스마트 보충의 계획과 관리를 위한 최적화 모형과 해법

Abstract

제4차 산업혁명의 물결이 밀려오면서, 기업은 기존보다 복잡하고 다양한 소비자의 요구와 증가하는 불확실성에 유연하게 대응하면서 경쟁우위를 확보하기 위하여 스마트 시스템 개발에 집중하고 있다. 그중에서도 제조와 유통 운영에 필요한 원자재나 반제품, 완제품과 같은 다수 품목을 시스템의 상황에 따라 능동적으로 보충하면서 공급자와 상생하는 스마트 보충에 대한 관심이 높아지고 있다. 이를 반영하여 본 연구에서는 공급자의 계약조건을 고려하고 동시에 소비자의 다양한 요구를 반영하면서 다수 품목을 통합 보충하는 스마트 보충을 설계한다. 보다 구체적으로 본 연구는 스마트 보충을 위한 다수 품목 통합 보충 방법의 최적화 모형과 해법에 관한 두 가지 독립된 연구를 수행한다. 첫째, Joint Replenishment Problem(JRP)을 이용하여 품목의 수요가 정규 분포를 따르는 시스템의 최적 보충주기 결정과 품목별 보충수량을 결정하는 스마트 보충 방식을 설계한다. 공급자는 구매자에게 최소주문수량과 전량 수량할인을 제시하고 구매자는 총비용을 최소화하는 품목별 최적의 보충주기와 고객서비스 수준을 위한 안전계수를 결정한다. 이와 같은 시스템에 대하여 비선형 계획법으로 최소주문수량과 전량 수량할인을 고려한 확률적 JRP 모형을 제시하고 네 단계로 구성된 Final Integrated Algorithm(FIA)을 개발한다. FIA의 효율성 검증을 위해 메타 휴리스틱 해법인 differential evolution 해법과 비교 실험을 진행하였으며, 이를 통하여 품목의 개수가 많을수록 FIA가 효율적인 해법임을 확인했다. 둘째, Can-order Policy(COP)를 이용하여 품목의 재고를 실시간으로 관리하고 필요한 품목을 통합 보충하는 스마트 보충 방식을 설계한다. 구매자는 공급자의 보충가능주기를 고려하면서 일정한 시간마다 보충할 품목을 확인하고 이를 기준으로 통합 보충수량을 결정한다. 이와 같은 시스템의 스마트 보충 방식은 혼합 정수 계획법을 이용하여 최적화 모형으로 설립한다. 또한 재고확인 기간마다 실제 수요를 반영하는 연동적 계획기간 방법인 Rolling Horizon을 이용한 Rolling Horizon for Can-order Policy(RHCO) 해법과 강화학습의 한 방법인 Deep Q-network를 이용한 Deep Q-network for RHCO(D-RHCO) 해법을 제시한다. 실험을 통해 제시한 최적화 모형이 전통적인 COP방법 보다 효율적임을 증명하고, 제시한 RHCO는 예측기간 설정에 따라 확정적 해법보다 효율적인 해를 찾음을 확인하였다. 그리고 D-RHCO는 시스템의 상태에 따라 효율적인 예측기간을 설정하여 언제나 RHCO보다 좋은 해를 찾음을 관찰할 수 있었다. 본 연구에서 제안한 스마트 보충 방식들은 제조기업과 유통기업에게 공급자와 상생하는 계약을 고려하면서 다수 품목을 보충하는 의사결정을 지원하여 스마트 제조와 스마트 유통 시스템의 기반을 닦을 수 있다. 또한 품목의 수요 형태에 맞는 스마트 보충 방법을 제시하여 기업의 총비용을 최소화할 수 있다. 추후 연구로는 최적의 계약을 위해 다수의 공급자를 고려하는 공급자 선택 문제를 생각할 수 있다. 또한 본 연구를 시스템 운영에 발생하는 탄소 배출비용을 고려하는 연구로 확장하는 연구도 필요하다.; Responding to the changes caused by the 4th industrial revolution, companies focus on the development of a smart system, which brings competitive advantage, in order to deal with customer needs and market uncertainty. Among those smart systems, smart replenishment, which automatically replenishes multiple types of raw-materials, semi-manufactured goods, and finished goods, becomes an important issue. The advantage of the smart replenishment includes sustainable contracts between a supplier and a buyer, which brings more profit for them. Therefore, this paper develops smart replenishment methods which simultaneously consider a supplier’s contract bases and customer needs. This paper presents two kinds of studies which develop optimization models and algorithms for smart replenishment policies considering multiple types of items. First, this study suggests a smart replenishment that a buyer orders multiple types of items at a preset time interval using a joint replenishment mechanism. When the buyer makes contracts with the supplier, the buyer considers the supplier’s minimum order quantity and all-unit quantity discount schedule. Assuming this situation, this study develops an optimization model using nonlinear programming model and an algorithm named FIA. In order to test the efficiency of the algorithm, the proposed algorithm was compared with differential evolution method, which is one of the famous meta-heuristic algorithms. Second, this study suggests a smart replenishment that a buyer orders multiple types of items to cope with stochastic demands using periodic can-order policy. The buyer checks the inventory levels of all carried items and, when the inventory level of an item is below its reorder level, an order is initiated. At the same time, all other items with their inventory levels below a preset can-order level are ordered, simultaneously. Considering this situation, this study develops an optimization model using mixed integer programming. Also, in order to update system status in time, two kinds of algorithms, RHCO and D-RHCO, based on rolling horizon, which manages scheduling during a fixed predict planning, are developed. RHCO applies the rolling horizon to a proposed optimization model of can-order policy. D-RHCO, which obtains an optimal forecasting horizon by reinforcement learning, integrates Deep Q-network and RHCO into one algorithm. In numerical example, D-RHCO obtains better results than RHCO because D-RHCO obtains an optimal predict horizon based on the system status. Using the research results of this paper, a buyer can replenish multiple types of items under various situations and simultaneously make contracts with a supplier. Also, this paper suggests two kinds of studies based on demand patterns so that the buyer can minimize total cost using both studies. Thus, the buyer, who follows smart replenishment methods in this paper, can make sustainable profit and offers a good service to customer.