دانلود رایگان مقاله رویکرد هوشمند به منظور کنترل موجودی جهت آمادگی در شرایط نامطمئن
چکیده
این مقاله پیشنهادی را به منظور استفاده ترکیبی از منطق مختلط و الگوریتم های ژنتیک جهت کنترل فرآیند تهیه در شرکت ارائه می کند. روش ارائه شده در این مقاله به صورت ویژه اثر عوامل تصادفی خارجی را به شکل تقاضا و هدایت عدم قطعیت زمانی در نظر گرفته است. مدل از پارامترهای تابع عضو متغییر زمانی به صورت دینامیک استفاده می کند تا مقادیر (مجموعه های) مختلط (درهم) خروجی های مدل شده را توصیف نماید. روش ارائه شده در این مقاله بر اساس 4 معیار تایید شده که بر پایه اطلاعات واقعی یک شرکت هستند.
1. بررسی مسائل مدیریت موجودی
در نتیجه جهانی شدن و مصرف انبوه، تقاضای کالاها در بازار، به ویژه در مناطق شلوغ و مناطق شهری به وسیله پویایی شدید و سطح مشخصی از عدم اطمینان طبقه بندی شده اند. فرایندهای منطقی که رخ می دهند به عنوان بخشی از شبکه عرضه، در درجه اول بر روی جریان مواد کالاها تمرکز دارند، و در عین حال جریان اطلاعات ضروری و منابع مالی را نیز در نظر می گیرند. نوسانات این فرایندها و سطح مشخصی از عدم اطمینان منجر می شود که انواع موجودی ها در سطوح مختلف شبکه منطقی جمع شده تا از تداوم تولید و دسترسی بی وقفه خریداران به محصول نهایی اطمینان حاصل کنند. به دلیل تاثیر عوامل تصادفی بر روی عناصر گره ای شبکه عرضه (مراکز تولید، توزیع، انبارها و غیره) از طریق نوسانات تقاضا برای محصولات نیمه تمام و یا تکمیل شده، رهبری تغییرات زمانی، قابلیت های محدود فروشندگان و . . .، سیاست بهینه برای منطق کنترل عرضه و موجودی اغلب برای تاثیر کل شبکه منطقی بسیار حائز اهمیت است. در نتیجه عوامل ذکر شده در بالا و رقابت فزاینده میان نهادها، شرکت های منطقی اغلب به ناچار به منظور ارائه خدمات مطلوب، اغلب سطح بالایی از موجودی را حفظ می کنند. این رفتار منجر می شود که پاسخ پویا به تغییرات ناگهانی در تقاضا و دیگر عوامل خارجی امکان پذیر باشد اما همزمان منجر به افزایش هزینه ها نیز می شود. به طور ویژه، این موارد همراه با حفظ موجودی، استفاده از فضای اضافی برای ذخیره سازی، و انجماد منابع مالی محدود موجودی هستند. از سوی دیگر، سطح موجودی، که در زمینه واحدهای حفظ موجودی مشخص شده به دلیل الگوهای تقاضای غیرمعمول بسیار پایین است، برای شرکت حائز اهمیت بوده و سبب هزینه های اضافی به دلیل از دست دادن منابع می شود. آن ها را می توان به صورت منابع مالی و همچنین به صورت ضرر مشتری مشخص نمود که سبب بدنامی شرکت و یا کاهش رقابت پذیری آن می شوند. این وضعیت همچنین منجر به ایجاد هزینه های اضافی برای حمل و نقلی می شود که ناشی از اجرای برنامه های ناخواسته هستند.
