ලාභ:
- සැපයුම් දාම ජාල සැලසුම්, මාර්ග සහ ගබඩා පිරිසැලසුම් ගැටළු හඳුනාගැනීමේ හැකියාව
- අවස්ථා උත්පාදනය, සීමා කිරීම් ලැයිස්තුගත කිරීම සහ ප්රශස්තිකරණ ආකෘති ගොඩනැගීමේදී AI භාවිතා කිරීමේ හැකියාව
- පිරිවැය, ධාරිතාව සහ බෙදාහැරීමේ සීමාවන් සමඟ AI යෝජනා කරන ලද විසඳුම් වලංගු කිරීමේ හැකියාව
සැපයුම් දාමය යනු අමුද්රව්යවල සිට අවසාන පාරිභෝගිකයා දක්වා ද්රව්ය, තොරතුරු සහ මුදල්වල සම්පූර්ණ ප්රවාහයයි. මෙම ජාලයේ සෑම තීරණයක්ම (මූලාශ්ර කළ යුත්තේ කොතැනද, කුමන ගබඩාව ගබඩා කළ යුතුද, නැව්ගත කළ යුතු මාර්ගයද) පිරිවැය, වේගය සහ කල්පැවැත්ම අතර සමතුලිතතාවයක් ඇති කරයි. ප්රශස්තකරණය යනු මෙහි මැජික් නොවේ, එයින් අදහස් කරන්නේ හොඳින් අර්ථ දක්වා ඇති වෛෂයික ශ්රිතයක් සහ සීමාවන් ය. කෘත්රිම බුද්ධිය මෙම ප්රදේශය තුළ ගැටලුව ව්යුහගත කිරීම, අවස්ථා ජනනය කිරීම, සීමාවන් ලැයිස්තුගත කිරීම සහ ප්රශස්තිකරණ ආකෘතිය කෙටුම්පත් කිරීමේදී ඉතා බලවත් ය; නමුත් "හොඳම විසඳුම" හිමිකම් සෑම විටම සීමාවන් සහ සැබෑ පිරිවැයට එරෙහිව වලංගු විය යුතුය. මෙම ඒකකය තුළ, අපි AI සහාය ඇතිව ජාල සැලසුම් කිරීම, මාර්ග ප්රශස්තකරණය සහ ගබඩා තීරණ සාකච්ඡා කරමු.
සැපයුම් දාම ප්රශස්තකරණ ගැටළු සිතියම
ප්රශස්තිකරණ ගැටළු හඳුනා ගැනීම නිවැරදි ආකෘතිය ගොඩනැගීමේ පළමු පියවරයි.
ගැටලුව
තීරණ විචල්යය
සාමාන්ය අරමුණ
ජාල නිර්මාණය
කුමන පහසුකම / ගබඩාව විවෘත කළ යුතුද?
සම්පූර්ණ ස්ථාවර + විචල්ය පිරිවැය අවම
පැවරීම / වෙන් කිරීම
කුමන ගබඩාවෙන් කුමන පාරිභෝගිකයාද?
ප්රවාහන වියදම අවම
වාහන මාර්ගගත කිරීම (VRP)
කුමන වාහනය කුමන නැවතුම් කරන්නේ, කුමන අනුපිළිවෙලටද?
මුළු දුර/කාලය විනාඩි
ගබඩා සැලැස්ම
නිෂ්පාදන තැබිය යුත්තේ කොතැනින්ද?
තෝරා ගැනීමේ දුර මිනි
ප්රවාහන මාදිලිය තේරීම
ගොඩබිම/මුහුද/ගුවන්
පිරිවැය-වේග ශේෂය
සෑම ගැටලුවකම පොදු රාමුව සමාන වේ: තීරණ විචල්යයන්, වෛෂයික ශ්රිතය, සීමාවන්. AI හි වටිනාම දායකත්වය වන්නේ ව්යාපාර ගැටලුවක් මෙම කොටස් තුනට පරිවර්තනය කිරීමට එය ඔබට උපකාර කිරීමයි.
