, ) = K + cλ + h F+ b (1 F) QF, :0 F 1 Q 2 2 Μόνος περιορισμός: 0 F 1 λ = K + cλ + h + b Q FQ (1 F) Q 18

19 Λύση Q ΟΠΠ: Εκκρεμείς παραγγελίες, F : * * 2 2 G( Q, F) Kλ hf + b(1 F) = 0 + = 0 2 Q Q 2 GQF (, ) = 0 hfq b(1 F) Q = 0 F * * b * 2Kλ h+ b * Q 2K h+ b F = Q = T = = h+ b h b λ hλ b μέγιστο απόθεμα: FQ * * = μέγιστο έλλειμμα: (1 ) b h+ b * * F Q = b (, ) = 2 + h + b * * * G GQ F Kλh c 2Kλ h h 2Kλ h+ b b 19 λ

20 ΟΠΠ: Εκκρεμείς παραγγελίες Οριακές περιπτώσεις bb h: FF 1 και QQ 2KKλλ h = ΟΠΠ bb h: FF 0 και QQ 2KKλλ bb = ΟΠΠ με bb αντί για h 20

21 ΟΠΠ: Εκκρεμείς παραγγελίες Παράδειγμα 4 Ίδιες υποθέσεις με το Παράδειγμα 1. Επιπλέον: Σε περίπτωση έλλειψης προϊόντων, οι πελάτες του χονδρέμπορου είναι διατεθειμένοι να παραλάβουν τις παραγγελίες τους με καθυστέρηση. Το μοναδιαίο κόστος ανά μονάδα χρόνου των εκκρεμών παραγγελιών είναι τριπλάσιο από το κόστος διατήρησης αποθέματος. 1. Ποια ποσότητα μπύρας σε κιβώτια πρέπει να παραγγέλνει ο χονδρέμπορος και κάθε πότε, για να ελαχιστοποιήσει το μέσο κόστος παραγγελίας, διατήρησης αποθεμάτων και εκκρεμών παραγγελιών; 2. Ποια είναι η ελάχιστη τιμή στην οποία πρέπει να πουλάει κάθε φιάλη μπύρας για να μην έχει ζημίες σε σχέση με το ολικό μέσο κόστος παραγγελίας, διατήρησης αποθεμάτων και εκκρεμών παραγγελιών; 21

22 Λύση ΟΠΠ: Εκκρεμείς παραγγελίες Μοναδιαίο κόστος έλλειψης: bb = 3h = 3IIII = 3 0,36 = 1,08 ανά κιβώτιο ανά μήνα. Βέλτιστο ποσοστό ζητήσεων που ικανοποιούνται άμεσα από το απόθεμα: FF = bb = 1,08 = 3 = 0,75 h+bb 0,36+1, Βέλτιστη ποσότητα παραγγελίας: QQ = 2KKKK h 277, κιβώτια ανά παραγγελία. Βέλτιστος χρόνο κύκλου: TT = QQ λλ = h+bb = (2)(144)(72) bb 0,36 = 3,8472 μήνες 0,36+1,08 1,08 = Ελάχιστο ολικό μέσο κόστος: GG QQ, FF = 2KKKKK (2)(144)(72)(0,36) 1,08 0,36+1,08 Ελάχιστη τιμή πώλησης: GG QQ,FF 1,2433 ανά φιάλη λλ bb h+bb + cccc = + 28,8 72 = 2148,4246 ανά μήνα = 2148, = 29,8392 ανά κιβώτιο = 29, = 22

23 Υποθέσεις ΟΠΠ: Χαμένες πωλήσεις Ίδιες με αυτές του βασικού προτύπου ΟΠΠ με τη διαφορά ότι: Σε περίπτωση έλλειψης προϊόντων οι ζητήσεις χάνονται (χαμένες πωλήσεις) Κόστος ανά μονάδα έλλειψης : bb LL ( χαμένου κέρδους ανά μονάδα χαμένης πώλησης) Αποφάσεις Ποσότητα παραγγελίας: Q (μονάδες προϊόντος ανά παραγγελία) Ποσοστό ζητήσεων που ικανοποιούνται άμεσα από το απόθεμα: F 23

24 ΟΠΠ: Χαμένες πωλήσεις Απόθεμα Q (1 F)T λ FT T Χρόνος FT=Q/λ T = Q/λF N = 1/T = λf/q Πρόβλημα βελτιστοποίησης λf Q Mnmze GQF (, ) = K + cλ+ h F+ bl (1 F) λ QF, :0 F 1 Q 2 λ Q = K + h blλ F + c+ b Q 2 ( ) L λ 24

25 Απόθεμα ΟΠΠ: Χαμένες πωλήσεις Q (1 F)T λ FT T Χρόνος Λύση Συνθήκη FF QQ GG QQ, FF bb LL > 2KKh λλ 1 2KKλλ h 2KKKKh + ccλλ bb LL = 2KKh λλ 0,1 2KKKK h 2KKKKh + ccλλ bb LL < 2KKh λλ 0 αδιάφορο cc + bb LL λλ 25

26 ΟΠΠ: Έκπτωση για μεγάλες ποσότητες παραγγελίας Περίπτωση 1: Ενιαία έκπτωση Συνολικό κόστος αγοράς Q μονάδων, C(Q) = cq, όπου C(Q) c0 for b0 Q< b1 c= c for b Q< b where c > c > c c2 for b2 Q c 1 c 2 c 0 b 0 b 1 b 2 Q 26

27 ΟΠΠ: Έκπτωση για μεγάλες ποσότητες παραγγελίας Μέσο κόστος παραγγελίας για επίπεδο έκπτωσης jj j Πρόβλημα βελτιστοποίησης με περιορισμούς G(Q) G 0 (Q) λ Q G j( Q) = K + λ c j + Ic j, j = 0,1, 2 Q 2 h G ( Q) for b Q< b Mnmze GQ ( ) = G ( Q) for b Q< b Q ολικό μέσο κόστος G2( Q) for b2 Q G 1 (Q) G 2 (Q) b 0 b 1 b 2 Q 27

28 ΟΠΠ: Έκπτωση για μεγάλες ποσότητες G(Q) G 0 (Q) παραγγελίας Λύση ΟΠΠ άνευ περιορισμών για επίπεδο έκπτωσης j: * 2Kλ Qj =, Ic j = 0,1, 2 Σημείωση: b 3 = j * * j,constr ( j j+ 1) j Δεσμευμένη βέλτιστη ποσότητα παραγγελίας: Q = max mn Q, b, b, j = 0,1,2 { } * * * j = arg mn G( Q ) Q = Q G = GQ ( ) = G ( Q ) * * * * * * * j j,constr j j,constr j j,constr G 1 (Q) G 2 (Q) b 0 b 1 b 2 Q 28

29 ΟΠΠ: Έκπτωση για μεγάλες ποσότητες παραγγελίας Περίπτωση 2: Σταδιακή έκπτωση Συνολικό κόστος αγοράς Q μονάδων, C(Q), όπου c1q για 0 Q< b1 C( Q) = cb 1 1+ c2( Q b1) = ( c1 c2) b1+ c2q= a2 + c2q για b1 Q< b2 cb 1 1+ c2( b2 b1) + c3( Q b2) = ( c1 c2) b1+ ( c2 c3) b2+ cq 3 = a3 + cq 3 για b2 Q< j Για απλούστευση χρησιμοποιούμε τον συμβολισμό: ( c c ) b, C(Q) j > 0, a1 = 0 a j = 1 1 = 1 c 3 a 3 c 2 a 2 c 1 0 b 1 b 2 Q 29

30 ΟΠΠ: Έκπτωση για μεγάλες ποσότητες παραγγελίας Μέσο κόστος παραγγελίας όταν παραγγέλνονται Q μονάδες, C(Q)/Q: c1 για 0 Q< b 1 a 2 CQ ( ) ( c1 c2) b1 a2 = + c2 = + c2 για b1 Q< b2 Q Q Q a3 ( c1 c2) b1+ ( c2 c3) b2 a3 + c3 = + c3 για b2 Q< Q Q Ολικό μέσο κόστος παραγγελίας και διατήρησης αποθεμάτων λ CQ ( ) CQ ( ) Q GQ ( ) = K + λ + I Q Q Q 2 αντίστοιχο με το c αντίστοιχο με το c 30

31 ΟΠΠ: Έκπτωση για μεγάλες ποσότητες G 0 (Q) G(Q) G 1 (Q) G 2 (Q) παραγγελίας b 0 b 1 b 2 λ aj aj Q Gj( Q) = K + λ + cj + I + cj Q Q Q 2 λ Q Ia j = ( K + aj) + λ cj + Ic j + Q 2 2 2( K + a ) λ * Q = j j Ic j Q 31

32 ΟΠΠ: Έκπτωση για μεγάλες ποσότητες παραγγελίας Τελική λύση Το βέλτιστο επίπεδο έκπτωσης jj είναι εκείνο το επίπεδο έκπτωσης jj που δίνει το ελάχιστο GG jj QQ jj για έγκυρη ποσότητα bb jj QQ jj < bb jj+1 { j j j j j 1} = < j * arg mn G ( Q * ) : b Q * b + j * * * * * Q = Q G = GQ ( ) = G ( Q ) * * * j j j 32

33 ΟΠΠ: Έκπτωση για μεγάλες ποσότητες Παράδειγμα 5 παραγγελίας Ίδιες υποθέσεις με το Παράδειγμα 1 εκτός από το κόστος αγοράς ανά φιάλη Η ζυθοποιία που προμηθεύει την μπύρα παρέχει σταδιακή έκπτωση με μοναδιαία τιμή 1,20 ανά φιάλη για τα πρώτα 400 κιβώτια 1,16 ανά φιάλη για τα επόμενα 400 κιβώτια 1,12 ανά φιάλη για τα υπόλοιπα κιβώτια πάνω από Ποια ποσότητα μπύρας σε κιβώτια πρέπει να παραγγέλνει ο χονδρέμπορος και κάθε πότε, για να ελαχιστοποιήσει το μέσο κόστος παραγγελίας και διατήρησης αποθεμάτων; 2. Ποια είναι η ελάχιστη τιμή στην οποία πρέπει να πουλάει κάθε φιάλη μπύρας για να μην έχει ζημίες σε σχέση με το ολικό μέσο κόστος παραγγελίας και διατήρησης αποθεμάτων; 33

34 Λύση aa 1 = 0 ΟΠΠ: Έκπτωση για μεγάλες ποσότητες παραγγελίας aa 2 = aa 1 + cc 1 cc 2 bb 1 = 28,8 27, = 384 aa 3 = aa 2 + cc 2 cc 3 bb 2 = ,84 26, = 1152 QQ 1 = 2(KK + aa 1 )λλ IIcc 1 = ,8 = 240 QQ 2 = 2(KK + aa 2 )λλ IIcc 2 = (2)( )(72) (0.0125)(27,84) = 467,42 QQ 3 = 2(KK + aa 3 )λλ IIcc 3 = (2)( )(72) (0.0125)(26,88) = 745,27 QQ 1,cccccccccccc = max mn QQ 1, bb 1, bb 0 = max mn 240, 400, 0 = 240 QQ 2,cccccccccccc = max mn QQ 2, bb 2, bb 1 = max mn 467,421, 800, 400 = 467,42 QQ 3,cccccccccccc = max mn QQ 3, bb 3, bb 2 = max mn 745,271,, 800 =

35 ΟΠΠ: Έκπτωση για μεγάλες ποσότητες Λύση (συνέχεια) παραγγελίας GG 1 QQ 1,cccccccccccc = KK + aa 1 λλ QQ 1,cccccccccccc + IIcc 1 QQ 2 + cc 1 λλ + IIaa 1 2 = , , , , = 2160 GG 2 QQ 2,cccccccccccc = KK + aa 2 λλ QQ 2,cccccccccccc + IIcc 2 QQ 2 + cc 2 λλ + IIaa 2 2 = , , ,84 467, , , = 2169,54 GG 3 QQ 3,cccccccccccc = KK + aa 3 λλ QQ 3,cccccccccccc + IIcc 3 QQ 2 + cc 3 λλ + IIaa 3 2 = , , , , = 2193,6 jj = arg mn GG jj QQ jj=1,2,3 jj,cccccccccccc = arg mn 2160, 2169,54, 2193,6 = 1. 35

36 Λύση QQ cccccccccccc ΟΠΠ: Έκπτωση για μεγάλες ποσότητες = QQ jj,cccccccccccc παραγγελίας = QQ 1,cccccccccccc = 240. Ίδια λύση με αυτή του αρχικού Προβλήματος 1. GG QQ cccccccccccc = GG jj QQ jj,cccccccccccc Βέλτιστος χρόνο κύκλου: TT = QQ cccccccccccc Ελάχιστη τιμή πώλησης: GG QQ cccccccccccc λλ = GG 1 QQ 1,cccccccccccc = λλ = = = 3,3333 μήνες = 30 ανά κιβώτιο = = 1,25 ανά φιάλη 36

37 ΟΠΠ: Πολλαπλά προϊόντα με κοινό προμηθευτή Υποθέσεις n προϊόντα λ, c, h : παράμετροι για το προϊόν K: Σταθερό κόστος παραγγελίας (κοινό για όλα τα προϊόντα) Βέλτιστη πολιτική: Όλα προϊόντα παραγγέλνονται ταυτόχρονα Κοινός χρόνος κύκλου: TT = TT, = 1,, nn QQ = λλ TT = λλ ΤΤ, = 1,, nn. Μέσο κόστος ανά μονάδα χρόνου για το προϊόν (εκτός του σταθερού κόστους παραγγελίας) GG TT = cc λλ + h λλ TT, = 1, nn. 2 37

38 ΟΠΠ: Πολλαπλά προϊόντα με κοινό προμηθευτή Ολικό μέσο κόστος ανά μονάδα χρόνου GG TT = KK TT + GG TT = KK TT + =1 =1 Βέλτιστος κοινός χρόνος κύκλου nn TT = nn 2KK nn. h λλ =1 Βέλτιστες ποσότητες παραγγελίας QQ = λλ TT = nn cc λλ + TT =1 2 2KKλλ nn, = 1,, nn. h jj λλ jj jj=1 h λλ 2. Ελάχιστο ολικό μέσο κόστος ανά μονάδα χρόνου GG TT = 2KK =1 nn nn h λλ + cc λλ. =1 38

39 ΟΠΠ: Πολλαπλά προϊόντα με κοινό προμηθευτή Παράδειγμα 6 Ίδιες υποθέσεις με το Παράδειγμα 1. Επιλέον: Εκτός από τη μπύρα του Παραδείγματος 1, ο χονδρέμπορος προμηθεύεται άλλες δύο μπύρες από την ίδια ζυθοποιία. Το κοινό σταθερό κόστος παραγγελίας είναι 150 ανά παραγγελία. Τα κόστη αγοράς ανά φιάλη για τις δύο νέες μπύρες είναι 0,6 και 2,4 αντίστοιχα. Ο χονδρέμπορος πουλάει τις δύο νέες μπύρες με σταθερούς ρυθμούς ίσους με 30 και 120 κιβώτια των 24 φιαλών ανά μήνα. Το ετήσιο επιτόκιο του χονδρεμπόρου παραμένει 15% ετησίως. Ποια ποσότητα μπύρας σε κιβώτια πρέπει να παραγγέλνει ο χονδρέμπορος για κάθε μπύρα και κάθε πότε, ούτως ώστε να ελαχιστοποιήσει το μέσο κόστος παραγγελίας και διατήρησης αποθεμάτων; Ποιο το ελάχιστο μέσο κόστος παραγγελίας και διατήρησης αποθεμάτων; 39

