Multi-Echelon Inventory Optimization Using MonteCarlo Simulation

Abstract

Este proyecto aborda el problema de la optimización de inventarios en cadenas de suministro multi-echelon bajo incertidumbre. Los enfoques tradicionales basados en programación matemática suelen presentar limitaciones ante la complejidad y no linealidad de las redes reales. Para superar estas barreras, se propone una metodología híbrida que combina simulación Monte Carlo con algoritmos genéticos (GA) para la optimización robusta de parámetros.

El motor de simulación permite modelar de forma realista la variabilidad en la demanda y los lead times entre nodos, mientras que el GA explora configuraciones de inventario que minimizan el coste total y cumplen los niveles de servicio requeridos. La metodología se valida en distintas configuraciones de red utilizando una política de reabastecimiento (ROP, Q) con cantidad fija por pedido (Q), donde se optimiza el punto de pedido (ROP) en cada nodo.

Los resultados demuestran que el modelo es capaz de generar niveles de servicio intermedios de forma natural, sin necesidad de fijar umbrales predefinidos. Además, el sistema presenta buena capacidad de adaptación, interpretabilidad y eficiencia computacional, lo que lo convierte en una base sólida para futuras extensiones hacia estrategias de control de inventario más avanzadas.

This project addresses the challenge of inventory optimization in multi-echelon supply chains under uncertainty. Traditional mathematical programming approaches often struggle with the complexity and non-linearity of real-world networks. To overcome these limitations, a hybrid methodology is proposed, combining Monte Carlo simulation with Genetic Algorithms (GA) for robust parameter optimization.

The simulation engine realistically captures variability in demand and lead times between nodes, while the GA explores inventory configurations that minimize total cost while meeting service level requirements. The methodology is validated across different supply chain configurations using a fixed-order quantity replenishment policy, focusing on the optimization of decision variables that govern inventory positioning.

Results show that the model can naturally generate intermediate service levels without requiring predefined thresholds. The proposed system also demonstrates strong adaptability, interpretability, and computational efficiency, making it a solid foundation for future extensions toward more advanced inventory control strategies.