《外文翻译约束理论和组合复杂的产品组合决策.doc》由会员分享，可在线阅读，更多相关《外文翻译约束理论和组合复杂的产品组合决策.doc（39页珍藏版）》请在三一办公上搜索。
1、 河 北 工 业 大 学毕业设计(论文)外文资料翻译学 院： 管理学院 系（专业）： 市场营销 姓 名： 杜娟 学 号： 081710 外文 出处：Brazilian School of Business and Public Administration, FGV, Praia de Botafogo 190/509, Rio de Janeiro 22257-970, Brazil指导教师评语： 签名： 年 月 日附 件： 1.外文资料翻译译文；2.外文原文。 附件1：外文资料翻译译文约束理论和组合复杂的产品组合决策摘要约束理论（TOC）建议，当生产被一个瓶颈限制时，最好的产品组合启发式是
2、在每约束使用的吞吐量的比例之上选择产品。然而，当生产仅限于对最终产品的整数数量是这些例子都不是真的。针对当前思想的四个事实在TOC本文证明。例如，有例其中最佳的产品组合包括与最低的产品利润率和产品吞吐量每约束时间的比率是最低的，同时违反保证金启发式算法和目录派生启发式的。这种故障是由于非多项式完整性（NP完全性）的产品组合决策问题，也要在这里证明。2009爱思唯尔B.V.所有权利保留1、介绍约束理论（TOC）是一个显着成功经营理念，围绕的想法集中管理注意本地约束抑制全球整个系统性能（高德拉特和Cox，1984;高德拉特和福克斯，1986;高德拉特1990a，b）条。在过去的二十年中，随着组织高
3、德拉特研究所和在俄亥俄州代顿的TOC中心的创立，它已经聚集了许多势头。它也催生 了巴勒斯坦被占领土，如主机产品（用于优化）软件和创新的畅销书管理小说。黑石集团（2001）回顾一些其核心理念和应用领域。我们的研究重点将是对问题选择最佳的产品组合，根据被视为比传统做法有所提高的TOC方法（Gupta等人，2002年;记和Schmidt，2000; Wahlers和考克斯，1994年）。考虑到有一系列产品的设施建立，但没有能力（即一个固定的时间跨度）以满足他们的需求。让我们假设该设施必须处理整数数量最终产品。在这种情况下，产品结构决定，优先考虑一些明显的权衡在牺牲别人的产品线。传统的选择产品组合的方
4、法给出选择有个别产品最高的产品优先级较高的利润率，不顾瓶颈的时间耗费（BN（S）;高德拉特1990a，B;高德拉特和Cox，1984;黑石集团，2001年; Lea和弗雷登道尔，2002年，帕特森，1992年）。让我们把这个方法叫做保证金启发式。 然而TOC建议该产品线的选择要根据每系统约束的时间花费的吞吐量的比例。让我们看看作为这种方法的TOC派生启发式。启发式已正式表示在众多的TOC出版物（高德拉特，1990a，B;高德拉特和Cox，1984年，黑石集团，2001年; Lea和弗雷登道尔，2002年，1992年，帕特森）。弗雷登道尔和Lea（1997）建议，后高德拉特和Cox（1984），
5、以下产品组合启发式。1.1、TOC的派生产品组合启发式“第1步：确定系统的约束：（a）计算每个资源所需的负载生产的所有产品。约束或瓶颈是其市场需求超过其能力的资源。步骤2：决定如何利用系统的约束：（a）计算每个边际贡献（CM）产品的销售价格减去原料（RM）的费用;（b）计算CM产品的比例上BN资源（厘米/ BN）的处理时间;（c）在产品的“CM/ BN，储备降序排列国民能力建设的产品，直到国民耗尽资源的能力;（d）计划生产的所有产品，不需要处理BN（即自由的产品）他们CM（弗雷登道尔和Lea，1997年，1535年至1536年）。有人认为，当最初的建议，这TOC的派生启发式将获得最佳产品组合。
6、例如，继上述推理，黑石集团（2001）建议推断战略销售：“什么销售佣金的最好基础;是一个销售人员强调的对公司来说最有利可图的项目吗？如果说，吞吐量每约束分钟给自己一个黄金星。但你知道有多少公司实际使用它呢？难道是几乎每个公司可以通过重组销售和产品组合获得更多的钱吗？（黑石集团，2001年，p.1063）。事实上，当产量不允许被分割时时确实能得到最佳解决方案。然而，李和Plenert（1993）的研究清楚地表明（比较产品混合得到那些TOC派生启发式整数线性规划），有一个积极TOC的派生启发式失败的概率在寻找最佳的产品组合生产时整数数量的情况下，必须做多个制约资源。这些有趣的结果推出系列研究改进提