40 ΟΠΠ: Πολλαπλά προϊόντα με κοινό προμηθευτή Λύση Κόστος (επιτόκιο) κεφαλαίου: ΙΙ = 0,15/12 = 0,0125 ανά ανά μήνα. Μοναδιαία κόστη παραγγελίας: cc 1 = 1,2 24 = 28,8, ανά κιβώτιο, cc 2 = 0,6 24 = 14,4 ανά κιβώτιο, cc 3 = 2,4 24 = 57,6 ανά κιβώτιο. Μοναδιαία κόστη διατήρησης αποθέματος: h 1 = IIcc 1 = 0, ,8 = 0,36 ανά κιβώτιο ανά μήνα, h 2 = IIcc 2 = 0, ,4 = 0,18 ανά κιβώτιο ανά μήνα, h 3 = IIcc 3 = 0, ,6 = 0,72 ανά κιβώτιο ανά μήνα. 40

41 ΟΠΠ: Πολλαπλά προϊόντα με κοινό Λύση Βέλτιστος κοινός χρόνος κύκλου: TT = 2KK = nn h λλ =1 Βέλτιστες ποσότητες παραγγελίας: QQ 1 = λλ 1 TT = 72 QQ 2 = λλ 2 TT = 30 QQ 3 = λλ 3 TT = 120 Ελάχιστο ολικό κόστος: GG TT = 2KK nn =1 προμηθευτή (2)(150) 0, , (0,72)(120) = 1,5964 μήνες 1,5964 = 114, κιβώτια ανά παρτίδα 1,5964 = 47, κιβώτια ανά παρτίδα 1,5964 = 191, κιβώτια ανά παρτίδα h λλ + nn =1 cc λλ = , , (0,72)(120) + 28, , ,6 120 = 9605,5255 ανά μήνα. 41

42 ΟΠΠ: Πολλαπλά προϊόντα με διαφορετικούς προμηθευτές χωρίς άλλο περιορισμό Υποθέσεις n προϊόντα λ, K, c, h : παράμετροι για το προϊόν Ανάλυση Μέσο κόστος ανά μονάδα χρόνου για το προϊόν GG QQ = KK λλ + cc QQ λλ + h QQ, = 1, nn. 2 Ολικό μέσο κόστος ανά μονάδα χρόνου GG QQ 1,, QQ nn nn = GG QQ =1 nn = =1 KK λλ QQ + cc λλ + h QQ 2. 42

43 ΟΠΠ: Πολλαπλά προϊόντα με διαφορετικούς προμηθευτές χωρίς άλλο περιορισμό Βέλτιστη ποσότητα παραγγελίας για το προϊόν : QQ = 2KK λλ h, = 1, nn, Βέλτιστος χρόνος κύκλου για το προϊόν : TT = 1 NN = QQ λλ = 2KK λλ h, = 1, nn. Ελάχιστο μέσο κόστος ανά μονάδα χρόνου για το προϊόν GG QQ = 2KK λλ h + cc λλ, = 1, nn, Ελάχιστο ολικό μέσο κόστος ανά μονάδα χρόνου GG QQ 1,, QQ nn nn = GG QQ =1 nn = =1 2KK λλ h + cc λλ. 43

44 ΟΠΠ: Πολλαπλά προϊόντα με διαφορετικούς προμηθευτές με περιορισμό πόρων Υποθέσεις n προϊόντα λ, K, c, h : παράμετροι για το προϊόν Περιορισμός πόρων (προϋπολογισμού, χωρητικότητας, κτλ.): Ανάλυση nn =1 bb QQ BB Ολικό μέσο κόστος ανά μονάδα χρόνου GG QQ 1,, QQ nn nn = GG QQ =1 nn = =1 KK λλ QQ + cc λλ + h QQ 2. Πρόβλημα δεσμευμένης (με περιορισμούς) βελτιστοποίησης mn GG QQ 1,, QQ nn subject to: bb QQ BB. QQ 1,,QQ nn =1 nn 44

45 ΟΠΠ: Πολλαπλά προϊόντα με Λύση για την περίπτωση 2 περιορισμό πόρων Εισαγωγή πολλαπλασιαστή Lagrange θ mn QQ 1,,QQ nn,θθ GG QQ 1,, QQ nn, θθ = nn =1 KK λλ QQ Αναγκαίες συνθήκες βελτιστότητας GGG QQ = KK λλ QQ 2 GGG θθ = nn =1 + h 2 + θθbb = 0 QQ,cccccccccccc bb QQ,cccccccccccc + cc λλ + h QQ 2 + θθ =1 = nn BB = 0 bb QQ,cccccccccccc =1 nn bb QQ BB. 2KK λλ h + 2θθ bb, = 1, nn. = BB Αριθμητική επίλυση: Δοκιμάζονται διαφορετικές τιμές του θθ (π.χ. σταδιακά αυξανόμενες) μέχρι να ισχύουν και οι δύο συνθήκες 46

46 ΟΠΠ: Πολλαπλά προϊόντα με περιορισμό πόρων Ειδική περίπτωση: bb = mmh, = 1,, nn για κάποιο σταθερό αριθμό mm Σε αυτή την περίπτωση, το QQ,cccccccccccc μπορεί να γραφτεί: QQ,cccccccccccc = AA 2KK λλ h = AAQQ,, = 1,, nn, όπου AA = θθ mm Η σταθερά AA βρίσκεται από τη δεύτερη σχέση η οποία μπορεί να γραφτεί: Λύση: AA = nn =1 BB mm nn =1 h QQ bb QQ,cccccccccccc Λύνοντας για θθ : θθ = 1 2mmAA 2 1 = nn =1 = mm nn =1 2mm bb AAQQ = BB 2 2KK λλ h 1 2BB 2 2mm 47

47 ΟΠΠ: Πολλαπλά προϊόντα με περιορισμό πόρων Παράδειγμα 7 Ίδιες υποθέσεις με το Παράδειγμα 6 με τις εξής διαφορές: Ο χονδρέμπορος προμηθεύεται τις δύο νέες μπύρες από διαφορετικές ζυθοποιίες. Τα σταθερά κόστη παραγγελίας για τις τρεις μπύρες είναι 144, 135 και 157,5 ανά παραγγελία. Ποια ποσότητα μπύρας σε κιβώτια πρέπει να παραγγέλνει ο χονδρέμπορος από κάθε ζυθοποιία και κάθε πότε, ούτως ώστε να ελαχιστοποιήσει το μέσο κόστος παραγγελίας και διατήρησης αποθεμάτων, στις κάτωθι περιπτώσεις: 1. Ο προϋπολογισμός του χονδρεμπόρου για την προμήθεια των μπυρών, σε περίπτωση που παραγγελθούν όλες οι μπύρες ταυτόχρονα, δεν πρέπει να ξεπερνάει τις Τα ράφια της αποθήκης του χονδρέμπορου όπου αποθηκεύονται οι μπύρες έχουν μέγιστη χωρητικότητα 400 κιβώτια και τα κιβώτια από όλες τις ζυθοποιίες έχουν ίδιες διαστάσεις. Σε κάθε περίπτωση να υπολογισθεί το συνεπαγόμενο ολικό μέσο κόστος παραγγελίας και διατήρησης αποθέματος όλων των προϊόντων. 48

48 ΟΠΠ: Πολλαπλά προϊόντα με περιορισμό πόρων Λύση ΟΠΠ άνευ περιορισμού : QQ 1 = 2KK 1λλ 1 h 1 = QQ 2 = 2KK 2λλ 2 h 2 = , ,18 = 240 κιβώτια ανά παραγγελία = 212, κιβώτια ανά παραγγελία QQ 3 = 2KK 3λλ 3 h 3 = 2 157, ,72 1. Περιορισμός στον προϋπολογισμό του κόστους: KK 1 + cc 1 QQ 1 + KK 2 + cc 2 QQ 2 + KK 3 + cc 3 QQ = 229, κιβώτια ανά παραγγελία. cc 1 QQ 1 + cc 2 QQ 2 + cc 3 QQ KK 1 + KK 2 + KK ,5 = 14563,5 = BB =

49 Λύση ΟΠΠ: Πολλαπλά προϊόντα με περιορισμό πόρων Περιορισμός για QQ : cc 1 QQ 1 + cc 2 QQ 2 + cc 3 QQ 3 = 28, , ,6 229 = 23155,2 > 14563,5. Ο περιορισμός παραβιάζεται Περίπτωση 2 Πρόκειται για την ειδική περίπτωση της περίπτωσης 2 επειδή: bb = cc = h, δηλαδή, bb II = mmh για mm = 1, = 1,, nn II Σε αυτή την περίπτωση: QQ,cccccccccccc = AAQQ,, = 1,, nn, όπου BB AA = mm nn =1 h QQ = BB nn =1 cc QQ = 14563, ,2 = 0,

50 ΟΠΠ: Πολλαπλά προϊόντα με περιορισμό πόρων Λύση Βέλτιστες ποσότητες παραγγελίας: QQ 1,cccccccccccc = AAQQ = 0, = 150, QQ 2,cccccccccccc = AAQQ 2 = 0, = 133, = AAQQ 2 = 0, = 144, QQ 3,cccccccccccc Ολικό μέσο κόστος παραγγελίας και διατήρησης αποθέματος GG QQ 1,cccccccccccc 28, (157,5)(120) 144, QQ 2,cccccccccccc, QQ 3,cccccccccccc 0, , (135)(30) 133 0, = 3 KK λλ =1 QQ 2 + cc λλ + h QQ + 14, = (144)(72) , = 9738,9534 ανά μήνα + 51

51 Λύση ΟΠΠ: Πολλαπλά προϊόντα με περιορισμό πόρων 2. Περιορισμός χωρητικότητας: QQ 1 + QQ 2 + QQ = BB Περιορισμός για QQ : QQ 1 + QQ 2 + QQ 3 = = 681 > 400. Ο περιορισμός παραβιάζεται Περίπτωση 2 Δεν πρόκειται για την ειδική περίπτωση της περίπτωσης 2 επειδή: bb = 1 mmh για κάποιο σταθερό αριθμό mm, = 1,, nn Απαιτείται αριθμητική επίλυση: Δοκιμάζονται διαφορετικές τιμές του θθ μέχρι να ισχύουν οι δύο συνθήκες: QQ,cccccccccccc = 2KK λλ nn h + 2θθ, = 1, nn και bb bb QQ,cccccccccccc =1 = BB 52

52 Λύση ΟΠΠ: Πολλαπλά προϊόντα με περιορισμό πόρων Περιορισμός διαστήματος αναζήτησης για το θθ: Κατώτατο όριο: θθ mmmmmm = 0 Μπορούμε να βρούμε ένα ανώτατο όριο για το θθ αν στον τύπο θθ = mm nn 2 =1 2KK λλ h 1 2BB 2 2mm αντικαταστήσουμε το mm με το μεγαλύτερο λόγο bb h max =1,2,3 bb h = max ( 1 0,36, 1 0,18, 1 0,72) = 1 0,18 = 5,5556 Συνεπώς: θθ mmmmmm = max =1,2,3 bb h nn 2 =1 2KK λλ h 1 = 2BB 2 2 max =1,2,3 bb h 5, , , , , ,5556 = 1,3656 (2)(400) 2 53

53 ΟΠΠ: Πολλαπλά προϊόντα με περιορισμό πόρων Λύση Το θθ ανήκει στο διάστημα θθ mmmmmm, θθ mmmmmm = 0, 1,3656. Απλή επαναληπτική μέθοδος: 1. Σε κάθε επανάληψη διαιρείται το τρέχον διάστημα αναζήτησης θθ mmmmmm, θθ mmmmmm στην μέση και εξετάζεται αν το μεσαίο σημείο, θθ mmmmmm, ικανοποιεί τον περιορισμό ή όχι. 2. Αν τον ικανοποιεί, τότε θθ mmmmmm = θθ mmmmmm. 3. Αν τον παραβιάζει, τότε, θθ mmmmmm = θθ mmmmmm. 4. Σταματάμε όταν η τιμή του θθ mmmmmm έχει συγκλίνει. 54

54 Λύση Εφαρμογή: ΟΠΠ: Πολλαπλά προϊόντα με περιορισμό πόρων Επανάληψη θθ mmmmmm θθ mmmmmm θθ mmmmmm QQ 1 QQ 2 QQ 3 QQ 1 + QQ 2 + QQ 3 1 0,0000 1,3656 0, ,0000 0,6828 0, ,3414 0,6828 0, ,3414 0,5121 0, ,3414 0,4268 0, ,3414 0,3841 0, ,3414 0,3627 0, ,3414 0,3521 0,

55 Λύση ΟΠΠ: Πολλαπλά προϊόντα με περιορισμό πόρων Βέλτιστες ποσότητες παραγγελίας: QQ 1,cccccccccccc = 140 QQ 2,cccccccccccc = 96 = 164 QQ 3,cccccccccccc Ολικό μέσο κόστος παραγγελίας και διατήρησης αποθέματος GG QQ 1,cccccccccccc 28, (157,5)(120) 164, QQ 2,cccccccccccc, QQ 3,cccccccccccc 0, , = 3 KK λλ =1 QQ + (135)(30) 96 0, , cc λλ + h QQ = (144)(72) 2 0, = 9741,9685 ανά μήνα + 56

56 Οικονομική Παρτίδα Παραγωγής: ΟΠΠρ με πεπερασμένο ρυθμό παραγωγής Σταθερός ρυθμός παραγωγής P P P P Απόθεμα λ λ Σταθερός ρυθμός ζήτησης λ λ λ λ 57

57 ΟΠΠρ Υποθέσεις Ίδιες με του βασικού προτύπου ΟΠΠ με τη διαφορά ότι: Πεπερασμένος ρυθμός παραγωγής (αναπλήρωσης αποθέματος) P (μονάδες προϊόντος ανά μονάδα χρόνου) με P > λ Χρόνος προετοιμασίας για την παραγωγή νέας παρτίδας s I Απόθεμα ( ) = ρ Q max 1 P λ λ Q/P T=Q/λ s Χρόνος Μέγιστο απόθεμα: I max = (P λ)q/p = (1 λ/p)q = (1 ρ)q, όπου ρ = λ/p συντελεστής απασχόλησης, 1 ρ ποσοστό χρόνου που δεν παράγει η γραμμή 58

