دانلود رایگان ترجمه مقاله کنترل موجودی در لجستیک تحت شرایط عدم قطعیت (ساینس دایرکت – الزویر ۲۰۱۶)

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

۳٫۱ 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). 

۳٫۲ 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).

۳٫۳ 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.

اطلاعات ورودی تامین شده برای قطعه مختلط، مختلط شده اند، به عنوان مثال، درجه عضویت آن ها برای مجموعه های مختلط خاصی تعیین شده است. سپس، هر قانون در قطعه استنتاج اجرا شده و همچنین درجات فعال سازی برای موارد پیشین موجود در آن ها محاسبه شده است. هر قانون به یک مقدار خاص w اختصاص داده شده است. در این روش، قوانین دارای مقادیر بیشتر دارای تاثیر بیشتری بر روی تعیین مقادیر متغیر خروجی هستند. به منظور اطمینان از کارایی کنترل مورد نظر، الگوریتم ژنتیک به منظور بهینه سازی مقادیر وزن (w) برای مجموعه قانون سیستم مختلط مورد استفاده قرار گرفته است. بنابراین، متغیر تصمیم گیری بردار وزن های قانون است. فرایندهای بهینه سازی بر مبنای به حداقل رساندن تابع به عنوان مجموعی از سه زیر معیار استاندارد انجام می شوند: سطح موجودی متوسط، تعداد خروجی موجودی ها، و تعداد تحویل ها برای یک دوره زمانی ثابت، بر مبنای مجموعه های اطلاعاتی آموزشی.
ورودی سیستم شامل سه متغیر است که تقاضای پیش بینی، مقدار موجودی واقعی در روزی مشخص و زمان رهبری تصادفی را توصیف می کنند. پارامترهای کنترل در سیستم پیشنهادی نقطه دستور مجدد واقعی و مقدار دستور واقعی هستند. مورد اول مقدار موجودی اضطراری را مشخص کرده که در آن ترتیب باید جای داده شده و مورد دوم مقدار حجمی را مشخص می کند که برای زمانی خاص مناسب است. تمامی متغیرها، هم ورودی ها و هم خروجی ها، به عنوان متغیرهای مشخص دو زبانه در مجموعه ای با مقادیر دوزبانه تعیین شده اند. به عنوان مثال، یکی از متغیرهای ورودی را می توان به صورت زیر نوشت: تقاضای پیش بینی شده = [کوچک، متوسط، بزرگ]. هر برآورد متغیر دوزبانه به یک مجموعه مختلط مناسب اختصاص داده شده است. شکل ۳ روش هایی را نشان می دهد که عدم قطعیت در پارامترهای ورودی در سیستم کنترل را نشان می دهند.
مجموعه مختلط ارائه شده به وسیله توابع عضویت مثلثی و ذوزنقه ای شرح داده شده اند. نقاط مشخصه در محور افقی نمودارها بر اساس مشاهدات پیشین از متغیری مشخص در یک افق زمانی ثابت هستند. پارامترهای سیستم خروجی به صورت مشابه در شکل ۴ شرح داده شده اند.
روش پیشنهادی در این مقاله نمونه ای است از کنترل موجودی و سیستم کنترل. متغیرهای ورودی و خروجی برای فواصل زمان اتخاذ شده به روز رسانی شده اند (به عنوان مثال یک سال). از این رو، نقاط مشخص شده در فضای مختلط برای متغیرهای خروجی تنها مقادیر اولیه در شبیه سازی برای کل دوره برنامه ریزی هستند. در هر بازه زمانی یک روزه پیوسته، پارامترهای تابع عضویت که خروجی های سیستم را مشخص می کنند بر اساس خطای پیش بینی شناسایی شده تعیین شده اند (شکل ۵). به لطف آن، این سیستم دارای توانایی بیشتری برای انطباق و شناسایی هوشمند هر گونه موقعیت غیرمعمول است.
. محاسبه نمونه و نتایج
به منظورتایید موثر بودن راه حل پیشنهادی، یک شبیه سازی کامپیوتری برای موجودی محصول خاصی، بر مبنای اطلاعات تقاضای پیشین شرکت در یک دوره ۶ ماهه انجام گرفته است. نتایج شبیه سازی با نتایج به دست آمده از روش دستورهای کلاسیک و نقطه دستور مجدد ترکیبی، و مدل چرخه دستور مجدد مقایسه شدند. این دستورها به صورت گسترده در (Axsater, 2006) ارائه شده اند. برای تمامی مجموعه های ترکیبی قوانین ممکن در مدول استدلال، فرایندهای بهینه سازی برای وزن ها مطابق با بخش پیشین انجام شدند. به عنوان نتیجه، مجموعه ای از ۲۷ قانون سودمند همراه با هم و همراه با وزن های بهینه اختصاص داده شده آن ها دریافت شدند. مقایسه نهایی نتایج شبیه سازی مقدار موجودی بر مبنای معیار اتخاذ شده به صورت هزینه های موجودی کل برای دوره ای در نظر گرفته شده، مقدار موجودی متوسط، تعداد تحویل ها و تعداد خروجی های مواجه شده برای موجودی ها ایجاد گردید. شبیه سازی ها برای ۲۵ مجموعه اطلاعاتی انجام شدند. از نتایج نهایی میانگین گرفته شده. شکل ۶ طرح شبیه سازی را برای هر روش پیشنهادی نشان می دهد.