சப்ளை செயின் மற்றும் லாஜிஸ்டிக்ஸ் ஆப்டிமைசேஷன்

ஆதாயங்கள்:

• விநியோக சங்கிலி நெட்வொர்க் வடிவமைப்பு, பாதை மற்றும் கிடங்கு அமைப்பு சிக்கல்களை அடையாளம் காணும் திறன்
• சூழ்நிலை உருவாக்கம், கட்டுப்பாடு பட்டியல் மற்றும் தேர்வுமுறை மாதிரி கட்டுமானம் ஆகியவற்றில் AI ஐப் பயன்படுத்தும் திறன்
• செலவு, திறன் மற்றும் விநியோகக் கட்டுப்பாடுகளுடன் AI பரிந்துரைத்த தீர்வுகளை சரிபார்க்கும் திறன்

விநியோகச் சங்கிலி என்பது மூலப்பொருட்களிலிருந்து இறுதி வாடிக்கையாளருக்கு பொருட்கள், தகவல் மற்றும் பணம் ஆகியவற்றின் முழு ஓட்டமாகும். இந்த நெட்வொர்க்கில் உள்ள ஒவ்வொரு முடிவும் (எங்கே ஆதாரம், எந்தக் கிடங்கு இருப்பு, எந்தப் பாதையில் அனுப்புவது) செலவு, வேகம் மற்றும் ஆயுள் ஆகியவற்றுக்கு இடையே சமநிலையை ஏற்படுத்துகிறது. உகப்பாக்கம் என்பது இங்கே மந்திரம் அல்ல, இது நன்கு வரையறுக்கப்பட்ட புறநிலை செயல்பாடு மற்றும் கட்டுப்பாடுகளைக் குறிக்கிறது. செயற்கை நுண்ணறிவு இந்த பகுதியில் சிக்கலை கட்டமைத்தல், காட்சிகளை உருவாக்குதல், கட்டுப்பாடுகளை பட்டியலிடுதல் மற்றும் தேர்வுமுறை மாதிரியை உருவாக்குதல் ஆகியவற்றில் மிகவும் சக்தி வாய்ந்தது; ஆனால் "சிறந்த தீர்வு" உரிமைகோரல்கள் எப்போதும் கட்டுப்பாடுகள் மற்றும் உண்மையான செலவுகளுக்கு எதிராக சரிபார்க்கப்பட வேண்டும். இந்த பிரிவில், AI ஆதரவுடன் நெட்வொர்க் வடிவமைப்பு, வழித் தேர்வுமுறை மற்றும் கிடங்கு முடிவுகள் பற்றி விவாதிப்போம்.

சப்ளை செயின் ஆப்டிமைசேஷன் சிக்கல்கள் வரைபடம்

தேர்வுமுறை சிக்கல்களை அங்கீகரிப்பது சரியான மாதிரியை உருவாக்குவதற்கான முதல் படியாகும்.

பிரச்சனை

முடிவு மாறி

வழக்கமான நோக்கம்

பிணைய வடிவமைப்பு

எந்த வசதி/கிடங்கு திறக்க வேண்டும்?

மொத்த நிலையான + மாறி செலவு நிமிடம்

பணி/ஒதுக்கீடு

எந்த கிடங்கில் இருந்து எந்த வாடிக்கையாளர்?

போக்குவரத்து செலவு நிமிடம்

வாகன வழித்தடம் (VRP)

எந்த வாகனம் எந்த வரிசையில் நிற்கிறது?

மொத்த தூரம்/நேரம் நிமிடம்

கிடங்கு அமைப்பு

தயாரிப்புகளை எங்கே வைக்க வேண்டும்?

தேர்வு தூரம் நிமிடம்

போக்குவரத்து முறை தேர்வு

நிலம்/கடல்/காற்று

செலவு-வேக சமநிலை

ஒவ்வொரு பிரச்சனைக்கும் பொதுவான கட்டமைப்பு ஒன்றுதான்: முடிவு மாறிகள், புறநிலை செயல்பாடு, கட்டுப்பாடுகள். AI இன் மிகவும் மதிப்புமிக்க பங்களிப்பு என்னவென்றால், இது வணிகச் சிக்கலை இந்த மூன்று கூறுகளாக மொழிபெயர்க்க உதவுகிறது.

