ಪೂರೈಕೆ ಸರಪಳಿ ಮತ್ತು ಲಾಜಿಸ್ಟಿಕ್ಸ್ ಆಪ್ಟಿಮೈಸೇಶನ್

ಲಾಭಗಳು:

• ಪೂರೈಕೆ ಸರಪಳಿ ನೆಟ್ವರ್ಕ್ ವಿನ್ಯಾಸ, ಮಾರ್ಗ ಮತ್ತು ಗೋದಾಮಿನ ಲೇಔಟ್ ಸಮಸ್ಯೆಗಳನ್ನು ಗುರುತಿಸುವ ಸಾಮರ್ಥ್ಯ
• ಸನ್ನಿವೇಶ ಉತ್ಪಾದನೆ, ನಿರ್ಬಂಧ ಪಟ್ಟಿ ಮತ್ತು ಆಪ್ಟಿಮೈಸೇಶನ್ ಮಾದರಿ ನಿರ್ಮಾಣದಲ್ಲಿ AI ಅನ್ನು ಬಳಸುವ ಸಾಮರ್ಥ್ಯ
• ವೆಚ್ಚ, ಸಾಮರ್ಥ್ಯ ಮತ್ತು ವಿತರಣಾ ನಿರ್ಬಂಧಗಳೊಂದಿಗೆ AI ಸೂಚಿಸಿದ ಪರಿಹಾರಗಳನ್ನು ಮೌಲ್ಯೀಕರಿಸುವ ಸಾಮರ್ಥ್ಯ

ಸರಬರಾಜು ಸರಪಳಿಯು ಕಚ್ಚಾ ವಸ್ತುಗಳಿಂದ ಅಂತಿಮ ಗ್ರಾಹಕನಿಗೆ ಸಾಮಗ್ರಿಗಳು, ಮಾಹಿತಿ ಮತ್ತು ಹಣದ ಸಂಪೂರ್ಣ ಹರಿವು. ಈ ನೆಟ್‌ವರ್ಕ್‌ನಲ್ಲಿನ ಪ್ರತಿಯೊಂದು ನಿರ್ಧಾರವೂ (ಎಲ್ಲಿ ಮೂಲ, ಯಾವ ಗೋದಾಮಿಗೆ ಸ್ಟಾಕ್ ಮಾಡಲು, ಯಾವ ಮಾರ್ಗವನ್ನು ಸಾಗಿಸಲು) ವೆಚ್ಚ, ವೇಗ ಮತ್ತು ಬಾಳಿಕೆ ನಡುವೆ ಸಮತೋಲನವನ್ನು ಹೊಡೆಯುತ್ತದೆ. ಆಪ್ಟಿಮೈಸೇಶನ್ ಇಲ್ಲಿ ಮ್ಯಾಜಿಕ್ ಅಲ್ಲ, ಇದರರ್ಥ ಉತ್ತಮವಾಗಿ ವ್ಯಾಖ್ಯಾನಿಸಲಾದ ವಸ್ತುನಿಷ್ಠ ಕಾರ್ಯ ಮತ್ತು ನಿರ್ಬಂಧಗಳು. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಈ ಪ್ರದೇಶದಲ್ಲಿ ಸಮಸ್ಯೆಯ ರಚನೆ, ಸನ್ನಿವೇಶಗಳನ್ನು ಸೃಷ್ಟಿಸುವುದು, ನಿರ್ಬಂಧಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡುವುದು ಮತ್ತು ಆಪ್ಟಿಮೈಸೇಶನ್ ಮಾದರಿಯನ್ನು ರಚಿಸುವಲ್ಲಿ ಅತ್ಯಂತ ಶಕ್ತಿಶಾಲಿಯಾಗಿದೆ; ಆದರೆ "ಉತ್ತಮ ಪರಿಹಾರ" ಹಕ್ಕುಗಳನ್ನು ಯಾವಾಗಲೂ ನಿರ್ಬಂಧಗಳು ಮತ್ತು ನಿಜವಾದ ವೆಚ್ಚಗಳ ವಿರುದ್ಧ ಮೌಲ್ಯೀಕರಿಸಬೇಕಾಗುತ್ತದೆ. ಈ ಘಟಕದಲ್ಲಿ, AI ಬೆಂಬಲದೊಂದಿಗೆ ನಾವು ನೆಟ್‌ವರ್ಕ್ ವಿನ್ಯಾಸ, ಮಾರ್ಗ ಆಪ್ಟಿಮೈಸೇಶನ್ ಮತ್ತು ವೇರ್‌ಹೌಸ್ ನಿರ್ಧಾರಗಳನ್ನು ಚರ್ಚಿಸುತ್ತೇವೆ.

