Печалби:
- Способност за идентифициране на проблеми с дизайна на веригата за доставки, маршрута и оформлението на склада
- Възможност за използване на AI при генериране на сценарии, списък с ограничения и конструиране на оптимизационен модел
- Възможност за валидиране на предложените от AI решения с ограничения на разходите, капацитета и доставката
Веригата на доставки е целият поток от материали, информация и пари от суровините до крайния клиент. Всяко решение в тази мрежа (къде да се снабди, кой склад да се складира, кой маршрут да се изпрати) постига баланс между цена, скорост и издръжливост. Оптимизацията тук не е магия, тя означава добре дефинирана целева функция и ограничения. Изкуственият интелект е много мощен в тази област при структурирането на проблема, генерирането на сценарии, изброяването на ограниченията и изготвянето на модела за оптимизация; Но твърденията за „най-доброто решение“ винаги трябва да бъдат валидирани спрямо ограничения и действителни разходи. В този раздел ще обсъдим дизайна на мрежата, оптимизирането на маршрута и складовите решения с поддръжка на AI.
Карта на проблемите при оптимизиране на веригата за доставки
Разпознаването на проблемите с оптимизацията е първата стъпка в изграждането на правилния модел.
проблем
променлива за решение
Типично предназначение
мрежов дизайн
Кой обект/склад трябва да бъде открит?
Общи фиксирани + променливи разходи мин
Възлагане/разпределение
Кой клиент от кой склад?
Транспортни разходи мин
Маршрутизиране на превозни средства (VRP)
Кое превозно средство кои спира, в какъв ред?
Общо разстояние/време мин
оформление на склада
Къде трябва да бъдат поставени продуктите?
Разстояние на бране мин
Избор на транспортен режим
Суша/море/въздух
Баланс цена-скорост
Общата рамка на всеки проблем е една и съща: променливи на решение, целева функция, ограничения. Най-ценният принос на AI е, че ви помага да преведете бизнес проблем в тези три компонента.
Роля: Вие сте индустриален инженер, специализиран в оптимизирането на веригата за доставки. Задача: Преведете следния бизнес проблем в оптимизационен модел. Посочете: (1) променливи за вземане на решения, (2) целева функция, (3) ограничения (капацитет, удовлетворение на търсенето, неотрицателност), (4) тип на този проблем. Проблем: „Имаме 3 фабрики и 5 дистрибуторски центъра. Капацитетът на всяка фабрика и търсенето на всеки център са определени. Единичните транспортни разходи от фабрика до център са различни. Минимизирайте общите транспортни разходи. Искаме да го изтеглим.“ Правило: Наименувайте типа модел (напр. транспортен проблем), напишете ясно предположенията.
Това е класически транспортен проблем. AI може да разпознае това и да изгради правилния математически скелет; Вие също така поставяте реални данни за капацитет и търсене.
Оптимизация на маршрута (VRP) и значението на ограниченията
Маршрутизирането на превозните средства е най-често срещаният и неправилно установен проблем в практиката. Има голяма разлика между обикновения „най-кратък път“ (TSP) и истинския VRP: капацитет на превозното средство, времеви прозорци (часове, когато клиентът може да вземе), времеви ограничения за шофиране, няколко превозни средства.
Внимание: Когато AI препоръчва маршрут, той често „забравя“ или приближава ограниченията на капацитета и времевия прозорец. Маршрут, натоварен с повече товар, отколкото превозното средство може да превози, може да изглежда „къс“, но е непрактичен. Проверете всеки маршрут поотделно за общ товар ≤ капацитет и време на пристигане ∈ времеви прозорец.
Слаба подкана / Силна подкана
Слаба подкана:
Дайте най-краткия маршрут за тези 8 спирки.
Ако няма капацитет, времеви прозорец и брой превозни средства, AI дава просто класиране; Не издържа в реална експлоатация.
Мощна подкана:
Предложете план за маршрут за следните 8 клиента. Автомобилите са 2, като капацитетът на всеки е 100 бр. Търсенето и времевият прозорец на всеки клиент са приложени. Освобождаване от склада08:00ч. Да приемем, че средната скорост е 40 км/ч. Резултат: ред на спиране за всяко превозно средство, кумулативен товар (да не надвишава капацитета), очаквано време на пристигане (за да пасне на времевия прозорец), общо разстояние. Ако има нарушение на ограничението, посочете го ясно и предложете алтернатива. Данни: {{ ... }}
Втората подкана изрично налага ограничения и изисква проверка за нарушение от AI. Важно е обаче да проверите резултата със солвър или ръчно; AI не гарантира абсолютна оптималност.