2. بررسی راه حل های کنترل موجودی
با توجه به اثر عوامل فوق، کنترل بهینه موجودی یک فرایند تصمیم گیری پیچیده بوده که نیازمند بررسی چندین معیار و عامل است، که در عمل عموماً ماهیتی نامشخص دارند. نتیجه این است که تصمیمات اساسی درباره چگونگی خرید کالاها و در چه زمانی به منظور به حداقل رساندن هزینه های حفظ و نگهداری و ارائه سطح مناسبی از خدمات به مشتریان در شرایط نامشخص گرفته می شوند. سوابق موضوع، هم در داخل و هم در خارج، منابع ارزشمند متعددی را در زمینه مدیریت موجودی فراهم آورده اند. محبوب ترین روش ها برای تعیین میزان موجودی عبارتند از ابتدا مدل مقدار سفارشات اقتصادی (EOQ)، مدل های دستور مجدد (ROP)، و مدل های چرخه دستور مجدد (ROC) (Krzyżaniak, Cyplik, 2007). با این حال کاربرد این روش ها به شدت محدود هستند به این دلیل که نیازمند اعمال محدودیت هایی در زمینه تقاضا و یا زمان رهبری مشخص و ثابت هستند. با گسترش این روش ها، به وسیله ارائه پارامترهای اضافی به صورت موجودی ایمن، متغیرهای مشخصی را با توجه به تقاضا و زمان رهبری در نظر می گیرند، که هدف از آن ها مقابله با تغییرات ناگهانی در تقاضا است (Grzybowska, 2010), (Niziński, Żurek, 2011), (Krawczyk, 2011). علاوه بر روش های فوق، ممکن است با مدل های کنترل دیگری مواجه شویم مانند: مدل دستور مجدد با استفاده از چرخه های دستور مجدد ثابت و یا ترکیب دستور مجدد و مدل چرخه دستور مجدد ثابت (Wolski, 2010). چندین تحقیق به مسئله کنترل موجودی در شرایط عدم تداوم تقاضا اشاره کردند. در زمان رخ دادن این مشکل، نویسندگان اغلب روش هایی را ارائه می کنند که توسط Wagner-Within و Silver-Mealایجاد شده اند. در مقایسه با پژوهش های داخلی پیشین، نشریات بین المللی بسیاری موارد تعیین کننده و خصوصیات بیشتری را در زمینه مسئله کنترل موجودی در نظر گرفته اند.(Axaster, 2006), (Lang, 2009), (Nahmias 2010). مولفه مهمی که در نشریات خارجی به آن اشاره شده، شامل شدن همزمان چندین محصول در مدل های کنترل بوده که بسیار به واقعیت نزدیک تر است.(Frank, 2009), (Li, Cheng, Wang, 2007), (Maity, 2007), (Maity, 2009). به دلیل دشواری در نظر گرفتن چندین پارامتر در مدل های تحلیلی به صورت همزمان، مقالات بیشتر و بیشتری شناسایی موارد نامشخص را با معرفی محیط مختلط پیشنهاد کردند. برخی مقالات (Mandal, Roy, 2006), (Roy, 2007), (Taleizadeh, 2009), (Hsieh, 2002), (Maiti, 2006), روشی را ارائه کردند که تقاضا، زمان رهبری، هزینه حفظ موجودی، خدمات مشتریان، و غیره را مقادیری مختلط فرض می کنند. به دلیل پیچیدگی زیاد و سختی مسئله، محققان به طور فزاینده ای استفاده از الگوریتم های ژنتیکی را برای یافتن راه حلی بهینه برای این مسئله پیشنهاد نموده اند (Taleizadeh, 2013), (Khanlarpour, 2013), (Gupta K, 2015).با وجود آن، در اکثریت موارد روش های پیشنهادی اثر چندین عامل تصادفی را بر روی سیستم کنترل و به صورت همزمان در نظر نمی گیرند. بنابراین، به نظر منطقی است که مدل ها و روش هایی به منظور حل مسئله منطق موجود و با استفاده از روش های هوش مصنوعی ایجاد گردند. به طور خاص این موارد شامل، مدل های استدلال مختلط هستند که به وسیله استفاده از الگوریتم های ژنتیکی حمایت می شوند که به عنوان مولفه ای هم افزا مورد استفاده قرار می گیرند.
