Approvisionnement coordonné avec demande dynamique et

coût commun de commande

Mélissa Levasseur, Fayez F. Boctor et Jacques Renaud
Centre de recherche sur les technologies de l’organisation réseau, Faculté des sciences de l’administration
Université Laval, Québec

Résumé. Le problème d’approvisionnement coordonné implique trois types de coût : le coût

commun de commande qui ne dépend pas de la composition de la commande, les coûts
individuels de commande qui dépendent des types d’articles inclus dans la commande et les
coûts de stockage. Ce problème a fait l’objet de plusieurs recherches qui font l’hypothèse que le
coût commun de commande ne dépend pas de la quantité commandée mais est plutôt un coût
fixe. Dans cette recherche nous traitons dans un premier temps le cas où le coût commun de
commande est une fonction par paliers de la quantité commandée. Cela reflète davantage la
structure de ce coût dans le cas où l’entreprise utilise sa flotte interne pour effectuer le transport.
Dans un deuxième temps, nous traitons le cas où le coût commun de commande est une fonction
linéaire par morceaux. Cette fonction est habituellement utilisée lorsque l’entreprise fait appel
aux services d’un transporteur public. Nous proposons une formulation mathématique pour ces
deux versions du problème et adaptons six heuristiques originalement conçues pour traiter le cas
où le coût commun est fixe. Pour évaluer leur performance, nous avons utilisé les méthodes de
résolution ainsi que les formulations mathématiques proposées pour résoudre sept cent vingt
problèmes générés aléatoirement. Les résultats de ces tests sont présentés.

Mots-clé : Conception et pilotage des chaînes logistiques, approvisionnement coordonné,

demande dynamique, heuristiques.

1. Introduction
Afin de demeurer concurrentielles, les entreprises doivent continuellement offrir des articles de
haute qualité à des prix compétitifs. Pour y parvenir, elles doivent réduire les coûts de chacune
des composantes de leur chaîne logistique. Du côté des approvisionnements, les entreprises
doivent diminuer le coût des matières premières ainsi que le coût des opérations
d’approvisionnement. L’approvisionnement coordonné de plusieurs articles est une solution qui
peut contribuer à cet objectif. Il s’agit de gérer simultanément une famille d’articles achetés chez
un même fournisseur ou transportés conjointement.

L’approvisionnement coordonné procure plusieurs avantages économiques et logistiques aux

entreprises. Selon Silver et al. (1998), avec le regroupement de plusieurs articles dans une même
commande, les coûts annuels de réapprovisionnement sont réduits. En effet, des économies
peuvent être réalisées sur le coût unitaire d’achat, les coûts de stockage, de transport et de
commande. En plus, lorsque la valeur de la commande atteint un certain montant, les
fournisseurs peuvent offrir des escomptes sur les quantités. Selon Jayarama et Tabucanon
(1984), les économies ainsi réalisées se situent entre 13,25% et 29,18% selon le nombre
d’articles.
2. Définition et formulation du problème
Le problème d’approvisionnement coordonné de plusieurs articles avec demande dynamique
consiste à déterminer les périodes de commande ainsi que le nombre d’unités commandées pour
tous les types d’articles afin de satisfaire les demandes sans arrérage ou rupture de stock. Ce
problème implique N types d’articles et trois types de coût : le coût commun de commande (dit
coût majeur), qui ne dépend pas de la composition de la commande, les coûts individuels de
commande (dits coûts mineurs ou coûts de ligne), qui dépendent des types d’articles inclus dans
la commande, et les coûts de stockage. Le coût commun de commande représente généralement
le coût de transport des articles commandés. Le coût d’achat des articles est non pertinent dans
cette étude puisqu’il ne varie pas dans le temps ni en fonction des quantités achetées. Ce
problème a fait l’objet de plusieurs recherches qui font l’hypothèse que le coût commun de
commande ne dépend pas de la quantité commandée mais est plutôt un coût fixe.

Dans le cadre de cette recherche, et afin d’être plus près de la réalité observée dans les
entreprises, nous avons premièrement étudié le cas où le coût commun de commande est une
fonction par paliers de la quantité commandée (nous parlerons de quantité ou de poids de façon
équivalente). Cela reflète davantage la structure de ce coût dans le cas où il s’agit du coût de
transport des articles commandés et où l’entreprise utilise sa flotte interne pour effectuer ce
transport. Lorsqu’une entreprise utilise deux ou plusieurs types de camions, deux ou plusieurs
paliers seront nécessaires pour illustrer les différentes combinaisons de coûts fixes
envisageables. Tel qu’illustré à la Figure 1, un coût fixe Ks correspond à une combinaison
quelconque, représentée par un palier, de camions permettant de transporter la quantité
commandée à un coût minimum.

