Zyski:
- Umiejętność identyfikowania problemów związanych z projektowaniem sieci łańcucha dostaw, trasami i układem magazynu
- Umiejętność wykorzystania sztucznej inteligencji w generowaniu scenariuszy, sporządzaniu listy ograniczeń i budowie modelu optymalizacyjnego
- Możliwość walidacji rozwiązań sugerowanych przez sztuczną inteligencję z uwzględnieniem ograniczeń związanych z kosztami, wydajnością i dostawą
Łańcuch dostaw to cały przepływ materiałów, informacji i pieniędzy od surowców do klienta końcowego. Każda decyzja w tej sieci (gdzie szukać zaopatrzenia, który magazyn magazynować, jaką trasę wysłać) zapewnia równowagę między kosztem, szybkością i trwałością. Optymalizacja nie jest tu magią, oznacza dobrze zdefiniowaną funkcję celu i ograniczenia. Sztuczna inteligencja ma w tym obszarze ogromne możliwości w konstruowaniu problemu, generowaniu scenariuszy, sporządzaniu zestawień ograniczeń i opracowywaniu modelu optymalizacji; Jednak twierdzenia o „najlepszym rozwiązaniu” zawsze należy zweryfikować pod kątem ograniczeń i rzeczywistych kosztów. W tym module omówimy projektowanie sieci, optymalizację tras i decyzje magazynowe przy wsparciu AI.
Mapa problemów związanych z optymalizacją łańcucha dostaw
Rozpoznanie problemów optymalizacyjnych jest pierwszym krokiem w budowaniu odpowiedniego modelu.
problemu
zmienna decyzyjna
Typowy cel
projekt sieci
Jaki obiekt/magazyn otworzyć?
Łączny koszt stały + zmienny min
Przydział/przydział
Który klient z jakiego magazynu?
Koszt transportu min
Trasowanie pojazdów (VRP)
Który pojazd zatrzymuje się i w jakiej kolejności?
Całkowity dystans/czas min
układ magazynu
Gdzie należy umieścić produkty?
Odległość pobierania min
Wybór środka transportu
Ląd/morze/powietrze
Bilans kosztów i szybkości
Wspólny schemat każdego problemu jest taki sam: zmienne decyzyjne, funkcja celu, ograniczenia. Najcenniejszym wkładem sztucznej inteligencji jest to, że pomaga przełożyć problem biznesowy na te trzy komponenty.
Rola: Jesteś inżynierem przemysłowym specjalizującym się w optymalizacji łańcucha dostaw. Zadanie: Przetłumacz następujący problem biznesowy na model optymalizacyjny. Określ: (1) zmienne decyzyjne, (2) funkcję celu, (3) ograniczenia (wydajność, zaspokojenie popytu, nieujemność), (4) rodzaj tego problemu. Problem: "Mamy 3 fabryki i 5 centrów dystrybucyjnych. Wydajność każdej fabryki i zapotrzebowanie każdego centrum są pewne. Jednostkowe koszty transportu z fabryki do centrum są różne. Zminimalizuj całkowity koszt transportu. Chcemy to pobrać." Reguła: Nazwij typ modelu (np. problem z transportem), napisz wyraźnie założenia.
Jest to klasyczny problem transportowy. AI może to rozpoznać i zbudować prawidłowy szkielet matematyczny; Umieszczasz także dane o rzeczywistej wydajności i zapotrzebowaniu.
Optymalizacja tras (VRP) i znaczenie ograniczeń
Trasowanie pojazdów jest najczęściej spotykanym i błędnie ustalanym problemem w praktyce. Istnieje duża różnica pomiędzy prostą „najkrótszą ścieżką” (TSP) a prawdziwym VRP: pojemność pojazdu, okna czasowe (godziny, w których klient może odebrać), limity czasu jazdy, obsługa wielu pojazdów.
Uwaga: gdy sztuczna inteligencja zaleca trasę, często „zapomina” lub przybliża ograniczenia dotyczące przepustowości i okien czasowych. Trasa obciążona większą ilością ładunku, niż może przewieźć pojazd, może wydawać się „krótka”, ale jest niepraktyczna. Każdą trasę należy sprawdzić indywidualnie pod kątem całkowitego ładunku ≤ pojemności i czasu przyjazdu ∈ okna czasowego.
Słaba podpowiedź/silna podpowiedź
Słaba zachęta:
Podaj najkrótszą trasę dla tych 8 przystanków.
Jeśli nie ma przepustowości, okna czasowego i liczby pojazdów, sztuczna inteligencja podaje prosty ranking; Nie wytrzymuje rzeczywistej pracy.
Potężny monit:
Zaproponuj plan trasy dla kolejnych 8 klientów. Istnieją 2 pojazdy, pojemność każdego wynosi 100 jednostek. Zapotrzebowanie i okno czasowe każdego klienta są załączone. Wymeldowanie z magazynu08:00. Załóżmy, że średnia prędkość wynosi 40 km/h. Wyniki: kolejność przystanków dla każdego pojazdu, łączne obciążenie (nie przekraczające pojemności), szacowany czas przyjazdu (aby zmieścić się w oknie czasowym), całkowity dystans. Jeśli doszło do naruszenia ograniczenia, wyraźnie to określ i zaproponuj alternatywę. Dane: {{ ... }}
Drugi monit wyraźnie nakłada ograniczenia i żąda od AI sprawdzenia naruszeń. Należy jednak koniecznie zweryfikować wynik za pomocą solwera lub ręcznie; Sztuczna inteligencja nie gwarantuje absolutnej optymalności.
Optymalne czy po prostu „dobre”?
