Dobički:
- Sposobnost prepoznavanja težav pri načrtovanju omrežja dobavne verige, poti in postavitvi skladišča
- Sposobnost uporabe umetne inteligence pri ustvarjanju scenarijev, seznamu omejitev in konstrukciji optimizacijskega modela
- Sposobnost potrjevanja predlaganih rešitev z umetno inteligenco s stroški, zmogljivostjo in omejitvami dostave
Dobavna veriga je celoten tok materialov, informacij in denarja od surovin do končnega kupca. Vsaka odločitev v tem omrežju (kje nabaviti, v katerem skladišču založiti, po kateri poti odpremiti) doseže ravnotežje med stroški, hitrostjo in trajnostjo. Optimizacija tu ni čarovnija, temveč pomeni dobro definirano ciljno funkcijo in omejitve. Umetna inteligenca je na tem področju zelo močna pri strukturiranju problema, generiranju scenarijev, popisovanju omejitev in pripravi optimizacijskega modela; Toda trditve o "najboljši rešitvi" je vedno treba potrditi glede na omejitve in dejanske stroške. V tej enoti bomo razpravljali o načrtovanju omrežja, optimizaciji poti in odločitvah o skladiščih s podporo AI.
Zemljevid težav pri optimizaciji dobavne verige
Prepoznavanje optimizacijskih težav je prvi korak pri izgradnji pravega modela.
problem
odločitvena spremenljivka
Tipičen namen
oblikovanje omrežja
Kateri objekt/skladišče odpreti?
Skupni fiksni + variabilni stroški min
Dodelitev/dodelitev
Katera stranka iz katerega skladišča?
Stroški transporta min
Usmerjanje vozil (VRP)
Katero vozilo se ustavi, v katerem vrstnem redu?
Skupna razdalja/čas min
postavitev skladišča
Kam naj bodo izdelki postavljeni?
Razdalja pobiranja min
Izbira načina transporta
Kopno/morje/zrak
Ravnovesje med stroški in hitrostjo
Skupni okvir vsakega problema je enak: odločitvene spremenljivke, ciljna funkcija, omejitve. Najdragocenejši prispevek AI je, da vam pomaga prevesti poslovni problem v te tri komponente.
Vloga: Ste industrijski inženir, specializiran za optimizacijo dobavne verige. Naloga: Naslednji poslovni problem prevedite v optimizacijski model. Specificirajte: (1) odločitvene spremenljivke, (2) ciljno funkcijo, (3) omejitve (zmogljivost, zadovoljevanje povpraševanja, nenegativnost), (4) vrsto tega problema. Problem: "Imamo 3 tovarne in 5 distribucijskih centrov. Zmogljivost vsake tovarne in povpraševanje vsakega centra sta določena. Stroški transportne enote od tovarne do centra so različni. Minimizirajte skupne transportne stroške. Želimo ga prenesti." Pravilo: Poimenujte vrsto modela (npr. transportni problem), jasno zapišite predpostavke.
To je klasičen transportni problem. AI lahko to prepozna in zgradi pravilno matematično okostje; Vnesete tudi dejanske podatke o zmogljivosti in povpraševanju.
Optimizacija poti (VRP) in pomen omejitev
Usmerjanje vozil je v praksi najpogostejša in nepravilno ugotovljena težava. Obstaja velika razlika med preprosto »najkrajšo potjo« (TSP) in pravim VRP: zmogljivost vozila, časovna okna (ure, ko lahko stranka pride), časovne omejitve vožnje, več vozil.
Pozor: Ko umetna inteligenca priporoči pot, pogosto »pozabi« ali približa omejitve zmogljivosti in časovnega okna. Pot, na kateri je več tovora, kot ga vozilo lahko prepelje, se morda zdi "kratka", vendar je nepraktična. Preverite vsako pot posebej za skupno obremenitev ≤ zmogljivost in čas prihoda ∈ časovno okno.
Šibek poziv / močan poziv
Šibek poziv:
Navedite najkrajšo pot za teh 8 postankov.
Če ni zmogljivosti, časovnega okna in števila vozil, AI poda preprosto razvrstitev; V realnem delovanju ne zdrži.
Močan poziv:
Predlagajte načrt poti za naslednjih 8 strank. Vozili sta 2, kapaciteta vsakega je 100 enot. Priloženo je povpraševanje in časovno okno vsake stranke. Odjava iz skladišča08:00. Predpostavimo, da je povprečna hitrost 40 km/h. Rezultat: vrstni red postankov za vsako vozilo, kumulativna obremenitev (ne sme preseči zmogljivosti), predvideni časi prihoda (da ustrezajo časovnemu oknu), skupna razdalja. Če je prišlo do kršitve omejitve, to jasno navedite in predlagajte alternativo. Podatki: {{ ... }}
Drugi poziv izrecno nalaga omejitve in od umetne inteligence zahteva preverjanje kršitev. Vsekakor pa je bistveno, da rezultat preverite z reševalnikom ali ročno; AI ne zagotavlja absolutne optimalnosti.