பங்கு: நீங்கள் சப்ளை செயின் ஆப்டிமைசேஷனில் நிபுணத்துவம் பெற்ற தொழில்துறை பொறியாளர். பணி: பின்வரும் வணிகச் சிக்கலை மேம்படுத்தல் மாதிரியாக மொழிபெயர்க்கவும். குறிப்பிடவும்: (1) முடிவு மாறிகள், (2) புறநிலை செயல்பாடு, (3) கட்டுப்பாடுகள் (திறன், தேவை திருப்தி, எதிர்மறை அல்லாதவை), (4) இந்த சிக்கலின் வகை. சிக்கல்: "எங்களிடம் 3 தொழிற்சாலைகள் மற்றும் 5 விநியோக மையங்கள் உள்ளன. ஒவ்வொரு தொழிற்சாலையின் திறன் மற்றும் ஒவ்வொரு மையத்தின் தேவையும் உறுதியானது. தொழிற்சாலையிலிருந்து மையத்திற்கு போக்குவரத்து அலகு செலவுகள் வேறுபட்டவை. மொத்த போக்குவரத்து செலவைக் குறைக்கவும், நாங்கள் அதைப் பதிவிறக்க விரும்புகிறோம்." விதி: மாதிரி வகையைக் குறிப்பிடவும் (எ.கா. போக்குவரத்து சிக்கல்), அனுமானங்களை தெளிவாக எழுதவும்.

இது ஒரு உன்னதமான போக்குவரத்து பிரச்சனை. AI இதை அடையாளம் கண்டு சரியான கணித எலும்புக்கூட்டை உருவாக்க முடியும்; நீங்கள் உண்மையான திறன் மற்றும் தேவை தரவுகளை வைக்கிறீர்கள்.

பாதை மேம்படுத்தல் (VRP) மற்றும் கட்டுப்பாடுகளின் முக்கியத்துவம்

வாகன வழித்தடமானது நடைமுறையில் மிகவும் அடிக்கடி எதிர்கொள்ளும் மற்றும் தவறாக நிறுவப்பட்ட பிரச்சனையாகும். எளிமையான "குறுகிய பாதை" (TSP) மற்றும் உண்மையான VRP ஆகியவற்றுக்கு இடையே ஒரு பெரிய வித்தியாசம் உள்ளது: வாகன திறன், நேர ஜன்னல்கள் (வாடிக்கையாளர் எடுக்கக்கூடிய மணிநேரம்), ஓட்டும் நேர வரம்புகள், பல வாகனங்கள்.

எச்சரிக்கை: AI ஒரு வழியைப் பரிந்துரைக்கும்போது, ​​அது பெரும்பாலும் "மறந்துவிடும்" அல்லது திறன் மற்றும் நேர சாளரக் கட்டுப்பாடுகளை தோராயமாக மதிப்பிடுகிறது. ஒரு வாகனம் கொண்டு செல்லக்கூடியதை விட அதிகமான சரக்குகளை ஏற்றிய பாதை "குறுகியதாக" தோன்றலாம் ஆனால் நடைமுறைக்கு மாறானது. மொத்த சுமை ≤ கொள்ளளவு மற்றும் வருகை நேரம் ∈ நேர சாளரத்திற்கு ஒவ்வொரு வழியையும் தனித்தனியாகச் சரிபார்க்கவும்.

பலவீனமான ப்ராம்ட் / ஸ்ட்ராங் ப்ராம்ட்

பலவீனமான உடனடி:

இந்த 8 நிறுத்தங்களுக்கான குறுகிய வழியைக் கொடுங்கள்.

திறன், நேர சாளரம் மற்றும் வாகனங்களின் எண்ணிக்கை இல்லை என்றால், AI ஒரு எளிய தரவரிசையை வழங்குகிறது; இது உண்மையான செயல்பாட்டில் நிலைக்காது.

சக்திவாய்ந்த தூண்டுதல்:

பின்வரும் 8 வாடிக்கையாளர்களுக்கான வழித் திட்டத்தைப் பரிந்துரைக்கவும். 2 வாகனங்கள் உள்ளன, ஒவ்வொன்றின் திறன் 100 அலகுகள். ஒவ்வொரு வாடிக்கையாளரின் தேவை மற்றும் நேர சாளரம் இணைக்கப்பட்டுள்ளது. கிடங்கில் இருந்து வெளியேறு08:00. சராசரி வேகம் 40 km/h என்று வைத்துக்கொள்வோம். வெளியீடு: ஒவ்வொரு வாகனத்திற்கும் நிறுத்தங்களின் வரிசை, ஒட்டுமொத்த சுமை (கொள்ளளவுக்கு அதிகமாக இருக்கக்கூடாது), மதிப்பிடப்பட்ட வருகை நேரம் (நேர சாளரத்திற்கு பொருந்தும்), மொத்த தூரம். கட்டுப்பாடு மீறல் இருந்தால், அதை தெளிவாகக் கூறி, மாற்று வழியைப் பரிந்துரைக்கவும். தரவு: {{ ... }}

இரண்டாவது ப்ராம்ட் வெளிப்படையாக கட்டுப்பாடுகளை விதிக்கிறது மற்றும் AI இலிருந்து மீறல் சரிபார்ப்பைக் கோருகிறது. இருப்பினும், ஒரு தீர்வைக் கொண்டு அல்லது கைமுறையாக முடிவைச் சரிபார்க்க வேண்டியது அவசியம்; AI முழுமையான உகந்த தன்மைக்கு உத்தரவாதம் அளிக்காது.

உகந்ததா அல்லது "நல்லது"?

இங்கே ஒரு முக்கியமான கருத்து உள்ளது: AI (மற்றும் பெரும்பாலான நடைமுறை முறைகள்) கண்டுபிடிக்கும் தீர்வு பெரும்பாலும் ஒரு நல்ல தீர்வாகும் (ஹீரிஸ்டிக்), உகந்த ஒன்றல்ல. சரியாகக் கட்டமைக்கப்பட்ட மாதிரியைத் தீர்க்கும் கணிதத் தீர்வி (OR-Tools, Gurobi, PuLP போன்றவை) மூலம் உண்மையான உகந்தது கண்டறியப்படுகிறது. AI இன் பங்கு மாதிரியை உருவாக்குவது, அதைத் தீர்ப்பது அல்ல.

Python PuLP உடன் பின்வரும் போக்குவரத்துச் சிக்கலைத் தீர்க்க ஒரு மாதிரி எலும்புக்கூட்டை எழுதவும்:- முடிவு மாறிகள் x[i][j] (i தொழிற்சாலை, j மையம்)- குறிக்கோள்: மொத்த செலவு குறைப்பு- கட்டுப்பாடு: ஒவ்வொரு தொழிற்சாலையின் வழங்கல், ஒவ்வொரு மையத்தின் தேவை, x >= 0 கருத்துகளுடன் குறியீட்டை விளக்கவும், ஆனால் நான் தரவை உள்ளிடுவேன். மேலும்: தீர்வு வெளிவரும்போது நான் செய்ய வேண்டிய சோதனைகளை பட்டியலிடுங்கள்.

உதவிக்குறிப்பு: "குறியீட்டை எழுதி அதைக் கண்டுபிடிக்கவும்" என்று AI யிடம் கூறுவதற்குப் பதிலாக, "குறியீட்டை எழுதுங்கள், நான் அதை இயக்குவேன்" என்று சொல்லுங்கள். இது தேர்வுமுறையை உண்மையான தீர்வாக ஆக்குகிறது; "இதோ எனது தீர்வு" என்று AI-யால் உருவாக்கப்பட்ட (மற்றும் சரிபார்க்கப்படாத) எண்களை நீங்கள் நம்பவில்லை.

கிடங்கு மற்றும் இருப்பிட முடிவுகள்

கிடங்கில் தயாரிப்பு வைப்பது நேரடியாக எடுக்கும் தூரத்தை பாதிக்கிறது. அடிக்கடி நகர்த்தப்படும் (அதிக விற்றுமுதல்) பொருட்களை பிக்கிங் பாயிண்டிற்கு (ஏபிசி பிளேஸ்மென்ட்) அருகில் வைப்பதே அடிப்படைக் கொள்கை. தயாரிப்பு இயக்கத் தரவுகளுடன் AI ஒரு தளவமைப்பு முன்மொழிவு அவுட்லைனை உருவாக்க முடியும்; இருப்பினும், உடல் கட்டுப்பாடுகள் (அலமாரியின் அளவு, எடை, அபாயகரமான பொருள் பிரிப்பு, குளிர் சங்கிலி) மனிதர்களால் கண்காணிக்கப்பட வேண்டும்.

சிறு வழக்கு: காகிதத்தில் குறுகியது, புலத்தில் சாத்தியமற்றது

ஒரு விநியோக நிறுவனம் 3 வாகனங்களுடன் ஒரு நாளைக்கு 40 டெலிவரி செய்கிறது. தொழில்துறை பொறியாளர் செலின், நிறுத்தங்கள், கோரிக்கைகள் மற்றும் வாகனத் திறன்களை AIக்கு அளித்து, பாதைத் திட்டத்தைக் கேட்கிறார். AI ஆனது அழகாக இருக்கும் மற்றும் குறைந்த மொத்த தூரம் கொண்ட ஒரு ஷாட்டை உருவாக்குகிறது. ஆனால் செலின் சரிபார்க்கும் போது, ​​ஒரு வாகனத்தின் வழித்தடத்தில் உள்ள ஒட்டுமொத்த சுமை திறனை விட 15% அதிகமாக இருப்பதை அவள் உணர்ந்தாள்; வாடிக்கையாளர் மதியம் அழைத்துச் செல்லக்கூடிய இரண்டு நிறுத்தங்கள் உள்ளன, ஆனால் காலையில் திட்டமிடப்பட்டுள்ளது. செலின் தடைகளை ப்ராம்ட்டில் இன்னும் தெளிவாக எழுதி, அவற்றை மீண்டும் உருவாக்கி, பின்னர் OR-Tools மூலம் திட்டத்தைச் சரிபார்க்கிறார். முடிவு சாத்தியமாகிறது. பாடம்: AI ஆனது "குறுகியமானது" என்று அழைக்கப்பட்ட திட்டம் உண்மையில் மிகக் குறுகியதாக இல்லை மற்றும் கட்டுப்பாடு மீறல்கள் காரணமாக கூட செல்லாததாக இருந்தது.

