
Pojistná zásoba
Problémy tohoto typu se vyznačují rozhodujícím činitelem, který zpracovává několik optimalizačních kritérií najednou. Původní vícecílový kapacitní problém se stochastickou poptávkou (Tan a kol., 2007) je formulován jako minimalizace cestovní doby, počtu vozidel a motivující odměny pro řidiče.
Zde se pracuje s více cíli (např. minimalizace nákladů a rizika vyčerpání zásob) a současně se zohledňuje stochastická poptávka zákazníků, pro kterou je třeba zajistit pojistnou (rezervní) zásobu.
Tato varianta rozšiřuje klasický kapacitní problém se stochastickou poptávkou o dvě klíčové vlastnosti:
- Více optimalizačních kritérií, např.
- minimalizace očekávaných nákladů,
- minimalizace počtu vozidel,
- penalizace za selhání obsluhy (překročení kapacity),
- rovnoměrnost rozdělení zátěže (spravedlnost mezi trasami).
- Pojistná zásoba (safety inventory):
- část kapacity vozidla je vyhrazena jako rezerva pro neočekávané výkyvy v poptávce,
- využívá se při kumulativním překročení plánovaných hodnot,
- model umožňuje posoudit očekávané náklady a rizika pro různé úrovně rezervy.
Tento přístup navrhl mj. Juan et al. (2011) a je vhodný zejména v prostředí s vysokou variabilitou a důrazem na stabilitu řešení.
Zajímavost
- Pojistná zásoba je nástroj ke snížení rizika selhání obsluhy zákazníka.
- Dochází ke konfliktu mezi nižšími náklady na dopravu (méně vozidel, kratší trasy) a vyšší jistotou doručení.
- Vhodné pro scénáře s vysokou neurčitostí poptávky.
Praktické využití
- Rozvoz zboží s proměnlivou poptávkou (např. pekařské výrobky, zmrzlina).
- Léčiva a zdravotnické prostředky, kde je nedostatek nepřijatelný.
- Přepravní firmy zajišťující zásobování obchodů nebo automatů.

Metody řešení
- NSGA-II
- ALNS
- Programování s pravděpodobnostními omezeními
- Re-optimalizace s preventivní zásobou
- Simulace Monte Carlo
Varianta se zaměřuje na plánování tras tak, aby byly doručeny zásoby i při kolísající poptávce – optimalizuje se jak náklad, tak i riziko nedostatku. Pojistná zásoba pomáhá vyrovnávat nejistotu. Tento model výborně propojuje praktickou robustnost (pojistná zásoba) s vícekriteriálním rozhodováním, což z něj činí mimořádně užitečný nástroj pro moderní plánování tras v nejistém prostředí.
Zdroj:
[1] Tan, K., Cheong, C., Goh, C. (2007). Solving multiobjective vehicle routing problem with stochastic demand via evolutionary computation. European Journal of Operation Research, 177(2)
[2] Juan, A., Faulin, J., Grasman, S., Riera, D., Marull, J., & Mendez, C. (2011). Using safety stocks and simulation to solve the vehicle routing problem with stochastic demands. Transportation Research Part C: Emerging Technologies, 19(5).