Keuntungan:
- Keupayaan untuk mengenal pasti reka bentuk rangkaian rantaian bekalan, laluan dan masalah susun atur gudang
- Keupayaan untuk menggunakan AI dalam penjanaan senario, penyenaraian kekangan dan pembinaan model pengoptimuman
- Keupayaan untuk mengesahkan penyelesaian yang dicadangkan AI dengan kekangan kos, kapasiti dan penghantaran
Rantaian bekalan ialah keseluruhan aliran bahan, maklumat dan wang daripada bahan mentah kepada pelanggan akhir. Setiap keputusan dalam rangkaian ini (dari mana untuk mendapatkan sumber, gudang mana untuk stok, laluan mana untuk dihantar) mencapai keseimbangan antara kos, kelajuan dan ketahanan. Pengoptimuman bukanlah sihir di sini, ia bermakna fungsi objektif dan kekangan yang jelas. Kecerdasan buatan sangat berkuasa dalam bidang ini dalam menstrukturkan masalah, menjana senario, menyenaraikan kekangan dan merangka model pengoptimuman; Tetapi tuntutan "penyelesaian terbaik" sentiasa perlu disahkan terhadap kekangan dan kos sebenar. Dalam unit ini, kami akan membincangkan reka bentuk rangkaian, pengoptimuman laluan dan keputusan gudang dengan sokongan AI.
Peta Masalah Pengoptimuman Rantaian Bekalan
Menyedari masalah pengoptimuman adalah langkah pertama dalam membina model yang betul.
masalah
pembolehubah keputusan
Tujuan biasa
reka bentuk rangkaian
Kemudahan/gudang manakah yang patut dibuka?
Jumlah kos tetap + berubah min
Tugasan/peruntukan
Pelanggan mana dari gudang mana?
Kos pengangkutan min
Penghalaan kenderaan (VRP)
Kenderaan mana yang berhenti, mengikut urutan yang mana?
Jumlah jarak/masa min
susun atur gudang
Di manakah produk harus diletakkan?
Memilih jarak min
Pemilihan mod pengangkutan
Darat/laut/udara
Baki kelajuan kos
Rangka kerja umum bagi setiap masalah adalah sama: pembolehubah keputusan, fungsi objektif, kekangan. Sumbangan AI yang paling berharga ialah ia membantu anda menterjemahkan masalah perniagaan kepada tiga komponen ini.
Peranan: Anda seorang jurutera industri yang pakar dalam pengoptimuman rantaian bekalan. Tugas: Terjemahkan masalah perniagaan berikut kepada model pengoptimuman. Nyatakan: (1) pembolehubah keputusan, (2) fungsi objektif, (3) kekangan (kapasiti, kepuasan permintaan, bukan negatif), (4) jenis masalah ini. Masalah: "Kami mempunyai 3 kilang dan 5 pusat pengedaran. Kapasiti setiap kilang dan permintaan setiap pusat adalah pasti. Kos unit pengangkutan dari kilang ke pusat adalah berbeza. Minimumkan jumlah kos pengangkutan Kami ingin memuat turunnya." Peraturan: Namakan jenis model (cth. masalah pengangkutan), tulis andaian dengan jelas.
Ini adalah masalah pengangkutan klasik. AI boleh mengenali ini dan membina rangka matematik yang betul; Anda juga meletakkan kapasiti sebenar dan data permintaan.
Pengoptimuman Laluan (VRP) dan Kepentingan Kekangan
Penghalaan kenderaan adalah masalah yang paling kerap ditemui dan salah wujud dalam amalan. Terdapat perbezaan besar antara "laluan terpendek" (TSP) mudah dan VRP sebenar: kapasiti kenderaan, tingkap masa (jam apabila pelanggan boleh mengambil), had masa memandu, berbilang kenderaan.
Awas: Apabila AI mengesyorkan laluan, ia sering "melupakan" atau menganggarkan kapasiti dan kekangan tetingkap masa. Laluan yang sarat dengan lebih banyak kargo daripada yang boleh dibawa oleh kenderaan mungkin kelihatan "pendek" tetapi tidak praktikal. Semak setiap laluan secara individu untuk jumlah muatan ≤ kapasiti dan masa ketibaan ∈ tetingkap masa.
Gesaan Lemah / Gesaan Kuat
Gesaan yang lemah:
Berikan laluan terpendek untuk 8 perhentian ini.
Jika tiada kapasiti, tingkap masa dan bilangan kenderaan, AI memberikan kedudukan mudah; Ia tidak tahan dalam operasi sebenar.
Gesaan kuat:
Cadangkan pelan laluan untuk 8 pelanggan berikut. Terdapat 2 buah kenderaan, kapasiti setiap satu ialah 100 unit. Tetingkap permintaan dan masa setiap pelanggan dilampirkan. Daftar keluar dari gudang08:00. Andaikan kelajuan purata 40 km/j. Output: susunan perhentian bagi setiap kenderaan, beban terkumpul (tidak melebihi kapasiti), anggaran masa ketibaan (sesuai dengan tetingkap masa), jumlah jarak. Jika terdapat pelanggaran kekangan, nyatakan dengan jelas dan cadangkan alternatif. Data: {{ ... }}
Gesaan kedua secara eksplisit mengenakan kekangan dan meminta semakan pelanggaran daripada AI. Walau bagaimanapun, adalah penting untuk mengesahkan keputusan dengan penyelesai atau secara manual; AI tidak menjamin keoptimuman mutlak.