Оптимално или просто „Добро“?
Тук има критична концепция: решението, което AI (и повечето практически методи) намира, често е добро решение (евристично), а не оптимално. Истинският оптимум се намира чрез математическо решаване (като OR-Tools, Gurobi, PuLP), решаващо правилно конструирания модел. Ролята на AI е да изгради модела, а не да го реши.
Напишете скелет на модел за решаване на следния транспортен проблем с Python PuLP: - Променливи за решение x[i][j] (i фабрика, j център) - Цел: минимизиране на общите разходи - Ограничение: предлагане на всяка фабрика, търсене на всеки център, x >= 0 Обяснете кода с коментари, но аз ще въведа цифровите данни. Също така: избройте какви проверки трябва да направя, когато излезе решението.
Съвет: Вместо да кажете на изкуствения интелект да „напише кода и да го разбере“, кажете му „напишете кода и аз ще го стартирам“. Това прави оптимизацията истински решаващ проблем; Не се доверявате на създадени от AI (и непроверени) числа, които казват „ето моето решение“.
Решения за склад и местоположение
Разположението на продукта в склада пряко влияе върху разстоянието за комисиониране. Основният принцип е да се позиционират често премествани (с голям оборот) артикули близо до точката на вземане (ABC разположение). AI може да създаде схема на предложение за оформление с данни за движението на продукта; Въпреки това физическите ограничения (размер на рафта, тегло, разделяне на опасни материали, студена верига) трябва да се контролират от хора.
Мини калъф: къс на хартия, невъзможен на полето
Дистрибуторска фирма извършва 40 доставки на ден с 3 автомобила. Индустриалният инженер Селин дава спирките, заявките и капацитета на превозното средство на AI и иска план за маршрут. AI създава изстрел, който изглежда добре и има малко общо разстояние. Но когато Селин проверява, тя разбира, че кумулативното натоварване по маршрута на превозното средство надвишава капацитета с 15%; Има и две спирки, където клиентът може да вземе следобед, но е насрочен за сутринта. Селин записва ограниченията по-ясно в подканата и ги възпроизвежда, след което проверява плана с OR-Tools. Резултатът става осъществим. Урок: Планът, който изкуственият интелект нарече „най-кратък“, всъщност не беше най-краткият и дори беше невалиден поради нарушения на ограниченията.
Често срещани грешки
- Без уточняване на ограничения: Заявка за маршрут без капацитет, времеви прозорец и брой превозни средства.
- Погрешно приемане на AI за решаване: Приемане на „оптималното“ решение, дадено от AI като реален резултат от решаване.
- Без проверка за нарушения на ограниченията: Изпълнение на плана без проверка на кумулативното натоварване и времената на пристигане.
- Фокусиране върху една единствена цел: Оптимизиране само на разходите и забравяне за дълготрайност/риск (зависимост от един доставчик).
- Неизползване на реални разходи: Изграждане на модел с стандартни/измислени единични разходи и не го актуализира с реални данни.
В обобщение
- Всяка оптимизация на веригата за доставки се свежда до три компонента: променливи на решение, целева функция, ограничения.
- Най-ценният принос на AI е превеждането на бизнес проблема в правилния тип модел (транспорт, VRP, задание).
- Ограниченията на капацитета и времевия прозорец са от решаващо значение във VRP; AI ги пропуска често, не забравяйте да ги проверите.
- AI изгражда, а не решава; Решател (PuLP, OR-Tools) трябва да извърши действителната оптимизация.
- Освен разходите, целта също трябва да бъде издръжливостта и риска; Зависимостта от един доставчик/един маршрут е скрита цена.
Задача за приложение
Конструирайте проблем за доставка/дистрибуция (напр. 3 склада, 5-8 клиенти, изисквания и капацитет на превозното средство). Първо, накарайте AI да моделира проблема като променлива за решение, цел и ограничение и наименувайте типа проблем. След това дайте VRP сценарий и поискайте план за маршрут; Проверете сами кумулативния товар и времената на пристигане на всяко превозно средство в изхода. Критична проверка: ръчно добавете общото натоварване на поне едно превозно средство и го сравнете с капацитета и потърсете нарушение на ограничението. И накрая, накарайте изкуствения интелект да напише скелета на кода за решаване (PuLP) и да проектира работен процес, който предотвратява генерирането на фалшиви числа от изкуствения интелект с подхода „аз ще стартирам решението“.