7、高政策（弗雷登道尔和Lea，1997年，许涌，1998年），如遗传算法等先进的启发式（Onwubo卢和2001A，Mutingi，B）和禁忌搜索（Onwubolu2001年）的情况下为多种资源约束提供新的产品组合的方法。aryanezhad和Komijan（2004）提出了一种改进算法多个BN案件。维文和郑（2000年）的关系问题，TOC的启发式线性规划。 Bhattacharya等 （2008）提出超过其模糊线性规划问题的方法。米什拉等人 （2005年）已经开发出一种禁忌搜索和模拟退火的混合方法。Patterson（1992年）比较经典的TOC的启发式会计惯例。辛格等（2006）的方法工程对
8、人工免疫系统的原则和“行为理论，即马斯洛的需求层次理论”。最后，王等人（2008年）也可以使用免疫基础的方法，如自适应调节和接种疫苗。多重BNs解决方法的论述正在迅速成长。毕竟，plenert（1993年）证明了超过15年TOC的派生产品组合启发式多约束资源的不足。但事实上这种情况比它看起来的样子更复杂。我们会看到，问题是高组合复杂。本文的研究目标是更好地理解问题的本质。如果问题是NP完全问题，我们研究的问题，这会解释为何已经提出了很多启发式对于这个问题，因为，在这种情况下，没有算法能大量实例计算最佳的解决方案。我们必须使用先进的启发式。以下事实去直接针对目前TOC的文学思想和本文证明。事实1
9、、在有些情况下，在TOC的派生启发式甚至无法与一个单一的BN。事实2、在有些情况下，在TOC的派生启发式未能获得更高的利润比传统产品保证金启发式。事实3、在有些情况下，在优化产品结构包括与最低的产品利润和产品每吞吐量的比率是最低的时间约束，违反了双方传统的启发式和TOC的派生的启发。事实4、有充分理由相信，一个有效和最佳的启发式是根本不可能的。2、黑石（2001年）例子的回顾让我们开始讨论黑石集团（2001）的例子。图1提出了一个假设的设施能生产三种产品：产品X，产品Y，产品Z.产品X的售价为90元，每周50个单位的需求，产品Y的售价为100元，每周75个单位的需求，产品Z售价70美元每周并有
10、100个需求。该工厂拥有5个工作站（AE）和产品设计从四个RMS的类型（RM1，RM2，RM3，RM4）。X的生产开始于两个单位RM2在处理站A10分钟各一个。其中之一是在处理站C处理15分钟，而另一个早处理站D也为15分钟。这些材料然后加入，连同1单位的RM1，在站E，5分钟的处理过程。因此，X具有材料成本40元。Y的生产开始于一个单元的RM2在A站处理10分钟，一个单位RM3在站B站也处理10分钟。 A站后完成后产生的物质再在站D处理15分钟到站E再处理另外10分钟。 B站处理RM3后，由此产生的材料被送到车C（5分钟）和D（10分钟），并最终加入RM2产生的材料，在站E经过10分钟的处理
11、。材料成本为Y等于$ 30。产品Z由一单位的RM3和一单位的RM4组成，RM3最初在B处理10分钟，然后在C处理5分钟，在D处理10分钟，在E处理5分钟，然后加入在A处理过5分钟的RM4，Z的材料成本为25美元。谨慎的读者可能已经注意到，黑石集团的文件中有一些不正确的数据。例如，在该文件中，图6表明，产品Z需要在站C处理15分钟，而下一张图，这个数字仅5分钟。从文章中的数据时不可能正确的，但这并不影响任何形式的讨论。在这里我们指黑石集团（2001）的图7中矩阵中的数据，而不是黑石集团（2001）图6中的设施计划。因此，我们可以从表1中得到工作站负载的结论，可得到工作站D没有足够的生产能力，这显
