تحسين توجيه المخزون: نهج متكامل لحل التعلم الآلي
| العنوان | تحسين توجيه المخزون: نهج متكامل لحل التعلم الآلي |
|---|---|
| المؤلف | أكتاش، طه حزيفي |
| تاريخ النشر: | 2024-08-30T14:55:38Z |
| الموضوع | التعلم الآلي، الخوارزميات، مراقبة المخزون، بحوث العمليات، معالجة البيانات.، الخوارزميات الإرشادية، التحسين الرياضي، معالجة البيانات، علم البيانات |
| النوع | وثيقة |
| اللغة | الإنجليزية |
| رقمي | نعم |
| مخطوط | لا |
| المكتبة: | جامعة اوزيجين |
| رقم السجل | 7d66f573-fe2a-4159-b79e-f3f0a87b7d0f |
| موقع المكتبة | قسم علوم البيانات |
| التاريخ | 2024-08-30T14:55:38Z |
| نص عينة | تنشأ مشكلة توجيه المخزون (IRP) من إعدادات أعمال المخزون التي يديرها البائع حيث يكون المورد مسؤولاً عن تجديد مخزون عملائه خلال أفق التخطيط. في IRP، يتخذ المورد قرارات التوجيه والمخزون معًا لتحسين الأداء العام للنظام. في إطار عملنا، يتمثل هدف المورد في تقليل إجمالي تكاليف النقل خلال أفق التخطيط مع تجنب نفاد المخزون في مواقع العملاء. نحن نفترض أن المورد لديه أسطول من مركبات التوصيل المتجانسة المجهزة وتوافر المنتج بكثرة ليتم تسليمه إلى العملاء. كل عميل لديه معدل طلب/استهلاك ثابت وسعة تخزين محدودة للاحتفاظ بالمخزون. لمعالجة هذه المشكلة، نقترح خوارزمية تجميع وتوجيه متكاملة جديدة. في مرحلة التجميع، نقوم بتقسيم مجموعة العملاء إلى مجموعات، مما يضمن خدمة كل مجموعة بواسطة مركبة واحدة. ولتحقيق ذلك، نستخدم نموذجًا جديدًا للتعلم العميق ضمن إطار التجميع. في مرحلة التوجيه، نقوم بتطوير جدول التسليم لكل مجموعة. ما يميز نهجنا هو مراعاة القرارات الرئيسية الثلاثة - متى يجب التسليم، وكم يجب التسليم، وكيفية التوجيه - من خلال دمج كل من النموذج الرياضي ونموذج التعلم الآلي في عملية صنع القرار. نقوم بتقييم أداء خوارزميات التجميع والتوجيه المقترحة مقابل الأدبيات الموجودة، وتظهر نتائجنا تحسينات كبيرة. علاوة على ذلك، يعد نهج التجميع القائم على الشبكة العصبية بمثابة تمثيل فعال لكيفية تعزيز خوارزميات التعلم الآلي لهياكل صنع القرار. bir tes limat ve envanter Planlama i¸sidir. من خلال IRP، يقوم نظام الأداء العام بتحفيزك وجذب المزيد من المال. Bu ¸calı¸smamızda tedarik¸cinin amacı، bir Planlama ufku boyunca toplam nakliye maliyetini en aza in dirirken m¨u¸steri lokasyonlarında stok t¨ukenmesini ¨onlemektir. تيداريك¸سينين؛ aynı ta¸sıma kapasitesine sahip teslimat ara¸clarından olu¸san bir filosuna ve m¨u¸sterilere tes lim edilecek ¨ur¨un¨un bol miktarda bulunabilirli˘gine sahip oldu˘gunu varsayıyoruz. Her m¨u¸sterinin sabit bir Talep/t¨uketim oranı ve stok tutmak i¸cin sınırlı depolama ka pasitesi vardır. هذا يعني أن كل ما تحتاجه هو خوارزمية متكاملة ومتكاملة. K¨umeleme a¸samasında، m¨u¸steri setini k¨umelere ayırarak، her k¨umeye tek bir ara¸c tarafından hizmet verilmesini sa˘glıyoruz. Bunu ba¸sarmak i¸cin، k¨umeleme ¸cer¸cevesinde yeni bir derin ¨o˘grenme modeli kullanıldı. Y¨onlendirme a¸samasında، برنامجها الخاص بها يعمل على مدار الساعة. Yakla¸sımımızı di˘gerle rinden ayıran ¸sey, karar verme s¨urecine hem matematiksel bir modeli hem de bir makine ¨o˘grenimimodelini entegre ederek ¨u¸c temel kararı (ne zaman teslim edilece˘gi, ne kadar teslim edilece˘gi ve nasıl y¨onlendirilece˘gi) dikkate almasıdır. Onerilen k¨umele- ¨ me ve y¨onlendirme algoritmalarının Performanceansını mevcut literat¨ure g¨ore de˘gerlen dirdik ve sonu¸clarımız ¨onemli geli¸smeler g¨osterdi. Ayrıca, ¨onerilen sinir a˘gı tabanlı k¨umeleme yakla¸sımı, makine ¨o˘grenimi algoritmalarının karar verme yapılarını nasıl geli¸stirebilece˘ginin etkili bir temsili olmu¸stur. |
