Câștiguri:
- Abilitatea de a identifica problemele de proiectare a rețelei lanțului de aprovizionare, rute și aspectul depozitului
- Abilitatea de a utiliza AI în generarea de scenarii, listarea constrângerilor și construcția modelului de optimizare
- Abilitatea de a valida soluțiile sugerate de AI cu constrângeri de cost, capacitate și livrare
Lanțul de aprovizionare este întregul flux de materiale, informații și bani de la materiile prime la clientul final. Fiecare decizie din această rețea (de unde să proveniți, ce depozit să stocați, ce rută către expediere) atinge un echilibru între cost, viteză și durabilitate. Optimizarea nu este magie aici, înseamnă o funcție obiectivă și constrângeri bine definite. Inteligența artificială este foarte puternică în acest domeniu în structurarea problemei, generarea de scenarii, enumerarea constrângerilor și elaborarea modelului de optimizare; Dar afirmațiile „cea mai bună soluție” trebuie întotdeauna validate în raport cu constrângerile și costurile reale. În această unitate, vom discuta despre proiectarea rețelei, optimizarea rutelor și deciziile legate de depozit cu suport AI.
Harta problemelor de optimizare a lanțului de aprovizionare
Recunoașterea problemelor de optimizare este primul pas în construirea modelului potrivit.
problema
variabilă de decizie
Scopul tipic
proiectarea rețelei
Ce instalație/depozit ar trebui deschisă?
Cost fix + variabil total min
Atribuire/alocare
Care client din ce depozit?
Cost transport min
Rutarea vehiculelor (VRP)
Ce vehicul face ce oprește, în ce ordine?
Distanta totala/timp min
amenajarea depozitului
Unde ar trebui plasate produsele?
Distanța de cules min
Selectarea modului de transport
Teren/mare/aer
Echilibrul cost-viteză
Cadrul comun al fiecărei probleme este același: variabile de decizie, funcție obiectiv, constrângeri. Cea mai valoroasă contribuție a AI este că vă ajută să traduceți o problemă de afaceri în aceste trei componente.
Rol: Sunteți inginer industrial specializat în optimizarea lanțului de aprovizionare. Sarcină: Traduceți următoarea problemă de afaceri într-un model de optimizare. Precizați: (1) variabile de decizie, (2) funcție obiectiv, (3) constrângeri (capacitate, satisfacție a cererii, non-negativitate), (4) tipul acestei probleme. Problemă: „Avem 3 fabrici și 5 centre de distribuție. Capacitatea fiecărei fabrici și cererea fiecărui centru sunt sigure. Costurile unitare de transport de la fabrică la centru sunt diferite. Minimizează costul total de transport Dorim să-l descarcăm.” Regulă: Numiți tipul de model (de exemplu, problema de transport), scrieți ipotezele clar.
Aceasta este o problemă clasică de transport. AI poate recunoaște acest lucru și poate construi scheletul matematic corect; De asemenea, plasați date reale privind capacitatea și cererea.
Optimizarea rutei (VRP) și importanța constrângerilor
Traseul vehiculelor este problema cel mai frecvent întâlnită și stabilită incorect în practică. Există o mare diferență între „cea mai scurtă cale” (TSP) și adevăratul VRP: capacitatea vehiculului, ferestre de timp (ore în care clientul poate ridica), limite de timp de conducere, vehicule multiple.
Atenție: Când AI recomandă o rută, adesea „uită” sau aproximează constrângerile de capacitate și fereastră de timp. O rută încărcată cu mai multă marfă decât poate transporta un vehicul poate părea „scurtă”, dar este nepractică. Verificați fiecare rută individual pentru încărcare totală ≤ capacitate și ora de sosire ∈ fereastra de timp.
Solicitare slabă / Solicitare puternică
Prompt slab:
Indicați cel mai scurt traseu pentru aceste 8 opriri.
Dacă nu există capacitate, fereastră de timp și număr de vehicule, AI oferă un clasament simplu; Nu rezistă în funcționarea reală.
Solicitare puternică:
Sugerați un plan de rută pentru următorii 8 clienți. Există 2 vehicule, capacitatea fiecăruia este de 100 de unități. Cererea fiecărui client și fereastra de timp sunt atașate. Check-out din depozit 08:00. Să presupunem că viteza medie este de 40 km/h. Ieșire: ordinea opririlor pentru fiecare vehicul, sarcină cumulată (a nu depăși capacitatea), timpii estimați de sosire (pentru a se potrivi cu fereastra de timp), distanța totală. Dacă există o încălcare a constrângerii, indicați-o clar și sugerați o alternativă. Date: {{ ... }}
Al doilea prompt impune în mod explicit constrângeri și solicită verificarea încălcării de la AI. Cu toate acestea, este esențial să verificați rezultatul cu un rezolvator sau manual; AI nu garantează optimitatea absolută.