3. استفاده از منطق مختلط و الگوریتم های ژنتیک به منظور حل مشکلات کنترل موجودی در شرایط تقاضا و عدم قطعیت در زمان رهبری
همان طور که پیش تر اشاره شد، اثرات بسیاری از موارد تعیین کننده خارجی بر روی زیرسیستم های آمادگی منطقی در موقعیت هایی که تصمیم گیری صحیح در این زمینه نیازمند روش ها و ابزارهایی است که امکان تعیین رویدادهایی که ناشی از عدم قطعیت، اطلاعات نامطئن و سازگاری با مولفه های سیستم تغییرهستند. از این رو نظریه مجموعه های مختلط و سیستم استدالال مختلط برای محدوده وسیعی از کاربردها در زمینه کنترل موجودی و مدیریت منطقی مناسب هستند. مولفه اضافی که در از عملکرد سیستم های مختلط در روش کنترل پیشنهادی حمایت می کند استفاده از الگوریتم ژنتیک خواهد بود. هدف آن بهینه سازی اطلاعات موجود در قوانین مختلط به وسیله انتخاب بهینه اهمیت این قوانین است.
3.1 منطق مختلط
منطق مختلط مثالی از یک منطق چند محوری است. به طور کامل مرتبط با نظریه مجموعه های مختلط بوده و به وسیله L. Zadeh معرفی شده است. در مقابل منطق کلاسیک، نظریه منطق مختلط فرض می کند که ممکن است تعداد نامحدودی از مقادیر متوسط بین حالت غلط و حالت صحیح وجود داشته باشند. این امر به این معنی است که مولفه ای از مجموعه ای مشخص ممکن است تنها در سحطی خاص به این مجموعه تعلق داشته باشد. این استدلال منجر به تدوین تعریف دقیقی از مجموعه فازی می شود.
به عنوان تابع عضویت مجموعه مختلط A شناخته می شود. این رابطه درجه ای از اختلاط هر مجموعه عضو هر مولفه را به مجموعه مختلط A اختصاص می دهد.
مفهوم مهم دیگر گه برای توضیح سیستم های مختلط ضروری است متغیرهای زبانی هستند، به عنوان مثال، مقدار ورودی و یا خروجی در سیستم های مختلط که به وسیله مقادیر زبانی برآرود شده اند. (تقاضای بالا، زمان رهبری طولانی، و غیره).
3.2 الگوریتم های ژنتیک
الگوریتم های ژنتیک الگوریتم هایی هستند که به منظور جستجوی راه حل های بهینه برای مسائل بهینه سازی مصنوعی انسان ها طراحی شده اند.عملکرد آن ها مبتنی بر مکانیسم انتخاب طبیعی و فرایند وراثت است. آن ها اصل تکامل چندین مورد متناسب را با یکدیگر ترکیب می کنند (راه حل های تصمیم گیری برای مسائل). زمانی که مجموعه ای از راه حل ها را برای مسئله تصمیم گیری در نظر می گیرید، می توان به مقایسه آن با جمعیت ارگانیسم ها پرداخت. هر راه حل (فرد) می تواند خصوصیات خود را برای سازگاری با شرایط خاصی داشته باشد (تابع معیاری که میفیت راه حلی خاص را اندازه گیری می کند). این مورد به شما این امکان را می دهد تا فرایندهای تکامل را با تکرار اه حل های بهتر در «نسل های بعدی» شبیه سازی کرده و مواردی که بر اساس معیارهای بهینه سازی به اندازه کافی رضایت بخش نیستند را حذف کنید. این عمل بر اساس تولید کد ژنتیکی و به طور خاص بر اساس احتمال تطبیق ایده های جزئی (مشابه با تقاطع) انجام شده که از مجموعه ای از راه حل ها حاصل می شود، این امر نیازمند روشی برای تبدیل یک راه حل خاص به یک رشته کد است که اغلب به عنوان کروموزوم شناخته می شود. به این ترتیب، می توان با استفاه از رشته های کد تعریف شده (جمعیت راه حل) پردازش را انجام داد، به عنوان مثال عملیات های متقاطع و جهشی، و به دست آوردن راه حل های جدید (Goldberg, 1989).
3.3 روش پیشنهادی برای حل مسئله
روش پیشنهادی در این مقاله شامل توصیف عدم قطعیت پارامترهای سیستم ورودی و خروجی از طریق مجموعه های مختلط است. پس از آن، بر اساس اطلاعات موجود در قوانین، پارارمترهای کنترل دقیق و بهینه تعیین شده اند. اساس قانون شامل مجموعه ای دستورالعمل های مشروط است.