12、然使得它站D成为制度约束。现在必须作出决定 - 应产生哪些产品？这是BN下的一个产品组合问题。该系统的运行成本10元劳动每小时开销每小时30美元，每周8000美元的成本，5个工作站每周运转40小时。然而，如果我们打破这些费用，不同产品的利润率不同。表1给出了黑石集团（2001）单位产品的劳动力成本和间接费用，其中，当加入RM的成本，让我们获得的产品缘产品X-Z。根据传统的观点来看，黑石认为，公司往往将边际利润比较低的产品成为狗类产品，边际利润高的成为明星产品。根据该产品的利润率启发式，公司应该更愿意生产的所有需求的75由52个单位，单位产品Y（保证金：30美元），其次产品与未来最好的保证金，这
13、是Z（保证金：25美元）。其生产的只有52个单位的Z，而不是它的100个单位的整体需求，是由于约束BN,站D还是应该有5分钟可用容量，但我们可以假设，没有产品可以在此期限内，所以这个产品混合的基础上利润率，但亏损$410（见表2）。现在，这个决定（及其相关的亏损）不考虑到实际的产品上花费的时间约束。在这种情况下，具有最高的产品保证金也是使用率最高的产品。这个缺点是为什么TOC建议包括基于其相对比的产品每约束分钟的吞吐量。这一点在表3，产品Z,$4.50/min比，生产以满足其100个单位的总需求。这决定消耗1000min。下一个产品X，比率$3,33，也满足其总需求量50个单位，耗时750mi
14、n。随着剩余分钟，启发式分配BN成产产品Y，并有生产26单位的能力。这种新的产品组合产生8.820元，利润提高到每周820美元。在黑石集团（2001）有句话 - “这个例子强调证明，公司这样做，产品没有利润，基于“产品利润”进行决策，而忽略了产品的影响显然是最理想的。正确的决策变量确定产品结构为约束的吞吐量分钟（黑石集团，2001年，p.1062）。在下一节中，引入一个新产黑石集团的例子。这将让我们仔细看看这个启发式的每个约束时间的吞吐量。3、病理产品阿尔法介绍现在，让我们引入黑石集团的一个新产品（2001）例如，产品阿尔法。上一读，产品Alpha与已经提供的产品很不同。它的参数同产品X-Z的
15、参数明显不同。但这恰恰是这种情况显示了启发式的局限性，在此新的特殊情况。由病理产物（S），意味着产品，或一组产品，如果包括，将导致TOC的启发式次优的解决方案。产品阿尔法是昂贵的，售价为6630元（图2）。它是由2单位的RM3创造，它的原材料成本为30美元，需要在工作站D处理1650min。这意味着它增加了进一步的负担制度约束，只对系统的约束。“阿尔法每周需求是一个单一的单位。因此，如表4所示，工作站D对于BN的负载冲到了5275min。现在，如何选择产品的启发式基于其吞吐量比约束时间票价每在这种情况下呢？产品Z仍然会导致这个参数，以比约束分钟4.50元。其次是新产品，产品的Alpha比例为4
16、.00美元;然后由产品X（3.33美元的比率），终于（比$ 2.80）。所以的启发式告诉我们，开始生产履行所有产品Z.的需求，这将反过来要求亿1000min工作。后为Z的需求完成，BN将有1400min剩余。但是，这是没有足够的时间与未来的产品生产吞吐量每约束时间的最佳配比，由于产品阿尔法需要BN的时间1650min。因此，TOC衍生启发式要么会导致一个不可行的解决方案超过了国民的可用性，它会跳过生产的阿尔法和生产，一个相同的组合阿尔法前出台，其中，正如我们刚才可见，导致利润$ 820。但是，如果一个不最好的吞吐量比每生产项目以生产约束分钟，而度假村只产品阿尔法和产品X，总需求吞吐量的增长，转
17、向更高的利润1100元。（注意，这个较高的利润，假定经营费用固定为8000美元，但根据黑石（2001年），经营费用的基础上$ 1600元不需要站每星期，这项工作时间表B站所有。因此，如果经营成本，根据本计划下降到$6400，利润总额将增长上面看到的$ 820至$ 2700，只有通过选择不同的TOC的派生产品混合比指出启发式）。TOC中，针对当前思想文学和证明事实1，在给定的引入TION：在有些情况下，在TOC的派生启发式甚至无法与一个单一的资源约束（见表5）。所以看来显然是与TOC的问题派生启发式。持怀疑态度的读者未必相信和认为，“产品介绍阿法是太标新立异“，即它的参数是”太有别于以前的产品“
