Systemy rozmyteSystemy rozmyteSystemy rozmyteSystemy rozmyte
  • Produkty
  • Jak działa Dature
  • O nas
  • Baza wiedzy
  • Współpraca
  • Wsparcie
  • UE Flaga
  • Angielski
  • Polski
✕
            Brak wyników wyszukiwania Zobacz wszystkie wyniki
            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
            Aktualności

            Systemy 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:

            1. zmienne ilościowe przetwarzane są na pojęcia lingwistyczne,
            2. pojęcia lingwistyczne modelowane są na podstawie bazy reguł, która odzwierciedla naszą wiedzę o problemie,
            3. 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.

            Udostępnij
            OSTATNIE WPISY
            • The essence of the classic model of inventory renewal based on the information level - the point of reordering
            • Istota klasycznego modelu odnawiania zapasów opartego na poziomie informacyjnym – punkcie ponownego zamówienia
            • Fuzzy systems
            • The benefits of using artificial intelligence in the supply chain
            • Korzyści płynące z zastosowania sztucznej inteligencji w łańcuchu dostaw
            TAGI
            • #NCBiR
            • #Program Operacyjny Inteligentny Rozwój 2014-2020
            • #Sieci Neuronowe
            • #Zapas zabezpieczający
            • Bullwhip effect
            • Koronawirus
            • Łańcuch Dostaw
            • optymalizacja zapasów
            • out-of-stock
            • Outllier
            • overstock
            • Prognozowanie
            • prognozowanie popytu
            • Projekcja zapasów
            • projekcja zapasów w czasie
            • Service Level dostawcy
            • supplychain
            • Zapas bezpieczeństwa
            • zapas sezonowy
            • zarządzanie zapasem

            Powiązane wpisy

            15 lipca 2022

            Korzyści płynące z zastosowania sztucznej inteligencji w łańcuchu dostaw


            PRZECZYTAJ

            Według Gartnera, poziom automatyzacji w procesach łańcucha dostaw podwoi się w ciągu najbliższych pięciu lat. Jednocześnie, według najnowszych badań, globalne wydatki na platformy IIoT mają wzrosnąć […]

            15 lipca 2022

            Modelowanie niepewności za pomocą zbiorów rozmytych


            PRZECZYTAJ

            Niepewność jest obecna we wszystkich dziedzinach działalności człowieka, jest nieodłącznym elementem rzeczywistości. Oznacza to, że jakakolwiek próba opisu tej rzeczywistości powinna uwzględniać występowanie niepewności.  To właśnie w potrzebie modelowania niepewności  należy upatrywać impulsu dla rozwoju teorii zbiorów rozmytych i jej późniejszym uogólnieniom.

            12 maja 2022

            Collaborative Planning, Forecasting and Replenishment czyli czy warto dzielić się informacjami


            PRZECZYTAJ

            Dla przypomnienia CPFR (ang. Collaborative Planning, Forecasting and Replenishment) to wspólne prognozowanie, planowanie i uzupełnianie zapasów, które opiera się na porozumieniu partnerów biznesowych w zakresie stałej wymiany informacji na temat prognoz sprzedaży, zakupów i zapasów oraz planów promocji, produkcji i dostaw wraz z ustaleniem sposobów identyfikacji i wyjaśniania zaistniałych odchyleń.

            Już teraz

            Zapisz się do newslettera

              Podanie danych w formularzu jest niezbędne do subskrypcji newslettera. Dane z formularza przetwarzane będą na podstawie udzielonej zgody art. 6 ust. 1 lit. a) RODO. Administratorem Twoich danych jest Smartstock Sp. z o.o. z Poznania (ul. Królowej Jadwigi 43, 61-871 Poznań, biuro@smartstock.cloud). Wszelkie informacje w zakresie przetwarzania danych podanych w formularzu oraz posiadanych uprawnieniach znajdziesz w Polityce Prywatności.


              TEL. +48 534 288 279
              info@dature.cloud

              Smartstock Sp z o.o.
              ul. Królowej Jadwigi 43
              61-871 Poznań

              Zapisz się do newslettera

              NIP: 7812000413
              REGON: 384284847
              KRS: 0000802331

              • LinkedIn

              Polityka prywatności i cookies   Regulamin aplikacji   Wsparcie techniczne   Zmiana decyzji co do cookies

              Wszelkie prawa zastrzeżone. © SMARTSTOCK Sp. z o.o.
              Polski
                        Brak wyników wyszukiwania Zobacz wszystkie wyniki
                        • Angielski
                        • Polski