භූමිකාව: ඔබ සැපයුම් දාම ප්රශස්තකරණය පිළිබඳ විශේෂඥ කාර්මික ඉංජිනේරුවෙකි. කාර්යය: පහත ව්යාපාරික ගැටලුව ප්රශස්තිකරණ ආකෘතියකට පරිවර්තනය කරන්න. සඳහන් කරන්න: (1) තීරණ විචල්යයන්, (2) වෛෂයික ශ්රිතය, (3) සීමාවන් (ධාරිතාව, ඉල්ලුම තෘප්තිය, ඍණ නොවන බව), (4) මෙම ගැටලුවේ වර්ගය. ගැටලුව: "අපට කර්මාන්තශාලා 3ක් සහ බෙදාහැරීමේ මධ්යස්ථාන 5ක් ඇත. එක් එක් කර්මාන්ත ශාලාවේ ධාරිතාව සහ එක් එක් මධ්යස්ථානයේ ඉල්ලුම නිශ්චිතය. කර්මාන්තශාලාවෙන් මධ්යයට ප්රවාහන ඒකක පිරිවැය වෙනස් වේ. සම්පූර්ණ ප්රවාහන වියදම අවම කරන්න අපට එය බාගත කිරීමට අවශ්යයි." රීතිය: ආදර්ශ වර්ගය නම් කරන්න (උදා: ප්රවාහන ගැටලුව), උපකල්පන පැහැදිලිව ලියන්න.
මෙය සම්භාව්ය ප්රවාහන ගැටලුවකි. AI හට මෙය හඳුනාගෙන නිවැරදි ගණිතමය ඇටසැකිල්ලක් ගොඩනගා ගත හැක; ඔබ සැබෑ ධාරිතාව සහ ඉල්ලුම දත්ත ද තබයි.
මාර්ග ප්රශස්තකරණය (VRP) සහ සීමා වල වැදගත්කම
වාහන මාර්ගගත කිරීම යනු ප්රායෝගිකව නිතර හමුවන සහ වැරදි ලෙස ස්ථාපිත ගැටලුවකි. සරල "කෙටිම මාර්ගය" (TSP) සහ සැබෑ VRP අතර විශාල වෙනසක් ඇත: වාහන ධාරිතාව, කාල කවුළු (පාරිභෝගිකයාට ලබා ගත හැකි පැය), ධාවන කාල සීමාවන්, බහු වාහන.
අවවාදයයි: AI මාර්ගයක් නිර්දේශ කරන විට, එය බොහෝ විට "අමතක" හෝ ධාරිතාව සහ කාල කවුළු සීමාවන් ආසන්න කරයි. වාහනයකට ගෙන යා හැකි ප්රමාණයට වඩා වැඩි භාණ්ඩ ප්රමාණයක් පටවා ඇති මාර්ගයක් "කෙටි" ලෙස පෙනෙන නමුත් ප්රායෝගික නොවේ. සම්පූර්ණ බර ≤ ධාරිතාව සහ පැමිණීමේ වේලාව ∈ කාල කවුළුව සඳහා එක් එක් මාර්ගය තනි තනිව පරීක්ෂා කරන්න.
දුර්වල ක්ෂණික / ශක්තිමත් ක්ෂණික
දුර්වල ක්ෂණික:
මෙම නැවතුම් 8 සඳහා කෙටිම මාර්ගය දෙන්න.
ධාරිතාව, කාල කවුළුව සහ වාහන සංඛ්යාව නොමැති නම්, AI සරල ශ්රේණිගත කිරීමක් ලබා දෙයි; එය සැබෑ ක්රියාකාරිත්වයේ නොනැසී පවතී.
බලවත් විමසුම:
පහත පාරිභෝගිකයින් 8 දෙනා සඳහා මාර්ග සැලැස්මක් යෝජනා කරන්න. වාහන 2 ක් ඇත, එක් එක් ධාරිතාව ඒකක 100 කි. එක් එක් පාරිභෝගිකයාගේ ඉල්ලුම සහ කාල කවුළුව අමුණා ඇත. ගබඩාවෙන් පිටවීම08:00. සාමාන්ය වේගය 40 km/h යැයි උපකල්පනය කරන්න. ප්රතිදානය: එක් එක් වාහනය සඳහා නැවතුම් අනුපිළිවෙල, සමුච්චිත භාරය (ධාරිතාව ඉක්මවා නොයෑම), ඇස්තමේන්තුගත පැමිණීමේ වේලාවන් (කාල කවුළුවට ගැලපෙන පරිදි), සම්පූර්ණ දුර. සීමාවන් උල්ලංඝනය කිරීමක් තිබේ නම්, එය පැහැදිලිව සඳහන් කර විකල්පයක් යෝජනා කරන්න. දත්ත: {{ ... }}
දෙවන විමසුම පැහැදිලිවම සීමාවන් පනවන අතර AI වෙතින් උල්ලංඝනය පරීක්ෂා කිරීම ඉල්ලා සිටී. කෙසේ වෙතත්, විසඳුමකින් හෝ අතින් ප්රතිඵලය තහවුරු කිරීම අත්යවශ්ය වේ; AI නිරපේක්ෂ ප්රශස්ත බව සහතික නොකරයි.