18、，和“它的不足和不切实际的性质这些数字，不知怎的，这种失败TOC的派生启发式“。这是情况并非如此（虽然阿尔法产品的数字确实显得相当人工）。 TOC的派生启发式不会导致最佳的产品混合在很多情况下更大的数目。为了澄清这个问题，让我们考虑在以下部分的最简单的可能的情况下催化剂TOC的派生启发式strophic失败。这将在隔离的问题，帮助我们弄清楚根本原因。4、讨论图3（一）提出了一套极其简单的情况下产品1，2，3，4，一个单一的工作站，和单室（价值100元）。我们的规划期内，A站的能力，是一个单一的工作一天，或8小时。 “每个最终产品销售价格，是一个直接的功能A站上花费的时间，需求天是一个产品一个产
19、品2，1，一个产品3一个产品4。由于这些产项目将需要19小时，车站，一个显然是一个系统约束，显然是唯一的一个。现在是什么最佳的产品组合？让我们来看看该产品的利润率在此启发和TOC的派生启发式票价特殊情况下。让我们首先考虑的产品组合的经典方法，选择产品的最高利润率第一（图3（b）项）。在这种情况下，由于所有产品均从RM派生，我们只需要选择与销量最高的产品价格，这是产品1。此产品将因此消耗A站6小时，和剩余的时间将没有足够的时间产生任何剩余要求项目。因此，总吞吐量将等于根据本启发式500美元。现在，通过使用TOC的派生启发式图。第3（c），我们将首先选择具有最高的产品吞吐量/约束时间的关系，原来这
20、种情况下，产品2，$110/小时的比率（比率较大超过100美元，剩余的所有项目）的比例。这产品将消耗A站时间5小时，并有不会有足够的时间，任何生产余下的项目，导致一个450元的总吞吐量。这表明事实2，有案件TOC的派生启发式失败，以获得更高的利润比传统产品的利润率启发式。现在，正是这种情况下的最佳启发式违反传统产品的利润率启发式TOC的启发式生产与项目最低的产品利润率和吞吐量的比例最低每约束时间！双方同时违反政策导致总吞吐量600元。这证明事实3，有这“最佳的产品组合包括与最低的产品产品利润率和吞吐量的比例最低，每约束时间，违反既有传统的启发式TOC的派生启发式。等原因unanticipate
21、d结果在下面的部分。5、这些失败的原因简单的例子在上一节带领读者到以下明显的结论：命题1、在一个有限的产品组合的选择设施是NP难的。证明：减少背包问题。为了证明，在一个产品组合的选择是NP-hard限制设施，它必须显示如何特别是多项式时间的最佳方法解决方案也将是能够解决一个已知的NP困难的问题（例如，解读彼得凯和约翰逊，1979年）。考虑下面的优化问题：我们是一麻袋一组值Vi和weightWi的N项。背包问题，要求我们选择项目的一个子集，最大限度地放在口袋中的项目的价值总和，而在于这些项目的加权总和，在大多数特定的阈值T（解读彼得凯和约翰逊，1979年）。这著名的问题是NP-难解决，这意味着有
22、没有已知的方法，将产生最佳一个有效的（多项式）的时间框架下的解决方案，作为一个函数N的这是很容易看到任何确切的方法，产品根据TOC的组合可以用来解决问题的背包问题。让我们考虑一个单一的生产设置英国国民（即A站）和N可能的产品。产品对应的项目（或不）放置在麻袋，因此，每个项目，让我们创建一个相应的产品。由于在前面的例子中，每个产品在A站，BN处理室组成。让每个产品有RM$ 0价格。每个售价产品是由每个项目的VI值。负载在英国国民（分钟）每个产品由重量无线网络的每一个相应的项目。让容量A站（即，可用于处理时间）经过这等于麻袋的最大重量允许研究。映射，产品组合的最佳解决方案问题，也是一个最佳的解决方
23、案，以原背包问题。因此，任何以获得最佳的精确算法根据TOC的产品组合，也可用于解决方案NP-难的背包问题。这表明，在产品结构受限的设施也是选择本身是一个NP-hard问题。上面的例子和证明已考虑0-1背包问题，决定二进制或者与提请或袋子放在一个具体项目。形势与约束下的产品组合决策更接近，然而，传统的背包问题，要求每个项目的特定类型的数量要放在被解雇。这个角度的变化不会改变重大命题，这个问题是NP难的，它可能是不切实际的尝试，以获得最佳的解决方案的所有案件。读者应该已经注意到，这个结果显然意味着，相应的问题，根据多约束也是NP难的。其理由是以下。假设我们有一个最佳的产品组合算法的多约束的情况下。
