Η παρούσα διπλωματική εργασία ασχολείται με το Inventory Routing Problem (IRP),
ένα κλασσικό πρόβλημα βελτιστοποίησης στον τομέα της εφοδιαστικής αλυσίδας,
όπου απαιτείται ταυτόχρονη λήψη αποφάσεων για τη διαχείριση αποθεμάτων και τη
δρομολόγηση οχημάτων. Στόχος είναι η ελαχιστοποίηση του συνολικού κόστους, το
οποίο περιλαμβάνει κόστος αποθήκευσης, κόστος μεταφοράς και ποινές.
Για την επίλυση του προβλήματος εφαρμόστηκε ο μεταευρετικός αλγόριθμος Cat
Swarm Optimization (CSO), ο οποίος εμπνεύστηκε από τη συμπεριφορά των γατών
και αποτελεί συνδυασμό seeking mode (τοπική αναζήτηση) και tracing mode
(καθοδήγηση προς το βέλτιστο). Ο CSO προσαρμόστηκε ειδικά για το IRP,
λαμβάνοντας υπόψη δύο διαφορετικές πολιτικές αναπλήρωσης: την Order-Up-To
(OU) και τη Maximum Level (ML).
Η μεθοδολογία αξιολογήθηκε σε τέσσερις κατηγορίες instances (high/low cost * H =
3/6) με βάση τα δεδομένα των (Archetti C. , Bertazzi, Hertz, & Grazzia Speranza,
2012), και τα αποτελέσματα συγκρίθηκαν με τον κορυφαίο αλγόριθμο HAIR. Τα
πειράματα έδειξαν ότι ο CSO επιτυγχάνει σημαντική μείωση του κόστους (40%-70%
σε σχέση με τις αρχικές λύσεις) και σταθερή απόδοση σε πολλαπλές εκτελέσεις. Σε
πολλές περιπτώσεις οι λύσεις ήταν συγκρίσιμες με τον HAIR, με μικρή απόκλιση
(2%-8%), ενώ μεγαλύτερες διαφορές παρατηρήθηκαν σε περιπτώσεις low cost.
Τα αποτελέσματα καταδεικνύουν ότι ο CSO αποτελεί μια αποτελεσματική,
υπολογιστικά αποδοτική και ταχύτατη (χάρη στους χαμηλούς χρόνους εκτέλεσης)
εναλλακτική για την επίλυση του IRP, αν και η έλλειψη υβριδικών στοιχείων και
εξειδικευμένων ευρετικών μεθόδων περιορίζει την απόδοσή του έναντι του HAIR. Η
εργασία κλείνει με προτάσεις για μελλοντική έρευνα, όπως η χρήση βελτιωμένων
παραλλαγών (π.χ. AWCSO), η ενσωμάτωση τοπικών βελτιστοποιήσεων και η
επέκταση σε πιο σύνθετες εκδοχές του IRP.

This thesis addresses the Inventory Routing Problem (IRP), a classical optimization
problem in supply chain management, where both inventory control and vehicle
routing decisions must be taken simultaneously. The objective is to minimize the total
cost, including holding, transportation and penalty costs.
To tackle the problem, the Cat Swarm Optimization (CSO) algorithm was applied in a
swarm intelligence metaheuristic inspired by feline behavior, combining a seeking
mode (local search) and a tracing mode (guide towards the global best). The
algorithm was adapted to the IRP under two replenishment policies: Order-Up-To
(OU) and Maximum Level (ML).
The methodology was tested on four classes of instances (high/low cost * H = 3/6)
proposed by (Archetti C. , Bertazzi, Hertz, & Grazzia Speranza, 2012), and the
results were compared with the state-of-the-art HAIR heuristic. Experimental findings
showed that CSO achieves significant cost reduction (40%-70% over initial solutions)
and stable performance across multiple runs. In many cases, its solutions were
comparable to HAIR, with only small deviations (2%-8%), while larger differences
were observed in low-cost scenarios.
Overall the results demonstrate that CSO is an effective, computationally efficient
and fast (due to the low execution times) alternative for solving the IRP, although the
lack of hybrid components and problem-specific heuristics limits its performance
compared to HAIR. The thesis concluded with directions for future research,
including the use of improved CSO variants (e.g. AWCSO), hybridization with local
search methods, and extensions to more complex versions of the IRP.