K3

K2

K1

Qté
b1 b2

FIGURE 1. COÛT COMMUN DE COMMANDE

VARIABLE EN PALIERS

Dans un deuxième temps, le cas où le coût commun de commande est une fonction linéaire par
morceaux est abordé. Cette structure représente le coût de transport des articles commandés
lorsque l’entreprise fait appel à une flotte externe (en charges partielles) pour effectuer le
transport. Tel qu’illustré à la Figure 2, un coût fixe ou variable Ks est attribué à chaque morceau.
 $
K4

K3

K2

K1

Qté
b0 b1 b2 b3 b4 b5 b6

FIGURE 2. COÛT COMMUN DE COMMANDE

LINÉAIRE PAR MORCEAUX

Dans les deux cas, le coût commun de commande ne dépend pas des types d’articles inclus dans
la commande tandis que le coût individuel de commande de l’article i, noté k i, est encouru
seulement lorsque cet article est commandé. La demande nette est déterministe, dynamique
(varie dans le temps) et s’étale sur un horizon composé de T périodes. Notons dit la demande
nette du type d’article i pour la période t. L’objectif de ce problème est de déterminer les
quantités x it à commander de chaque type d’articles i pour chaque période t de façon à minimiser
la somme des coûts de commande et de stockage sur l’horizon de planification.

Pour formuler le problème, nous utilisons la notation suivante. Pour chaque article i ∈ {1, 2, …,
N}, chaque palier du coût commun de commande s ∈ {1, 2, …, M} et chaque période t ∈ {1, 2,
…, T} :

dit Demande nette de l’article i pour la période t, dit ≥ 0;

Kst Coût commun de commande. Ce coût dépend de la quantité commandée;
kit Coût individuel de commande si l’article i est inclus dans la commande de la période t;
hit Coût unitaire de stockage de l’article i à la période t;
pi Poids unitaire de l’article i;
bs Borne supérieure du palier s;
xit Nombre d’unités de l’article i commandées pour la période t;
Iit Stock de l’article i à la fin de la période t;
zst Variable binaire qui indique la passation ou non d’une commande pour la période t et que
la quantité commandée correspond au palier s;
yit Variable binaire qui indique si un lot de l’article i est inclus dans la commande de la
période t.

Le problème s’écrit alors :

 ∑ ∑ K st z st + ∑ (k it y it + hit Iit )
T M N 
Minimiser : (1)
t =1  s=1 i =1 
Sujet aux contraintes :
Iit-1 + x it = Iit + dit i = 1, …, N; t = 1, …, T (2)
 T 
xit ≤  ∑ dir  yit i = 1, …, N; t = 1, …, T (3)
 r=t 
N M

∑y it ≤ N ∑ z st t = 1, …, T (4)
i =1 s =1
N M

∑p x i it ≤ ∑ bs z st t = 1, ..., T (5)
i =1 s =1
M

∑z st ≤1 t = 1, ..., T (6)
s =1

zst, yit ∈ {0, 1} s = 1, ..., M; i = 1, …, N; t = 1, ..., T (7)

Iit, x it ≥ 0 i = 1, …, N; t = 1, …, T (8)

Pour formuler le problème d’approvisionnement coordonné de plusieurs articles avec demande

dynamique et avec un coût de commande linéaire par morceaux, la notation suivante est
employée. Pour chaque article i ∈ {1, 2, …, N}, chaque morceau s ∈ {1, 2, …, M} et chaque
période t ∈ {1, 2, …, T} :

dit Demande nette de l’article i pour la période t, dit ≥ 0;

Kst Coût de la borne inférieure ou supérieure du morceau s. Ce coût n’est pas dépendant des
articles commandés, mais de la quantité commandée;
kit Coût individuel de commande si l’article i est inclus dans la commande de la période t;
hit Coût unitaire de stockage de l’article i à la période t;
pi Poids unitaire de l’article i;
bs Borne du morceau s;
xit Nombre d’unités de l’article i commandées pour la période t;
Iit Stock de l’article i à la fin de la période t;
wst Variable binaire qui indique quel morceau s est utilisé à la période t, si une commande est
lancée;
yit Variable binaire qui indique si un lot de l’article i à la période t est inclus dans la
commande;
ust Variable correspondant à la borne inférieure de chaque morceau;
vst Variable correspondant à la borne supérieure de chaque morceau.