ಪೂರೈಕೆ ಸರಪಳಿ ಆಪ್ಟಿಮೈಸೇಶನ್ ಸಮಸ್ಯೆಗಳ ನಕ್ಷೆ

ಆಪ್ಟಿಮೈಸೇಶನ್ ಸಮಸ್ಯೆಗಳನ್ನು ಗುರುತಿಸುವುದು ಸರಿಯಾದ ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸುವ ಮೊದಲ ಹಂತವಾಗಿದೆ.

ಸಮಸ್ಯೆ

ನಿರ್ಧಾರ ವೇರಿಯಬಲ್

ವಿಶಿಷ್ಟ ಉದ್ದೇಶ

ನೆಟ್ವರ್ಕ್ ವಿನ್ಯಾಸ

ಯಾವ ಸೌಲಭ್ಯ/ಗೋದಾಮನ್ನು ತೆರೆಯಬೇಕು?

ಒಟ್ಟು ಸ್ಥಿರ + ವೇರಿಯಬಲ್ ವೆಚ್ಚ ನಿಮಿಷ

ನಿಯೋಜನೆ/ಹಂಚಿಕೆ

ಯಾವ ಗೋದಾಮಿನಿಂದ ಯಾವ ಗ್ರಾಹಕ?

ಸಾರಿಗೆ ವೆಚ್ಚ ನಿಮಿಷ

ವಾಹನ ರೂಟಿಂಗ್ (VRP)

ಯಾವ ವಾಹನ ಯಾವ ಕ್ರಮದಲ್ಲಿ ನಿಲ್ಲುತ್ತದೆ?

ಒಟ್ಟು ದೂರ/ಸಮಯ ನಿಮಿಷ

ಗೋದಾಮಿನ ವಿನ್ಯಾಸ

ಉತ್ಪನ್ನಗಳನ್ನು ಎಲ್ಲಿ ಇಡಬೇಕು?

ಪಿಕಿಂಗ್ ದೂರ ನಿಮಿಷ

ಸಾರಿಗೆ ಮೋಡ್ ಆಯ್ಕೆ

ಭೂಮಿ/ಸಮುದ್ರ/ಗಾಳಿ

ವೆಚ್ಚ-ವೇಗ ಸಮತೋಲನ

ಪ್ರತಿಯೊಂದು ಸಮಸ್ಯೆಯ ಸಾಮಾನ್ಯ ಚೌಕಟ್ಟು ಒಂದೇ ಆಗಿರುತ್ತದೆ: ನಿರ್ಧಾರದ ಅಸ್ಥಿರಗಳು, ವಸ್ತುನಿಷ್ಠ ಕಾರ್ಯ, ನಿರ್ಬಂಧಗಳು. AI ಯ ಅತ್ಯಮೂಲ್ಯ ಕೊಡುಗೆಯೆಂದರೆ ಅದು ವ್ಯಾಪಾರದ ಸಮಸ್ಯೆಯನ್ನು ಈ ಮೂರು ಘಟಕಗಳಾಗಿ ಭಾಷಾಂತರಿಸಲು ನಿಮಗೆ ಸಹಾಯ ಮಾಡುತ್ತದೆ.

