
Korzyści płynące z zastosowania sztucznej inteligencji w łańcuchu dostaw
15 lipca 2022
Istota klasycznego modelu odnawiania zapasów opartego na poziomie informacyjnym – punkcie ponownego zamówienia
29 lipca 2022

Korzyści płynące z zastosowania sztucznej inteligencji w łańcuchu dostaw
15 lipca 2022
Istota klasycznego modelu odnawiania zapasów opartego na poziomie informacyjnym – punkcie ponownego zamówienia
29 lipca 2022Systemy rozmyte

W oparciu o zbiory rozmyte można zbudować rozmyty system wnioskowania. W takim systemie do modelowania implementowane są reguły rozmyte, które z kolei umożliwiają prowadzenie procesu wnioskowania rozmytego. Wnioskowanie rozmyte jest wieloetapowym procesem, w którym:
- zmienne ilościowe przetwarzane są na pojęcia lingwistyczne,
- pojęcia lingwistyczne modelowane są na podstawie bazy reguł, która odzwierciedla naszą wiedzę o problemie,
- lingwistyczne efekty wnioskowania z powrotem są przetwarzane na zmienne ilościowe.
W praktyce wiele procesów decyzyjnych nie ma charakteru formalnego i nie odwołuje się wprost do zasad klasycznej logiki. Systemy rozmyte pozwalają naśladować ludzkie rozumowanie i na ogół dobrze radzą sobie w złożonych sytuacjach. Klasyczny system rozmyty składa się z czterech elementów: bazy reguł, bloku rozmywania, bloku wnioskowania oraz bloku wyostrzania (rysunek 1).

Rysunek 1. Schemat systemu rozmytego
Dane (sygnały) wejściowe wprowadzane są do bloku rozmywania, gdzie następuje ich transformacja z postaci ilościowej na jakościowe, wyrażane w postaci lingwistycznej. Tak przekształcone dane wejściowe przedstawiane są za pomocą zbiorów rozmytych, co sprowadza się do określenia funkcji przynależności. W bloku wnioskowania wywoływane są reguły, których przesłanki są spełnione. Reguły te prowadzą do wyznaczenia zbioru rozmytego, który przedstawia konkluzję wynikową. Ponieważ produktem bloku wnioskowania jest zbiór rozmyty należy go przekształcić w bloku wyostrzania do postaci liczbowej, która będzie sygnałem wyjściowym. Zatem zmienne wejściowe jak i wyjściowe są wartościami rzeczywistymi, dlatego w praktyce zakres ich zmienności jest skalowany do przedziału, na ogół ogół [-1; 1]
Baza reguł reprezentuje wiedzę jakościową, która może pochodzić z różnych źródeł: wiedzy eksperckiej, modelowania jakościowego, algorytmów automatycznego pozyskiwania wiedzy. Reguły są określane w postaci wyrażeń JEŻELI-TO, odwołują się więc do znanej z klasycznej logiki implikacji. Przesłanki (poprzedniki implikacji) składają się z wyrażeń lingwistycznych połączony ze sobą operatorami (spójnikami) koniunkcji lub alternatywy, natomiast konkluzje (następniki implikacji) są na ogół pojedynczymi wyrażeniami. Przykładowa reguła wnioskowana może mieć następującą postać:

Tak, jak zaznaczono, przesłanki są wyrażeniami lingwistycznymi, w podanym przykładzie są to wyrażenia „stan zapasu x1 jest niski”, „popyt na x1 w ostatnim tygodniu był wysoki”. Określenia te zostały połączone spójnikiem koniunkcji wyrażonym w języku naturalnym słowem „ORAZ”. Wyrażenia lingwistyczne zawierają nieprecyzyjne określenia „jest niski”, „był wysoki”, które wymagają użycia zbiorów rozmytych, które uzyskuje się w procesie rozmywania danych liczbowych. W przykładzie dane te dotyczyłyby stanu zapasów oraz wielkości popytu w określonym interwale czasowym. Konkluzja „stan zapasu powinien zostać uzupełniony do poziomu wysoki” również jest podana w postaci wyrażenia lingwistycznego, które musi zostać przekształcone do postaci liczbowej.
Warto zaznaczyć, że rozmyty odpowiednik implikacji może zostać zdefiniowany na nieskończenie wiele sposobów. Oznacz to, że w procesie wnioskowania można używać wiele typów reguł wnioskowania.
Systemy rozmyte znajdują zastosowanie między innymi w elektronicznych systemach sterowania, w medycynie, w zadaniach eksploracji danych, w systemach eksperckich itp. Możliwe jest również zbudowanie systemu pozwalającego na określenie wielkości zamówienia w zależności od aktualnego stanu zapasu, prognozowanego zapotrzebowania czy kosztów magazynowych.
Niniejszy artykuł powstał dzięki środkom pochodzącym ze współfinansowania przez Unię Europejską Programu Operacyjnego Inteligentny Rozwój 2014-2020, projektu realizowanego w ramach konkursu Narodowego Centrum Badań i Rozwoju: w ramach konkursu „Szybka Ścieżka” dla mikro-, małych i średnich przedsiębiorców – konkurs dla projektów z regionów słabiej rozwiniętych w ramach Działania 1.1: Projekty B+R przedsiębiorstw Poddziałanie 1.1.1 Badania przemysłowe i prace rozwojowe realizowane przez przedsiębiorstwa. Tytuł projektu: „Stworzenie oprogramowania do poprawy trafności prognoz i optymalizacji zapasów z perspektywy odbiorcy i dostawcy współpracujących w ramach łańcucha dostaw przy zastosowaniu rozmytych, głębokich sieci neuronowych.




OSTATNIE WPISY
TAGI
- #AI
- #bullwhip-effect
- #covid19
- #łańcuch-dostaw
- #NCBiR
- #optymalizacja-zapasów
- #out-of-stock
- #outllier
- #overstock
- #prognozowanie
- #prognozowanie-popytu
- #Program-Operacyjny-Inteligentny-Rozwój-2014-2020
- #projekcja-zapasów
- #projekcja-zapasów-w-czasie
- #przy_kawie_o_łańcuchu_dostaw
- #service-level-dostawcy
- #sieci-neuronowe
- #supplychain
- #sztuczna-inteligencja-od-A-do-Z
- #zapas-bezpieczeństwa
- #zapas-sezonowy
- #zapas-zabezpieczający
- #zarządzanie-zapasem
Powiązane wpisy
D jak Dead Stock
PRZECZYTAJ
Dead stock, czyli dosłownie martwy zapas, to produkty, które nie znajdują nabywców w oczekiwanym czasie lub w ogóle nie są sprzedawane. Wpływa to negatywnie na efektywność […]
C jak cash to cash cycle
PRZECZYTAJ
Cykl cash to cash cycle to okres pomiędzy momentem, w którym firma płaci swoim dostawcom za zapasy, a otrzymaniem gotówki od klientów. Koncepcja ta służy do […]
B jak Break-event-point
PRZECZYTAJ
Metoda punktu równowagi (break-even point) jest narzędziem wykorzystywanym do optymalizacji zapasów w łańcuchu dostaw. Jest to punkt, w którym koszty posiadania zapasów równają się korzyściom z […]