பொதுவான தவறுகள்

• கட்டுப்பாடுகளைக் குறிப்பிடவில்லை: திறன், நேர சாளரம் மற்றும் வாகனங்களின் எண்ணிக்கை இல்லாத வழியைக் கோருதல்.
• AI ஐ ஒரு தீர்வியாக தவறாகப் புரிந்துகொள்வது: AI வழங்கிய "உகந்த" தீர்வை உண்மையான தீர்வு வெளியீடாக ஏற்றுக்கொள்வது.
• கட்டுப்பாடு மீறல்களைச் சரிபார்க்கவில்லை: ஒட்டுமொத்த சுமை மற்றும் வருகை நேரங்களைச் சரிபார்க்காமல் திட்டத்தைச் செயல்படுத்துதல்.
• ஒற்றை இலக்கில் கவனம் செலுத்துதல்: செலவை மட்டும் மேம்படுத்துதல் மற்றும் ஆயுள்/ஆபத்தை மறந்துவிடுதல் (ஒற்றை சப்ளையர் சார்பு).
• உண்மையான செலவுகளைப் பயன்படுத்தாதது: இயல்புநிலை/புனையப்பட்ட யூனிட் செலவுகளுடன் மாதிரியை உருவாக்குதல் மற்றும் உண்மையான தரவுகளுடன் அதைப் புதுப்பிக்காமல் இருப்பது.

சுருக்கமாக

• ஒவ்வொரு சப்ளை செயின் ஆப்டிமைசேஷன் மூன்று கூறுகளைக் குறைக்கிறது: முடிவு மாறிகள், புறநிலை செயல்பாடு, கட்டுப்பாடுகள்.
• AI இன் மிகவும் மதிப்புமிக்க பங்களிப்பு வணிகச் சிக்கலை சரியான மாதிரி வகைக்கு (போக்குவரத்து, VRP, பணி) மொழிபெயர்ப்பதாகும்.
• திறன் மற்றும் நேர சாளரக் கட்டுப்பாடுகள் VRP இல் முக்கியமானவை; AI இவற்றை அடிக்கடி தவிர்க்கிறது, அவற்றைச் சரிபார்க்கவும்.
• AI உருவாக்குகிறது, தீர்க்கவில்லை; ஒரு தீர்வு (PuLP, OR-கருவிகள்) உண்மையான தேர்வுமுறையைச் செய்ய வேண்டும்.
• செலவு தவிர, ஆயுள் மற்றும் ஆபத்து ஆகியவையும் நோக்கமாக இருக்க வேண்டும்; ஒற்றை சப்ளையர்/ஒற்றை வழி சார்பு என்பது மறைக்கப்பட்ட செலவாகும்.

விண்ணப்ப பணி

வழங்கல்/விநியோகச் சிக்கலை உருவாக்குதல் (எ.கா. 3 கிடங்குகள், 5-8 வாடிக்கையாளர்கள், கோரிக்கைகள் மற்றும் வாகனத் திறன்). முதலில், AI மாதிரி சிக்கலை ஒரு முடிவெடுக்கும் மாறி, இலக்கு மற்றும் தடையாக வைத்து பிரச்சனை வகையை பெயரிடவும். பிறகு VRP காட்சியைக் கொடுத்து, ஒரு வழித் திட்டத்தைக் கேட்கவும்; வெளியீட்டில் ஒவ்வொரு வாகனத்தின் ஒட்டுமொத்த சுமை மற்றும் வருகை நேரங்களை நீங்களே சரிபார்க்கவும். முக்கியமான சரிபார்ப்பு: குறைந்தபட்சம் ஒரு வாகனத்தின் மொத்த சுமையை கைமுறையாகக் கூட்டி, அதைத் திறனுடன் ஒப்பிட்டு, தடை மீறலைப் பார்க்கவும். இறுதியாக, AI தீர்ப்பான் (PuLP) குறியீட்டு எலும்புக்கூட்டை எழுதி, "தீர்வை இயக்குவேன்" என்ற அணுகுமுறையுடன், போலி எண்களை உருவாக்குவதிலிருந்து AI ஐத் தடுக்கும் பணிப்பாய்வுகளை வடிவமைக்கவும்.