ಪಾತ್ರ: ನೀವು ಪೂರೈಕೆ ಸರಪಳಿ ಆಪ್ಟಿಮೈಸೇಶನ್‌ನಲ್ಲಿ ಪರಿಣತಿ ಹೊಂದಿರುವ ಕೈಗಾರಿಕಾ ಎಂಜಿನಿಯರ್. ಕಾರ್ಯ: ಕೆಳಗಿನ ವ್ಯಾಪಾರ ಸಮಸ್ಯೆಯನ್ನು ಆಪ್ಟಿಮೈಸೇಶನ್ ಮಾದರಿಗೆ ಅನುವಾದಿಸಿ. ನಿರ್ದಿಷ್ಟಪಡಿಸಿ: (1) ನಿರ್ಧಾರದ ಅಸ್ಥಿರಗಳು, (2) ವಸ್ತುನಿಷ್ಠ ಕಾರ್ಯ, (3) ನಿರ್ಬಂಧಗಳು (ಸಾಮರ್ಥ್ಯ, ಬೇಡಿಕೆ ತೃಪ್ತಿ, ಋಣಾತ್ಮಕವಲ್ಲದ), (4) ಈ ಸಮಸ್ಯೆಯ ಪ್ರಕಾರ. ಸಮಸ್ಯೆ: "ನಮ್ಮಲ್ಲಿ 3 ಕಾರ್ಖಾನೆಗಳು ಮತ್ತು 5 ವಿತರಣಾ ಕೇಂದ್ರಗಳಿವೆ. ಪ್ರತಿ ಕಾರ್ಖಾನೆಯ ಸಾಮರ್ಥ್ಯ ಮತ್ತು ಪ್ರತಿ ಕೇಂದ್ರದ ಬೇಡಿಕೆಯು ನಿಶ್ಚಿತವಾಗಿದೆ. ಕಾರ್ಖಾನೆಯಿಂದ ಕೇಂದ್ರಕ್ಕೆ ಸಾರಿಗೆ ಘಟಕದ ವೆಚ್ಚಗಳು ವಿಭಿನ್ನವಾಗಿವೆ. ಒಟ್ಟು ಸಾರಿಗೆ ವೆಚ್ಚವನ್ನು ಕಡಿಮೆ ಮಾಡಿ ನಾವು ಅದನ್ನು ಡೌನ್‌ಲೋಡ್ ಮಾಡಲು ಬಯಸುತ್ತೇವೆ." ನಿಯಮ: ಮಾದರಿ ಪ್ರಕಾರವನ್ನು ಹೆಸರಿಸಿ (ಉದಾ. ಸಾರಿಗೆ ಸಮಸ್ಯೆ), ಊಹೆಗಳನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ಬರೆಯಿರಿ.

ಇದು ಕ್ಲಾಸಿಕ್ ಸಾರಿಗೆ ಸಮಸ್ಯೆಯಾಗಿದೆ. AI ಇದನ್ನು ಗುರುತಿಸಬಹುದು ಮತ್ತು ಸರಿಯಾದ ಗಣಿತದ ಅಸ್ಥಿಪಂಜರವನ್ನು ನಿರ್ಮಿಸಬಹುದು; ನೀವು ನೈಜ ಸಾಮರ್ಥ್ಯ ಮತ್ತು ಬೇಡಿಕೆಯ ಡೇಟಾವನ್ನು ಸಹ ಇರಿಸುತ್ತೀರಿ.

ಮಾರ್ಗ ಆಪ್ಟಿಮೈಸೇಶನ್ (VRP) ಮತ್ತು ನಿರ್ಬಂಧಗಳ ಪ್ರಾಮುಖ್ಯತೆ

ವಾಹನದ ಮಾರ್ಗನಿರ್ದೇಶನವು ಆಚರಣೆಯಲ್ಲಿ ಹೆಚ್ಚಾಗಿ ಎದುರಾಗುವ ಮತ್ತು ತಪ್ಪಾಗಿ ಸ್ಥಾಪಿಸಲಾದ ಸಮಸ್ಯೆಯಾಗಿದೆ. ಸರಳವಾದ "ಕಡಿಮೆ ಮಾರ್ಗ" (TSP) ಮತ್ತು ನಿಜವಾದ VRP ನಡುವೆ ದೊಡ್ಡ ವ್ಯತ್ಯಾಸವಿದೆ: ವಾಹನದ ಸಾಮರ್ಥ್ಯ, ಸಮಯ ಕಿಟಕಿಗಳು (ಗ್ರಾಹಕರು ತೆಗೆದುಕೊಳ್ಳುವ ಸಮಯ), ಡ್ರೈವಿಂಗ್ ಸಮಯದ ಮಿತಿಗಳು, ಬಹು-ವಾಹನ.

