Naukowcy ze środowiska badawczego przedstawili nowe podejście do klasycznego problemu planowania produkcji, gdzie przedsiębiorstwo musi podejmować decyzje dotyczące kiedy i ile produkować, gdy popyty pojawiają się w niepewnych momentach czasowych. Zamiast założyć, że wszystko wiadomo z góry, model uwzględnia, że zapotrzebowanie może przyjść w różnych okresach w obrębie znanych okienek czasowych.
Model sformułowano jako dyskretny proces decyzyjny Markowa (DTMDP), który koduje możliwe stany systemu, dostępne akcje produkcyjne, prawdopodobieństwa przejścia między stanami i koszty każdego ruchu. To podejście pozwala na naturalną reprezentację konkurencji o ograniczoną pojemność produkcyjną oraz zamodelowanie zalogów zapasów specyficznych dla każdego popytu. Badacze porównali swoje sformułowanie ze przypadkami deterministycznymi, gdzie popyty przychodzą zawsze w najbardziej prawdopodobnym momencie - wyniki pokazały, że uwzględnienie niepewności czasów zwiększa liczbę stanów i przejść, a tym samym znacząco podwyższa czasy rozwiązywania i zużycie pamięci.
Do rozwiązania problemów ze stochastycznym czasem zaproponowano algorytm genetyczny, który przeszukuje polityki zarządzania decyzjami i ocenia każdą kandydatkę dokładnie przy użyciu modelu przejścia Markowa. Testy na 330 instancjach benchmarkowych wykazały, że algorytm genetyczny utrzymuje średnią lukę optymalizacyjną około 3,44 procent w stosunku do dokładnych rozwiązań. To sugeruje praktyczną przydatność podejścia dla rzeczywistych problemów planowania produkcji, gdzie dokładne metody mogą być zbyt obliczeniowo kosztowne.