58 ΟΠΠρ Πρόβλημα βελτιστοποίησης χωρίς περιορισμούς Q * Οριακή περίπτωση: ( 1 ρ ) λ Mnmze GQ ( ) = K + cλ + h Q Q 2 dg( Q) Kλ h(1 ρ) : = 0 + = 0 2 dq Q 2 * * 2 λ * 2 K Q K Q = T = = h ( 1 ρ) λ λh( 1 ρ) * * G GQ ( ) = 2 Kλh(1 ρ) + cλ * 2Kλ 2Kλ lm Q = lm = = ΟΠΠ! ( 1 ) P P h λ h P Q 59

59 ΟΠΠρ Πώς εμπλέκεται ο χρόνος προετοιμασίας s? Ο χρόνος κύκλου T πρέπει να αρκετά μεγάλος για να χωράει το s Q Q Q s s T s s Q Q P + λ λ χρόνος λ P + 1 λ = 1 ρ P χρόνος κύκλου χρόνος παραγωγής Q = Εναλλακτικά: προετοιμασίας max( Q, Q ) * * constr mn Q Tλ T + s T + s = Tρ + s P P s T s T T 1 ρ ( 1 ρ ) mn T = max( T, T ) * * constr mn mn 60

60 ΟΠΠρ Τι γίνεται αν υπάρχει μέγιστη χωρητικότητα αποθήκευσης I max? Q mn Q I max /(1 ρ) Q max ( ) Q = max mn Q, Q, Q * * constr max mn Ανάλυση ευαισθησίας Πανομοιότυπη με αυτή του προτύπου ΟΠΠ: Το κόστος έχει μικρή ευαισθησία στην παρτίδα παραγωγής Q = = + G'( Q ) 2 Q Q * G'( Q) 1 Q Q * * G'( T) 1 T T = = + * * G'( T ) 2 T T * 61

61 Παράδειγμα 6 ΟΠΠρ O χονδρέμπορος του προβλήματος 1 σκέφτεται να παράγει ο ίδιος την μπύρα με εξοπλισμό που θα λειτουργεί 20 ημέρες ανά μήνα και έχει τα εξής χαρακτηριστικά: Η δυναμικότητα παραγωγής είναι 6000 φιάλες ανά μήνα. Το κόστος προετοιμασίας για κάθε νέα παρτίδα παραγωγής ανέρχεται σε 64 ανά παρτίδα παραγωγής και ο χρόνος προετοιμασίας σε 2 ημέρες. Το κόστος παραγωγής κάθε φιάλης είναι 0,6. Το κόστος κεφαλαίου (επιτόκιο) του χονδρεμπόρου παραμένει 15% ετησίως. Ο ρυθμός της ζήτησης παραμένει σταθερός και ίσος με 72 κιβώτια των 24 φιαλών ανά μήνα. 62

62 Παράδειγμα 6 (συνέχεια) ΟΠΠρ 1. Τι μέγεθος παρτίδας σε κιβώτια πρέπει να παράγει ο χονδρέμπορος και κάθε πότε, για να ελαχιστοποιήσει το ολικό μέσο κόστος παραγωγής και διατήρησης αποθεμάτων; 2. Ποια είναι η ελάχιστη τιμή στην οποία πρέπει να πουλάει κάθε φιάλη μπύρας για να μην έχει ζημίες σε σχέση με το ολικό μέσο κόστος παραγωγής και διατήρησης αποθεμάτων; 3. Ο εξοπλισμός για την παραγωγή της μπύρας κοστίζει στον χονδρέμπορο πέραν της επιδότησης. Μετά από πόσο διάστημα θα αποσβέσει την επένδυση στον εξοπλισμό ο χονδρέμπορος; 63

63 Λύση ΟΠΠρ Κόστος (επιτόκιο) κεφαλαίου: ΙΙ = 0,15 = 0,0125 ανά ανά μήνα 12 Μοναδιαίο κόστος παραγωγής: cc = 0,6 24 = 14,4 ανά κιβώτιο. Μοναδιαίο κόστος διατήρησης αποθέματος: h = IIII = 0, ,4 = 0,18 ανά κιβώτιο ανά μήνα. Ρυθμός παραγωγής: PP = = 250 κιβώτια ανά μήνα Συντελεστής απασχόλησης: ρρ = λλ PP = = 0,288 ΟΠΠρ: QQ = παρτίδα. 2KKKK = (2)(64)(72) h(1 ρρ) 0,18(1 0,288) = 268, κιβώτια ανά 64

64 Λύση (συνέχεια) ΟΠΠρ Βέλτιστος χρόνο κύκλου: TT = QQ λλ = Χρόνος προετοιμασίας: ss = 2 20 = 0,1 μήνες = 3,722 μήνες Ελάχιστος χρόνος κύκλου: TT mmmmmm = ss = 0,1 = 0,1404 μήνες 1 ρρ 1 0,288 TT cccccccccccc = max(tt, TT mn ) = max 3,722, 0,1404 = TT = 3,722 μήνες Ελάχιστο ολικό μέσο κόστος: GG QQ = 2KKKKK(1 ρρ) + cccc = (2)(64)(72)(0,18)(1 0,288) + 14,4 72 = 1071,1675 ανά μήνα Ελάχιστη τιμή πώλησης: 14, GG QQ λλ = 1071, = 0,6199 0,62 ανά φιάλη = 14,8773 ανά κιβώτιο = 65

65 Λύση (συνέχεια) ΟΠΠρ Ο χονδρέμπορος παράγοντας ο ίδιος τη μπύρα κερδίζει ,1675 = 1088,8325 ανά μήνα. Συνεπώς ο εξοπλισμός θα «βγάλει τα χρήματά του» σε 82,6573 μήνες = 82, = 6,888 έτη! ,8325 = 66

66 ΟΠΠρ Ευρετικός κανόνας επιλογής του T με τη μέθοδο των «δυνάμεων του 2» Υπόθεση: Ο χρόνος κύκλου περιορίζεται T να είναι ένα πολλαπλάσιο, που μπορεί να εκφραστεί ως μία δύναμη του δύο, μιας βασική χρονικής περιόδου, δηλαδή, T H = 2 k, για κάποιο k = 0, 1, 2, Ποια δύναμη k να επιλέξουμε? Κανόνας: k 1 * k k : k T < T H = T * 1 2 k k 1 2 k k Πόσο μεγάλη μπορεί να είναι η αύξηση του κόστους? Στη χειρότερη περίπτωση: 2 k+ T H k k 1 * k 1 G'( TH ) Αν T = 2 2 = 1, 06 * + = + = k 1 k k k * k H Αν T = 2 2 = 1, 06 * + = + = k k Συμπέρασμα: G'( T ) G'( T ) G'( T ) Χρησιμοποιώντας το καλύτερο T H θα οδηγήσει σε αύξηση του κόστους G το πολύ 6% σε σχέση με το αν χρησιμοποιείτο το T*! 67

67 Γιατί ο κανόνας της δύναμης ενός ακεραίου είναι καλή ιδέα; Γιατί επιτρέπει τον καλύτερο δυνατό συγχρονισμό / αποσυγχρονισμό παραγγελιών / παραγωγής διαφορετικών προϊόντων (ή διαφορετικών σταδίων) Π.χ., Δύναμη του 3: Παράδειγμα (τρία προϊόντα: Α, Β, Γ) Α: kk = 1 TT Α = 3 1 = 3 BB: kk = 2 TT Β = 3 2 = 9 Γ: kk = 3 TT Γ = 3 3 = 27 Συγχρονισμός Αποσυγχρονισμός kk kk t Α Β Γ t Α Β Γ 68

68 Πρόβλημα Οικονομικού Προγραμματισμού Παρτίδας (ΠΟΠΠρ) P 1 P 2 λ 1 λ 3 λ 2 λ 1 λ 2 λ 3 Σταθερός ρυθμός ζήτησης λλ λ 1 λ 3 λ 2 69

69 ΠΟΠΠρ Υποθέσεις Ίδιες με του ΟΠΠρ με τη διαφορά ότι: n προϊόντα λ, K, c, h, s : παράμετροι του προϊόντος Κυκλικός προγραμματισμός: Όλα τα προϊόντα πρέπει να παραχθούν από την ίδια γραμμή παραγωγής με κυκλικό τρόπο Απλός κύκλος: Κάθε προϊόν παράγεται μόνο μία φορά σε κάθε κύκλο Μοτίβο κύκλου: (1 2 3 n n ) Υπολογισμός Συντελεστής απασχόλησης για το προϊόν : ρ = λ /P 70

70 ΠΟΠΠρ Απόθεμα T T T Χρόνος Ισχυρή αλληλεξάρτηση των προϊόντων: Πρέπει όλα να έχουν τον ίδιο χρόνο κύκλου T Αν καθοριστεί το T, τα μεγέθη παρτίδας παραγωγής μπορούν να υπολογισθούν: Q = λ T 71

71 ΠΟΠΠρ Ολικό μέσο κόστος ανά μονάδα χρόνου για το προϊόν Συνολικό ολικό μέσο κόστος ανά μονάδα χρόνου για όλα τα προϊόντα Πρόβλημα Λύση Q, Q,, Q 1 2 λ G( Q) = K + cλ + h Q ( 1 ρ ) n GQ ( 1, Q2,, Q) = G ( Q) 1 2 Αντικατάσταση του Q από το λ T και μορφοποίηση ενός προβλήματος ελαχιστοποίησης ως προς το T 2 n = 1 Mnmze GQ (, Q,, Q) subject to Q= λ T, = 1,2,, n n Q n 72

72 ΠΟΠΠρ ΝΕΟ συνολικό ολικό μέσο κόστος ανά μονάδα χρόνου για όλα τα προϊόντα λ Mnmze G( T) = G ( ) = K + c + h T n n T λ = 1 = 1 λt ( 1 ρ ) 1 λ = + + T ( 1 ρ ) n n n K T h c = 1 = 1 2 = 1 A = + BT + C (ίδια μορφή με αυτή του προτύπου ΟΠΠ) T Βέλτιστη λύση = 1 n ( 1 ρ ) λ 2 λt 2 K * = 1 * * T = Q = λt, = 1, 2,, n n λh 73

73 ΠΟΠΠρ Πώς εμπλέκονται οι χρόνοι προετοιμασίας s? Ο κοινός χρόνος κύκλου T πρέπει να αρκετά μεγάλος για να χωράει όλα τα s Q λ T T + s T + s = T + s = T + s n n n n n ρ ρ = 1 P = 1 P = 1 = 1 = 1 s = 1 T = T n 1 ρ n = 1 mn T = max( T, T ) Q = λ T * * * * constr mn,constr constr 74

74 Πιο πολύπλοκοι κύκλοι Υπόθεση ΠΟΠΠρ Κάθε προϊόν παράγεται m φορές σε κάθε κύκλο λ T mq = = = 1 λ mq λt Q T m Ίδια προσέγγιση με αυτή της περίπτωσης του απλού κύκλου (mm = 1, = 1,, nn) Αντικατάσταση του Q από το λ T/m και μορφοποίηση ενός προβλήματος ελαχιστοποίησης ως προς το T 75

75 ΠΟΠΠρ ΝΕΟ συνολικό ολικό μέσο κόστος ανά μονάδα χρόνου για όλα τα προϊόντα λ m Mnmze G( T) = G ( ) = K + cλ + h T λ T Βέλτιστη λύση n n T = 1 = 1 ( 1 ρ ) 1 λ = + + T n ( 1 ρ ) 2m n n n Km T h c = 1 = 1 2m = 1 * = 1 * n λ( 1 ρ) h = 1 m λ λt 2 m K * λt T = Q =, = 1, 2,, n m 76

76 ΠΟΠΠρ Πώς εμπλέκονται οι χρόνοι προετοιμασίας s? Ο κοινός χρόνος κύκλου T πρέπει να αρκετά μεγάλος για να χωράει όλα τα s Q λt ρt T + s T + s = + s = T + s n n n n n m m m ρ m = 1 P = 1 m P = 1 m = 1 = 1 = 1 T = n n 1 m s = 1 ρ T mn T = max( T, T ) Q = λ T * * * * constr mn,constr constr 77

77 ΠΟΠΠρ Πώς να επιλεγούν καλές τιμές των m Χρησιμοποιείται η μέθοδος των «δυνάμεων του 2», δηλαδή τίθεται mm = 2 kk για κάποιο kk 0,1,2, για = 1,, nn Αλγόριθμος για τον υπολογισμό των kk Βήμα 1: Υπολογίζεται ο αδέσμευτος βέλτιστος χρόνος κύκλου κάθε προϊόντος σε απομόνωση και βρίσκεται ο ελάχιστος από αυτούς τους χρόνους TT = 2KK, = 1,, nn h λλ (1 ρρ ) TT εεεεεεεε = mn TT Βήμα 2: Υπολογίζεται η σχετική συχνότητα κάθε προϊόντος σε απομόνωση NN = TT, = 1,, nn TT εεεεεεεε 78

78 ΠΟΠΠρ Βήμα 3: Στρογγυλοποιείται το NN στην κοντινότερη δύναμη του 2 χρησιμοποιώντας τον κανόνα 2 kk 1 2 NN < 2 kk 2 NN rrrrrrrrrr = 2 kk Παράδειγμα: k N N 1 0 round 0 = 0 : 2 2 = < = 2 2 = 2 = 1 k N N 0 1 round 1 = 1: 2 2 = < = 2 2 = 2 = 2 k N N 1 2 round 2 = 2 : 2 2 = < = 2 2 = 2 = 4 Βήμα 4: Βρίσκεται η μεγαλύτερη στρογγυλεμένη συχνότητα NN mmmmmm = max NN rrrrrrrrrr Βήμα 5: Υπολογίζεται το mm mm = NN mmmmmm NN rrrrrrrrrr Βήμα 6: Υπολογίζεται το TT χρησιμοποιώντας τα mm. Το TT θα είναι NN mmmmmm TT εεεεεεεε Βήμα 7: Υπολογίζεται το TT cccccccccccc = max(tt, TT mmmmmm ) Βήμα 8: Υπολογίζονται τα QQ,cccccccccccc = λλ TT cccccccccccc mm και GG(TT cccccccccccc ) 79

79 ΠΟΠΠρ Σημείωση: Για να υπολογιστεί το ΝΝ ιι round στο βήμα 3, σκεφτείτε το εξής: * k N = 2, όπου k ο μικρότερος ακέραιος k τέτοιος ώστε N < 2 2 round k * Η ανωτέρω ανισότητα μπορεί να γραφτεί ως εξής: ( ) ( ) N < 2 2 N 2 < 2 ln N 2 < ln 2 k k k ( ) ( ) ( ) ( ) ln N 2 < k ln 2 ln N 2 ln 2 < k ( N ) ( ) * k = 1 + ln 2 ln 2 όπου x δάπεδο του x μεγαλύτερος ακέραιος x π.χ., 4.9 = 4, 4.2 = 4, 4.0 = 4 80

80 Παράδειγμα 7 ΟΠΠρ O χονδρέμπορος του Προβλήματος 1 σκέφτεται να παράγει ο ίδιος με τον εξοπλισμό του Προβλήματος 6, εκτός από τη μπύρα του Προβλήματος 6, και άλλες 2μπύρες. Οι 3 συνολικά μπύρες έχουν τα εξής χαρακτηριστικά: Μπύρα λλ κιβώτια PP φιάλες KK ανά cc ανά ανά μήνα ανά μήνα παρτίδα φιάλη , , ,2 4 ss ημέρες Το κόστος κεφαλαίου (επιτόκιο) του χονδρεμπόρου παραμένει 15% ετησίως. 81