Le problème s’écrit alors :

M 
∑ ∑ (K ) ( )
T N
Minimiser : s −1 ,t u st + K st v st + ∑ k it y it + hit I it  (9)
t =1 s =1 i =1 
Sujet aux contraintes :
Iit-1 + x it = Iit + dit i = 1, …, N; t = 1, …, T (10)
 T 
xit ≤  ∑ dir  yit i = 1, …, N; t = 1, …, T (11)
 r=t 
N M

∑ y it ≤ N ∑w st t = 1, ..., T (12)
i =1 s =1

( )
N M

∑p x i it = ∑ bs−1, t u st + bst v st t = 1, ..., T (13)

i =1 s =1
M

∑w st ≤1 t = 1, ..., T (14)
s =1

u st + v st = wst s = 1, ..., M; t = 1, ..., T (15)

wst ∈ {0, 1} s = 1, ..., M; t = 1, ..., T (16)
yit ∈ {0, 1} i = 1, …, N; t = 1, ..., T (17)
Iit, x it ≥ 0 i = 1, …, N; t = 1, …, T (18)
ust, v st ≥ 0 s = 1, ..., M; t = 1, …, T (19)

3. Revue de la littérature

À notre connaissance, les deux versions du problème d’approvisionnement coordonné de

plusieurs articles avec demande dynamique sans contrainte de capacité étudiées ici n’ont pas
encore fait l’objet d’aucune publication, excepté la contribution de Martel, Rizk et Ramudhin
(2002) qui propose l’utilisation de la relaxation lagrangienne dans le cadre d’un algorithme de
séparation et d’évaluation progressive. La difficulté avec cette approche est qu’ il est laborieux de
la mettre en œuvre. Par contre, plusieurs chercheurs ont étudié le problème d’approvisionnement
avec un coût commun de commande fixe. Aksoy et Erenguc (1988) ont publié une revue de la
littérature traitant des versions déterministe et stochastique du problème.

Zangwill (1966) et Veinott (1969) ont été les premiers à investiguer les problèmes
d’approvisionnement coordonné de plusieurs articles avec demande dynamique. Les approches
de résolution proposées par Zangwill (1966), Veinott (1969), Kao (1979), Silver (1979) et
Haseborg (1982) sont basées sur la programmation dynamique, tandis que celles de Erenguc
(1988), Federgruen et Tzur (1994), Kirca (1995) et Robinson et Gao (1996) sont basées sur la
méthode de séparation et d’évaluation progressive (branch and bound). La plus récente
contribution à ce problème revient à Boctor et al. (2003) qui proposent deux nouvelles
formulations mathématiques basées sur la programmation linéaire dont les temps de résolution
sont significativement inférieurs à ceux de la formulation classique.

Kao (1979) est le premier à proposer une heuristique itérative pour résoudre le problème
d’approvisionnement coordonné. D’après l’auteur, il n’est pas évident de déterminer le nombre
d’itérations nécessaires pour la résolution d’un problème avec plus de deux articles. Fogarty et
Barringer (1987) présentent une heuristique, simple et facile à utiliser, basée sur la
programmation dynamique. Cette méthode est une extension de l’algorithme de Wagner et
Whitin (1958) et de la procédure de Fordyce et Webster (1984). Selon Silver et Kelle (1988),
l’inconvénient de l’heuristique précédente est qu’elle impose que chaque commande doit inclure
la demande de tous les articles entre la période de la commande et celle de la commande
suivante. Silver et Kelle (1988) proposent une méthode pour améliorer la solution en relaxant
cette restriction.

Atkins et Iyogun (1988) proposent une adaptation de l’heuristique de Silver et Meal (1979)
originalement conçue pour la résolution de problèmes d’approvisionnement à un seul article.
Iyogun (1991) propose une deuxième adaptation de cette même heuristique ainsi que deux
adaptations de l’heuristique dite d’équilibrage pièce-période. Joneja (1990) propose une nouvelle
heuristique itérative semblable à celle de Atkins et Iyogun (1988) et la compare avec celle de Kao
(1979). La déviation moyenne de cette dernière par rapport à l’optimum est faible lorsque la taille
des familles est petite tandis que celle de Joneja (1990) donne de meilleurs résultats lorsque le
nombre d’articles est grand. Federgruen et Tzur (1994) proposent la méthode d’ajout gloutonne.
Chung et Mercan (1994) présentent une heuristique basée sur la programmation dynamique et
évaluent sa performance en comparant ses solutions aux solutions optimales obtenues par la
méthode de Erenguc (1988).

