بهینه سازی مسیریابی موجودی: یک رویکرد راه حل یادگیری ماشین یکپارچه
| عنوان | بهینه سازی مسیریابی موجودی: یک رویکرد راه حل یادگیری ماشین یکپارچه |
|---|---|
| نویسنده | آکتاش، طاها حذیفه |
| تاریخ انتشار: | 2024-08-30T14:55:38Z |
| موضوع | یادگیری ماشین، الگوریتمها، کنترل موجودی، تحقیق در عملیات، پردازش دادهها، الگوریتمهای اکتشافی، بهینهسازی ریاضی، پردازش داده، علم داده |
| نوع | سند |
| زبان | انگلیسی |
| دیجیتال | بله |
| نسخه خطی | خیر |
| کتابخانه: | دانشگاه اوزیغین |
| شماره ثبت | 7d66f573-fe2a-4159-b79e-f3f0a87b7d0f |
| محل کتابخانه | گروه علوم داده |
| تاریخ | 2024-08-30T14:55:38Z |
| متن نمونه | مشکل مسیریابی موجودی (IRP) از مجموعه های تجاری موجودی مدیریت شده توسط فروشنده ناشی می شود که در آن تامین کننده مسئول پر کردن موجودی مشتریان خود در یک افق برنامه ریزی است. در IRP، تامین کننده تصمیمات مسیریابی و موجودی را با هم اتخاذ می کند تا عملکرد کلی سیستم را بهبود بخشد. در تنظیمات ما، هدف تامین کننده به حداقل رساندن کل هزینه های حمل و نقل در یک افق برنامه ریزی است و در عین حال از انبار شدن در مکان های مشتری جلوگیری می کند. ما فرض می کنیم که تامین کننده دارای ناوگانی از وسایل نقلیه تحویلی با ظرفیت همگن و در دسترس بودن فراوان محصول برای تحویل به مشتریان است. هر مشتری نرخ تقاضا/مصرف ثابت و ظرفیت ذخیره سازی محدودی برای نگهداری موجودی دارد. برای پرداختن به این مشکل، ما یک الگوریتم خوشهبندی و مسیریابی یکپارچه جدید را پیشنهاد میکنیم. در مرحله خوشهبندی، مجموعه مشتری را به خوشهها تقسیم میکنیم و اطمینان حاصل میکنیم که هر خوشه توسط یک وسیله نقلیه واحد خدمات رسانی میشود. برای انجام این کار، ما از یک مدل یادگیری عمیق جدید در چارچوب خوشهبندی استفاده میکنیم. در مرحله مسیریابی، ما برنامه تحویل را برای هر خوشه توسعه می دهیم. چیزی که رویکرد ما را متمایز میکند، در نظر گرفتن سه تصمیم کلیدی - زمان ارائه، مقدار تحویل و نحوه مسیریابی - با ادغام یک مدل ریاضی و یک مدل یادگیری ماشین در فرآیند تصمیمگیری است. ما عملکرد الگوریتمهای خوشهبندی و مسیریابی پیشنهادی را در برابر ادبیات موجود ارزیابی میکنیم و نتایج ما پیشرفتهای قابل توجهی را نشان میدهد. علاوه بر این، رویکرد خوشهبندی مبتنی بر شبکه عصبی پیشنهادی بهعنوان یک نمایش مؤثر از چگونگی بهبود ساختارهای تصمیمگیری الگوریتمهای یادگیری ماشین عمل میکند. Envanter Rotalama Problemi (ERP) y¨onetti˘gi bir tes limat ve envanter planlama i¸sidir. IRP’de tedarik¸ci، سیستم genel performansını iyile¸stirmek i¸cin y¨onlendirme ve envanter kararlarını birlikte verir. Bu ¸calı¸smamızda tedarik¸cinin amacı، بیر پلانلاما اوفکو بویونجا توپلام ناکلیه مالیهتینی ان آذا در دیرکن م¨u¸ستری لوکاسیونلاریندا استوک ت¨وکنمسینی ¨onlemektir. تداریک سینین; 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. هر m¨u¸sterinin sabit bir talep/t¨uketim oranı ve stok tutmak i¸cin sınırlı depolama ka pasitesi vardır. بو سورونو ¸c¨ozmek i¸cin Yeni Bir entegre k¨umeleme ve y¨onlendirme algoritması ¨oneriyoruz. K¨umeleme a¸samasında، m¨u¸steri setini k¨umelere ayırarak، her k¨umeye tek bir ara¸c tarafından hizmet verilmesini sa˘glıyoruz. بونو با¸سارمک ای¸چین، k¨umeleme ¸cer¸cevesinde ینی بیر درین ¨o˘grenme modeli kullanıldı. Y¨onlendirme a¸samasında، her bir k¨ume i¸cin teslimat programını geli¸stirildi. Yakla¸sımımızı di˘gerle rinden ayıran ¸sey، karar verme s¨urecine hem matematiksel bir modeli hem de bir makine ¨o˘grenimi modelini entegre ederek ¨u¸c temel kararı (ne zaman teslim ne kadarcel telim, y¨onlendirilece˘gi) dikkate almasıdır. Onerilen k¨umele- ¨ me ve y¨onlendirme algoritmalarının performansını mevcut literat¨ure g¨ore de˘gerlen dirdik ve sonu¸clarımız ¨onemli geli¸smeler g¨osterdi. آیریجا، ¨onerilen sinir a˘gı tabanlı k¨umeleme yakla¸sımı، Makine ¨o˘grenimi algoritmalarının karar verme yapılarını nasıl geli¸stirebilece˘ginin etkili بیر تمسیلی اولمو¸س. |
