unde w1, w2 sunt valorile care indica preferintele de reducere a costului total si a imbunatatirii

nivelului total de satisfactie SC. Ii este variabila manipulata a unitatiilor SC si valoarea sa

optimala I* poate fi exprimata astfel:

*(

)| (

) (

)+
(7)
Pana acum, am construit modelul optimizat al inventarului multi-obiectiv. In urmatoarele doua
sectiuni ne vom axa pe procesul solutiei modelului optimizat descris anterior. Acest proces
contine doi pasi principali: in primul rand, pasul prognozei anticipeaza cererea de piata () care
este folosit pentru a inlocui parametrii necunoscuti

din modelul optimizat de mai sus; in al

doilea rand, metoda meta-euristica este folosita pentru a rezolva modelul de optimizare (7) si
pentru a afla valuarea optimala a inventarului I*.

3. Modelul de predictie SC
Asa cum a fost mentionat si mai devreme, introducem incertitudine in modelul nostru in legatura
cu fluxul cererii. Aceasta incertitudine este cruciala in modelul de fata si este reprezentata prin
parametrul D. Aici, propunem un mecanism de prognoza pentru a reduce influentele negative
induse de incertitudinea performantei SC. Daca mecanismul de prognoza adreseaza
incertitudinea in mod rezonabil, mai specific, daca prezice in mod corect cerera, va imbunatatii
in mod considerabil performanta SC.
Deoarece toate sistemele ecologice, sistemele agricole, precum si sistemele economice care
contin SCN, pot fi vazute ca sisteme energetice generale, in care accumularea si descarcarea de
energie satisface legea exponentiala, modelarea exponentiala a teoriei sistemelor gri a avut parte
de numeroase aplicatii. Vitalitatea puternica a clasicului model GM(1,1) (Hsu and Chen, 2003;
Lin and Liu, 2000) in teoria sistemelor gri a fost demonstrate.
Exista multe cercetari noi ale teoriei predictiei gri, cum ar fi 3spGM (Li et al, 2007) si P-
3spGM (Li et al, 2010), care pod aduce prognoze mai bune. In modelul nostru, singurul
parametru necunoscut este cererea de piata reala, si exista software pentru prezicerea GM(1,1)
care este folosit pentru a realiza mecanismul de prognoza.
Definitia modelului GM(1,1) esta data in ecuatia (8):

()
()
()
()
(8)
unde
()
(
()
()
()
()
()
()) este o secventa de date neprelucrate;
()
dat de

()
(
()
()
()
()
()
()) este secventa generate de vecinii consecutive ai lui
()
,
unde
()
() .
()
()
()
( )/
()
este definit ca un 1 order
accumulating generation operation of NU STIU SA IL TRADUC
()
si este generat de
expresia urmatoare:
()
()
()
()

.
Conform modelului GM(1,1), consideram ca = , -

este o secventa de parametrii si:

[

()

()

()]

()

()

() ]

(9)
apoi, ultimele matrici estimeaza secvente ale modelului GM(1,1) (ecuatia 8) si satisface:
(

(10)
Bazandu-ne pe modelul GM(1,1), putem obtine seria prezisa
()
rezolvand ecuatia(11):

()
(
()
()
()
()
()
() )
Fie ca
()
()
()
() si aplicand inversul AGO, atunci avem:

()
( ) (

) (
()
()

(11)
unde
()
()
()
()
()
()
()
() este numit secventa GM(1,1) potrivita, atata timp cat
secventa *
()
()+ , k > n sunt numite valorile prognozate GM(1,1).
GM(1,1) se foloseste de secventa comportamentala a sistemului fara a considera nici o secventa
externa. In aceasta lucrare este aplicat modelul GM(1,1) ca model de predictie SC, pentru a
prezice secventa cererii de piata, care este notata cu in modelul nostru. Informatiile istorice
privindu cererea de piata (de exemplu ultimii sase ani) constituie secventa de date neprelucrate

()
(
()
()
()
()
()
()) . Aplicand ecuatiile (8) (11), optinem o noua secventa

()
(
()
()
()
()
()
() ) din care valoarea
()
() este aleasa ca valoarea prevazuta a
cererii pentru perioada curenta, si anume . Apoi este folosit in modelul de inventar multi-
obiectiv pentru a ajuta unitatiile din politica de inventar sa formeze si sa in final sa realizeze
optimizarea SC.