Boctor et al. (2003) ont testé plusieurs heuristiques pour le problème d’approvisionnement
coordonné de plusieurs articles avec demande dynamique en plus d’en proposer une nouvelle.
Une analyse comparative est également effectuée. De toutes les heuristiques existantes, la plus
performante est celle de Fogarty et Barringer (1987). Boctor et al. (2003) proposent une
heuristique basée sur la technique de perturbation qui surclasse toutes les méthodes existantes. À
ce jour, cette méthode permet d’obtenir la déviation moyenne par rapport à l’optimum la plus
faible, soit 0,014%.

4. Approches de résolution proposées

Nous avons adapté cinq heuristiques connues (Fogarty et Barringer, 1987; Silver et Meal, 1973;
De Matteis et Mendoza 1968; Federgruen et Tzur, 1994; Boctor et al., 2003) pour prendre en
compte les deux nouvelles formes de la fonction du coût commun de commande. De plus, nous
avons adapté la méthode d’amélioration de Silver et Kelle (1988).

Les approches de résolution proposées sont les mêmes pour les deux versions du problème
d’approvisionnement coordonné de plusieurs articles avec demande dynamique, soit le cas où le
coût commun de commande est variable en paliers ou est linéaire par morceaux. Seul le calcul du
coût commun de commande diffère.

L’heuristique de Fogarty et Barringer (1987) est très simple à utiliser et est une extension de
l’algorithme de programmation dynamique de Wagner et Whitin (1958). Le problème est
simplifié en exigeant que lorsqu’une commande est lancée, cette dernière doit couvrir toutes les
demandes de tous les articles jusqu’à la commande suivante. Ainsi, la solution optimale du
problème simplifié est obtenue en solutionnant le programme dynamique suivant :

f t = min { f q−1 + cqt }

q≤t
(t = 2,..., T );
avec :
 N  n
f 1 = K1  ∑ pi di1  z1 + ∑ ki1 yi1
 i=1  i =1

 N t
 n t r −1
cqt = K q  ∑ pi ∑ d ir  z q + ∑ {k iq yiq + ∑ d ir (∑ hik )}
 i=1 r =q  i =1 r = q +1 k=q
n t
z q = 1 si ∑ ∑d ir > 0, et z q = 0 autrement.
i =1 r= q
t
yiq = 1 si ∑ d ir > 0, et yiq = 0 autrement.
r= q

Où Kq (Q) est le coût commun de commande correspondant à la quantité Q pour la période q.

L’adaptation de l’heuristique de Silver et Meal (1973) cherche à minimiser le coût pertinent total
par période. Pour déterminer la taille de la commande à passer pour une période L, l’heuristique
calcule le coût total par période si la commande couvre la demande jusqu’à la période L, L+1, …
et jusqu’à la période t où le coût total par période dépasse celui correspondant à la période t – 1.
Alors, la commande de la période L couvrira la demande jusqu’à la période t-1 et la commande
suivante est lancée à la période t. Si la dernière commande est lancée à la dernière période, alors
on compare cette option à celle de regrouper cette commande avec la précédente, et on choisie
celle qui donne le coût total le plus faible.

L’adaptation de l’heuristique d’équilibrage pièce-période de De Matteis et Mendoza (1968) est

similaire de celle de l’heuristique de Silver et Meal (1973) excepté qu’elle se base sur la
différence absolue entre le coût de stockage et le coût de commande au lieu d’utiliser le coût total
par période.

La méthode d’ajout gloutonne a été proposée par Federgruen et Tzur (1994). Initialement, une
commande est effectuée à la première période afin de couvrir la demande de tout l’horizon.
Ensuite, toutes les possibilités de commander à une autre période t sont envisagées et la
possibilité qui diminue le plus le coût total est retenue. Cette étape est ensuite répétée jusqu’à ce
qu’il soit impossible de diminuer le coût total davantage.

Boctor et al. (2003) proposent une méthode de réduction gloutonne qui est l’inverse de la
méthode d’ajout gloutonne. Tout d’abord, une commande est effectuée à chaque période où il y a
une demande nette positive. Ensuite, toutes les possibilités de regrouper une commande avec la
précédente sont envisagées. La possibilité qui diminue le plus le coût total est retenue. Les
possibilités de regrouper d’autres commandes sont ensuite calculées jusqu’à ce que le coût total
ne diminue plus.