ප්රශස්ත හෝ හුදෙක් "හොඳ"?
මෙහි විවේචනාත්මක සංකල්පයක් ඇත: AI (සහ බොහෝ ප්රායෝගික ක්රම) සොයා ගන්නා විසඳුම බොහෝ විට හොඳ විසඳුමක් (හූරිස්ටික්), ප්රශස්ත එකක් නොවේ. නිවැරදිව ගොඩනඟන ලද ආකෘතිය විසඳන ගණිතමය විසඳුම් (OR-Tools, Gurobi, PuLP වැනි) මගින් සැබෑ ප්රශස්ත සොයා ගනී. AI හි කාර්යභාරය වන්නේ ආකෘතිය ගොඩනැගීම මිස එය විසඳීම නොවේ.
Python PuLP සමඟින් පහත ප්රවාහන ගැටලුව විසඳීමට ආදර්ශ ඇටසැකිල්ලක් ලියන්න:- තීරණ විචල්ය x[i][j] (i කර්මාන්තශාලාව, j මධ්යස්ථානය)- අරමුණ: සම්පූර්ණ පිරිවැය අවම කිරීම- සීමා කිරීම: එක් එක් කර්මාන්ත ශාලාවේ සැපයුම, එක් එක් මධ්යස්ථානයේ ඉල්ලුම, x >= 0අදහස් සමඟ කේතය පැහැදිලි කරන්න, නමුත් මම දත්ත ඇතුළත් කරන්නෙමි. එසේම: විසඳුම එළියට එන විට මා කළ යුතු චෙක්පත් ලැයිස්තුගත කරන්න.
ඉඟිය: AI ට “කේතය ලියා එය තේරුම් ගන්න” යැයි පවසනවා වෙනුවට එයට “කේතය ලියන්න, මම එය ක්රියාත්මක කරන්නම්” යැයි පවසන්න. මෙය ප්රශස්තකරණය සැබෑ විසදුමක් බවට පත් කරයි; "මෙන්න මගේ විසඳුම" යැයි පවසන AI-සාදන ලද (සහ සත්යාපනය නොකළ) අංක ඔබ විශ්වාස නොකරයි.
ගබඩාව සහ ස්ථාන තීරණ
ගබඩාවේ නිෂ්පාදන ස්ථානගත කිරීම තෝරා ගැනීමේ දුර සෘජුවම බලපායි. මූලික මූලධර්මය වන්නේ නිතර චලනය වන (ඉහළ පිරිවැටුම) අයිතම තෝරා ගැනීමේ ස්ථානයට (ABC ස්ථානගත කිරීම) ආසන්නයේ ස්ථානගත කිරීමයි. AI හට නිෂ්පාදන චලන දත්ත සමඟ පිරිසැලසුම් යෝජනා දළ සටහනක් ඉදිරිපත් කළ හැක; කෙසේ වෙතත්, භෞතික සීමාවන් (රාක්කයේ ප්රමාණය, බර, අන්තරායකර ද්රව්ය වෙන් කිරීම, සීතල දාමය) මිනිසුන් විසින් අධීක්ෂණය කළ යුතුය.
කුඩා නඩුව: කඩදාසි මත කෙටි, ක්ෂේත්රයේ කළ නොහැකි
බෙදාහැරීමේ සමාගමක් වාහන 3ක් සමඟ දිනකට බෙදාහැරීම් 40ක් සිදු කරයි. කාර්මික ඉංජිනේරු සෙලින් AI වෙත නැවතුම්, ඉල්ලීම් සහ වාහන ධාරිතාව ලබා දෙන අතර මාර්ග සැලැස්මක් ඉල්ලා සිටී. AI ලස්සන පෙනුමක් ඇති සහ අඩු සම්පූර්ණ දුරක් ඇති පහරක් නිපදවයි. නමුත් සෙලින් පරීක්ෂා කරන විට, වාහනයක ගමන් මාර්ගයේ සමුච්චිත බර ධාරිතාව 15% ඉක්මවන බව ඇයට වැටහෙනවා; පාරිභෝගිකයාට සවස් වරුවේ රැගෙන යා හැකි නමුත් උදේට නියමිත නැවතුම් දෙකක් ද ඇත. සෙලින් ප්රේරකය මත බාධාවන් වඩාත් පැහැදිලිව ලියා ඒවා ප්රතිනිෂ්පාදනය කරයි, පසුව OR-මෙවලම් සමඟ සැලැස්ම සත්යාපනය කරයි. ප්රතිඵලය ශක්ය වේ. පාඩම: AI විසින් "කෙටිම" ලෙස හැඳින්වූ සැලැස්ම ඇත්ත වශයෙන්ම කෙටිම නොවන අතර සීමාවන් උල්ලංඝනය කිරීම් හේතුවෙන් එය අවලංගු විය.
