पुरवठा साखळी आणि लॉजिस्टिक ऑप्टिमायझेशन

नफा:

• पुरवठा साखळी नेटवर्क डिझाइन, मार्ग आणि वेअरहाऊस लेआउट समस्या ओळखण्याची क्षमता
• परिस्थिती निर्माण, मर्यादा सूची आणि ऑप्टिमायझेशन मॉडेल बांधकाम मध्ये AI वापरण्याची क्षमता
• किंमत, क्षमता आणि वितरण मर्यादांसह AI सुचविलेले उपाय प्रमाणित करण्याची क्षमता

पुरवठा साखळी म्हणजे कच्च्या मालापासून अंतिम ग्राहकापर्यंत साहित्य, माहिती आणि पैसा यांचा संपूर्ण प्रवाह. या नेटवर्कमधील प्रत्येक निर्णय (स्त्रोत कोठे करायचे, कोणते कोठार स्टॉक करायचे, कोणत्या मार्गाने शिप करायचे) खर्च, वेग आणि टिकाऊपणा यांच्यातील समतोल राखतो. ऑप्टिमायझेशन येथे जादू नाही, याचा अर्थ एक सु-परिभाषित वस्तुनिष्ठ कार्य आणि मर्यादा आहेत. कृत्रिम बुद्धिमत्ता या क्षेत्रात समस्येची रचना करणे, परिस्थिती निर्माण करणे, अडचणींची यादी करणे आणि ऑप्टिमायझेशन मॉडेलचा मसुदा तयार करणे यासाठी खूप शक्तिशाली आहे; परंतु "सर्वोत्तम उपाय" दाव्यांना नेहमीच अडथळे आणि वास्तविक खर्चाविरूद्ध प्रमाणित करणे आवश्यक आहे. या युनिटमध्ये, आम्ही एआय समर्थनासह नेटवर्क डिझाइन, मार्ग ऑप्टिमायझेशन आणि वेअरहाऊस निर्णयांवर चर्चा करू.

पुरवठा साखळी ऑप्टिमायझेशन समस्या नकाशा

योग्य मॉडेल तयार करण्यासाठी ऑप्टिमायझेशन समस्या ओळखणे ही पहिली पायरी आहे.

समस्या

निर्णय परिवर्तनीय

ठराविक उद्देश

नेटवर्क डिझाइन

कोणती सुविधा/गोदाम उघडावे?

एकूण निश्चित + चल खर्च मि

असाइनमेंट/वाटप

कोणता ग्राहक कोणत्या गोदामातून?

वाहतूक खर्च मि

वाहन मार्ग (VRP)

कोणते वाहन कोणते थांबते, कोणत्या क्रमाने?

एकूण अंतर/वेळ मि

गोदाम लेआउट

उत्पादने कोठे ठेवावीत?

उचलण्याचे अंतर मि

वाहतूक मोड निवड

जमीन/समुद्र/हवा

खर्च-गती शिल्लक

प्रत्येक समस्येची सामान्य चौकट सारखीच असते: निर्णय व्हेरिएबल्स, वस्तुनिष्ठ कार्य, मर्यादा. AI चे सर्वात मौल्यवान योगदान हे आहे की ते तुम्हाला या तीन घटकांमध्ये व्यवसाय समस्येचे भाषांतर करण्यास मदत करते.

भूमिका: तुम्ही पुरवठा साखळी ऑप्टिमायझेशनमध्ये तज्ञ असलेले औद्योगिक अभियंता आहात. कार्य: खालील व्यवसाय समस्येचे ऑप्टिमायझेशन मॉडेलमध्ये भाषांतर करा. निर्दिष्ट करा: (1) निर्णय चल, (2) वस्तुनिष्ठ कार्य, (3) मर्यादा (क्षमता, मागणी समाधान, गैर-नकारात्मकता), (4) या समस्येचा प्रकार. समस्या: "आमच्याकडे 3 कारखाने आणि 5 वितरण केंद्रे आहेत. प्रत्येक कारखान्याची क्षमता आणि प्रत्येक केंद्राची मागणी निश्चित आहे. कारखान्यापासून केंद्रापर्यंत वाहतूक युनिटचा खर्च वेगळा आहे. एकूण वाहतूक खर्च कमी करा आम्ही ते डाउनलोड करू इच्छितो." नियम: मॉडेल प्रकाराचे नाव द्या (उदा. वाहतुकीची समस्या), गृहीतके स्पष्टपणे लिहा.

ही एक क्लासिक वाहतूक समस्या आहे. AI हे ओळखू शकते आणि योग्य गणिती सांगाडा तयार करू शकते; तुम्ही वास्तविक क्षमता आणि मागणी डेटा देखील ठेवता.