ಎಚ್ಚರಿಕೆ: AI ಮಾರ್ಗವನ್ನು ಶಿಫಾರಸು ಮಾಡಿದಾಗ, ಅದು ಸಾಮಾನ್ಯವಾಗಿ "ಮರೆತಿದೆ" ಅಥವಾ ಸಾಮರ್ಥ್ಯ ಮತ್ತು ಸಮಯ ವಿಂಡೋ ನಿರ್ಬಂಧಗಳನ್ನು ಅಂದಾಜು ಮಾಡುತ್ತದೆ. ವಾಹನವು ಸಾಗಿಸುವುದಕ್ಕಿಂತ ಹೆಚ್ಚಿನ ಸರಕುಗಳನ್ನು ತುಂಬಿದ ಮಾರ್ಗವು "ಸಣ್ಣ" ಎಂದು ತೋರುತ್ತದೆ ಆದರೆ ಅಪ್ರಾಯೋಗಿಕವಾಗಿದೆ. ಒಟ್ಟು ಲೋಡ್ ≤ ಸಾಮರ್ಥ್ಯ ಮತ್ತು ಆಗಮನದ ಸಮಯ ∈ ಸಮಯ ವಿಂಡೋಗಾಗಿ ಪ್ರತಿ ಮಾರ್ಗವನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ಪರಿಶೀಲಿಸಿ.

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್:

ಈ 8 ನಿಲ್ದಾಣಗಳಿಗೆ ಕಡಿಮೆ ಮಾರ್ಗವನ್ನು ನೀಡಿ.

ಯಾವುದೇ ಸಾಮರ್ಥ್ಯ, ಸಮಯ ವಿಂಡೋ ಮತ್ತು ವಾಹನಗಳ ಸಂಖ್ಯೆ ಇಲ್ಲದಿದ್ದರೆ, AI ಸರಳ ಶ್ರೇಣಿಯನ್ನು ನೀಡುತ್ತದೆ; ಇದು ನಿಜವಾದ ಕಾರ್ಯಾಚರಣೆಯಲ್ಲಿ ನಿಲ್ಲುವುದಿಲ್ಲ.

ಶಕ್ತಿಯುತ ಪ್ರಾಂಪ್ಟ್:

ಕೆಳಗಿನ 8 ಗ್ರಾಹಕರಿಗೆ ಮಾರ್ಗ ಯೋಜನೆಯನ್ನು ಸೂಚಿಸಿ. 2 ವಾಹನಗಳಿವೆ, ಪ್ರತಿಯೊಂದರ ಸಾಮರ್ಥ್ಯ 100 ಘಟಕಗಳು. ಪ್ರತಿ ಗ್ರಾಹಕರ ಬೇಡಿಕೆ ಮತ್ತು ಸಮಯ ವಿಂಡೋವನ್ನು ಲಗತ್ತಿಸಲಾಗಿದೆ. ಗೋದಾಮಿನಿಂದ ಚೆಕ್-ಔಟ್08:00. ಸರಾಸರಿ ವೇಗ 40 ಕಿಮೀ / ಗಂ ಎಂದು ಊಹಿಸಿ. ಔಟ್‌ಪುಟ್: ಪ್ರತಿ ವಾಹನದ ನಿಲುಗಡೆಗಳ ಕ್ರಮ, ಸಂಚಿತ ಲೋಡ್ (ಸಾಮರ್ಥ್ಯವನ್ನು ಮೀರಬಾರದು), ಅಂದಾಜು ಆಗಮನದ ಸಮಯಗಳು (ಸಮಯ ವಿಂಡೋಗೆ ಸರಿಹೊಂದುವಂತೆ), ಒಟ್ಟು ದೂರ. ನಿರ್ಬಂಧದ ಉಲ್ಲಂಘನೆಯಿದ್ದರೆ, ಅದನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ತಿಳಿಸಿ ಮತ್ತು ಪರ್ಯಾಯವನ್ನು ಸೂಚಿಸಿ. ಡೇಟಾ: {{ ... }}

ಎರಡನೇ ಪ್ರಾಂಪ್ಟ್ ಸ್ಪಷ್ಟವಾಗಿ ನಿರ್ಬಂಧಗಳನ್ನು ವಿಧಿಸುತ್ತದೆ ಮತ್ತು AI ನಿಂದ ಉಲ್ಲಂಘನೆ ಪರಿಶೀಲನೆಗೆ ವಿನಂತಿಸುತ್ತದೆ. ಆದಾಗ್ಯೂ, ಪರಿಹಾರಕದೊಂದಿಗೆ ಅಥವಾ ಹಸ್ತಚಾಲಿತವಾಗಿ ಫಲಿತಾಂಶವನ್ನು ಪರಿಶೀಲಿಸುವುದು ಅತ್ಯಗತ್ಯ; AI ಸಂಪೂರ್ಣ ಆಪ್ಟಿಮಲಿಟಿಯನ್ನು ಖಾತರಿಪಡಿಸುವುದಿಲ್ಲ.