La méthode d’amélioration de Silver et Kelle (1988) part d’un plan d’approvisionnement

quelconque et pour chaque article i = 1, …, N et chaque période où une commande est passée,
regarde si l’élimination de cette commande en la regroupant avec la précédente diminue le coût
total. Parmi les plans qui en résultent, retenir le meilleur et recommencer cette même étape
jusqu’à ce que le coût total ne diminue plus.
5. Résultats
Pour évaluer leur performance, nous avons utilisé ces heuristiques ainsi que les formulations
mathématiques proposées pour résoudre un bassin de problèmes générés aléatoirement. Ces
problèmes sont divisés en quatre groupes selon leur taille avec N = 10 et 20 articles et T = 13 et
26 périodes. Chacun de ces groupes est à nouveau divisé en six sous groupes en fonction de la
répartition des coûts individuels de commande et du comportement de la demande. Un total de
vingt-quatre groupes sont créés renfermant chacun 30 problèmes. Trois différentes fonctions de
coût commun de commande sont ensuite appliquées à ces 720 problèmes, soit deux paliers, trois
paliers et linéaire par morceaux ce qui procure 2 160 problèmes (les détails sur la génération des
problèmes peuvent être obtenus dans Boctor et al, 2003 et Levasseur, 2003). La solution optimale
de chaque problème a été obtenue à l’aide du logiciel Cplex 8.0. Le langage de programmation
Pascal a été utilisé pour la programmation des approches de résolution proposées. Les déviations
moyennes par rapport à l’optimum sont présentées au Tableau 1. Les temps de résolution sont
présentés au Tableau 2.

TABLEAU 1. POURCENTAGES DES DÉVIATIONS MOYENNES PAR RAPPORT À L’OPTIMUM

Deux paliers Trois paliers Linéaire par morceaux
Heuristique Après Silver Heuristique Après Silver Heuristique Après Silver
seule et Kelle seule et Kelle seule et Kelle

Fogarty et Barringer 0,88 0,57 0,86 0,59 0,23 0,05

Silver et Meal 1,92 1,52 1,86 1,45 1,24 1,01

Méthode d’ajout
gloutonne 2,51 1,92 2,39 1,81 2,06 1,63
Méthode de
réduction gloutonne 2,62 2,46 2,56 2,07 2,13 1,74
Équilibrage pièce-
période 4,84 4,65 4,90 4,64 4,84 4,70

D’après les résultats du Tableau 1, nous pouvons conclure que l’heuristique de Fogarty et
Barringer (1987) est la meilleure pour les deux versions du problème, soit dans le cas où le coût
commun de commande est variable en paliers ou soit dans le cas où le coût commun de
commande est linéaire par morceaux. Les résultats détaillés de chaque heuristique pour chacun
des 24 groupes de problèmes et pour chacune des fonctions de coûts sont disponibles dans
Levasseur (2003).

Le Tableau 2 présente les temps de résolution moyens pour chacun des ensembles de 720
problèmes. On constate que les temps de résolution des heuristiques sont pratiquement
négligeables. Le temps moyen pour obtenir les solutions optimales est raisonnable bien qu’il
varie sensiblement en fonction de la taille des problèmes et du nombre de paliers dans la fonction
de coûts.
 TABLEAU 2. LES TEMPS DE RÉSOLUTION EN SECONDES
Deux paliers Trois paliers Linéaire par morceaux

Heuristique Après Silver Heuristique Après Silver Heuristique Après Silver

seule et Kelle seule et Kelle seule et Kelle
Solution optimale
(CPLEX 8.0) 351,16 - 2520,76 - 230,64 -

Fogarty et Barringer 0,00 0,00 0,00 0,00 0,00 0,00

Silver et Meal 0,00 0,00 0,00 0,00 0,00 0,00

Méthode d’ajout
gloutonne 0,01 0,01 0,00 0,01 0,01 0,01
Méthode de
réduction gloutonne 0,02 0,01 0,02 0,00 0,02 0,01
Équilibrage pièce-
période 0,00 0,00 0,00 0,00 0,00 0,00

6. Références

Aksoy, Y. et S. S. Erenguc (1988). Multi- item Inventory Models with Co-ordinated