मार्ग ऑप्टिमायझेशन (VRP) आणि मर्यादांचे महत्त्व

व्हेईकल राउटिंग ही सरावात वारंवार समोर येणारी आणि चुकीची प्रस्थापित समस्या आहे. साधा “छोटा मार्ग” (TSP) आणि खरा VRP यात मोठा फरक आहे: वाहन क्षमता, वेळ खिडक्या (ग्राहक उचलू शकेल तेव्हाचे तास), वाहन चालवण्याची वेळ मर्यादा, बहु-वाहन.

खबरदारी: जेव्हा AI मार्गाची शिफारस करते, तेव्हा ते सहसा "विसरते" किंवा अंदाजे क्षमता आणि वेळेची मर्यादा. वाहन वाहून नेण्यापेक्षा जास्त माल भरलेला मार्ग "छोटा" वाटू शकतो परंतु अव्यवहार्य आहे. एकूण लोड ≤ क्षमता आणि आगमन वेळ ∈ वेळ विंडोसाठी प्रत्येक मार्ग स्वतंत्रपणे तपासा.

कमकुवत प्रॉम्प्ट / मजबूत प्रॉम्प्ट

कमकुवत प्रॉम्प्ट:

या 8 थांब्यांसाठी सर्वात लहान मार्ग द्या.

क्षमता, टाइम विंडो आणि वाहनांची संख्या नसल्यास, एआय एक साधी क्रमवारी देते; वास्तविक ऑपरेशनमध्ये ते टिकत नाही.

शक्तिशाली सूचना:

खालील 8 ग्राहकांसाठी मार्ग योजना सुचवा. तेथे 2 वाहने आहेत, प्रत्येकाची क्षमता 100 युनिट्स आहे. प्रत्येक ग्राहकाची मागणी आणि वेळ विंडो संलग्न आहे. वेअरहाऊसमधून चेक-आउट 08:00. सरासरी वेग 40 किमी/तास गृहीत धरा. आउटपुट: प्रत्येक वाहनासाठी थांबण्याचा क्रम, संचयी भार (क्षमतेपेक्षा जास्त नसावा), अंदाजे आगमन वेळा (वेळेच्या चौकटीत बसण्यासाठी), एकूण अंतर. मर्यादांचे उल्लंघन होत असल्यास, ते स्पष्टपणे सांगा आणि पर्याय सुचवा. डेटा: {{ ... }}

दुसरा प्रॉम्प्ट स्पष्टपणे निर्बंध लादतो आणि AI कडून उल्लंघन तपासण्याची विनंती करतो. तथापि, सॉल्व्हर किंवा मॅन्युअली निकालाची पडताळणी करणे आवश्यक आहे; AI परिपूर्ण इष्टतमतेची हमी देत ​​नाही.

इष्टतम किंवा फक्त "चांगले"?

येथे एक गंभीर संकल्पना आहे: AI (आणि बहुतेक व्यावहारिक पद्धती) शोधून काढलेला उपाय अनेकदा चांगला उपाय (ह्युरिस्टिक) असतो, इष्टतम नसतो. खरा इष्टतम गणिती सॉल्व्हर (जसे की OR-टूल्स, गुरोबी, PULP) योग्यरित्या तयार केलेले मॉडेल सोडवतो. एआयची भूमिका मॉडेल तयार करणे आहे, ते सोडवणे नाही.

Python PuLP सह खालील वाहतूक समस्या सोडवण्यासाठी मॉडेल स्केलेटन लिहा:- निर्णय व्हेरिएबल्स x[i][j] (i factory, j केंद्र)- उद्दिष्ट: एकूण खर्च कमी करणे- मर्यादा: प्रत्येक कारखान्याचा पुरवठा, प्रत्येक केंद्राची मागणी, x >= 0 टिप्पण्यांसह कोड स्पष्ट करा, परंतु मी संख्यात्मक डेटा प्रविष्ट करेन. तसेच: उपाय बाहेर आल्यावर मला कोणत्या तपासण्या कराव्या लागतील याची यादी करा.

टीप: AI ला “कोड लिहा आणि तो काढा” असे सांगण्याऐवजी “कोड लिहा आणि मी तो चालवीन” असे सांगा. हे ऑप्टिमायझेशनला खरे सॉल्व्हर बनवते; तुमचा AI-निर्मित (आणि सत्यापित न केलेल्या) नंबरवर "हे माझे समाधान आहे" असे म्हणणाऱ्यांवर विश्वास नाही.

गोदाम आणि स्थान निर्णय

वेअरहाऊसमध्ये उत्पादन प्लेसमेंट थेट पिकिंग अंतरावर परिणाम करते. मूळ तत्त्व म्हणजे वारंवार हलवलेल्या (उच्च टर्नओव्हर) वस्तू पिकिंग पॉइंट (ABC प्लेसमेंट) जवळ ठेवणे. एआय उत्पादन हालचाली डेटासह लेआउट प्रस्ताव बाह्यरेखा तयार करू शकते; तथापि, भौतिक मर्यादा (शेल्फचा आकार, वजन, धोकादायक सामग्री वेगळे करणे, कोल्ड चेन) मानवाकडून पर्यवेक्षण करणे आवश्यक आहे.