ಅತ್ಯುತ್ತಮ ಅಥವಾ "ಒಳ್ಳೆಯದು"?

ಇಲ್ಲಿ ಒಂದು ನಿರ್ಣಾಯಕ ಪರಿಕಲ್ಪನೆಯಿದೆ: AI (ಮತ್ತು ಹೆಚ್ಚು ಪ್ರಾಯೋಗಿಕ ವಿಧಾನಗಳು) ಕಂಡುಕೊಳ್ಳುವ ಪರಿಹಾರವು ಸಾಮಾನ್ಯವಾಗಿ ಉತ್ತಮ ಪರಿಹಾರವಾಗಿದೆ (ಹ್ಯೂರಿಸ್ಟಿಕ್), ಸೂಕ್ತವಲ್ಲ. ಸರಿಯಾಗಿ ನಿರ್ಮಿಸಿದ ಮಾದರಿಯನ್ನು ಪರಿಹರಿಸುವ ಗಣಿತದ ಪರಿಹಾರಕ (OR-ಟೂಲ್ಸ್, ಗುರೋಬಿ, PuLP ನಂತಹ) ಮೂಲಕ ನಿಜವಾದ ಆಪ್ಟಿಮಲ್ ಅನ್ನು ಕಂಡುಹಿಡಿಯಲಾಗುತ್ತದೆ. AI ಯ ಪಾತ್ರವು ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸುವುದು, ಅದನ್ನು ಪರಿಹರಿಸುವುದು ಅಲ್ಲ.

ಪೈಥಾನ್ PuLP ನೊಂದಿಗೆ ಕೆಳಗಿನ ಸಾರಿಗೆ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸಲು ಮಾದರಿ ಅಸ್ಥಿಪಂಜರವನ್ನು ಬರೆಯಿರಿ:- ನಿರ್ಧಾರದ ಅಸ್ಥಿರಗಳು x[i][j] (i ಕಾರ್ಖಾನೆ, j ಕೇಂದ್ರ)- ಉದ್ದೇಶ: ಒಟ್ಟು ವೆಚ್ಚವನ್ನು ಕಡಿಮೆಗೊಳಿಸುವುದು- ನಿರ್ಬಂಧ: ಪ್ರತಿ ಕಾರ್ಖಾನೆಯ ಪೂರೈಕೆ, ಪ್ರತಿ ಕೇಂದ್ರದ ಬೇಡಿಕೆ, x >= 0 ಕಾಮೆಂಟ್‌ಗಳೊಂದಿಗೆ ಕೋಡ್ ಅನ್ನು ವಿವರಿಸಿ, ಆದರೆ ನಾನು ಸಂಖ್ಯಾ ಡೇಟಾವನ್ನು ನಮೂದಿಸುತ್ತೇನೆ. ಅಲ್ಲದೆ: ಪರಿಹಾರವು ಹೊರಬಂದಾಗ ನಾನು ಮಾಡಬೇಕಾದ ತಪಾಸಣೆಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡಿ.

ಸಲಹೆ: "ಕೋಡ್ ಅನ್ನು ಬರೆಯಿರಿ ಮತ್ತು ಅದನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಿ" ಎಂದು AI ಗೆ ಹೇಳುವ ಬದಲು "ಕೋಡ್ ಅನ್ನು ಬರೆಯಿರಿ ಮತ್ತು ನಾನು ಅದನ್ನು ರನ್ ಮಾಡುತ್ತೇನೆ" ಎಂದು ಹೇಳಿ. ಇದು ಆಪ್ಟಿಮೈಸೇಶನ್ ಅನ್ನು ನಿಜವಾದ ಪರಿಹಾರಕವನ್ನಾಗಿ ಮಾಡುತ್ತದೆ; "ನನ್ನ ಪರಿಹಾರ ಇಲ್ಲಿದೆ" ಎಂದು ಹೇಳುವ AI-ನಿರ್ಮಿತ (ಮತ್ತು ಪರಿಶೀಲಿಸದ) ಸಂಖ್ಯೆಗಳನ್ನು ನೀವು ನಂಬುವುದಿಲ್ಲ.