Jest tu kluczowa koncepcja: rozwiązanie, które znajduje sztuczna inteligencja (i większość praktycznych metod), jest często dobrym rozwiązaniem (heurystycznym), a nie optymalnym. Prawdziwy optymalny znajduje się za pomocą solwera matematycznego (takiego jak OR-Tools, Gurobi, PuLP) rozwiązującego poprawnie skonstruowany model. Rolą sztucznej inteligencji jest budowanie modelu, a nie jego rozwiązywanie.
Napisz szkielet modelu, aby rozwiązać następujący problem transportowy za pomocą Pythona PuLP: - Zmienne decyzyjne x[i] [j] (i fabryka, j centrum) - Cel: minimalizacja kosztów całkowitych - Ograniczenie: podaż każdej fabryki, popyt każdego centrum, x >= 0Wyjaśnij kod z komentarzami, ale wprowadzę dane liczbowe. Ponadto: wypisz, jakie kontrole muszę przeprowadzić, gdy pojawi się rozwiązanie.
Wskazówka: Zamiast mówić sztucznej inteligencji, aby „napisała kod i go rozpracowała”, powiedz jej „napisz kod, a ja go uruchomię”. To sprawia, że optymalizacja jest prawdziwym rozwiązaniem; Nie ufasz liczbom wymyślonym przez sztuczną inteligencję (i niezweryfikowanym), które mówią „oto moje rozwiązanie”.
Decyzje dotyczące magazynu i lokalizacji
Umieszczenie produktu w magazynie bezpośrednio wpływa na odległość kompletacji. Podstawową zasadą jest umieszczanie często przenoszonych (dużej rotacji) artykułów blisko punktu kompletacji (umiejscowienie ABC). Sztuczna inteligencja może stworzyć zarys propozycji układu z danymi o ruchu produktu; Jednakże ograniczenia fizyczne (rozmiar półki, waga, separacja materiałów niebezpiecznych, łańcuch chłodniczy) muszą być nadzorowane przez ludzi.
Mini Case: mało na papierze, niemożliwe w terenie
Firma dystrybucyjna realizuje 40 dostaw dziennie 3 pojazdami. Inżynier przemysłowy Selin przekazuje sztucznej inteligencji przystanki, żądania i pojemność pojazdów oraz prosi o plan trasy. Sztuczna inteligencja produkuje strzał, który wygląda ładnie i ma niski dystans całkowity. Kiedy jednak Selin sprawdza, okazuje się, że skumulowane obciążenie na trasie pojazdu przekracza nośność o 15%; Istnieją również dwa przystanki, z których klient może odebrać przesyłkę po południu, ale odbiór odbywa się rano. Selin wyraźniej zapisuje ograniczenia w wierszu zachęty i odtwarza je, a następnie weryfikuje plan za pomocą narzędzi OR. Wynik staje się wykonalny. Lekcja: Plan, który sztuczna inteligencja nazwała „najkrótszym”, w rzeczywistości nie był najkrótszy, a nawet był nieważny z powodu naruszenia ograniczeń.
Typowe błędy
- Brak określenia ograniczeń: żądanie trasy bez przepustowości, okna czasowego i liczby pojazdów.
- Mylenie sztucznej inteligencji z solwerem: przyjęcie „optymalnego” rozwiązania podanego przez sztuczną inteligencję jako rzeczywistego wyniku solwera.
- Brak sprawdzania naruszeń ograniczeń: Wdrażanie planu bez sprawdzania skumulowanego ładunku i czasu przybycia.
- Koncentracja na jednym celu: Optymalizacja wyłącznie kosztów i zapominanie o trwałości/ryzyku (zależność od jednego dostawcy).
- Niestosowanie kosztów rzeczywistych: budowanie modelu z domyślnymi/sfabrykowanymi kosztami jednostkowymi i nieaktualizowanie go przy użyciu rzeczywistych danych.
Podsumowując
- Każda optymalizacja łańcucha dostaw sprowadza się do trzech elementów: zmiennych decyzyjnych, funkcji celu, ograniczeń.
- Najcenniejszym wkładem AI jest przełożenie problemu biznesowego na odpowiedni typ modelu (transport, VRP, zlecenie).
- Ograniczenia dotyczące wydajności i okien czasowych mają kluczowe znaczenie w VRP; AI często je pomija, pamiętaj o ich sprawdzeniu.
- AI buduje, a nie rozwiązuje; Solver (PuLP, OR-Tools) powinien przeprowadzić rzeczywistą optymalizację.
- Oprócz kosztów, celem powinno być również trwałość i ryzyko; Zależność od jednego dostawcy/jednej trasy to ukryty koszt.
Zadanie aplikacji
Skonstruuj problem podaży/dystrybucji (np. 3 magazyny, 5-8 klientów, zapotrzebowanie i pojemność pojazdów). Najpierw poproś sztuczną inteligencję o modelowanie problemu jako zmiennej decyzyjnej, celu i ograniczenia oraz nazwij typ problemu. Następnie podaj scenariusz VRP i poproś o plan trasy; Sprawdź samodzielnie na wynikach skumulowany ładunek i czasy przyjazdu każdego pojazdu. Weryfikacja krytyczna: ręcznie zsumuj całkowite obciążenie co najmniej jednego pojazdu i porównaj je z nośnością i poszukaj naruszenia ograniczeń. Na koniec poproś sztuczną inteligencję o napisanie szkieletu kodu solwera (PuLP) i zaprojektowanie przepływu pracy, który zapobiegnie generowaniu fałszywych liczb przez sztuczną inteligencję, stosując podejście „uruchomię rozwiązanie”.