81 Λύση Υπολογισμοί Μπύρα λλ κιβώτια ανά μήνα PP κιβώτια ανά μήνα KK ανά παρτίδα h = IIcc, ρρ = λλ PP, = 1,, nn ΟΠΠρ cc ανά κιβώτιο ss μήνες h ανά κιβώτιο ανά μήνα ρρ ΤΤ μήνες NN kk NN rrrrrrrrrr mm ,4 0,1 0,18 0,288 3,7245 1, ,2 0,1 0,09 0,12 7,1067 2, ,8 0,2 0,36 0,48 2, TT = 2KK h λλ (1 ρρ ), = 1,, nn, TT εεεεεεεε = mn TT NN = NN 2 TT, kk TT = 1 + ln εεεεεεεε ln 2, = 1,, nn NN rrrrrrrrrr = 2 kk, = 1,, nn, NN mmmmmm = maaaa mm = NN mmmmmm NN rrrrrrrrrr, = 1,, nn NN rrrrrrrrrr 82

82 ΟΠΠρ Λύση (συνέχεια) TT = 2 3 =1 3 =1 mm KK h λλ 1 ρρ mm =8,6169 μήνες TT mmmmmm = 3 =1 TT cccccccccccc mm ss 1 3 =1 ρρ = 9,8214 μήνες = max TT, TT mmmmmm = max 8,6169, 9,8214 = 9,8214 μήνες QQ,cccccccccccc = λλ TT cccccccccccc, = 1,2,3 mm QQ 1,cccccccccccc =359, QQ 2,cccccccccccc =299, QQ 3,cccccccccccc = 299, ) = 1 GG(TT cccccccccccc μήνα TT cccccccccccc 3 =1 mm KK + TT cccccccccccc 3 =1 h λλ 1 ρρ 2mm 3 + =1 cc λλ = 4817,5701 ανά 83

83 round N ELSP Note: To compute n step 3, thnk as follows: * k N = 2, where k s the smallest nteger k such that N < 2 2 round k * The above nequalty can be wrtten as: ( ) ( ) N < 2 2 N 2 2 ln N 2 < ln 2 k k k ( ) ( ) ( ) ( ) ln N 2 < k ln 2 ln N 2 ln 2 < k ( N ) ( ) * k = 1 + ln 2 ln 2 where x floor of x largest nteger x e.g., 4.9 = 4, 4.2 = 4, 4.0 = 4 84

84 Seral EOQ systems Assumpton: nfnte producton rate (nstantaneous replenshment) Defnton: Nested polcy: Producton (replenshment) does not occur at stage n unless t also occurs at all successor stages, n 1, n 2,, 1 Result: For an n-stage seral system, t s optmal to follow a nested polcy Sketch of proof stage 2 nventory stage 1 nventory tme However, t s possble that T T 1 (e.g., T 2 T 1 ),.e., t may be optmal to order at stage n but not order n a prevous stage n + 1 Reference: Muckstadt, J. A., R.O. Roundy Analyss of Multstage Producton Systems. S.C. et al., Eds. Handbooks n OR and MS, Vol. 4: Logstcs of Producton and Inventory. Elsever, Amsterdam, The Netherlands λ tme 85

85 Seral EOQ systems: n-stage I n I n n Convenent to use echelon stock and echelon nventory holdng cost I on hand nventory n stage I k= 1 I + 1 I "echelon" stock for stage I = I, = 1,, n 1 I I I 2 I 1 I I λ h conventonal nventory holdng cost n stage (assumpton: h h ) h + 1 (measures k total value added up to and ncludng "echelon" nventory holdng cost n stage (measures ncremental value added only at stage ) h = h h, = 1,, n 1; h = h + 1 n n stage ) 86

86 Seral EOQ systems: 2-stage I λ A note on echelon nventory : Suppose that T 2 = 2T 1 I 1 I I 1 I 2 Q 1Q I = = λt λt Cost = h λt I = I + I Q Q 1 1 I = = λt Cost = h λt Q/2 Q/2 T 2 1Q I = = λt = λt Cost = h λt I = I I Q/2 Q/2 T 2 1Q I = = λt = λt Cost = h λt T 1 On-hand nventory vs. tme T 1 Echelon nventory vs. tme 87

87 Seral EOQ systems: 2-stage I 2 Incremental echelon nventory holdng costs, h 1 and h 2 : 2 I 1 I I λ h = h ; h = h h stage 1 stage 2 on-hand nventory cost echelon nventory cost 1 1 h λt h λt h λt h λt Total av. on-hand nv. cost = ( h + h ) λt + h λt = ( h + h ) λt + h λt = h λt + h λt Total av. echelon nv. cost = h1 λt1+ h2 λt2 = h1 λt1+ h2λt Total cost are the same!

88 Seral EOQ systems: 2-stage A reorder nterval NLIP problem I 2 K Mnmze k1, k2 T T2 2 k2 k2 subject to 2, {0,1,2, } ( 2 ) k1 k1 2, {0,1,2, } ( 2 ) K 1 + h λt + + h λt T = k T = T = k T = T 2 T 0 I 1 I I λ T T L L Consder ts relaxaton, R-NLIP K1 1 K2 1 Mnmze + h λt + + h λt T1, T2 T1 2 T2 2 subject to T T

89 Seral EOQ systems: 2-stage 1. Suppose Soluton: T1 = T2 = T T (1-2) = 2( K + K ) λ( h + h ) * Partton the system nto two subproblems G 1 and G 2, and solve them 2 G separately, gnorng the constrant T 2 T 1 Soluton: * 2K * 2K T (1) =, T (2) = λh λh G 2 G Optmal soluton of R-NLIP problem s: K K T (1) T (2) constrant not actve T = T (1), T = T (2) * * 1 2 * * * * 1 2 h1 h2 K K T (1) > T (2) > constrant actve T = T = T (1-2) (bndng) * * 1 2 * * * 1 2 h1 h2 90

90 Seral EOQ systems: 2-stage Optmal soluton of the orgnal NLIP problem: Soluton: * * * round k * k = 2, where s the smallest nteger such that 2 T k k ( T ) ( ) * * k = 1 + ln 2 ln 2 Note: T (1) T (2) T T T T * * * * * round * round T 2 91

91 Seral EOQ systems: n-stage A reorder nterval NLIP problem Mnmze k1,, kn = 1 k k subject to T = 2 ( T = 2 T ), = 1,, n 1 Consder ts relaxaton, R-NLIP n n λ n T T 0, = 2,, n k {0,1, 2, }, = 1,, n K 1 + h λ T T 2 n K 1 Mnmze + h 1,, λ T k kn = 1 T 2 subject to T T 0, = 2,, n 1 L 92

92 Seral EOQ systems: n-stage G 7-8 G 5-6 G The above partton of the stages nto clusters and the correspondng reorder common ntervals T * (1-4), T * (5-6), T * (7-8) provde an optmal soluton to the correspondng R-NLIP problem f and only f: * 2( K7 + K8) * 2( K5 + K6) * 2( K1+ K2 + K3 + K4) ( ) T (7-8) =, T (5-6) =, T (1-4) = λ( h + h ) λ( h + h ) λ( h + h + h + h ) * * * ( ) T (7-8) T (5-6) T (1-4) ( ) Each cluster cannot be futher parttoned nto smaller clusters e.g., For cluster 1-4, ths means that: * * T T K4 h4 K1+ K2 + K3 h1+ h2 + h3 * * T T K3 + K4 h3 + h4 K1+ K2 h1+ h2 T * (4) (1-3) ( ) ( ) (3-4) (1-2) ( ) ( ) ( ) ( ) (2-4) T * (1) ( K2 + K3 + K4) ( h2 + h3 + h4) K1 h1 93

93 Seral EOQ systems: n-stage Algorthm for fndng optmal partton C { }, σ ( ) = 1, = 1, 2,, n S {1, 2,, n} j 2 NO * j * ( j) T ( C ) T ( C σ ) C C C j σ ( j) S S \{ σ ( j)} σ( j) σσ ( ( j)) j YES j+ 1 NO σ ( j) > 0 YES j n YES NO l Rendex clusters { C : S} so that S = {1,2,, N} and f j C, k C, j < k < l 94

94 Seral EOQ systems: n-stage Fnd soluton to problem R-NLIP k For each cluster C, k S, set * * k T k = T C = kk λ kh C C ( ) ( ) (2 ) ( ) = k * * For each C, set T T ( k) Fnd soluton to problem NLIP ( T k ) ( ) * * k k * round k * round For each C, set T = 2 ( T = 2 TL ), * * k where k s the smallest nteger k such that T ( k) < 2 2 * * k = 1 + ln ( ) 2 ln 2 95

95 Example: Seral EOQ systems: n-stage Fnd the optmal power-of-two reorder ntervals for each stage of a 5- stage seral EOQ system wth demand rate λλ = 1/2 and the followng cost parameters: KK h

96 Soluton: Seral EOQ systems: n-stage 1. Fnd optmal partton KK h h CC σσ() SS 1,2,3,4,5 ; jj = 2; Iteraton 1 TT CC 2? TT CC σσ(2) TT CC 2? TT CC 1 TT {2}? TT {1} KK 2? KK 1 h ? NO 6 2 CC2 CC 1 CC 2 = 1,2 ; SS SS\σσ 2 = 2,3,4,5 ; σσ 2 σσ σσ 2 = σσ 1 = 0; σσ(2) >? 0 NO jj jj + 1 = 3; jj? 5 YES GOTO NEXT ITERATION; h 1 97

97 Seral EOQ systems: n-stage Iteraton 2 TT CC 3? TT CC σσ(3) TT CC 3? TT CC 2 TT {3}? TT {1,2} KK 3 h 3? KK 1+KK ? YES jj jj + 1 = 4; h 1 +h jj? 5 YES GOTO NEXT ITERATION; Iteraton 3 TT CC 4? TT CC σσ(4) TT CC 4? TT CC 3 TT {4}? TT {3} KK 4? KK 3 h 4 h 3 YES jj jj + 1 = 5; 15 1? 30 3 jj? 5 YES GOTO NEXT ITERATION; 98

98 Seral EOQ systems: n-stage Iteraton 4 TT CC 5? TT CC σσ(5) TT CC 5? TT CC 4 TT {5}? TT {4} KK 5 h 5? KK 4 h ? 15 1 NO CC5 CC 4 CC 5 = 4,5 ; SS SS\σσ 5 = 2,3,5 ; σσ 5 σσ σσ 5 = σσ 4 = 3; σσ 5 >? 0 YES TT CC 5? TT CC σσ(5) TT CC 5? TT CC 3 TT {4,5}? TT {3} KK 4+KK 5 h 4 +h 5? KK 3 h ? 30 3 NO CC5 CC 3 CC 5 = 3,4,5 ; SS SS\σσ 5 = 2,5 ; σσ 5 σσ σσ 5 = σσ 3 = 2; σσ 5 >? 0 YES TT CC 5? TT CC σσ(5) TT CC 5? TT CC 2 TT {3,4,5}? TT {1,2} KK 3+KK 4 +KK 5 h 3 +h 4 +h 5? KK 1+KK 2 h 1 +h jj jj + 1 = 6; jj? 5 NO EXIT; Rendex Clusters: SS {1,2}; CC 1 = {1,2}; CC 2 = {3,4,5};? YES 99

99 Seral EOQ systems: n-stage 2. Fnd soluton to problem R-NLIP TT 1 = TT CC 1 = 2 KK 1+KK 2 = = 4,472 TT λλ h 1 +h = TT 2 = TT 1 = 4,472 TT 2 = TT CC 2 = 2 KK 3+KK 4 +KK 5 = = 6,0945 TT λλ h 3 +h 4 +h = TT 4 = TT 5 = TT 2 = 6, Fnd soluton to problem NLIP kk 1 = 1 + llll TT (1) 2 llll 2 TT 1 = TT 2 = 2 kk 1 = 2 2 = 4 kk 2 = 1 + llll TT (1) 2 llll 2 = 1 + llll 4,472 2 llll 2 TT 3 = TT 4 = TT 4 = 2 kk 2 = 2 3 = 8 = 1 + llll 6, llll 2 = 1 + 1,151 0,693 = 1 + 1,498 0,693 = 1 + 1,661 = 2; = 1 + 2,107 = 3; 100

100 Dstrbuton EOQ systems: 1 central warehouse, n retalers I 0 0 I 0 I 1 I 1 I n n I 1 I I n λ 1 λ λ n I = I + I + + I + + I I = I, = 1,, n h 0 0 h = h h, = 1,, n g = h 0 1 λ h 2 Wthout loss of generalty, assume: n K1 K K g g g 1 n n 101

101 Dstrbuton EOQ systems: 1 central warehouse, n retalers A reorder nterval NLIP problem Mnmze k0,, kn = 0 k k subject to T = 2 ( T = 2 T ), = 0,, n Consder ts relaxaton, R-NLIP T T 0, = 1,, n 0 n k {0,1, 2, }, = 1,, n K T 0 + g n K Mnmze + g 1,, k kn = 0 T subject to T T 0, = 1,, n L 102

102 Dstrbuton EOQ systems: 1 central warehouse, n retalers Form of optmal soluton of R-NLIP Retalers are dvded nto 2 categores: 1. Retalers n the 1 st category share a common reorder nterval wth the central warehouse. 2. Retalers n the 2 nd category follow ther natural unconstraned reorder ntervals KK gg. 103

103 Dstrbuton EOQ systems: 1 central Optmal soluton of R-NLIP warehouse, n retalers If KK nn KK 0, then all retalers belong to the 2 nd category and TT gg nn gg = 0 0,1,, nn. KK gg, = Else (f KK nn > KK 0 ), let ıı be the smallest ndex of retaler that belongs to 1 st gg nn gg 0 category,.e., retalers ıı, ıı+1,, nn share common reorder nterval wth central warehouse. ıı = arg mn KK 0 + jj= gg 0 + nn jj= nn ıı+1 KK jj ıı+1 KK ıı gg jj gg ıı TT = nn KK 0 + jj= ıı KK jj gg 0 + nn, = ıı, ıı + 1,, nn, 0 jj= ıı gg jj KK gg, = 1,2,, ıı 1 104

104 Dstrbuton EOQ systems: 1 central Optmal soluton of NLIP warehouse, n retalers kk = KK 0 + jj= ıı KK jj 1 + ln 2(gg 0 + nn ln(2), jj= gg jj ) KK nn ıı = ıı, ıı + 1,, nn, ln ln(2), = 1,2,, ıı 1 2gg 105

105 Seral EOQ systems: n-stage Bullwhp effect: The varance of orders may be larger than that of sales, and the dstorton tends to ncrease as one moves upstream a phenomenon termed bullwhp effect. * Ths dstorton may be due to: Demand forecastng Lead tme Batch Orderng (lot szng) Prce fluctuaton Reference *Lee, H.L., V. Padmanabhan, S. Whang Informaton dstorton n a supply chan: The bullwhp effect. Management Scence 43 (4)