Optimum atau Hanya "Baik"?
Terdapat konsep kritikal di sini: penyelesaian yang ditemui oleh AI (dan kebanyakan kaedah praktikal) adalah penyelesaian yang baik (heuristik), bukan penyelesaian yang optimum. Optimum sebenar ditemui oleh penyelesai matematik (seperti OR-Tools, Gurobi, PuLP) yang menyelesaikan model yang dibina dengan betul. Peranan AI adalah untuk membina model, bukan menyelesaikannya.
Tulis rangka model untuk menyelesaikan masalah pengangkutan berikut dengan Python PuLP:- Pembolehubah keputusan x[i][j] (i kilang, j pusat)- Objektif: jumlah pengecilan kos- Kekangan: bekalan setiap kilang, permintaan setiap pusat, x >= 0Terangkan kod dengan ulasan, tetapi saya akan memasukkan data berangka. Juga: senaraikan pemeriksaan yang perlu saya lakukan apabila penyelesaian keluar.
Petua: Daripada memberitahu AI untuk "menulis kod dan memikirkannya," beritahunya "tulis kod dan saya akan menjalankannya." Ini menjadikan pengoptimuman sebagai penyelesai sebenar; Anda tidak mempercayai nombor buatan AI (dan tidak disahkan) yang mengatakan "inilah penyelesaian saya".
Gudang dan Keputusan Lokasi
Penempatan produk di gudang secara langsung mempengaruhi jarak pemilihan. Prinsip asasnya ialah meletakkan item yang kerap dipindahkan (perolehan tinggi) berhampiran dengan titik pemilihan (peletakan ABC). AI boleh menghasilkan garis besar cadangan reka letak dengan data pergerakan produk; Walau bagaimanapun, kekangan fizikal (saiz rak, berat, pengasingan bahan berbahaya, rantai sejuk) mesti diawasi oleh manusia.
Kes Mini: Pendek di atas Kertas, Mustahil di Lapangan
Sebuah syarikat pengedaran membuat 40 penghantaran sehari dengan 3 kenderaan. Jurutera industri Selin memberikan hentian, permintaan dan kapasiti kenderaan kepada AI dan meminta pelan laluan. AI menghasilkan syot yang kelihatan bagus dan mempunyai jumlah jarak yang rendah. Tetapi apabila Selin menyemak, dia menyedari bahawa beban kumulatif pada laluan kenderaan melebihi kapasiti sebanyak 15%; Terdapat juga dua perhentian di mana pelanggan boleh mengambil pada sebelah petang tetapi dijadualkan pada waktu pagi. Selin menulis kekangan dengan lebih jelas pada gesaan dan mengeluarkannya semula, kemudian mengesahkan rancangan dengan OR-Tools. Hasilnya menjadi boleh dilaksanakan. Pengajaran: Pelan yang AI dipanggil "paling pendek" sebenarnya bukan yang terpendek malah tidak sah kerana pelanggaran kekangan.
Kesilapan Biasa
- Tidak menyatakan kekangan: Meminta laluan tanpa kapasiti, tingkap masa dan bilangan kenderaan.
- Menganggap AI sebagai penyelesai: Menerima penyelesaian "optimum" yang diberikan oleh AI sebagai output penyelesai sebenar.
- Tidak menyemak pelanggaran kekangan: Melaksanakan pelan tanpa menyemak beban terkumpul dan masa ketibaan.
- Memfokuskan pada satu matlamat: Mengoptimumkan hanya kos dan melupakan ketahanan/risiko (pergantungan pembekal tunggal).
- Tidak menggunakan kos sebenar: Membina model dengan kos unit lalai/fabrikasi dan tidak mengemas kininya dengan data sebenar.
Secara ringkasnya
- Setiap pengoptimuman rantaian bekalan berpunca kepada tiga komponen: pembolehubah keputusan, fungsi objektif, kekangan.
- Sumbangan AI yang paling berharga ialah menterjemahkan masalah perniagaan kepada jenis model yang betul (pengangkutan, VRP, tugasan).
- Kekangan tetingkap kapasiti dan masa adalah penting dalam VRP; AI melangkau ini dengan kerap, pastikan anda menyemaknya.
- AI membina, bukan menyelesaikan; Penyelesai (PuLP, OR-Tools) harus melakukan pengoptimuman sebenar.
- Selain kos, ketahanan dan risiko juga harus menjadi matlamat; Pembekal tunggal/pergantungan laluan tunggal ialah kos tersembunyi.
Tugasan permohonan
Membina masalah bekalan/pengedaran (cth. 3 gudang, 5-8 pelanggan, permintaan dan kapasiti kenderaan). Pertama, minta model AI masalah sebagai pembolehubah keputusan, matlamat, dan kekangan dan namakan jenis masalah. Kemudian berikan senario VRP dan minta pelan laluan; Periksa sendiri beban terkumpul dan masa ketibaan setiap kenderaan dalam output. Pengesahan kritikal: tambah jumlah muatan sekurang-kurangnya satu kenderaan secara manual dan bandingkan dengan kapasiti dan cari pelanggaran kekangan. Akhir sekali, minta AI menulis rangka kod penyelesai (PuLP) dan mereka bentuk aliran kerja yang menghalang AI daripada menjana nombor palsu, dengan pendekatan "Saya akan jalankan penyelesaian".