24、这算法可以用来解决一个案例约束，例如，通过添加一个新的约束资源和新产品。让产品的价值为零，新的有限的资源只能用来生产的新产品（并且是唯一一个如此）。解决转化的多约束亲blem是单约束一个直接的解决方案。因此，一个算法的多约束问题最佳解决NP-难的问题，立即表明，多紧张的情况下也是显然是NP难的。6、结论本文阐述了在这种形式的TOC产品混合方法可能会失败，即使是在一个单一的BN的情况下。 “这些失败的原因并不是方法的问题，而是问题本身：它是一个NP-hard问题，最佳解决任何算法下一个或多个阵（S）5月的产品组合问题也可以用来解决NP-难的背包问题。由于可供选择的产品组合中的确切方法受限的设施将
25、意味着P = NP，这个结果说明真相4，有强烈的理由相信效率和最佳的启发式根据TOC的产品组合的决策是根本不可能的。这也解释了Plenert（1993）的结果，说明了为什么研究人员一直无法找到一个简单的优化启发式约束下多产品组合资源。正如我们在这里看到，TOC衍生启发式失败的设施也与一个单一的限制资源。因此，它似乎更合理的期望，最好的可能，可用于大的情况下获得高通过先进的启发式质量近似（如遗传算法等）已在研究最近（例如，看到弗雷登道尔和Lea，1997; 和涌，1998年; Onwubolu，2001年; Onwubolu和mutingi2001A，B）。对这个结果有两个明显的局限性。 “第一
26、个限制是，我们正在处理案件，我们有完善的信息。这个假设不反映了许多，展出的工业环境BNS迅速转向，在处理重大偏差各站，时间等，虽然这些设想共享与文献的很大一部分（例如，高德拉特1990a;福克斯，1987年），仍然是一个需要进一步明确不完善和不确定性的个案研究信息。其他的限制是，如果项目允许过几天和几周的一部分（而不是在完成规划期间的整数），然后TOC的派生启发式其实是最佳的。最后一点是值得开发。至关重要的是要区分TOC从TOC的衍生产品组合启发式的理念。本文是TOC的“批评”没有办法。 TOC是管理理念，不需要，从未提到，是完全独立的整数假设。这里提出的结果只能证明启发式的简单扩展整数的情况
27、下可能会出现问题。这并不意味着TOC的任何一种管理哲学（马斌和巴尔德斯，2003年，马斌和吉布森，1998年，马斌和戴维斯，2003）。然而，它给我们一个新的重要的研究课题。由于TOC是基于打破限制，我们怎么能正确使用TOC理念，以处理组合的复杂性要求在整数生产的情况下？毕竟，我们做不想把产品组合决策变成瓶颈。参考文献Aryanezhad, M.B., Komijan, A.R., 2004. An improved algorithm foroptimising product mix under the Theory of Constraints. Interna-tional Journ
28、al of Production Research 42 (20), 42214233.Balakrishnan, J., Cheng, C.H., 2000. Theory of Constraints and linearprogramming: a re-examination. International Journal of ProductionResearch 38 (6), 14591463.Bhattacharya, A., Vasant, P., Sarkar, B., Mukherjee, S.K., 2008. A fullyfuzzied, intelligent th
29、eory-of-constraints product-mix decision.International Journal of Production Research 46 (3), 789815.Blackstone, J.H., 2001. Theory of Constraintsa status report. Interna-tional Journal of Production Research 39, 10531080.Fox, R., 1987. Theory of Constraints. In: NAA Conference Proceedings, pp.4152.