106 D Seral EOQ systems: n-stage Quantfcaton of the Bullwhp effect due to lot-szng: n demand at stage n ED [ ] = λ, ED [ ] = λ Var[ D] = ED [ ] ED [ ] = λ λ = The varance of the customer demand seen by stage 1 s zero. Q Q ( λt ) ED [ ], ED [ ] T 2 2 n 1 2 n 1 n 1 2 n = = λ n = = = λ n 1 Tn 1 Tn 1 Tn 1 D = ED ED Var[ n] [ n] [ n] λ Tn 1 λ λ Tn 1 2 The varance of the demand seen by stage n s proportonal to and to Tn 1. 2 Var[ Dn+ 1] ( Tn 1) ( Tn 1) 2 Dn λ Tn 1 Tn 1 = = ( 1) λ = = 1 (because Tn Tn 1) Var[ ] ( 1) ( 1) The varance of the demand ncreases as one moves upstream the supply chan. λ 107

Έλεγχος Αποθεμάτων υπό Σταθερή Ζήτηση

Έλεγχος Αποθεμάτων υπό Σταθερή Ζήτηση Έλεγχος Αποθεμάτων υπό Σταθερή Ζήτηση Γιώργος Λυμπερόπουλος 1 Οικονομική Ποσότητα Παραγγελίας (ΟΠΠ): βασικό μοντέλο 1 2 3 4 απόθεμα λ λ Σταθερός ρυθμός ζήτησης λ λ λ 2 ΟΠΠ: Βασικό πρότυπο Υποθέσεις Σταθερός

Διαβάστε περισσότερα

1 Έλεγχος Αποθεμάτων υπό Σταθερή Ζήτηση

1 Έλεγχος Αποθεμάτων υπό Σταθερή Ζήτηση 1 Έλεγχος Αποθεμάτων υπό Σταθερή Ζήτηση 1.1 Εισαγωγή Στο κεφάλαιο αυτό αναλύονται πρότυπα ελέγχου αποθεμάτων για προϊόντα με σταθερή ζήτηση. Παρότι η υπόθεση της σταθερής ζήτησης είναι περιοριστική, τα

Διαβάστε περισσότερα

Έλεγχος Αποθεμάτων υπό γνωστή χρονικά μεταβαλλόμενη ζήτηση

Έλεγχος Αποθεμάτων υπό γνωστή χρονικά μεταβαλλόμενη ζήτηση Έλεγχος Αποθεμάτων υπό γνωστή χρονικά μεταβαλλόμενη ζήτηση Γιώργος Λυμπερόπουλος Δυναμική Επιλογή Μεγέθους Παρτίδας (Dynamic Lo Sizing) Υποθέσεις/συμβολισμός Ο χρόνος είναι διαιρεμένος σε διακριτές χρονικές

Διαβάστε περισσότερα

Έλεγχος Αποθεμάτων υπό Αβέβαιη Ζήτηση

Έλεγχος Αποθεμάτων υπό Αβέβαιη Ζήτηση Έλεγχος Αποθεμάτων υπό Αβέβαιη Ζήτηση Γιώργος Λυμπερόπουλος 1 Πρότυπο Εφημεριδοπώλη Υποθέσεις/Συμβολισμός Ορίζοντας μίας περιόδου Αβέβαιη ζήτηση περιόδου: DD (μονάδες). Υπόθεση: DD συνεχής τυχαία μεταβλητή

Διαβάστε περισσότερα

ΣΧΕΔΙΑΣΜΟΣ ΚΑΙ ΠΡΟΓΡΑΜ- ΜΑΤΙΣΜΟΣ ΠΑΡΑΓΩΓΗΣ Συνοπτικός (Συγκεντρωτικός) Προγραμματισμός Παραγωγής

ΣΧΕΔΙΑΣΜΟΣ ΚΑΙ ΠΡΟΓΡΑΜ- ΜΑΤΙΣΜΟΣ ΠΑΡΑΓΩΓΗΣ Συνοπτικός (Συγκεντρωτικός) Προγραμματισμός Παραγωγής ΣΧΕΔΙΑΣΜΟΣ ΚΑΙ ΠΡΟΓΡΑΜ- ΜΑΤΙΣΜΟΣ ΠΑΡΑΓΩΓΗΣ Συνοπτικός (Συγκεντρωτικός) Προγραμματισμός Παραγωγής Γιώργος Λυμπερόπουλος Πανεπιστήμιο Θεσσαλίας Τμήμα Μηχανολόγων Μηχανικών 17/3/2017 Γ. Λυμπερόπουλος - Διοίκηση

Διαβάστε περισσότερα

Έλεγχος Αποθεμάτων. Γιώργος Λυμπερόπουλος. Γ. Λυμπερόπουλος - Διoίκηση Παραγωγής

Έλεγχος Αποθεμάτων. Γιώργος Λυμπερόπουλος. Γ. Λυμπερόπουλος - Διoίκηση Παραγωγής Έλεγχος Αποθεμάτων Γιώργος Λυμπερόπουλος 1 Σημασία Ελέγχου Αποθεμάτων Η συνολική επένδυση σε αποθέματα σε μία χώρα είναι τεράστια (20-25% του ΑΕΠ). Τομείς οικονομίας με αποθέματα: Βιομηχανική παραγωγή

Διαβάστε περισσότερα

Μοντέλα Διαχείρισης Αποθεμάτων

Μοντέλα Διαχείρισης Αποθεμάτων Μοντέλα Διαχείρισης Αποθεμάτων 2 Εισαγωγή (1) Ο όρος απόθεμα αναφέρεται σε προϊόντα και υλικά που αποθηκεύονται από την επιχείρηση για μελλοντική χρήση Τα αποθέματα μπορεί να περιλαμβάνουν Πρώτες ύλες

Διαβάστε περισσότερα

ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ ΚΑΙ ΕΛΕΓΧΟΣ ΑΠΟΘΕΜΑΤΩΝ. Από το βιβλίο: Κώστογλου, Β. (2015). Επιχειρησιακή Έρευνα. Θεσσαλονίκη: Εκδόσεις Τζιόλα

ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ ΚΑΙ ΕΛΕΓΧΟΣ ΑΠΟΘΕΜΑΤΩΝ. Από το βιβλίο: Κώστογλου, Β. (2015). Επιχειρησιακή Έρευνα. Θεσσαλονίκη: Εκδόσεις Τζιόλα ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ ΚΑΙ ΕΛΕΓΧΟΣ ΑΠΟΘΕΜΑΤΩΝ 1 Εισαγωγικά Απόθεμα εννοείται κάθε είδους αγαθό, το οποίο μπορεί να αποθηκευτεί με στόχο την τρέχουσα ή μελλοντική χρησιμοποίησή του. Αποθέματα συναντώνται σε κάθε

Διαβάστε περισσότερα

Διοίκηση Παραγωγής και Υπηρεσιών

Διοίκηση Παραγωγής και Υπηρεσιών Διοίκηση Παραγωγής και Υπηρεσιών Διαχείριση Αποθεμάτων Ειδικά Μοντέλα Γιώργος Ιωάννου, Ph.D. Αναπληρωτής Καθηγητής Σύνοψη διάλεξης Μοντέλο μη αυτόματου εφοδιασμού (Economic Lot size) Αλγόριθμος Wagner-Whitin

Διαβάστε περισσότερα

Multi-dimensional Central Limit Theorem

Multi-dimensional Central Limit Theorem Mult-dmensonal Central Lmt heorem Outlne () () () t as () + () + + () () () Consder a sequence of ndependent random proceses t, t, dentcal to some ( t). Assume t 0. Defne the sum process t t t t () t tme

Διαβάστε περισσότερα

Σε βιομηχανικό περιβάλλον η αποθεματοποίηση γίνεται στις εξής μορφές

Σε βιομηχανικό περιβάλλον η αποθεματοποίηση γίνεται στις εξής μορφές 3. ΔΙΑΧΕΙΡΙΣΗ ΑΠΟΘΕΜΑΤΟΣ 3. Τι Είναι Απόθεμα Σε βιομηχανικό περιβάλλον η αποθεματοποίηση γίνεται στις εξής μορφές. Απόθεμα Α, Β υλών και υλικών συσκευασίας: Είναι το απόθεμα των υλικών που χρησιμοποιούνται

Διαβάστε περισσότερα

Μέθοδοι Βελτιστοποίησης

Μέθοδοι Βελτιστοποίησης ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα Μέθοδοι Βελτιστοποίησης Ενότητα # 7: Έλεγχος Αποθεμάτων Αθανάσιος Σπυριδάκος Καθηγητής Τμήμα Διοίκησης Επιχειρήσεων Άδειες Χρήσης

Διαβάστε περισσότερα

ΕΛΕΓΧΟΣ ΠΑΡΑΓΩΓΗΣ - ΑΠΟΘΕΜΑΤΩΝ

ΕΛΕΓΧΟΣ ΠΑΡΑΓΩΓΗΣ - ΑΠΟΘΕΜΑΤΩΝ ΕΛΕΓΧΟΣ ΠΑΡΑΓΩΓΗΣ - ΑΠΟΘΕΜΑΤΩΝ Γιώργος Λυμπερόπουλος Γ. Λυμπερόπουλος, ΠΘ 1 Εφοδιαστική Αλυσίδα (ΕΑ) Όλες οι δραστηριότητες που σχετίζονται με το κύκλωμα προμήθειας, μεταποίησης, αποθήκευσης, μεταφοράς

Διαβάστε περισσότερα

Multi-dimensional Central Limit Theorem

Multi-dimensional Central Limit Theorem Mult-dmensonal Central Lmt heorem Outlne () () () t as () + () + + () () () Consder a sequence of ndependent random proceses t, t, dentcal to some ( t). Assume t 0. Defne the sum process t t t t () t ();

Διαβάστε περισσότερα

Πρόλογος Κατανόηση της εφοδιαστικής αλυσίδας Σχεδιασμός δικτύου εφοδιαστικής αλυσίδας...41

Πρόλογος Κατανόηση της εφοδιαστικής αλυσίδας Σχεδιασμός δικτύου εφοδιαστικής αλυσίδας...41 Περιεχόμενα Πρόλογος...7 1 Κατανόηση της εφοδιαστικής αλυσίδας...9 2 Σχεδιασμός δικτύου εφοδιαστικής αλυσίδας...41 3 Πρόβλεψη της ζήτησης σε μια εφοδιαστική αλυσίδα...109 4 Συγκεντρωτικός προγραμματισμός

Διαβάστε περισσότερα

Μέθοδοι Βελτιστοποίησης

Μέθοδοι Βελτιστοποίησης ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα Μέθοδοι Βελτιστοποίησης Ενότητα # 7: Ασκήσεις - Παραδείγματα Αθανάσιος Σπυριδάκος Καθηγητής Τμήμα Διοίκησης Επιχειρήσεων Άδειες

Διαβάστε περισσότερα

Τι είναι απόθεµα (Inventory) ;

Τι είναι απόθεµα (Inventory) ; Τι είναι απόθεµα (Inventory) ; κάθε αδρανές οικονοµικό µέσο ή πόρος που διατηρείται για την ικανοποίηση µελλοντικής ζήτησης γι αυτό. 1995 Corel Corp. 1984-1994 T/Maker Co. 1984-1994 T/Maker Co. 3 Απόθεµα

Διαβάστε περισσότερα

One and two particle density matrices for single determinant HF wavefunctions. (1) = φ 2. )β(1) ( ) ) + β(1)β * β. (1)ρ RHF

One and two particle density matrices for single determinant HF wavefunctions. (1) = φ 2. )β(1) ( ) ) + β(1)β * β. (1)ρ RHF One and two partcle densty matrces for sngle determnant HF wavefunctons One partcle densty matrx Gven the Hartree-Fock wavefuncton ψ (,,3,!, = Âϕ (ϕ (ϕ (3!ϕ ( 3 The electronc energy s ψ H ψ = ϕ ( f ( ϕ

Διαβάστε περισσότερα

Οι κλασσικότερες από αυτές τις προσεγγίσεις βασίζονται σε πολιτικές αναπαραγγελίας, στις οποίες προσδιορίζονται τα εξής δύο μεγέθη:

Οι κλασσικότερες από αυτές τις προσεγγίσεις βασίζονται σε πολιτικές αναπαραγγελίας, στις οποίες προσδιορίζονται τα εξής δύο μεγέθη: 4. ΔΙΑΧΕΙΡΙΣΗ ΑΠΟΘΕΜΑΤΩΝ ΥΠΟ ΑΒΕΒΑΙΑ ΖΗΤΗΣΗ Στις περισσότερες περιπτώσεις η ζήτηση είναι αβέβαια. Οι περιπτώσεις αυτές διαφέρουν ως προς το μέγεθος της αβεβαιότητας. Δηλαδή εάν η αβεβαιότητα είναι περιορισμένη

Διαβάστε περισσότερα

Διοίκηση Παραγωγής και Υπηρεσιών

Διοίκηση Παραγωγής και Υπηρεσιών Διοίκηση Παραγωγής και Υπηρεσιών Διαχείριση Αποθεμάτων Βέλτιστη Ποσότητα Παραγγελίας (EOQ) Γιώργος Ιωάννου, Ph.D. Αναπληρωτής Καθηγητής Σύνοψη διάλεξης Ορισμός του προβλήματος βέλτιστης ποσότητας παραγγελίας

Διαβάστε περισσότερα

Προγραμματισμός και έλεγχος αποθεμάτων. Source: Corbis

Προγραμματισμός και έλεγχος αποθεμάτων. Source: Corbis Προγραμματισμός και έλεγχος αποθεμάτων Source: Corbis Προγραμματισμός και έλεγχος αποθεμάτων Προγραμματισμός και έλεγχος αποθεμάτων Στρατηγική παραγωγής Η αγορά απαιτεί μια ποσότητα προϊόντων και υπηρεσιών

Διαβάστε περισσότερα

Λυμένες ασκήσεις στα πλαίσια του μαθήματος «Διοίκηση Εφοδιαστικής Αλυσίδας»

Λυμένες ασκήσεις στα πλαίσια του μαθήματος «Διοίκηση Εφοδιαστικής Αλυσίδας» Λυμένες ασκήσεις στα πλαίσια του μαθήματος «Διοίκηση Εφοδιαστικής Αλυσίδας» Άσκηση 1. Έστω ότι μια επιχείρηση αντιμετωπίζει ετήσια ζήτηση = 00 μονάδων για ένα συγκεκριμένο προϊόν, σταθερό κόστος παραγγελίας

Διαβάστε περισσότερα

Πανεπιστήµιο Κρήτης - Τµήµα Επιστήµης Υπολογιστών. ΗΥ-570: Στατιστική Επεξεργασία Σήµατος. ιδάσκων : Α. Μουχτάρης. εύτερη Σειρά Ασκήσεων.

