Optimizing inventory routing: an integrated machine learning solution approach

Abstract

Inventory Routing Problem (IRP) arises from vendor-managed inventory business set tings where the supplier is responsible for replenishing the inventories of its customers over a planning horizon. In the IRP, the supplier makes the routing and inventory decisions together to improve the overall performance of the system. In our setting, the supplier’s goal is to minimize total transportation costs over a planning horizon while avoiding stock-outs at the customer locations. We assume that the supplier has a fleet of homogeneous capacitated delivery vehicles and abundant availability of the product to be delivered to the customers. Each customer has a constant de mand/consumption rate and limited storage capacity to keep inventory. To address this problem, we propose a novel integrated clustering and routing algorithm. In the clustering phase, we partition the customer set into clusters, ensuring that each cluster is served by a single vehicle. To accomplish this, we employ a novel deep learning model within the clustering framework. In the routing phase, we develop the delivery schedule for each cluster. What sets our approach apart is its consider ation of the three key decisions—when to deliver, how much to deliver, and how to route—by integrating both a mathematical model and a machine learning model in the decision-making process. We evaluate the performance of the proposed clustering and routing algorithms against existing literature, and our results demonstrate sig nificant improvements. Furthermore, the proposed neural network-based clustering approach serves as an effective representation of how machine learning algorithms can enhance decision-making structures.

Envanter Rotalama Problemi (ERP), tedarik¸cinin bir planlama ufku boyunca m¨u¸steri lerinin stoklarını yenilemekten sorumlu oldu˘gu ve satıcının stokları y¨onetti˘gi bir tes limat ve envanter planlama i¸sidir. IRP’de tedarik¸ci, sistemin genel performansını iyile¸stirmek i¸cin y¨onlendirme ve envanter kararlarını birlikte verir. Bu ¸calı¸smamızda tedarik¸cinin amacı, bir planlama ufku boyunca toplam nakliye maliyetini en aza in dirirken m¨u¸steri lokasyonlarında stok t¨ukenmesini ¨onlemektir. Tedarik¸cinin; aynı ta¸sıma kapasitesine sahip teslimat ara¸clarından olu¸san bir filosuna ve m¨u¸sterilere tes lim edilecek ¨ur¨un¨un bol miktarda bulunabilirli˘gine sahip oldu˘gunu varsayıyoruz. Her m¨u¸sterinin sabit bir talep/t¨uketim oranı ve stok tutmak i¸cin sınırlı depolama ka pasitesi vardır. Bu sorunu ¸c¨ozmek i¸cin yeni bir entegre k¨umeleme ve y¨onlendirme algoritması ¨oneriyoruz. K¨umeleme a¸samasında, m¨u¸steri setini k¨umelere ayırarak, her k¨umeye tek bir ara¸c tarafından hizmet verilmesini sa˘glıyoruz. Bunu ba¸sarmak i¸cin, k¨umeleme ¸cer¸cevesinde yeni bir derin ¨o˘grenme modeli kullanıldı. Y¨onlendirme a¸samasında, her bir k¨ume i¸cin teslimat programını geli¸stirildi. Yakla¸sımımızı di˘gerle rinden ayıran ¸sey, karar verme s¨urecine hem matematiksel bir modeli hem de bir makine ¨o˘grenimi modelini entegre ederek ¨u¸c temel kararı (ne zaman teslim edilece˘gi, ne kadar teslim edilece˘gi ve nasıl y¨onlendirilece˘gi) dikkate almasıdır. Onerilen k¨umele- ¨ me ve y¨onlendirme algoritmalarının performansını mevcut literat¨ure g¨ore de˘gerlen dirdik ve sonu¸clarımız ¨onemli geli¸smeler g¨osterdi. Ayrıca, ¨onerilen sinir a˘gı tabanlı k¨umeleme yakla¸sımı, makine ¨o˘grenimi algoritmalarının karar verme yapılarını nasıl geli¸stirebilece˘ginin etkili bir temsili olmu¸stur.