ಗೋದಾಮು ಮತ್ತು ಸ್ಥಳ ನಿರ್ಧಾರಗಳು

ಗೋದಾಮಿನಲ್ಲಿ ಉತ್ಪನ್ನದ ನಿಯೋಜನೆಯು ನೇರವಾಗಿ ಆರಿಸುವ ದೂರವನ್ನು ಪರಿಣಾಮ ಬೀರುತ್ತದೆ. ಪಿಕಿಂಗ್ ಪಾಯಿಂಟ್‌ಗೆ (ಎಬಿಸಿ ಪ್ಲೇಸ್‌ಮೆಂಟ್) ಹತ್ತಿರದಲ್ಲಿ ಆಗಾಗ್ಗೆ ಚಲಿಸುವ (ಹೆಚ್ಚಿನ ವಹಿವಾಟು) ವಸ್ತುಗಳನ್ನು ಇರಿಸುವುದು ಮೂಲ ತತ್ವವಾಗಿದೆ. ಉತ್ಪನ್ನ ಚಲನೆಯ ಡೇಟಾದೊಂದಿಗೆ AI ಲೇಔಟ್ ಪ್ರಸ್ತಾಪದ ರೂಪರೇಖೆಯನ್ನು ಉತ್ಪಾದಿಸಬಹುದು; ಆದಾಗ್ಯೂ, ಭೌತಿಕ ನಿರ್ಬಂಧಗಳನ್ನು (ಶೆಲ್ಫ್ ಗಾತ್ರ, ತೂಕ, ಅಪಾಯಕಾರಿ ವಸ್ತುಗಳ ಬೇರ್ಪಡಿಕೆ, ಶೀತ ಸರಪಳಿ) ಮಾನವರು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡಬೇಕು.

ಮಿನಿ ಕೇಸ್: ಪೇಪರ್‌ನಲ್ಲಿ ಶಾರ್ಟ್, ಫೀಲ್ಡ್‌ನಲ್ಲಿ ಅಸಾಧ್ಯ

ವಿತರಣಾ ಕಂಪನಿಯು 3 ವಾಹನಗಳೊಂದಿಗೆ ದಿನಕ್ಕೆ 40 ವಿತರಣೆಗಳನ್ನು ಮಾಡುತ್ತದೆ. ಇಂಡಸ್ಟ್ರಿಯಲ್ ಇಂಜಿನಿಯರ್ ಸೆಲಿನ್ AI ಗೆ ನಿಲ್ದಾಣಗಳು, ವಿನಂತಿಗಳು ಮತ್ತು ವಾಹನ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ನೀಡುತ್ತಾರೆ ಮತ್ತು ಮಾರ್ಗ ಯೋಜನೆಯನ್ನು ಕೇಳುತ್ತಾರೆ. AI ಸುಂದರವಾಗಿ ಕಾಣುವ ಮತ್ತು ಕಡಿಮೆ ಒಟ್ಟು ದೂರವನ್ನು ಹೊಂದಿರುವ ಶಾಟ್ ಅನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ. ಆದರೆ ಸೆಲಿನ್ ಪರಿಶೀಲಿಸಿದಾಗ, ವಾಹನದ ಮಾರ್ಗದಲ್ಲಿನ ಸಂಚಿತ ಹೊರೆಯು ಸಾಮರ್ಥ್ಯವನ್ನು 15% ಮೀರಿದೆ ಎಂದು ಅವಳು ಅರಿತುಕೊಂಡಳು; ಗ್ರಾಹಕರು ಮಧ್ಯಾಹ್ನದ ಸಮಯದಲ್ಲಿ ಎರಡು ನಿಲ್ದಾಣಗಳನ್ನು ತಲುಪಬಹುದು ಆದರೆ ಬೆಳಿಗ್ಗೆ ನಿಗದಿಪಡಿಸಲಾಗಿದೆ. ಸೆಲಿನ್ ಪ್ರಾಂಪ್ಟ್‌ನಲ್ಲಿ ನಿರ್ಬಂಧಗಳನ್ನು ಹೆಚ್ಚು ಸ್ಪಷ್ಟವಾಗಿ ಬರೆಯುತ್ತಾರೆ ಮತ್ತು ಅವುಗಳನ್ನು ಪುನರುತ್ಪಾದಿಸುತ್ತಾರೆ, ನಂತರ OR-ಟೂಲ್‌ಗಳೊಂದಿಗೆ ಯೋಜನೆಯನ್ನು ಪರಿಶೀಲಿಸುತ್ತಾರೆ. ಫಲಿತಾಂಶವು ಕಾರ್ಯಸಾಧ್ಯವಾಗುತ್ತದೆ. ಪಾಠ: AI "ಸಣ್ಣ" ಎಂದು ಕರೆಯುವ ಯೋಜನೆಯು ವಾಸ್ತವವಾಗಿ ಚಿಕ್ಕದಾಗಿರಲಿಲ್ಲ ಮತ್ತು ನಿರ್ಬಂಧದ ಉಲ್ಲಂಘನೆಗಳ ಕಾರಣದಿಂದಾಗಿ ಅಮಾನ್ಯವಾಗಿದೆ.

ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು

• ನಿರ್ಬಂಧಗಳನ್ನು ನಿರ್ದಿಷ್ಟಪಡಿಸುತ್ತಿಲ್ಲ: ಸಾಮರ್ಥ್ಯ, ಸಮಯ ವಿಂಡೋ ಮತ್ತು ವಾಹನಗಳ ಸಂಖ್ಯೆ ಇಲ್ಲದ ಮಾರ್ಗವನ್ನು ವಿನಂತಿಸುವುದು.
• ಪರಿಹಾರಕಕ್ಕಾಗಿ AI ಅನ್ನು ತಪ್ಪಾಗಿ ಗ್ರಹಿಸುವುದು: AI ನೀಡಿದ "ಸೂಕ್ತ" ಪರಿಹಾರವನ್ನು ನಿಜವಾದ ಪರಿಹಾರಕ ಔಟ್‌ಪುಟ್‌ನಂತೆ ಸ್ವೀಕರಿಸುವುದು.
• ನಿರ್ಬಂಧದ ಉಲ್ಲಂಘನೆಗಾಗಿ ಪರಿಶೀಲಿಸುತ್ತಿಲ್ಲ: ಸಂಚಿತ ಲೋಡ್ ಮತ್ತು ಆಗಮನದ ಸಮಯವನ್ನು ಪರಿಶೀಲಿಸದೆ ಯೋಜನೆಯನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸುವುದು.
• ಒಂದೇ ಗುರಿಯ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುವುದು: ವೆಚ್ಚವನ್ನು ಮಾತ್ರ ಉತ್ತಮಗೊಳಿಸುವುದು ಮತ್ತು ಬಾಳಿಕೆ/ಅಪಾಯ (ಏಕ ಪೂರೈಕೆದಾರ ಅವಲಂಬನೆ) ಬಗ್ಗೆ ಮರೆತುಬಿಡುವುದು.
• ನೈಜ ವೆಚ್ಚಗಳನ್ನು ಬಳಸದಿರುವುದು: ಡೀಫಾಲ್ಟ್/ಫ್ಯಾಬ್ರಿಕೇಟೆಡ್ ಯುನಿಟ್ ವೆಚ್ಚಗಳೊಂದಿಗೆ ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸುವುದು ಮತ್ತು ನೈಜ ಡೇಟಾದೊಂದಿಗೆ ಅದನ್ನು ನವೀಕರಿಸದಿರುವುದು.