Πανεπιστήµιο Κρήτης - Τµήµα Επιστήµης Υπολογιστών. ΗΥ-570: Στατιστική Επεξεργασία Σήµατος. ιδάσκων : Α. Μουχτάρης. εύτερη Σειρά Ασκήσεων. Πανεπιστήµιο Κρήτης - Τµήµα Επιστήµης Υπολογιστών ΗΥ-570: Στατιστική Επεξεργασία Σήµατος 2015 ιδάσκων : Α. Μουχτάρης εύτερη Σειρά Ασκήσεων Λύσεις Ασκηση 1. 1. Consder the gven expresson for R 1/2 : R 1/2

Διαβάστε περισσότερα

CHAPTER 25 SOLVING EQUATIONS BY ITERATIVE METHODS

CHAPTER 25 SOLVING EQUATIONS BY ITERATIVE METHODS CHAPTER 5 SOLVING EQUATIONS BY ITERATIVE METHODS EXERCISE 104 Page 8 1. Find the positive root of the equation x + 3x 5 = 0, correct to 3 significant figures, using the method of bisection. Let f(x) =

Διαβάστε περισσότερα

Ασκήσεις Αποθεµάτων. Υποθέστε ότι την στιγμή αυτή υπάρχει στην αποθήκη απόθεμα για 5 μήνες.

Ασκήσεις Αποθεµάτων. Υποθέστε ότι την στιγμή αυτή υπάρχει στην αποθήκη απόθεμα για 5 μήνες. Ασκήσεις Αποθεµάτων 1. Το πρόγραμμα παραγωγής μιας βιομηχανίας προβλέπει την κατανάλωση 810.000 μονάδων πρώτης ύλης το χρόνο, με ρυθμό πρακτικά σταθερό, σε όλη τη διάρκεια του έτους. Η βιομηχανία εισάγει

Διαβάστε περισσότερα

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ & ΤΕΧΝΟΛΟΓΙΑΣ. ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ ΠΕΡΙΒΑΛΛΟΝΤΙΚΟΣ ΣΧΕΔΙΑΣΜΟΣ ΕΡΓΩΝ ΥΠΟΔΟΜΗΣ (MSc)

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ & ΤΕΧΝΟΛΟΓΙΑΣ. ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ ΠΕΡΙΒΑΛΛΟΝΤΙΚΟΣ ΣΧΕΔΙΑΣΜΟΣ ΕΡΓΩΝ ΥΠΟΔΟΜΗΣ (MSc) ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ & ΤΕΧΝΟΛΟΓΙΑΣ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ ΠΕΡΙΒΑΛΛΟΝΤΙΚΟΣ ΣΧΕΔΙΑΣΜΟΣ ΕΡΓΩΝ ΥΠΟΔΟΜΗΣ (MSc) ΘΕΜΑΤΙΚΗ ΕΝΟΤΗΤΑ ΠΣΕ60 Ακαδημαϊκό Έτος: 207-208 η Γραπτή Εργασία Επιβλέπων

Διαβάστε περισσότερα

Τεχνο-οικονοµικά Συστήµατα ιοίκηση Παραγωγής & Συστηµάτων Υπηρεσιών

Τεχνο-οικονοµικά Συστήµατα ιοίκηση Παραγωγής & Συστηµάτων Υπηρεσιών Τεχνο-οικονοµικά Συστήµατα ιοίκηση Παραγωγής & Συστηµάτων Υπηρεσιών 9. ιαχείριση αποθεµάτων Μοντέλα διαχείρισης Η αβεβαιότητα στη διαχείριση αποθεµάτων Συστήµατα Kanban/Just In Time (JIT) Εισηγητής: Θοδωρής

Διαβάστε περισσότερα

Τρίτο πακέτο ασκήσεων

Τρίτο πακέτο ασκήσεων ΕΚΠΑ Ακαδημαϊκό έτος 018-019 Τμήμα Οικονομικών Επιστημών Μάθημα: Μικροοικονομική Θεωρία Ι Τρίτο πακέτο ασκήσεων Προθεσμία παράδοσης Παρασκευή 18 Ιανουαρίου (στο μάθημα της κ. Κουραντή, του κ. Παπανδρέου

Διαβάστε περισσότερα

ΟΡΓΑΝΩΣΗ & ΙΟΙΚΗΣΗ ΠΑΡΑΓΩΓΗΣ

ΟΡΓΑΝΩΣΗ & ΙΟΙΚΗΣΗ ΠΑΡΑΓΩΓΗΣ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΠΛΗΡΟΦΟΡΙΑΚΩΝ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥ ΩΝ ΙΟΙΚΗΣΗ ΠΛΗΡΟΦΟΡΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΜΑΘΗΜΑ: ΛΕΙΤΟΥΡΓΙΕΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΟΡΓΑΝΩΣΗ & ΙΟΙΚΗΣΗ ΠΑΡΑΓΩΓΗΣ

Διαβάστε περισσότερα

Chapter 6: Systems of Linear Differential. be continuous functions on the interval

Chapter 6: Systems of Linear Differential. be continuous functions on the interval Chapter 6: Systems of Linear Differential Equations Let a (t), a 2 (t),..., a nn (t), b (t), b 2 (t),..., b n (t) be continuous functions on the interval I. The system of n first-order differential equations

Διαβάστε περισσότερα

Προσομoίωση Απόκρισης Συστήματος στο MATLAB

Προσομoίωση Απόκρισης Συστήματος στο MATLAB Δυναμική Μηχανών Ι Διδάσκων: Αντωνιάδης Ιωάννης Προσομoίωση Απόκρισης Συστήματος στο MATLAB Άδεια Χρήσης Το παρόν υλικό βασίζεται στην παρουσίαση Προσομoίωση Απόκρισης Συστήματος στο MATLAB του καθ. Ιωάννη

Διαβάστε περισσότερα

Διαχείριση Εφοδιαστικής Αλυσίδας ΙΙ

Διαχείριση Εφοδιαστικής Αλυσίδας ΙΙ Διαχείριση Εφοδιαστικής Αλυσίδας ΙΙ 1 η Διάλεξη: Αναδρομή στον Μαθηματικό Προγραμματισμό 2019, Πολυτεχνική Σχολή Εργαστήριο Συστημάτων Σχεδιασμού, Παραγωγής και Λειτουργιών Περιεχόμενα 1. Γραμμικός Προγραμματισμός

Διαβάστε περισσότερα

α & β spatial orbitals in

α & β spatial orbitals in The atrx Hartree-Fock equatons The most common method of solvng the Hartree-Fock equatons f the spatal btals s to expand them n terms of known functons, { χ µ } µ= consder the spn-unrestrcted case. We

Διαβάστε περισσότερα

Matrices and Determinants

Matrices and Determinants Matrices and Determinants SUBJECTIVE PROBLEMS: Q 1. For what value of k do the following system of equations possess a non-trivial (i.e., not all zero) solution over the set of rationals Q? x + ky + 3z

Διαβάστε περισσότερα

k A = [k, k]( )[a 1, a 2 ] = [ka 1,ka 2 ] 4For the division of two intervals of confidence in R +

k A = [k, k]( )[a 1, a 2 ] = [ka 1,ka 2 ] 4For the division of two intervals of confidence in R + Chapter 3. Fuzzy Arithmetic 3- Fuzzy arithmetic: ~Addition(+) and subtraction (-): Let A = [a and B = [b, b in R If x [a and y [b, b than x+y [a +b +b Symbolically,we write A(+)B = [a (+)[b, b = [a +b

Διαβάστε περισσότερα

The Simply Typed Lambda Calculus

The Simply Typed Lambda Calculus Type Inference Instead of writing type annotations, can we use an algorithm to infer what the type annotations should be? That depends on the type system. For simple type systems the answer is yes, and

Διαβάστε περισσότερα

ST5224: Advanced Statistical Theory II

ST5224: Advanced Statistical Theory II ST5224: Advanced Statistical Theory II 2014/2015: Semester II Tutorial 7 1. Let X be a sample from a population P and consider testing hypotheses H 0 : P = P 0 versus H 1 : P = P 1, where P j is a known

Διαβάστε περισσότερα

Προβλέψεις. Γιώργος Λυμπερόπουλος. Γ. Λυμπερόπουλος - Διοίκηση Παραγωγής

Προβλέψεις. Γιώργος Λυμπερόπουλος. Γ. Λυμπερόπουλος - Διοίκηση Παραγωγής Προβλέψεις Γιώργος Λυμπερόπουλος 1 Προβλέψεις: Εισαγωγή Γιατί προβλέψεις; Έγκαιρος προγραμματισμός και λήψη αποφάσεων Προβλέψεις τίνος; Τμήμα πωλήσεων (μάρκετινγκ) Ζήτηση νέων και υφιστάμενων σειρών προϊόντων

Διαβάστε περισσότερα

EE434 ASIC & Digital Systems Arithmetic Circuits

EE434 ASIC & Digital Systems Arithmetic Circuits EE434 ASIC & Digital Systems Arithmetic Circuits Spring 25 Dae Hyun Kim daehyun@eecs.wsu.edu Arithmetic Circuits What we will learn Adders Basic High-speed 2 Adder -bit adder SSSSSS = AA BB CCCC CCCC =

Διαβάστε περισσότερα

ΘΕΩΡΙΑ ΑΠΟΘΕΜΑΤΩΝ. Ι. Προσδιοριστικά Μοντέλα αποθεµάτων

ΘΕΩΡΙΑ ΑΠΟΘΕΜΑΤΩΝ. Ι. Προσδιοριστικά Μοντέλα αποθεµάτων ΘΕΩΡΙΑ ΑΠΟΘΕΜΑΤΩΝ Οι αποφάσεις σχετικά µε την διαχείριση ή «πολιτική» των αποθεµάτων που πρέπει να πάρει κάποιος, ασχολείται µε το «πόσο» πρέπει να παραγγείλει (ή να παράγει) και «πότε» να παραγγείλει

Διαβάστε περισσότερα

Access Control Encryption Enforcing Information Flow with Cryptography

Access Control Encryption Enforcing Information Flow with Cryptography Access Control Encryption Enforcing Information Flow with Cryptography Ivan Damgård, Helene Haagh, and Claudio Orlandi http://eprint.iacr.org/2016/106 Outline Access Control Encryption Motivation Definition

Διαβάστε περισσότερα

Ανταγωνισμός για την Καλή Θέληση Πελατών βάσει της Διαθεσιμότητας Προϊόντων *

Ανταγωνισμός για την Καλή Θέληση Πελατών βάσει της Διαθεσιμότητας Προϊόντων * Ανταγωνισμός για την Καλή Θέληση Πελατών βάσει της Διαθεσιμότητας Προϊόντων Ισίδωρος Τσικής και Γιώργος Λυμπερόπουλος Τμήμα Μηχανολόγων Μηχανικών Βιομηχανίας, Πανεπιστήμιο Θεσσαλίας, sks@me.uh.gr Περίληψη

Διαβάστε περισσότερα

Επώνυµη ονοµασία. Ενότητα 13 η Σχεδίαση,Επιλογή, ιανοµή Προϊόντων 1

Επώνυµη ονοµασία. Ενότητα 13 η Σχεδίαση,Επιλογή, ιανοµή Προϊόντων 1 Επώνυµη ονοµασία Η επώνυµη ονοµασία είναι αυτή η ονοµασία που ξεχωρίζει τα προϊόντα και τις υπηρεσίες µας από αυτές των ανταγωνιστών. Οι σχετικές αποφάσεις θα επηρεαστούν από τις εξής ερωτήσεις: 1. Χρειάζεται

Διαβάστε περισσότερα

Other Test Constructions: Likelihood Ratio & Bayes Tests

Other Test Constructions: Likelihood Ratio & Bayes Tests Other Test Constructions: Likelihood Ratio & Bayes Tests Side-Note: So far we have seen a few approaches for creating tests such as Neyman-Pearson Lemma ( most powerful tests of H 0 : θ = θ 0 vs H 1 :

Διαβάστε περισσότερα

ΕΥΦΥΗΣ ΕΛΕΓΧΟΣ. Ενότητα #8: Βελτιστοποίηση Συστημάτων Ασαφούς Λογικής. Αναστάσιος Ντούνης Τμήμα Μηχανικών Αυτοματισμού Τ.Ε.

ΕΥΦΥΗΣ ΕΛΕΓΧΟΣ. Ενότητα #8: Βελτιστοποίηση Συστημάτων Ασαφούς Λογικής. Αναστάσιος Ντούνης Τμήμα Μηχανικών Αυτοματισμού Τ.Ε. ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα ΕΥΦΥΗΣ ΕΛΕΓΧΟΣ Ενότητα #8: Βελτιστοποίηση Συστημάτων Ασαφούς Λογικής Αναστάσιος Ντούνης Τμήμα Μηχανικών Αυτοματισμού Τ.Ε. Άδειες

Διαβάστε περισσότερα

Πρόβλημα 1: Αναζήτηση Ελάχιστης/Μέγιστης Τιμής

Πρόβλημα 1: Αναζήτηση Ελάχιστης/Μέγιστης Τιμής Πρόβλημα 1: Αναζήτηση Ελάχιστης/Μέγιστης Τιμής Να γραφεί πρόγραμμα το οποίο δέχεται ως είσοδο μια ακολουθία S από n (n 40) ακέραιους αριθμούς και επιστρέφει ως έξοδο δύο ακολουθίες από θετικούς ακέραιους

Διαβάστε περισσότερα

Chapter 6: Systems of Linear Differential. be continuous functions on the interval

Chapter 6: Systems of Linear Differential. be continuous functions on the interval Chapter 6: Systems of Linear Differential Equations Let a (t), a 2 (t),..., a nn (t), b (t), b 2 (t),..., b n (t) be continuous functions on the interval I. The system of n first-order differential equations

Διαβάστε περισσότερα

Exercises 10. Find a fundamental matrix of the given system of equations. Also find the fundamental matrix Φ(t) satisfying Φ(0) = I. 1.