පොදු වැරදි
- සීමාවන් සඳහන් නොකිරීම: ධාරිතාව, කාල කවුළුව සහ වාහන ගණන නොමැති මාර්ගයක් ඉල්ලා සිටීම.
- AI විසදන්නෙකු ලෙස වරදවා වටහා ගැනීම: AI විසින් ලබා දෙන "ප්රශස්ත" විසඳුම සැබෑ විසදුම් ප්රතිදානයක් ලෙස පිළිගැනීම.
- සීමාවන් උල්ලංඝනය කිරීම් සඳහා පරීක්ෂා නොකිරීම: සමුච්චිත බර සහ පැමිණීමේ වේලාවන් පරීක්ෂා නොකර සැලැස්ම ක්රියාත්මක කිරීම.
- තනි ඉලක්කයක් කෙරෙහි අවධානය යොමු කිරීම: පිරිවැය පමණක් ප්රශස්ත කිරීම සහ කල්පැවැත්ම/අවදානම (තනි සැපයුම්කරුගේ යැපීම) අමතක කිරීම.
- සැබෑ පිරිවැය භාවිතා නොකිරීම: පෙරනිමි/සැකසූ ඒකක පිරිවැය සහිත ආකෘතියක් තැනීම සහ සැබෑ දත්ත සමඟ එය යාවත්කාලීන නොකිරීම.
සාරාංශයක් ලෙස
- සෑම සැපයුම් දාම ප්රශස්තකරණයක් සංරචක තුනකට පහත වැටේ: තීරණ විචල්යයන්, වෛෂයික ශ්රිතය, සීමාවන්.
- AI හි වටිනාම දායකත්වය වන්නේ ව්යාපාර ගැටලුව නිවැරදි මාදිලියේ වර්ගයට පරිවර්තනය කිරීමයි (ප්රවාහනය, VRP, පැවරුම).
- VRP හි ධාරිතාව සහ කාල කවුළු සීමාවන් තීරණාත්මක වේ; AI මේවා නිතර මඟහරියි, ඒවා පරීක්ෂා කිරීමට වග බලා ගන්න.
- AI ගොඩනඟයි, විසඳන්නේ නැත; විසඳන්නෙකු (PuLP, OR-මෙවලම්) සත්ය ප්රශස්තකරණය කළ යුතුය.
- පිරිවැයට අමතරව, කල්පැවැත්ම සහ අවදානම ද අරමුණ විය යුතුය; තනි සැපයුම්කරු/තනි මාර්ගයේ යැපීම සැඟවුණු පිරිවැයකි.
යෙදුම් කාර්යය
සැපයුම්/බෙදාහැරීමේ ගැටලුවක් ගොඩනැගීම (උදා: ගබඩා 3ක්, පාරිභෝගිකයින් 5-8ක්, ඉල්ලීම් සහ වාහන ධාරිතාව). පළමුව, AI ආකෘතියෙන් ගැටලුව තීරණ විචල්යයක්, ඉලක්කයක් සහ බාධාවක් ලෙස තබා ගැටළු වර්ගය නම් කරන්න. ඉන්පසු VRP දර්ශනයක් ලබා දී මාර්ග සැලැස්මක් ඉල්ලා සිටින්න; ප්රතිදානයේ එක් එක් වාහනයේ සමුච්චිත බර සහ පැමිණීමේ වේලාවන් ඔබම පරීක්ෂා කරන්න. විවේචනාත්මක සත්යාපනය: අවම වශයෙන් එක් වාහනයක සම්පූර්ණ බර හස්තීයව එකතු කර එය ධාරිතාවට සංසන්දනය කර සීමාවන් උල්ලංඝනය කිරීමක් සොයන්න. අවසාන වශයෙන්, AI විසින් විසදුම් (PuLP) කේත ඇටසැකිල්ල ලිවීමට සලස්වා "මම විසඳුම ක්රියාත්මක කරමි" යන ප්රවේශය සමඟ AI ව්යාජ අංක ජනනය කිරීමෙන් වළක්වන කාර්ය ප්රවාහයක් සැලසුම් කරන්න.