Replenishments: A Survey. International Journal of Operations & Production Management,
8, 1, 63-73.
Atkins, D. R. et P. O. Iyogun (1988). A Heuristic with Lower Bound Performance Guarantee for
the Multi-Product Dynamic Lot-Size Problem. IIE Transactions, 20, 4, 369-373.
Boctor, F. F., G. Laporte et J. Renaud (2003). Models and algorithms for the dynamic-demand
joint replenishment problem. Document de travail du Centre de recherche sur les
technologies de l’organisation réseau (CENTOR).
Chung, C.-S. et H. M. Mercan (1994). Heuristic Procedure for a Multiproduct Dynamic Lot-
Sizing Problem with Coordinated Replenishments. Naval Research Logistics, 41, 2, 273-286.
De Matteis, J. J. et A. G. Mendoza (1968). An economic lot sizing technique: The part period
balancing algorithm, IBM systems Journal, 7, 1, 30-46.
Erenguc, S. S. (1988). Multiproduct Dynamic Lot-Sizing Model with Coordinated
Replenishments. Naval Research Logistics, 35, 1, 1-22.
Federgruen, A. et M. Tzur (1994). The Joint Replenishment Problem with Time-Varying Costs
and Demands : Efficient, Asymptotic and ε-Optimal Solutions. Operations Research, 42, 6,
1067-1086.
Fogarty, D. W. et R. L. Barringer (1987). Joint Order Release Decisions under Dependent
Demand. Production and Inventory Management, 28, 1, 55-61.
Fordyce, J. M. et F. M. Webster (1984). The Wagner-Whitin Algorithm Made Simple.
Production and Inventory Management, 25, 2, 21-29.
Haseborg, F. T. (1982). On the Optimality of Joint Ordering Policies in a Multi-Product Dynamic
Lot Size Model with Individual and Joint Set-Up Costs. European Journal of Operational
Research, 9, 1, 47-55.
Iyogun, P., 1991, Heuristic Methods for the Multi-Product Dynamic Lot Size Problem. Journal of
the Operational Research Society, 42, 10, 889-895.
Joneja, D. (1990). The Joint Replenishment Problem: New Heuristics and Worst Case
Performance Bounds. Operations Research, 38, 4, 711-723.
Jayarama, R. et M. T. Tabucanon (1984). Coordinated Versus Independent Replenishment
Inventory Control. International Journal of Operations & Production Management, 4, 61.
Kao, E. P. C. (1979). A Multi-Product Dynamic Lot-Size Model with Individual and Joint Set-Up
Costs. Operations Research, 27, 2, 279-289.
Kirca, Ö. (1995). A primal-dual algorithm for the dynamic lot sizing problem with joint set-up
costs. Naval Research Logistics, 42, 5, 791-806.
Levasseur, M. (2003). Approvisionnement coordonné de plusieurs articles avec demande
dynamique et coût commun de commande. Essai de maîtrise, Université Laval.
Martel, A., N. Rizk et A. Ramudhin, 2002, A lagrangean relaxation algorithm for multi- item lot-
sizing problems with joint piecewise linear resource cost. Document de travail du Centre de
recherche sur les technologies de l’organisation réseau (CENTOR).
Robinson, E. P. et L.-L. Gao (1996). A dual ascent procedure for multiproduct dynamic demand
coordinated replenishment with backlogging. Management Science, 42, 11, 1556-1564.
Silver, E. A. (1979). Coordinated Replenishment of Items Under Time-Varying Demand:
Dynamic Programming Formulation. Naval Research Logistics Quarterly, 26, 1, 141-151.
Silver, E. A. et P. Kelle (1988). More On «Joint Order Release Decisions under Dependent
Demand». Production and Inventory Management, 29, 2, 71-72.
Silver, E. et H. Meal (1973). A heuristic selecting lot size requirements for the case of
deterministic time varying demand rate and discrete opportunities for replenishment,
Production and Inventory Management, 14, 64-74.
Silver, E. A., D. F. Pyke et R. Peterson (1998). Inventory Management and Production Planning
and Scheduling. Third edition, Wiley.
Veinott, A. F. (1969). Minimum Concave Cost Solutions of Leontief Substitution Models of
Multi-Facility Inventory Systems. Operations Research, 17, 262-291.
Wagner, H. M. and Whitin, T. M. (1958). A Dynamic Version of the Economic Lot Size Model.
Management Science, 5, 86-96.
Zangwill, W. I. (1966). A Deterministic Mult-Product Multi-Facility Production and Inventory
Model. Operations Research, 14, 486-507.