ಸಾರಾಂಶದಲ್ಲಿ

• ಪ್ರತಿ ಪೂರೈಕೆ ಸರಪಳಿ ಆಪ್ಟಿಮೈಸೇಶನ್ ಮೂರು ಘಟಕಗಳಿಗೆ ಕುದಿಯುತ್ತದೆ: ನಿರ್ಧಾರ ಅಸ್ಥಿರಗಳು, ವಸ್ತುನಿಷ್ಠ ಕಾರ್ಯ, ನಿರ್ಬಂಧಗಳು.
• AI ಯ ಅತ್ಯಮೂಲ್ಯ ಕೊಡುಗೆಯೆಂದರೆ ವ್ಯಾಪಾರ ಸಮಸ್ಯೆಯನ್ನು ಸರಿಯಾದ ಮಾದರಿ ಪ್ರಕಾರಕ್ಕೆ (ಸಾರಿಗೆ, VRP, ನಿಯೋಜನೆ) ಭಾಷಾಂತರಿಸುವುದು.
• ಸಾಮರ್ಥ್ಯ ಮತ್ತು ಸಮಯ ವಿಂಡೋ ನಿರ್ಬಂಧಗಳು VRP ನಲ್ಲಿ ನಿರ್ಣಾಯಕವಾಗಿವೆ; AI ಇವುಗಳನ್ನು ಆಗಾಗ್ಗೆ ಬಿಟ್ಟುಬಿಡುತ್ತದೆ, ಅವುಗಳನ್ನು ಪರೀಕ್ಷಿಸಲು ಮರೆಯದಿರಿ.
• AI ನಿರ್ಮಿಸುತ್ತದೆ, ಪರಿಹರಿಸುವುದಿಲ್ಲ; ಪರಿಹಾರಕ (PuLP, OR-ಟೂಲ್ಸ್) ನಿಜವಾದ ಆಪ್ಟಿಮೈಸೇಶನ್ ಅನ್ನು ಮಾಡಬೇಕು.
• ವೆಚ್ಚದ ಜೊತೆಗೆ, ಬಾಳಿಕೆ ಮತ್ತು ಅಪಾಯವೂ ಗುರಿಯಾಗಿರಬೇಕು; ಏಕ ಪೂರೈಕೆದಾರ/ಏಕ ಮಾರ್ಗ ಅವಲಂಬನೆಯು ಗುಪ್ತ ವೆಚ್ಚವಾಗಿದೆ.

ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ

ಪೂರೈಕೆ/ವಿತರಣೆ ಸಮಸ್ಯೆಯನ್ನು ನಿರ್ಮಿಸಿ (ಉದಾ. 3 ಗೋದಾಮುಗಳು, 5-8 ಗ್ರಾಹಕರು, ಬೇಡಿಕೆಗಳು ಮತ್ತು ವಾಹನ ಸಾಮರ್ಥ್ಯ). ಮೊದಲಿಗೆ, AI ಮಾದರಿಯು ಸಮಸ್ಯೆಯನ್ನು ನಿರ್ಧಾರದ ವೇರಿಯಬಲ್, ಗುರಿ ಮತ್ತು ನಿರ್ಬಂಧವಾಗಿ ಹೊಂದಿರಿ ಮತ್ತು ಸಮಸ್ಯೆಯ ಪ್ರಕಾರವನ್ನು ಹೆಸರಿಸಿ. ನಂತರ VRP ಸನ್ನಿವೇಶವನ್ನು ನೀಡಿ ಮತ್ತು ಮಾರ್ಗ ಯೋಜನೆಯನ್ನು ಕೇಳಿ; ಔಟ್‌ಪುಟ್‌ನಲ್ಲಿ ಪ್ರತಿ ವಾಹನದ ಸಂಚಿತ ಲೋಡ್ ಮತ್ತು ಆಗಮನದ ಸಮಯವನ್ನು ನೀವೇ ಪರಿಶೀಲಿಸಿ. ನಿರ್ಣಾಯಕ ಪರಿಶೀಲನೆ: ಕನಿಷ್ಠ ಒಂದು ವಾಹನದ ಒಟ್ಟು ಲೋಡ್ ಅನ್ನು ಹಸ್ತಚಾಲಿತವಾಗಿ ಸೇರಿಸಿ ಮತ್ತು ಅದನ್ನು ಸಾಮರ್ಥ್ಯಕ್ಕೆ ಹೋಲಿಸಿ ಮತ್ತು ನಿರ್ಬಂಧದ ಉಲ್ಲಂಘನೆಗಾಗಿ ನೋಡಿ. ಅಂತಿಮವಾಗಿ, AI ಪರಿಹಾರಕ (PuLP) ಕೋಡ್ ಅಸ್ಥಿಪಂಜರವನ್ನು ಬರೆಯುವಂತೆ ಮಾಡಿ ಮತ್ತು "ನಾನು ಪರಿಹಾರವನ್ನು ರನ್ ಮಾಡುತ್ತೇನೆ" ವಿಧಾನದೊಂದಿಗೆ AI ಅನ್ನು ನಕಲಿ ಸಂಖ್ಯೆಗಳನ್ನು ಉತ್ಪಾದಿಸುವುದನ್ನು ತಡೆಯುವ ವರ್ಕ್‌ಫ್ಲೋ ಅನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಿ.