Metaheuristic-Based Model Selection Framework for EOQ and Inventory Policies Using Machine Learning and Multi-Objective Optimization

Francuz, Adam

doi:10.3390/a19050415

Metaheuristic-Based Model Selection Framework for EOQ and Inventory Policies Using Machine Learning and Multi-Objective Optimization

2026-05-01

0

PRE

AI

DOI：10.3390/a19050415

原文链接

原文求助

摘要

En 中文

库存优化的挑战对所有制造公司都极为重要，因为库存成本显著影响运营效率。经济订货量（EOQ）模型旨在解决此问题，并被广泛用于制定方案，因为它通常仅考虑少数参数和单一目标。本研究开发了一个基于仿真的框架，整合多种基于EOQ的库存策略，并采用NSGA-II算法进行多目标优化。该框架优化总成本、满足率和平均库存水平，最终生成帕累托前沿作为结果。为降低计算成本，我们使用基于机器学习的随机森林模型，用预测替代大量仿真，将仿真成本降至原来的约六分之一，而仿真质量仅发生微小变化（超体积值仅下降4%）。所提出的框架可作为在随机需求条件下进行库存优化的有效决策支持工具。

Keyword:

multi-objective optimization

economic order quantity

NSGA-II algorithm

surrogate modelling

inventory simulation

machine learning

metaheuristics

Metaheuristic-Based Model Selection Framework for EOQ and Inventory Policies Using Machine Learning and Multi-Objective Optimization

摘要

期刊

机构

引用论文