Exercises 10. Find a fundamental matrix of the given system of equations. Also find the fundamental matrix Φ(t) satisfying Φ(0) = I. 1. Exercises 0 More exercises are available in Elementary Differential Equations. If you have a problem to solve any of them, feel free to come to office hour. Problem Find a fundamental matrix of the given

Διαβάστε περισσότερα

Η άριστη ποσότητα παραγγελίας υπολογίζεται άμεσα από τη κλασική σχέση (5.5): = 1000 μονάδες

Η άριστη ποσότητα παραγγελίας υπολογίζεται άμεσα από τη κλασική σχέση (5.5): = 1000 μονάδες ΠΡΟΒΛΗΜΑ 1 Η ετήσια ζήτηση ενός σημαντικού εξαρτήματος που χρησιμοποιείται στη μνήμη υπολογιστών desktops εκτιμήθηκε σε 10.000 τεμάχια. Η αξία κάθε μονάδας είναι 8, το κόστος παραγγελίας κάθε παρτίδας

Διαβάστε περισσότερα

Phys460.nb Solution for the t-dependent Schrodinger s equation How did we find the solution? (not required)

Phys460.nb Solution for the t-dependent Schrodinger s equation How did we find the solution? (not required) Phys460.nb 81 ψ n (t) is still the (same) eigenstate of H But for tdependent H. The answer is NO. 5.5.5. Solution for the tdependent Schrodinger s equation If we assume that at time t 0, the electron starts

Διαβάστε περισσότερα

ΑΚΕΡΑΙΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ & ΣΥΝΔΥΑΣΤΙΚΗ ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ. Κεφάλαιο 2 Μορφοποίηση Προβλημάτων Ακέραιου Προγραμματισμού

ΑΚΕΡΑΙΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ & ΣΥΝΔΥΑΣΤΙΚΗ ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ. Κεφάλαιο 2 Μορφοποίηση Προβλημάτων Ακέραιου Προγραμματισμού ΑΚΕΡΑΙΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ & ΣΥΝΔΥΑΣΤΙΚΗ ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ Κεφάλαιο 2 Μορφοποίηση Προβλημάτων Ακέραιου Προγραμματισμού 1 Μεταξύ δύο περιορισμών, ο ένας πρέπει να ισχύει Έστω ότι για την κατασκευή ενός προϊόντος

Διαβάστε περισσότερα

Electronic Analysis of CMOS Logic Gates

Electronic Analysis of CMOS Logic Gates Electronic Analysis of CMOS Logic Gates Dae Hyun Kim EECS Washington State University References John P. Uyemura, Introduction to VLSI Circuits and Systems, 2002. Chapter 7 Goal Understand how to perform

Διαβάστε περισσότερα

Second Order RLC Filters

Second Order RLC Filters ECEN 60 Circuits/Electronics Spring 007-0-07 P. Mathys Second Order RLC Filters RLC Lowpass Filter A passive RLC lowpass filter (LPF) circuit is shown in the following schematic. R L C v O (t) Using phasor

Διαβάστε περισσότερα

Απόκριση σε Αρμονική Διέγερση

Απόκριση σε Αρμονική Διέγερση Δυναμική Μηχανών Ι Διδάσκων: Αντωνιάδης Ιωάννης Απόκριση σε Αρμονική Διέγερση Άδεια Χρήσης Το παρόν υλικό βασίζεται στην παρουσίαση Απόκριση σε Αρμονική Διέγερση του καθ. Ιωάννη Αντωνιάδη και υπόκειται

Διαβάστε περισσότερα

Numerical Analysis FMN011

Numerical Analysis FMN011 Numerical Analysis FMN011 Carmen Arévalo Lund University carmen@maths.lth.se Lecture 12 Periodic data A function g has period P if g(x + P ) = g(x) Model: Trigonometric polynomial of order M T M (x) =

Διαβάστε περισσότερα

Case 12: Προγραμματισμός Παραγωγής της «Tires CO» ΣΕΝΑΡΙΟ (1)

Case 12: Προγραμματισμός Παραγωγής της «Tires CO» ΣΕΝΑΡΙΟ (1) Case 12: Προγραμματισμός Παραγωγής της «Tires CO» ΣΕΝΑΡΙΟ (1) Ένα πολυσταδιακό πρόβλημα που αφορά στον τριμηνιαίο προγραμματισμό για μία βιομηχανική επιχείρηση παραγωγής ελαστικών (οχημάτων) Γενικός προγραμματισμός

Διαβάστε περισσότερα

C.S. 430 Assignment 6, Sample Solutions

C.S. 430 Assignment 6, Sample Solutions C.S. 430 Assignment 6, Sample Solutions Paul Liu November 15, 2007 Note that these are sample solutions only; in many cases there were many acceptable answers. 1 Reynolds Problem 10.1 1.1 Normal-order

Διαβάστε περισσότερα

ΗΥ537: Έλεγχος Πόρων και Επίδοση σε Ευρυζωνικά Δίκτυα,

ΗΥ537: Έλεγχος Πόρων και Επίδοση σε Ευρυζωνικά Δίκτυα, ΗΥ537: Έλεγχος Πόρων και Επίδοση σε Ευρυζωνικά Δίκτυα Βασίλειος Σύρης Τμήμα Επιστήμης Υπολογιστών Πανεπιστήμιο Κρήτης Εαρινό εξάμηνο 2008 Economcs Contents The contet The basc model user utlty, rces and

Διαβάστε περισσότερα

Finite Field Problems: Solutions

Finite Field Problems: Solutions Finite Field Problems: Solutions 1. Let f = x 2 +1 Z 11 [x] and let F = Z 11 [x]/(f), a field. Let Solution: F =11 2 = 121, so F = 121 1 = 120. The possible orders are the divisors of 120. Solution: The

Διαβάστε περισσότερα

Operations Management Διοίκηση Λειτουργιών

Operations Management Διοίκηση Λειτουργιών Operations Management Διοίκηση Λειτουργιών Διδάσκων: Δρ. Χρήστος Ε. Γεωργίου xgr@otenet.gr 3 η εβδομάδα μαθημάτων 1 Το περιεχόμενο της σημερινής ημέρας Συστήµατα προγραµµατισµού, ελέγχου και διαχείρισης

Διαβάστε περισσότερα

ΤΕΙ ΚΡΗΤΗΣ ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΚΑΙ ΟΙΚΟΝΟΜΙΑΣ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ. ΔΙΟΙΚΗΣΗ ΠΑΡΑΓΩΓΗΣ ΔΙΑΧΕΙΡΗΣΗ ΑΠΟΘΕΜΑΤΩΝ ΕΝΟΤΗΤΑ 7η

ΤΕΙ ΚΡΗΤΗΣ ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΚΑΙ ΟΙΚΟΝΟΜΙΑΣ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ. ΔΙΟΙΚΗΣΗ ΠΑΡΑΓΩΓΗΣ ΔΙΑΧΕΙΡΗΣΗ ΑΠΟΘΕΜΑΤΩΝ ΕΝΟΤΗΤΑ 7η ΤΕΙ ΚΡΗΤΗΣ ΣΧΟΛΗ ΔΙΟΙΚΗΣΗΣ ΚΑΙ ΟΙΚΟΝΟΜΙΑΣ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΔΙΟΙΚΗΣΗ ΠΑΡΑΓΩΓΗΣ ΔΙΑΧΕΙΡΗΣΗ ΑΠΟΘΕΜΑΤΩΝ ΕΝΟΤΗΤΑ 7η ΓΙΑΝΝΗΣ ΦΑΝΟΥΡΓΙΑΚΗΣ ΕΠΙΣΤΗΜΟΝΙΚΟΣ ΣΥΝΕΡΓΑΤΗΣ ΤΕΙ ΚΡΗΤΗΣ Τι ορίζεται ως απόθεμα;

Διαβάστε περισσότερα

A Class of Orthohomological Triangles

A Class of Orthohomological Triangles A Class of Orthohomologcal Trangles Prof. Claudu Coandă Natonal College Carol I Craova Romana. Prof. Florentn Smarandache Unversty of New Mexco Gallup USA Prof. Ion Pătraşcu Natonal College Fraţ Buzeşt

Διαβάστε περισσότερα

καθ. Βασίλης Μάγκλαρης

καθ. Βασίλης Μάγκλαρης ΣΤΟΧΑΣΤΙΚΕΣ ΔΙΕΡΓΑΣΙΕΣ & ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ Αίθουσα 005 - Νέα Κτίρια ΣΗΜΜΥ Ε.Μ.Π. Ενισχυτική Μάθηση - Δυναμικός Προγραμματισμός: 1. Markov Decision Processes 2. Bellman s Optimality Criterion 3. Αλγόριθμος

Διαβάστε περισσότερα

Example Sheet 3 Solutions

Example Sheet 3 Solutions Example Sheet 3 Solutions. i Regular Sturm-Liouville. ii Singular Sturm-Liouville mixed boundary conditions. iii Not Sturm-Liouville ODE is not in Sturm-Liouville form. iv Regular Sturm-Liouville note

Διαβάστε περισσότερα

Προβλήματα Ελάχιστου Κόστους Ροής σε Δίκτυο. Δίκτυα Ροής Ελάχιστου Κόστους (Minimum Cost Flow Networks)

Προβλήματα Ελάχιστου Κόστους Ροής σε Δίκτυο. Δίκτυα Ροής Ελάχιστου Κόστους (Minimum Cost Flow Networks) Προβλήματα Ελάχιστου Κόστους Ροής σε Δίκτυο Ορισμοί Παραδείγματα Δικτυακή Simplex (προβλήματα με και χωρίς φραγμούς). Δίκτυα Ροής Ελάχιστου Κόστους (Minimum ost Flow Networks) Ένα δίκτυο μεταφόρτωσης αποτελείται

Διαβάστε περισσότερα

Διαχείριση Εφοδιαστικής Αλυσίδας

Διαχείριση Εφοδιαστικής Αλυσίδας Διαχείριση Εφοδιαστικής Αλυσίδας 1 η Διάλεξη: Βασικές Έννοιες στην Εφοδιαστική Αλυσίδα - Εξυπηρέτηση Πελατών 2015 Εργαστήριο Συστημάτων Σχεδιασμού, Παραγωγής και Λειτουργιών Ατζέντα Εισαγωγή στη Διοίκηση

Διαβάστε περισσότερα

What happens when two or more waves overlap in a certain region of space at the same time?

What happens when two or more waves overlap in a certain region of space at the same time? Wave Superposition What happens when two or more waves overlap in a certain region of space at the same time? To find the resulting wave according to the principle of superposition we should sum the fields

Διαβάστε περισσότερα

Δυναμική Μηχανών Ι. Διδάσκων: Αντωνιάδης Ιωάννης. Απόκριση Συστημάτων 1 ου Βαθμού Ελευθερίας, που περιγράφονται από Σ.Δ.Ε.

Δυναμική Μηχανών Ι. Διδάσκων: Αντωνιάδης Ιωάννης. Απόκριση Συστημάτων 1 ου Βαθμού Ελευθερίας, που περιγράφονται από Σ.Δ.Ε. Δυναμική Μηχανών Ι Διδάσκων: Αντωνιάδης Ιωάννης Απόκριση Συστημάτων 1 ου Βαθμού Ελευθερίας, που περιγράφονται από Σ.Δ.Ε. 1 ης τάξης Άδεια Χρήσης Το παρόν υλικό βασίζεται στην παρουσίαση Απόκριση Συστημάτων

Διαβάστε περισσότερα

Συστήματα Αυτομάτου Ελέγχου Ι

Συστήματα Αυτομάτου Ελέγχου Ι ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα Συστήματα Αυτομάτου Ελέγχου Ι Ενότητα #9: Σύστημα ης τάξης: Χρονική Απόκριση και Χαρακτηριστικά Μεγέθη (Φυσικοί Συντελεστές) Δημήτριος

Διαβάστε περισσότερα

Homework 3 Solutions

Homework 3 Solutions Homework 3 Solutions Igor Yanovsky (Math 151A TA) Problem 1: Compute the absolute error and relative error in approximations of p by p. (Use calculator!) a) p π, p 22/7; b) p π, p 3.141. Solution: For

Διαβάστε περισσότερα

Διοίκηση Παραγωγής και Υπηρεσιών

Διοίκηση Παραγωγής και Υπηρεσιών Διοίκηση Παραγωγής και Υπηρεσιών Διαχείριση Αποθεμάτων Συστήματα Συνεχούς και Περιοδικής Αναθεώρησης Γιώργος Ιωάννου, Ph.D. Αναπληρωτής Καθηγητής Σύνοψη διάλεξης Συστήματα ελέγχου αποθεμάτων Σύστημα συνεχούς

Διαβάστε περισσότερα

Απόκριση σε Μοναδιαία Ωστική Δύναμη (Unit Impulse) Απόκριση σε Δυνάμεις Αυθαίρετα Μεταβαλλόμενες με το Χρόνο. Απόστολος Σ.

Απόκριση σε Μοναδιαία Ωστική Δύναμη (Unit Impulse) Απόκριση σε Δυνάμεις Αυθαίρετα Μεταβαλλόμενες με το Χρόνο. Απόστολος Σ. Απόκριση σε Δυνάμεις Αυθαίρετα Μεταβαλλόμενες με το Χρόνο The time integral of a force is referred to as impulse, is determined by and is obtained from: Newton s 2 nd Law of motion states that the action

Διαβάστε περισσότερα

Ordinal Arithmetic: Addition, Multiplication, Exponentiation and Limit

Ordinal Arithmetic: Addition, Multiplication, Exponentiation and Limit Ordinal Arithmetic: Addition, Multiplication, Exponentiation and Limit Ting Zhang Stanford May 11, 2001 Stanford, 5/11/2001 1 Outline Ordinal Classification Ordinal Addition Ordinal Multiplication Ordinal

Διαβάστε περισσότερα

Math221: HW# 1 solutions

Math221: HW# 1 solutions Math: HW# solutions Andy Royston October, 5 7.5.7, 3 rd Ed. We have a n = b n = a = fxdx = xdx =, x cos nxdx = x sin nx n sin nxdx n = cos nx n = n n, x sin nxdx = x cos nx n + cos nxdx n cos n = + sin

Διαβάστε περισσότερα

EE512: Error Control Coding

EE512: Error Control Coding EE512: Error Control Coding Solution for Assignment on Finite Fields February 16, 2007 1. (a) Addition and Multiplication tables for GF (5) and GF (7) are shown in Tables 1 and 2. + 0 1 2 3 4 0 0 1 2 3

Διαβάστε περισσότερα

ΚΥΠΡΙΑΚΗ ΕΤΑΙΡΕΙΑ ΠΛΗΡΟΦΟΡΙΚΗΣ CYPRUS COMPUTER SOCIETY ΠΑΓΚΥΠΡΙΟΣ ΜΑΘΗΤΙΚΟΣ ΔΙΑΓΩΝΙΣΜΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ 19/5/2007

ΚΥΠΡΙΑΚΗ ΕΤΑΙΡΕΙΑ ΠΛΗΡΟΦΟΡΙΚΗΣ CYPRUS COMPUTER SOCIETY ΠΑΓΚΥΠΡΙΟΣ ΜΑΘΗΤΙΚΟΣ ΔΙΑΓΩΝΙΣΜΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ 19/5/2007 Οδηγίες: Να απαντηθούν όλες οι ερωτήσεις. Αν κάπου κάνετε κάποιες υποθέσεις να αναφερθούν στη σχετική ερώτηση. Όλα τα αρχεία που αναφέρονται στα προβλήματα βρίσκονται στον ίδιο φάκελο με το εκτελέσιμο

Διαβάστε περισσότερα

Επιχειρησιακή Έρευνα I

Επιχειρησιακή Έρευνα I Επιχειρησιακή Έρευνα I Operations/Operational Research (OR) Κωστής Μαμάσης Παρασκευή 09:00 12:00 Σημειώσεις των Α. Platis, K. Mamasis Περιεχόμενα EE 1&2 Εισαγωγή Μαθηματικός Προγραμματισμός - Γραμμικός