Optimalno ali samo "dobro"?
Tukaj je kritičen koncept: rešitev, ki jo najde AI (in večina praktičnih metod), je pogosto dobra rešitev (hevristika), ne pa optimalna. Resnično optimalno najde matematični reševalec (kot je OR-Tools, Gurobi, PuLP), ki reši pravilno sestavljen model. Vloga AI je zgraditi model, ne pa ga rešiti.
Napišite okostje modela za rešitev naslednjega transportnega problema s Python PuLP:- Odločitvene spremenljivke x[i][j] (i tovarna, j center)- Cilj: skupna minimizacija stroškov- Omejitev: ponudba vsake tovarne, povpraševanje vsakega centra, x >= 0Razložite kodo s komentarji, vendar bom vnesel numerične podatke. Prav tako: navedite, katere preglede moram opraviti, ko se prikaže rešitev.
Namig: Namesto da umetni inteligenci rečete, naj »napiše kodo in jo ugotovi«, ji recite »napišite kodo in jaz jo bom zagnal«. Zaradi tega je optimizacija prava rešitev; Ne zaupate številkam, ki jih je ustvarila umetna inteligenca (in nepreverjenim), ki pravijo "tukaj je moja rešitev".
Odločitve o skladišču in lokaciji
Postavitev izdelkov v skladišču neposredno vpliva na razdaljo komisioniranja. Osnovno načelo je, da se artikli, ki se pogosto premikajo (veliko obračajo), postavijo blizu mesta prevzema (postavitev ABC). AI lahko ustvari osnutek predloga postavitve s podatki o gibanju izdelka; Vendar morajo fizične omejitve (velikost police, teža, ločevanje nevarnih snovi, hladna veriga) nadzorovati ljudje.
Mini kovček: kratek na papirju, nemogoč na terenu
Distribucijsko podjetje opravi 40 dostav dnevno s 3 vozili. Industrijski inženir Selin posreduje umetni inteligenci postanke, zahteve in zmogljivosti vozil ter zahteva načrt poti. AI ustvari strel, ki je videti lep in ima nizko skupno razdaljo. Toda ko Selin preveri, ugotovi, da kumulativna obremenitev na poti vozila presega zmogljivost za 15 %; Obstajata tudi dve postaji, kjer lahko stranka prevzame popoldne, vendar je predvidena zjutraj. Selin jasneje zapiše omejitve na poziv in jih reproducira, nato pa preveri načrt z orodji ALI. Rezultat postane izvedljiv. Lekcija: Načrt, ki ga je AI imenoval "najkrajši", dejansko ni bil najkrajši in je bil celo neveljaven zaradi kršitev omejitev.
Pogoste napake
- Brez navedbe omejitev: zahteva pot brez zmogljivosti, časovnega okna in števila vozil.
- Zamenjajte AI z reševalcem: Sprejemanje "optimalne" rešitve, ki jo daje AI, kot resničnega rezultata reševalca.
- Brez preverjanja kršitev omejitev: Izvajanje načrta brez preverjanja kumulativne obremenitve in časov prihoda.
- Osredotočanje na en sam cilj: Optimizirati samo stroške in pozabiti na trajnost/tveganje (odvisnost od enega dobavitelja).
- Brez uporabe dejanskih stroškov: izdelava modela s privzetimi/izmišljenimi stroški na enoto in njegovo posodabljanje z dejanskimi podatki.
Če povzamem
- Vsaka optimizacija dobavne verige se skrči na tri komponente: odločitvene spremenljivke, ciljna funkcija, omejitve.
- Najdragocenejši prispevek AI je prevajanje poslovnega problema v pravo vrsto modela (prevoz, VRP, dodelitev).
- Omejitve glede zmogljivosti in časovnega okna so ključne pri VRP; AI jih pogosto preskoči, preverite jih.
- AI gradi, ne rešuje; Reševalec (PuLP, OR-Tools) bi moral opraviti dejansko optimizacijo.
- Poleg stroškov bi morala biti cilj tudi trajnost in tveganje; Odvisnost od enega dobavitelja/ene same poti je skriti strošek.
Aplikacijska naloga
Sestavite problem dobave/distribucije (npr. 3 skladišča, 5-8 strank, povpraševanje in zmogljivost vozila). Najprej naj AI modelira problem kot spremenljivko odločitve, cilj in omejitev ter poimenujte vrsto problema. Nato podajte scenarij VRP in prosite za načrt poti; V izhodu sami preverite kumulativno obremenitev in čas prihoda vsakega vozila. Kritično preverjanje: ročno seštejte skupno obremenitev vsaj enega vozila in jo primerjajte z zmogljivostjo ter poiščite kršitev omejitve. Nazadnje naj umetna inteligenca napiše okostje kode reševalnika (PuLP) in oblikuje potek dela, ki preprečuje, da bi umetna inteligenca ustvarila lažne številke, s pristopom "zagnal bom rešitev".