Optimal sau doar „bun”?
Există un concept critic aici: soluția pe care AI (și majoritatea metodelor practice) o găsește este adesea o soluție bună (euristică), nu una optimă. Adevăratul optim este găsit de un rezolvator matematic (cum ar fi OR-Tools, Gurobi, PuLP) care rezolvă modelul construit corect. Rolul AI este de a construi modelul, nu de a-l rezolva.
Scrieți un schelet model pentru a rezolva următoarea problemă de transport cu Python PuLP:- Variabile de decizie x[i][j] (i fabrică, j centru)- Obiectiv: minimizarea costului total- Constrângere: oferta fiecărei fabrici, cererea fiecărui centru, x >= 0Explicați codul cu comentarii, dar voi introduce datele numerice. De asemenea: enumerați ce verificări trebuie să fac când apare soluția.
Sfat: în loc să-i spui AI „să scrie codul și să-l dea seama”, spune-i „scrie codul și îl voi rula”. Acest lucru face din optimizare un adevărat solutor; Nu aveți încredere în numerele inventate (și neverificate) de AI care spun „iată soluția mea”.
Deciziile privind depozitul și locația
Plasarea produsului în depozit afectează direct distanța de picking. Principiul de bază este poziționarea articolelor mutate frecvent (cifra de afaceri mare) aproape de punctul de ridicare (plasare ABC). AI poate produce o schiță a propunerii de aspect cu date despre mișcarea produsului; Cu toate acestea, constrângerile fizice (dimensiunea raftului, greutatea, separarea materialelor periculoase, lanțul de frig) trebuie să fie supravegheate de oameni.
Mini carcasă: Scurt pe hârtie, Impossible in the Field
O companie de distribuție face 40 de livrări pe zi cu 3 vehicule. Inginerul industrial Selin dă opririle, solicitările și capacitățile vehiculelor AI și solicită un plan de rută. AI produce o fotografie care arată frumos și are o distanță totală mică. Dar când Selin verifică, își dă seama că sarcina cumulativă pe traseul unui vehicul depășește capacitatea cu 15%; Există și două opriri de unde clientul poate ridica după-amiaza, dar este programat dimineața. Selin scrie constrângerile mai clar pe prompt și le reproduce, apoi verifică planul cu OR-Tools. Rezultatul devine fezabil. Lecție: Planul pe care AI l-a numit „cel mai scurt” nu a fost de fapt cel mai scurt și chiar a fost invalid din cauza încălcărilor constrângerilor.
Greșeli comune
- Nu se specifică constrângeri: Solicitarea unui traseu fără capacitate, fereastră de timp și număr de vehicule.
- Confundarea AI cu un rezolvator: Acceptarea soluției „optimale” oferite de AI ca rezultat real al rezolvatorului.
- Nu se verifică încălcările constrângerilor: Implementarea planului fără a verifica încărcarea cumulativă și timpii de sosire.
- Concentrarea pe un singur obiectiv: optimizarea doar a costurilor și uitarea de durabilitate/risc (dependență de un singur furnizor).
- Nu folosiți costuri reale: construiți un model cu costuri unitare implicite/fabricate și nu îl actualizați cu date reale.
Pe scurt
- Fiecare optimizare a lanțului de aprovizionare se rezumă la trei componente: variabile de decizie, funcție obiectiv, constrângeri.
- Cea mai valoroasă contribuție a AI este traducerea problemei de afaceri în tipul de model potrivit (transport, VRP, atribuire).
- Constrângerile de capacitate și fereastră de timp sunt cruciale în VRP; AI le omite frecvent, asigurați-vă că le verificați.
- AI construiește, nu rezolvă; Un rezolvator (PuLP, OR-Tools) ar trebui să facă optimizarea efectivă.
- Pe lângă cost, durabilitatea și riscul ar trebui să fie, de asemenea, scopul; Dependența unui singur furnizor/rută unică este un cost ascuns.
Sarcina de aplicare
Construiți o problemă de aprovizionare/distribuție (de exemplu, 3 depozite, 5-8 clienți, cereri și capacitatea vehiculului). Mai întâi, modelați AI problema ca variabilă de decizie, obiectiv și constrângere și denumiți tipul problemei. Apoi dați un scenariu VRP și cereți un plan de rută; Verificați personal în ieșire încărcarea și orele de sosire cumulate ale fiecărui vehicul. Verificare critică: adunați manual încărcătura totală a cel puțin unui vehicul și comparați-o cu capacitatea și căutați o încălcare a constrângerii. În cele din urmă, cereți AI să scrie scheletul codului de rezolvare (PuLP) și să proiecteze un flux de lucru care împiedică AI să genereze numere false, cu o abordare „Voi rula soluția”.