India
En este artículo se presenta un modelo de inventario en colas con tiempo discreto (DQIM) FGEOM/FGEOM/1 utilizando una política de reabastecimiento (s, S) e incorporando números difusos como parámetros de entrada. El sistema considera una tasa de llegada con un número pentagonal difuso siguiendo un proceso de Bernoulli y una tasa de servicio pentagonal difusa con distribución geométrica. S representa el nivel máximo de inventario en el que se detiene el proceso de reabastecimiento, mientras que s indica el nivel mínimo de inventario a partir del cual se reanuda el reabastecimiento. Empleando el método geométrico matricial, se obtiene la solución en estado estacionario, seguida de la derivación de varias medidas de desempeño difusas. Posteriormente, se define la función de costo total como una función de dos variables que depende del nivel de inventario mínimo y máximo. Se utiliza un algoritmo genético para optimizar el costo total. Se presentan varios ejemplos para destacar la dependencia del costo respecto a los parámetros de entrada. En este trabajo, se introduce por primera vez el uso de números pentagonales difusos (PFN) en el sistema de inventario en colas discretas (DQIS) y la optimización de DQIS mediante algoritmos genéticos.
Códigos JEL: C44, C61, C62, D11, D12, L89 Recibido: 17/07/2024. Aceptado: 29/09/2024. Publicado: 04/10/24.
In this article, a queueing inventory model with discrete time (DQIM) FGEOM/FGEOM/1 with (s, S) replenishment policy incorporating fuzzy numbers as input parameters is considered. The system has a fuzzy pentagonal number arrival rate according to a Bernoulli process and a fuzzy pentagonal number service rate that follows a geometric distribution. Here, S represents the highest level of stock where the process of replenishment is stopped, and s represents the lowest level of stock at which replenishment is started again. Using matrix geometric method, the steady-state solution is obtained followed by derivation of various fuzzy performance measures. Further, the total cost function is defined as a two-variable function of the minimum and maximum stock level. Genetic algorithm is employed to optimize the total cost. Various examples are presented to highlight the dependence of cost on input parameters. The use of PFN in DQIS and genetic algorithm in the optimization of DQIS is introduced in this paper for the first time.
JEL Codes: C44, C61, C62, D11, D12, L89 Received: 17/07/2024. Accepted: 29/09/2024. Published: 04/10/24.
© 2001-2026 Fundación Dialnet · Todos los derechos reservados