Abstract
The article presents a proposal for a combined application of fuzzy logic and genetic algorithms to control the procurement process in the enterprise. The approach presented in this paper draws particular attention to the impact of external random factors in the form of demand and lead time uncertainty. The model uses time-variable membership function parameters in a dynamic fashion to describe the modelled output fuzzy (sets) values. An additional element is the use of genetic algorithms for optimisation of fuzzy rule base in the proposed method. The approach presented in this paper was verified according to four criteria based on a computer simulation performed on the basis of the actual data from an enterprise.
1. Overview of inventory management issues
As a result of the on-going globalisation and mass consumption, the demand on the goods market is characterised by intense dynamics and a certain level of uncertainty, especially in large agglomerations and urban areas. The logistical processes that occur there as part of supply networks focus primarily on the flow of the streams of material goods, but also take into account the flows of necessary information and financial resources. The volatility of these processes and certain level of uncertainty cause all sorts of inventory to amass at various levels of the logistic network in order to ensure the continuity of production and the uninterrupted availability of the finished products to customers. Due to the impact of random factors on the nodal elements of the supply network (manufacturing plants, distribution centres, warehouses, etc.) through the volatility of demand for semi-finished products or finished products, lead time changeability, vendors’ limited capabilities, etc., the optimal policy for the supply and inventory control logistics is of utmost importance to the effectiveness of the entire logistic network.
As a result of the above-mentioned factors and the ever-increasing competition among entities, logistics companies are often forced to keep a high inventory level in order to maintain the desired service level. This behaviour makes it possible to dynamically respond to unexpected changes in the demand or other external factors but it generates increased costs at the same time. These are, in particular, associated with the carrying the inventory, leasing additional storage space and freezing the limited financial resources in the inventory. On the other hand, the inventory level that is too low in relation to the stock-keeping units characterised by an unusual demand pattern which are essential for the enterprise can lead to the occurrence of external costs caused by lost resources. They can be expressed as cash but also as a customer loss, lowering the reputation of the enterprise or a loss of its competitiveness. This situation is also conducive to the formation of additional transport costs associated with the implementation of unplanned deliveries.
2. Overview of inventory control solutions
Due to the impact of the aforementioned factors, the optimal inventory control is a complex decision-making process that requires analysis of multiple criteria and parameters, which in practice are usually non-deterministic in nature. The result is that the basic decisions about how much merchandise should be purchased and at what point in time in order to minimise the stocking and stock-carrying costs and meet the established level of customer service are made in conditions of uncertainty. The subject literature, both domestic and international, provides numerous rich sources on the topic of inventory management. The most popular classical methods for determining inventory levels include, first and foremost, the Economic Order Quantity (EOQ) model, the Re-Order Point (ROP) models and Re-Order Cycle (ROC) models (Krzyżaniak, Cyplik, 2007). However, the applicability of these methods is quite limited as it often requires the adoption of limitations on the stationarity of demand or the known and fixed lead time. The extensions of these methods take into account certain variability with regard to the demand or the lead time by introducing an additional parameter in the form of a safety stock, which aims to cover the unexpected changes in the demand (Grzybowska, 2010), (Niziński, Żurek, 2011), (Krawczyk, 2011). In addition to the abovementioned methods, one may also encounter other control models, such as: the reorder point model using fixed reorder cycles or the combined re-order point and fixed re-order cycle model (Wolski, 2010). Few papers indicate the problem of inventory control in the conditions of demand discontinuity. When dealing with this issue, authors often present methods created by Wagner-Within and Silver-Meal. Compared to the domestic literature, the list of international publications on the subject of inventory control is definitely more extensive and takes into account a greater number of determinants and characteristics of the task being considered (Axaster, 2006), (Lang, 2009), (Nahmias 2010). An important element raised in foreign publications is the simultaneous inclusion of several products in the control models, which is much closer to the reality (Frank, 2009), (Li, Cheng, Wang, 2007), (Maity, 2007), (Maity, 2009). Due to the difficulty of simultaneously taking into account many parameter variables in the analytical models, more and more papers suggest identifying uncertainty through the introduction of a fuzzy environment. Some articles (Mandal, Roy, 2006), (Roy, 2007), (Taleizadeh, 2009), (Hsieh, 2002), (Maiti, 2006), present an approach that assumes that demand, lead time, stock-carrying costs, customer service, etc. are fuzzy values. Due to the great complexity and elaborateness of the problem, researchers have been increasingly proposing the use of genetic algorithms to find optimal solutions to the issue (Taleizadeh, 2013), (Khanlarpour, 2013), (Gupta K, 2015). Despite this, in most cases the suggested methods do not take into account the impact of several random factors on the control system at the same time. Therefore, it seems reasonable to develop models and methods for solving the problems of procurement logistics with the use of artificial intelligence techniques. These include, in particular, fuzzy reasoning models supported by the use of genetic algorithms as a synergic element used to further enhance the quality of the solution.