30、Fredendall, L.D., Lea, B.R., 1997. Improving the product mix heuristic inthe Theory of Constraints. International Journal of ProductionResearch 35, 15351544.Garey, M., Johnson, D., 1979. Computers and Intractability: A Guide to theTheory of NP-Completeness. W.H. Freeman and Company, SanFrancisco.Gol
31、dratt, E.M., Cox, J., 1984. The Goal: A Process of Ongoing Improve-ment. North River Press, Croton-on-Hudson, NY.Goldratt, E.M., Fox, R.E., 1986. The Race. North River Press, Croton-on-Hudson, NY.Goldratt, E.M., 1990a. Sifting Information Out of the Data Ocean: TheHaystack Syndrome. North River Pres
32、s, Croton-on-Hudson, NY.Goldratt, E.M., 1990b.What is this Thing Called the Theory of Constraintsand How Should it be Implemented? North River Press, Croton-on-Hudson, NY.Gupta, M.C., Baxendale, S.J., Raju, P.S., 2002. Integrating ABM/TOCapproaches for performance improvement: a framework andapplica
33、tion. International Journal of Production Research 40,32253251.Theory of constraints and the combinatorial complexity of the product-mix decision$Alexandre Linhares Brazilian School of Business and Public Administration, FGV, Praia de Botafogo 190/509, Rio de Janeiro 22257-970, BrazilabstractThe the
34、ory of constraints (TOC) proposes that, when production is bounded by a single bottleneck, the best product mix heuristic is to select products based on their ratio of throughput per constraint use. This, however, is not true for cases when production is limited to integer quantities of nal products
35、. Four facts that go against current thought in the TOC literature are demonstrated in this paper. For example, there are cases in which the optimum product mix includes products with the lowest product margin and the lowest ratio of throughput per constraint time,simultaneously violating the margin
36、 heuristic and the TOC-derived heuristic. Such failures are due to the non-polynomial completeness (NP-completeness) of the product-mix decision problem, also demonstrated here.2009 Elsevier B.V. All rights reserved.1. IntroductionThe theory of constraints (TOC) is a remarkably successful operations
37、 philosophy, centered on the idea of focusing managerial attention to the local constraints that inhibit the global performance of an entire system(Goldratt and Cox, 1984; Goldratt and Fox, 1986; Goldratt,1990a, b). Over the last two decades it has gathered much momentum, with the creation of organi
38、zations such as the Goldratt Institute and the TOC Center in Dayton, Ohio. It has also spawned a host of products, such as the OPT (foropti mization) software and an innovative bestselling management novel. Blackstone (2001) reviews some of its core ideas and elds of application.The focus of our stu
39、dy will be on the problem of selecting the optimum product mix under the TOC, which is deemed as an improvement over traditional practices(Gupta et al., 2002; Kee and Schmidt, 2000; Wahlers and Cox, 1994). Consider a facility with a set of products to build, but without the capacity (i.e., a xed tim
40、e horizon) required to meet the demand for all of them. Let us suppose that this facility must deal with integer quantities of nal products. In this case a product-mix decision must be made, with the obvious tradeoff of prioritizing some product lines at the expense of others. A traditional method f
41、or selection of the product mix is given by selecting the products having highest individual product margins with higher priority, regardless of the time spent on the bottleneck(s) (BN(s); Goldratt 1990a, b;Goldratt and Cox, 1984; Blackstone, 2001; Lea and Fredendall, 2002; Patterson, 1992). Let us
42、name this method as the margin heuristic. The TOC, however,proposes that product lines should be selected according to their ratio of throughput per time spent on the system constraint(s). Let us refer to this approach as the TOC-derived heuristic. The heuristic has been formally stated in numerous
43、TOC publications (Goldratt, 1990a, b; Goldrattand Cox, 1984; Blackstone, 2001; Lea and Fredendall,2002; Patterson, 1992). Fredendall and Lea (1997) suggest,after Goldratt and Cox (1984), the following product-mixheuristic.1.1. TOC-derived product-mix heuristicStep 1: Identify the systems constraint
44、(s):(a) Calculate the required load on each resource toproduce all the products. The constraint or bottleneck(BN) is the resource whose market demand exceeds its capacity.Step 2: Decide how to exploit the systems constraint (s):(a) Calculate the contribution margin (CM) of each product as the sales
45、price minus the raw material(RM) costs;(b) Calculate the ratio of the CM to the products processing time on the BN resource (CM/BN);(c) In descending order of the products CM/BN, reserve the BN capacity to build the product until the BN resources capacity is exhausted;(d) Plan to produce all the pro
46、ducts that do not require processing time on the BN (i.e., the free product) in descending order of their CM (Fredendall and Lea,1997, pp. 15351536).It was believed, when originally suggested, that this TOC-derived heuristic would obtain the best combination of products for all cases. For example, a
47、fter following the above reasoning, Blackstone (2001) suggests extrapolation of the strategy to sales: What is the best basis for sales commissions; that is, the one that will have the salespeople emphasizing the items that are most protable to the company? If you said Throughput per Constraint Minu
48、te give yourself a gold star. But how many companies do you know which actually use it? Could it be that nearly every company can make more money by restructuring sales efforts as well as product mixes? (Blackstone, 2001, p. 1063).In fact, the strategy does indeed obtain optimum solutions when production is a
