Multi-objective algorithms for optimal product line design

Abstract

Introducing new products has an important role in sustainability and profitability of a firm. Product Line Design (PLD) is a key decision area that product managers have to deal with in the early stages of product development, to estimate the potential success of a product. Even though several objectives may be simultaneously pursued during the product configuration process, most reported studies have focused on single-objective optimization. In this research, the multi-objective PLD (MOPLD) problem is addressed, by taking into account more than one objectives, to provide product managers with a better tradeoff among them, using 23 variants of seven state-of-the-art metaheuristics. The seven main multi-objective metaheuristics used in this research are Genetic Algorithms (GAs), Particle Swarm Optimization (PSO), Firefly Algorithm (FA), Differential Evolution (DE), Grey Wolf Optimizer (GWO), Teaching-Learning Based Optimization (TLBO) and Mayfly Algorithm (MA). Those seven multi-objective algorithms are fully adapted to the MOPLD problem, using popular diversity controlling operators, as well as using an extended to multi-objective optimization Fuzzy-Self-Tuning (FST) process. The purpose of the FST process, is to help the algorithms overcome specific difficulties when performing on different datasets, using the same parameter settings, by calculating the settings of parameters independently for each individual during the optimization process. The 23 variants are compared with each other, through popular performance metrics when it comes to multi-objective optimization, using two types of data sets, under five different MOPLD scenarios, without knowing the specific number of products. Moreover, factors affecting the performance of optimizers are investigated using statistical analysis. Finally, a multi-criteria decision analysis method is used to rank solutions according to the needs of product managers, and an attempt to estimate the possible moves of the competitors, is made.

Οι τακτικές που υιοθετούν οι παραγωγικές μονάδες για την εισαγωγή νέων και καινοτόμων προϊόντων στην αγορά, αποτελούν σημαντικό παράγοντα οικονομικής ανάπτυξης, κυριαρχίας, και εν γένει, βασικό συντελεστή βιωσιμότητας της επιχειρησιακής τους δραστηριότητας. Στην κατεύθυνση αυτή, ο σχεδιασμός μιας γραμμής προϊόντων αποτελεί μια καίρια επιχειρησιακή λειτουργία, για την a priori εκτίμηση της πιθανής της επιτυχίας, μιας και συνδέεται άμεσα τόσο με την κερδοφορία της επιχείρησης όσο και με τη διαμόρφωση του μεριδίου σε ανταγωνιστικές συνθήκες αγοράς. Παρόλο που τα προϊόντα αυτά μπορεί να κατασκευαστούν σύμφωνα με πολλά κριτήρια, οι περισσότερες προσεγγίσεις επικεντρώνονται στη βελτιστοποίηση ενός μονάχα κριτηρίου. Υπό την οπτική αυτή, η παρούσα διδακτορική μελέτη διαπραγματεύεται το πρόβλημα του βέλτιστου σχεδιασμού γραμμών προϊόντων, λαμβάνοντας υπόψη περισσότερα από ένα κριτήρια, χρησιμοποιώντας 23 παραλλαγές από επτά μεθευρετικούς πολυκριτήριους αλγορίθμους μαθηματικής βελτιστοποίησης. Οι επτά αυτοί πολυκριτήριοι αλγόριθμοι βελτιστοποίησης είναι οι Γενετικοί Αλγόριθμοι, ο Αλγόριθμος Βελτιστοποίησης Σμήνους Σωματιδίων, ο Αλγόριθμος Πυγολαμπίδας, ο Αλγόριθμος Διαφορικής Εξέλιξης, ο αλγόριθμος Γκρίζων Λύκων, η Βελτιστοποίηση βάσει Διδασκαλίας-Μάθησης και ο αλγόριθμος βελτιστοποίησης Εφημεροπτέρων. Αυτοί οι επτά πολυκριτήριοι αλγόριθμοι προσαρμόζονται πλήρως στο πολυκριτήριο πρόβλημα του βέλτιστου σχεδιασμού, χρησιμοποιώντας δημοφιλείς μηχανισμούς ελέγχου ποικιλομορφίας μη-κυριαρχούμενων λύσεων, και αυτόματης παραμετροποίησης. Σκοπός της αυτόματης παραμετροποίησης, είναι ο υπολογισμός των παραμέτρων ανεξάρτητα για κάθε λύση, κατά τη διάρκεια της βελτιστοποίησης, για να βοηθήσει τους αλγόριθμους να ξεπεράσουν συγκεκριμένες δυσκολίες κατά την εκτέλεση σε διαφορετικά σύνολα δεδομένων. Οι 23 παραλλαγές αυτές συγκρίνονται μεταξύ τους, μέσω δημοφιλών μετρικών απόδοσης πολυκριτήριων αλγορίθμων, χρησιμοποιώντας δύο διαφορετικά σύνολα δεδομένων μέσα από πέντε διαφορετικά σενάρια, χωρίς να είναι γνωστός ο ακριβής αριθμός των προϊόντων. Επιπλέον, οι παράγοντες που επηρεάζουν την απόδοση των αλγορίθμων διερευνώνται χρησιμοποιώντας στατιστική ανάλυση. Τέλος, χρησιμοποιείται μια μέθοδος πολυκριτήριας λήψης αποφάσεων με σκοπό την κατάταξη των λύσεων σύμφωνα με τις ανάγκες και γίνεται προσπάθεια εκτίμησης των πιθανών κινήσεων των ανταγωνιστών.