मिनी केस: कागदावर लहान, फील्डमध्ये अशक्य

एक वितरण कंपनी 3 वाहनांसह दररोज 40 वितरण करते. औद्योगिक अभियंता सेलिन AI ला थांबे, विनंती आणि वाहन क्षमता देतात आणि मार्ग योजना विचारतात. एआय छान दिसणारा आणि कमी एकूण अंतर असलेला शॉट तयार करतो. पण सेलिन जेव्हा तपासते तेव्हा तिला जाणवते की वाहनाच्या मार्गावरील संचयी भार क्षमतेपेक्षा 15% ने जास्त आहे; दोन थांबे देखील आहेत जेथे ग्राहक दुपारी पिकअप करू शकतात परंतु सकाळी शेड्यूल केलेले आहेत. सेलीन प्रॉम्प्टवर मर्यादा अधिक स्पष्टपणे लिहितो आणि त्यांचे पुनरुत्पादन करतो, नंतर OR-टूल्ससह योजना सत्यापित करतो. परिणाम व्यवहार्य बनतो. धडा: AI ने "सर्वात लहान" म्हटलेली योजना प्रत्यक्षात सर्वात लहान नव्हती आणि मर्यादांच्या उल्लंघनामुळे ती अवैध देखील होती.

सामान्य चुका

• मर्यादा निर्दिष्ट न करणे: क्षमता, वेळ खिडकी आणि वाहनांची संख्या नसलेल्या मार्गाची विनंती करणे.
• सॉल्व्हरसाठी AI चुकणे: AI द्वारे दिलेले "इष्टतम" समाधान वास्तविक सॉल्व्हर आउटपुट म्हणून स्वीकारणे.
• प्रतिबंधांचे उल्लंघन तपासत नाही: संचयी भार आणि आगमन वेळा तपासल्याशिवाय योजना लागू करणे.
• एकाच ध्येयावर लक्ष केंद्रित करणे: केवळ खर्च अनुकूल करणे आणि टिकाऊपणा/जोखीम विसरून जाणे (एकल पुरवठादार अवलंबित्व).
• वास्तविक खर्च न वापरणे: डीफॉल्ट/फॅब्रिकेटेड युनिट खर्चासह मॉडेल तयार करणे आणि वास्तविक डेटासह ते अद्यतनित न करणे.

सारांशात

• प्रत्येक पुरवठा साखळी ऑप्टिमायझेशन तीन घटकांपर्यंत उकळते: निर्णय चल, वस्तुनिष्ठ कार्य, मर्यादा.
• AI चे सर्वात मौल्यवान योगदान म्हणजे व्यवसायाच्या समस्येचे योग्य मॉडेल प्रकार (वाहतूक, VRP, असाइनमेंट) मध्ये भाषांतर करणे.
• VRP मध्ये क्षमता आणि वेळेची मर्यादा महत्त्वाची आहे; AI हे वारंवार वगळते, ते तपासण्याचे सुनिश्चित करा.
• एआय तयार करते, निराकरण करत नाही; सॉल्व्हर (PuLP, OR-Tools) ने वास्तविक ऑप्टिमायझेशन केले पाहिजे.
• खर्चाबरोबरच टिकाऊपणा आणि जोखीम हेही उद्दिष्ट असले पाहिजे; एकल पुरवठादार/सिंगल रूट अवलंबित्व ही छुपी किंमत आहे.

अर्ज कार्य

पुरवठा/वितरण समस्या तयार करा (उदा. 3 गोदामे, 5-8 ग्राहक, मागणी आणि वाहन क्षमता). प्रथम, AI मॉडेलकडे निर्णय व्हेरिएबल, ध्येय आणि मर्यादा म्हणून समस्या आणा आणि समस्येच्या प्रकाराला नाव द्या. नंतर VRP परिस्थिती द्या आणि मार्ग योजना विचारा; आउटपुटमध्ये प्रत्येक वाहनाचा एकत्रित भार आणि आगमन वेळा स्वतः तपासा. गंभीर पडताळणी: किमान एका वाहनाचा एकूण भार मॅन्युअली जोडा आणि क्षमतेशी त्याची तुलना करा आणि मर्यादांचे उल्लंघन शोधा. शेवटी, AI ला सॉल्व्हर (PuLP) कोड स्केलेटन लिहायला सांगा आणि एक वर्कफ्लो डिझाइन करा जो AI ला बनावट नंबर तयार करण्यापासून प्रतिबंधित करेल, "मी उपाय चालवतो" या दृष्टिकोनासह.