Διαβάστε περισσότερα

ΕΝΔΕΙΚΤΙΚΕΣ ΑΠΑΝΤΗΣΕΙΣ 3 ΗΣ ΓΡΑΠΤΗΣ ΕΡΓΑΣΙΑΣ

ΕΝΔΕΙΚΤΙΚΕΣ ΑΠΑΝΤΗΣΕΙΣ 3 ΗΣ ΓΡΑΠΤΗΣ ΕΡΓΑΣΙΑΣ ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ Πρόγραμμα Σπουδών : Θεματική Ενότητα : Διοίκηση Επιχειρήσεων & Οργανισμών ΔΕΟ 11 Εισαγωγή στη Διοικητική Επιχειρήσεων & Οργανισμών Ακαδ. Έτος: 2007-08 ΕΝΔΕΙΚΤΙΚΕΣ ΑΠΑΝΤΗΣΕΙΣ

Διαβάστε περισσότερα

Statistical Inference I Locally most powerful tests

Statistical Inference I Locally most powerful tests Statistical Inference I Locally most powerful tests Shirsendu Mukherjee Department of Statistics, Asutosh College, Kolkata, India. shirsendu st@yahoo.co.in So far we have treated the testing of one-sided

Διαβάστε περισσότερα

HOMEWORK 4 = G. In order to plot the stress versus the stretch we define a normalized stretch:

HOMEWORK 4 = G. In order to plot the stress versus the stretch we define a normalized stretch: HOMEWORK 4 Problem a For the fast loading case, we want to derive the relationship between P zz and λ z. We know that the nominal stress is expressed as: P zz = ψ λ z where λ z = λ λ z. Therefore, applying

Διαβάστε περισσότερα

The ε-pseudospectrum of a Matrix

The ε-pseudospectrum of a Matrix The ε-pseudospectrum of a Matrix Feb 16, 2015 () The ε-pseudospectrum of a Matrix Feb 16, 2015 1 / 18 1 Preliminaries 2 Definitions 3 Basic Properties 4 Computation of Pseudospectrum of 2 2 5 Problems

Διαβάστε περισσότερα

Διοίκηση Παραγωγής και Υπηρεσιών

Διοίκηση Παραγωγής και Υπηρεσιών Διοίκηση Παραγωγής και Υπηρεσιών Διαχείριση Αποθεμάτων Βασικές Αρχές και Κατηγοριοποιήσεις Γιώργος Ιωάννου, Ph.D. Αναπληρωτής Καθηγητής Σύνοψη διάλεξης Ορισμός αποθεμάτων Κατηγορίες αποθεμάτων Λόγοι πίεσης

Διαβάστε περισσότερα

2. ΣΥΓΚΕΝΤΡΩΤΙΚΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ ΠΑΡΑΓΩΓΗΣ

2. ΣΥΓΚΕΝΤΡΩΤΙΚΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ ΠΑΡΑΓΩΓΗΣ 2. ΣΥΓΚΕΝΤΡΩΤΙΚΟΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ ΠΑΡΑΓΩΓΗΣ Ο Συγκεντρωτικός Προγραμματισμός Παραγωγής (Aggregae Produion Planning) επικεντρώνεται: α) στον προσδιορισμό των ποσοτήτων ανά κατηγορία προϊόντων και ανά χρονική

Διαβάστε περισσότερα

Tridiagonal matrices. Gérard MEURANT. October, 2008

Tridiagonal matrices. Gérard MEURANT. October, 2008 Tridiagonal matrices Gérard MEURANT October, 2008 1 Similarity 2 Cholesy factorizations 3 Eigenvalues 4 Inverse Similarity Let α 1 ω 1 β 1 α 2 ω 2 T =......... β 2 α 1 ω 1 β 1 α and β i ω i, i = 1,...,

Διαβάστε περισσότερα

ΒΡΑΧΥΧΡΟΝΙΑ ΠΕΡΙΟΔΟΣ

ΒΡΑΧΥΧΡΟΝΙΑ ΠΕΡΙΟΔΟΣ ΒΡΑΧΥΧΡΟΝΙΑ ΠΕΡΙΟΔΟΣ 1. Έστω ένας κλάδος όπου nn επιχειρήσεις έχουν την ίδια τεχνολογία. Η συνάρτηση κόστους της κάθε μιας επιχείρησης είναι CC() = 100 + 2. Η συνάρτηση ζήτησης του κλάδου είναι QQ DD =

Διαβάστε περισσότερα

Neutralino contributions to Dark Matter, LHC and future Linear Collider searches

Neutralino contributions to Dark Matter, LHC and future Linear Collider searches Neutralno contrbutons to Dark Matter, LHC and future Lnear Collder searches G.J. Gounars Unversty of Thessalonk, Collaboraton wth J. Layssac, P.I. Porfyrads, F.M. Renard and wth Th. Dakonds for the γz

Διαβάστε περισσότερα

ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ. Ψηφιακή Οικονομία. Διάλεξη 7η: Consumer Behavior Mαρίνα Μπιτσάκη Τμήμα Επιστήμης Υπολογιστών

ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ. Ψηφιακή Οικονομία. Διάλεξη 7η: Consumer Behavior Mαρίνα Μπιτσάκη Τμήμα Επιστήμης Υπολογιστών ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Ψηφιακή Οικονομία Διάλεξη 7η: Consumer Behavior Mαρίνα Μπιτσάκη Τμήμα Επιστήμης Υπολογιστών Τέλος Ενότητας Χρηματοδότηση Το παρόν εκπαιδευτικό υλικό έχει αναπτυχθεί

Διαβάστε περισσότερα

Πίνακες Ορίζουσες. Πίνακας: ορθογώνια διάταξη αριθμών που αποτελείται από γραμμές και στήλες.

Πίνακες Ορίζουσες. Πίνακας: ορθογώνια διάταξη αριθμών που αποτελείται από γραμμές και στήλες. 1 Πίνακες Ορίζουσες Πίνακας: ορθογώνια διάταξη αριθμών που αποτελείται από γραμμές και στήλες. Παράδειγμα (χορήγηση Βαλασικλοβιρης (αντιυπερτασικό) σε νήπια) Ηλικία (μήνες) Μέσο Cmax (μg/ml) Μέσο βάρος

Διαβάστε περισσότερα

8.1 The Nature of Heteroskedasticity 8.2 Using the Least Squares Estimator 8.3 The Generalized Least Squares Estimator 8.

8.1 The Nature of Heteroskedasticity 8.2 Using the Least Squares Estimator 8.3 The Generalized Least Squares Estimator 8. 8.1 The Nature of Heteroskedastcty 8. Usng the Least Squares Estmator 8.3 The Generalzed Least Squares Estmator 8.4 Detectng Heteroskedastcty E( y) = β+β 1 x e = y E( y ) = y β β x 1 y = β+β x + e 1 Fgure

Διαβάστε περισσότερα

SOLUTIONS TO MATH38181 EXTREME VALUES AND FINANCIAL RISK EXAM

SOLUTIONS TO MATH38181 EXTREME VALUES AND FINANCIAL RISK EXAM SOLUTIONS TO MATH38181 EXTREME VALUES AND FINANCIAL RISK EXAM Solutions to Question 1 a) The cumulative distribution function of T conditional on N n is Pr T t N n) Pr max X 1,..., X N ) t N n) Pr max

Διαβάστε περισσότερα

Fourier Series. MATH 211, Calculus II. J. Robert Buchanan. Spring Department of Mathematics

Fourier Series. MATH 211, Calculus II. J. Robert Buchanan. Spring Department of Mathematics Fourier Series MATH 211, Calculus II J. Robert Buchanan Department of Mathematics Spring 2018 Introduction Not all functions can be represented by Taylor series. f (k) (c) A Taylor series f (x) = (x c)

Διαβάστε περισσότερα

ΚΥΠΡΙΑΚΗ ΕΤΑΙΡΕΙΑ ΠΛΗΡΟΦΟΡΙΚΗΣ CYPRUS COMPUTER SOCIETY ΠΑΓΚΥΠΡΙΟΣ ΜΑΘΗΤΙΚΟΣ ΔΙΑΓΩΝΙΣΜΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ 6/5/2006

ΚΥΠΡΙΑΚΗ ΕΤΑΙΡΕΙΑ ΠΛΗΡΟΦΟΡΙΚΗΣ CYPRUS COMPUTER SOCIETY ΠΑΓΚΥΠΡΙΟΣ ΜΑΘΗΤΙΚΟΣ ΔΙΑΓΩΝΙΣΜΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ 6/5/2006 Οδηγίες: Να απαντηθούν όλες οι ερωτήσεις. Ολοι οι αριθμοί που αναφέρονται σε όλα τα ερωτήματα είναι μικρότεροι το 1000 εκτός αν ορίζεται διαφορετικά στη διατύπωση του προβλήματος. Διάρκεια: 3,5 ώρες Καλή

Διαβάστε περισσότερα

ΦΥΛΛΑΔΙΟ ΑΣΚΗΣΕΩΝ. Εργαστήριο Συστημάτων Αποφάσεων & Διοίκησης ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ. Σχολή Ηλεκτρολόγων Μηχανικών & Μηχανικών Υπολογιστών

ΦΥΛΛΑΔΙΟ ΑΣΚΗΣΕΩΝ. Εργαστήριο Συστημάτων Αποφάσεων & Διοίκησης ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ. Σχολή Ηλεκτρολόγων Μηχανικών & Μηχανικών Υπολογιστών ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ Σχολή Ηλεκτρολόγων Μηχανικών & Μηχανικών Υπολογιστών ΔΙΟΙΚΗΣΗ ΠΑΡΑΓΩΓΗΣ & ΣΥΣΤΗΜΑΤΩΝ ΥΠΗΡΕΣΙΩΝ ΦΥΛΛΑΔΙΟ ΑΣΚΗΣΕΩΝ Αθήνα, Ιανουάριος 2015 Εργαστήριο Συστημάτων Αποφάσεων & Διοίκησης

Διαβάστε περισσότερα

Matrices and vectors. Matrix and vector. a 11 a 12 a 1n a 21 a 22 a 2n A = b 1 b 2. b m. R m n, b = = ( a ij. a m1 a m2 a mn. def

Matrices and vectors. Matrix and vector. a 11 a 12 a 1n a 21 a 22 a 2n A = b 1 b 2. b m. R m n, b = = ( a ij. a m1 a m2 a mn. def Matrices and vectors Matrix and vector a 11 a 12 a 1n a 21 a 22 a 2n A = a m1 a m2 a mn def = ( a ij ) R m n, b = b 1 b 2 b m Rm Matrix and vectors in linear equations: example E 1 : x 1 + x 2 + 3x 4 =

Διαβάστε περισσότερα

ΤΜΗΜΑ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ

ΤΜΗΜΑ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΤΜΗΜΑ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΗΜΥ 311: Διακριτή Ανάλυση και Δομές Χειμερινό Εξάμηνο 016 Σειρά Ασκήσεων 5: Απαρίθμηση, Αρχή της Θυρίδας, Συνδυασμοί και Μεταθέσεις, Γραφήματα και

Διαβάστε περισσότερα

2 Composition. Invertible Mappings

2 Composition. Invertible Mappings Arkansas Tech University MATH 4033: Elementary Modern Algebra Dr. Marcel B. Finan Composition. Invertible Mappings In this section we discuss two procedures for creating new mappings from old ones, namely,

Διαβάστε περισσότερα

Phasor Diagram of an RC Circuit V R

Phasor Diagram of an RC Circuit V R ESE Lecture 3 Phasor Dagram of an rcut VtV m snt V t V o t urrent s a reference n seres crcut KVL: V m V + V V ϕ I m V V m ESE Lecture 3 Phasor Dagram of an L rcut VtV m snt V t V t L V o t KVL: V m V

Διαβάστε περισσότερα

Το Πρόβλημα Μεταφοράς

Το Πρόβλημα Μεταφοράς Το Πρόβλημα Μεταφοράς Αφορά τη μεταφορά ενός προϊόντος από διάφορους σταθμούς παραγωγής σε διάφορες θέσεις κατανάλωσης με το ελάχιστο δυνατό κόστος. Πρόκειται για το πιο σπουδαίο πρότυπο προβλήματος γραμμικού

Διαβάστε περισσότερα

ΣΧΟΛΗ ΕΦΑΡΜΟΣΜΕΝΩΝ ΜΑΘΗΜΑΤΙΚΩΝ & ΦΥΣΙΚΩΝ ΕΠΙΣΤΗΜΩΝ. ΕΞΕΤΑΣΗ ΣΤΗΝ ΕΠΙΧΕΙΡΗΣΙΑΚΗ ΕΡΕΥΝΑ ΛΥΣΕΙΣ ΘΕΜΑΤΩΝ Έβδομο Εξάμηνο

ΣΧΟΛΗ ΕΦΑΡΜΟΣΜΕΝΩΝ ΜΑΘΗΜΑΤΙΚΩΝ & ΦΥΣΙΚΩΝ ΕΠΙΣΤΗΜΩΝ. ΕΞΕΤΑΣΗ ΣΤΗΝ ΕΠΙΧΕΙΡΗΣΙΑΚΗ ΕΡΕΥΝΑ ΛΥΣΕΙΣ ΘΕΜΑΤΩΝ Έβδομο Εξάμηνο ΣΧΟΛΗ ΕΦΑΡΜΟΣΜΕΝΩΝ ΜΑΘΗΜΑΤΙΚΩΝ & ΦΥΣΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΕΞΕΤΑΣΗ ΣΤΗΝ ΕΠΙΧΕΙΡΗΣΙΑΚΗ ΕΡΕΥΝΑ ΛΥΣΕΙΣ ΘΕΜΑΤΩΝ Έβδομο Εξάμηνο Διδάσκων: Ι. Κολέτσος Κανονική Εξέταση 2007 ΘΕΜΑ 1 Διαιτολόγος προετοιμάζει ένα μενού

Διαβάστε περισσότερα

ΤΟ ΠΡΟΒΛΗΜΑ ΤΗΣ ΒΕΛΤΙΣΤΗΣ ΔΡΟΜΟΛΟΓΗΣΗΣ ΕΝΟΣ ΟΧΗΜΑΤΟΣ ΠΟΥ ΔΙΑΝΕΜΕΙ ΕΝΑ ΠΡΟ

ΤΟ ΠΡΟΒΛΗΜΑ ΤΗΣ ΒΕΛΤΙΣΤΗΣ ΔΡΟΜΟΛΟΓΗΣΗΣ ΕΝΟΣ ΟΧΗΜΑΤΟΣ ΠΟΥ ΔΙΑΝΕΜΕΙ ΕΝΑ ΠΡΟ Ελληνικό Στατιστικό Ινστιτούτο Πρακτικά ου Πανελληνίου Συνεδρίου Στατιστικής 8, σελ 4-48 ΤΟ ΠΡΟΒΛΗΜΑ ΤΗΣ ΒΕΛΤΙΣΤΗΣ ΔΡΟΜΟΛΟΓΗΣΗΣ ΕΝΟΣ ΟΧΗΜΑΤΟΣ ΠΟΥ ΔΙΑΝΕΜΕΙ ΕΝΑ ΠΡΟΪΟΝ ΣΕ ΠΕΛΑΤΕΣ ΜΕ ΜΙΑ ΠΡΟΚΑΘΟΡΙΣΜΕΝΗ ΣΕΙΡΑ

Διαβάστε περισσότερα