Реферат: Планирование поставок торговой фирме с использованием имитации и генетического алгоритма
Значения этих характеристик портфелей заказов приведены на рис. 3, 4. При этом введена следующая нумерация каналов: 1 - канал крупных оптовиков, 2 - канал магазинов, 3 - канал дилеров, 4 - канал представительств фирмы.
Значения спроса за время доставки для всех наименований товаров и различных портфелей определялись на основе сгенерированных портфелей (среднесуточный спрос, умноженный на время доставки). Этот спрос характеризует потребление товара с момента выдачи на него заявки производителю до его получения на склад.
Для сравнения, на ИМ был смоделирован случай работы фирмы, когда значения точек заказа назначались эвристическим путем. Они были выбраны следующим образом:
критические уровни брались в среднем с двукратным превышением величины среднесуточного спроса умноженной на время доставки;
предкритические уровни брались, исходя из вероятности прихода заказа на товар данного наименования.
Оценка суммарных потерь для этого случая и для каждого из портфелей производилась путем прогона модели на интервале времени равном кварталу с данным портфелем заказов и данными точками заказов.
Диапазоны варьирования точек заказов были выбраны следующим образом:
для критических уровней - в среднем с пятикратным превышением среднесуточного спроса, умноженным на время доставки;
для предкритических уровней диапазоны были выбраны одинаковыми и равными максимальному значению предкритических уровней для случая выбора их экспертом - 400%.
Оценка суммарных потерь может быть получена на основе моделирования работы фирмы на квартале для лучшей по всем поколениям особи. Оптимизация с помощью ПГА проводилась для 20 особей в поколении, 20 поколений, вероятности скрещивания - 0.7 и вероятности мутации - 0.06.
Рис. 5. Изменение значения ФП по поколениям для портфеля №1
Результаты экспериментов с использованием ПГА представлены на рис.5. Здесь приведено изменение функции пригодности по поколениям. По результатам экспериментов (рис. 5) можно отметить, что рост среднего значения функции пригодности по популяциям (поколениям) (от 0,220357*103 до 0,388829*103 - для первого портфеля, от 0,132561*103 до 0,334439*103 - для второго портфеля, от 0,00155367*103 до 0,0135357*103 - для третьего портфеля) демонстрирует работоспособность алгоритма, а максимальное значение ФП в пересчете на критерий W дает устойчивое (в среднем около 60%) снижение потерь по сравнению со случаем назначения точек заказа на основе среднего спроса за время доставки (табл. 2).
Заключение
Результаты проведенных экспериментов показали эффективность комплексного применения ИМ и ПГА к решению сложных оптимизационных задач планирования поставок товаров на многономенклатурный склад торговой фирмы, однако необходимы дальнейшие исследования для выбора параметров ПГА, обеспечивающих лучшую сходимость, а, следовательно, и эффективность.
Подтверждена возможность разработки гибридных систем, комплексно использующих ИМ и оптимизационных процедур на основе единого инструментального средства - языка РДО, что говорит о его универсальности и гибкости.
Список литературы
Ballow R.H. Product Storage and Warehousing // Basic Business Logistics. Transportation, Materials, Management, Physical Distribution / 2-d edition. - NY, Prentice-Hall International Edition, 1987. P. 192 - 272.
Емельянов В.В., Ясиновский С.И. Продукционный имитатор производственных систем и процессов // Вестник машиностроения, 1992, № 5. С. 41 - 45.
Емельянов В.В., Ясиновский С.И. РДО - продукционный язык имитационного моделирования сложных дискретных систем: Учебное пособие по курсам “Моделирование технологических и производственных процессов”. - М.: Изд-во МГТУ, 1995. - 91 с.
Емельянов В.В., Ясиновский С.И. Гибридная система для планирования производства на основе генетических алгоритмов, методов имитации и экспертных систем// Известия ТРТУ, 1996, № 3. С. 4 - 9.
Reane F., Artiba A., Elmaghraby S.E. Sequencing on hybrid two stages flowshop to minimize makespan //ICOQM’s proceedings Jaipur, II, 1996. P.572-579.
Emelyanov V.V., Yasinovsky S.I. An AI-based object-oriented tool for discrete manufacturing systems simulation// Journal of Intelligent Manufacturing, Vol.8, Num. 1, February 1997. P.49-59.
Goldberg D.E. Genetic Algorithms in Search, Optimization and Machine Learning. - Addison Wesley Publishing Company, Inc., 1989. - 386 pp.
Holland J.H. Adaptive algorithms for discovering and using general patterns in growing knowledge-bases // Int. Journ. of Policy Analysis and Information Systems, 1980, P. 217 - 240.
ЕмельяновВ.В., КрючковМ.Ю., ШтаутмайстерТ. Динамическийоптимальныйраскройматериаласиспользованиемгенетическогоалгоритма // ВестникМГТУ, сер.: Приборостроение, 1996, № 1, С. 78 - 86.