3. The use of fuzzy logic and genetic algorithms to solve the problem of inventory control in conditions of demand and lead time uncertainty
The As mentioned previously, the impact of many external determinants on the procurement logistics subsystem leads to the situation where taking the right decision in this respect requires methods and tools with the ability to specify events characterised by uncertainty, information inaccuracy and adaptation to the changing system parameters. Hence, the theory of fuzzy sets and fuzzy reasoning systems is suitable for the wide range of application in the field of inventory control and management in logistics. An additional element that supports and complements the functioning of fuzzy system in the proposed control method will be the use of genetic algorithm. Its aim will be to optimise the knowledge base contained in the fuzzy rules by optimal selection of weights for these rules.
3.1. Fuzzy logic
Fuzzy logic is an example of a multi-valued logic. Closely related to the theory of fuzzy sets, it was introduced by L. Zadeh. In contrast to the classical logic, the fuzzy logic theory assumes that there may be an infinite number of intermediate values between the false state and the true state. This means that an element of a given set may belong to this set only to a certain degree. This reasoning leads to the formulation of the definition of fuzzy set.
Similarly to the classical approach, fuzzy sets make it possible to perform a series of operations in the form of a sum, product, etc.
Another important concept necessary to describe fuzzy systems is the linguistic variable, i.e. the input or output quantity in the fuzzy system that is estimated using linguistic values (high demand, long lead time, etc.).
3.2. Genetic algorithms
Genetic algorithms are algorithms designed to search for optimal solutions to artificial human-created optimisation problems. Their functioning is based on the mechanisms of natural selection and the process of heredity. They combine the evolutionary principle of survival of the fittest individuals (solutions of decision problem). When considering a set of solutions to the decision problem, one can compare it to the population of organisms. Each solution (individual) can be attributed its own characteristics of adaptation to certain set conditions (criterion function that measures the quality of a certain solution). This allows you to simulate the evolutionary processes by duplicating better solutions in the future "generations" and eliminating those that are not as good at satisfying the optimisation problem criteria. This operation is carried out on the basis of the reproduction of genetic code and more specifically on the possibility of collating partial ideas (similarly to crossover) that come from a variety of solutions, which results in better innovative solutions to the problem. In practice, this requires adoption of a method of transforming a specific solution into a uniquely representative code string, often called a chromosome. In this way, using the so-defined code strings (solution population), one can perform processing, e.g. the crossover and mutation operations, and receive new solutions (Goldberg, 1989).
3.3. Proposed method for solving the problem
The approach proposed in the article involves describing the uncertainty of input and output system parameters through fuzzy sets. Then, on the basis of the knowledge base contained in the rules, the optimal sharpened control parameters are determined. The rule base consists of a set of conditional instructions.
چکیده
1. بررسی مسائل مدیریت موجودی
2. بررسی راه حل های کنترل موجودی
3. استفاده از منطق مختلط و الگوریتم های ژنتیک به منظور حل مشکلات کنترل موجودی در شرایط تقاضا و عدم قطعیت در زمان رهبری
3.1 منطق مختلط
3.2 الگوریتم های ژنتیک
3.3 روش پیشنهادی برای حل مسئله
4. محاسبه نمونه و نتایج
5. خلاصه
منابع
Abstract
1. Overview of inventory management issues
2. Overview of inventory control solutions
3. The use of fuzzy logic and genetic algorithms to solve the problem of inventory control in conditions of demand and lead time uncertainty
3.1. Fuzzy logic
3.2. Genetic algorithms
3.3. Proposed method for solving the problem
4. Sample calculation and results
5. Summary
References