הקדמה: אופטימיזציה של אימפולסיבי בייצור מודרני

רשתות אספקה הייצור התפתחו לסחרור, רשתות גלובליות המקשרות מיצוי חומרי גלם, ייצור רכיב, קווי ייצור, מרכזי הפצה, ולקוחות הקצה ניהול רשתות אלה ביעילות אינו רק עניין של שליטה עלות - זה משפיע ישירות על היכולת של החברה להתחרות במהירות האספקה, איכות המוצר, וקיימות.קבלי החלטות עומדים בפני זרם קבוע של אפשרויות דיסקרטיות: כמה יחידות של כל מוצר צריך להיות מיוצר מספר חדש של אספקה, איפה צריך להיות מצמצם את מספר חדש של דלק, ושישות?

גישות מסורתיות המבוססות על גליון או היוריסטיות לעתים קרובות נופלות קצרות כאשר החלטות אלה חייבות להיות ניתנות במקביל תחת מגבלות הדוקות.כאן:0integer ProgrammingFLT:1 (IP) מופיע כמסגרת מתמטית רבת רבת עוצמה.על ידי מודל בעיות שרשרת האספקה עם משתנים החלטות integer - כגון מספר ייצור, משאיות, או מיקומים של המתקן - IP מאפשר למצוא באופן סביר או בלתי אפשרי עבור פונקציות אספקה, אם הוא עשוי להיות מסוגל למצוא את הפונקציות של ציוד אספקה, באופן ידני, כגון כמה פונקציות אספקה, כגון:

מה זה Integer Programming?

תכנות Integer הוא ענף של אופטימיזציה מתמטית שבו כמה או כל משתנה החלטות מוגבלים לקחת רק ערכים integer.It מרחיב תכנות ליניארי (LP), שבו משתנים הם רצופים, על ידי הוספת תנאים אינטגראליים.הבחנה זו קריטית כי בעיות ייצור בעולם האמיתי רבות כרוכות יחידות בלתי נראות: אתה לא יכול לייצר 3.7 מנועים, לשלוח 1.4 משאיות, או פתוח 0.6 של מחסני IP לוכדת מציאות זו.

ישנם שלושה סוגים עיקריים של מודלים תכנות integer:

  • (FLT:0) תכנות של פורגר (PIP): ibph:1) כל משתנה ההחלטות חייב להיות integers.דוגמה: קביעת מספר המכונות לרכישת, שבו רכישות שבריריות הן חסרות משמעות.
  • (FLT:0)Mixed Integer תכנות (MIP): איור 1:1 כמה משתנים הם integer, אחרים רצופים.זהו הצורה הנפוצה ביותר אופטימיזציה שרשרת האספקה - למשל, מספר הייצור פועל (integer) וכמות חומר גלם הורה (מעודכן) יכול להיות coexist במודל אחד.
  • (FLT:0)Binary Integer תכנות (BIP): Variables) 1 וריאציות מוגבלות ל-0 או 1.שימוש עבור כן / ללא החלטות כגון מיקום המתקן, בחירת הספק, או אם לשגר קו מוצר.

מודל תכנות טיפוסי של Integer יש פונקציה אובייקטיבית (למשל, מזער את העלות הכוללת) ומערך של מגבלות (למשל, מגבלות יכולת, שביעות רצון, מגבלות תקציב) למרות שהמבנה המתמטי דומה לתכנות ליניארית, פתרון IP הוא קשה יותר ביסודו, משום שההגדרה הניתנת להשגה כבר אינה קומפוקס.

יישומים של Integer תכנות בייצור שרשרת אספקה

הכוח של תכנות integer הוא ביכולתו להתמודד עם החלטות דיסקרטיות שצצות בכל פנקס שרשרת האספקה. להלן אנו בודקים ארבעה תחומים קריטיים עם מודלים מייצגים ומקרים של שימוש בעולם האמיתי.

הפקה: Lot Sizing

תזמון הייצור עונה לשאלה: אילו מוצרים יש לעשות על איזה משאבים ובאיזו רצף כדי לענות על הביקוש בזמן? אינטגרל משתנים ללכוד החלטות ההתקנה, גודל אצווה, ומשימות מכונה. ניסוח קלאסי הוא ה-FLT:0 מינוף בעיות ציטראט FLT 1, שבו מפעל חייב להחליט כמה יחידות של כל מוצר לייצר בכל תקופת זמן.

בסביבה של חנות עבודה, תכנות integer יכול לקבוע פעולות על פני מכונות מרובות על ידי הקצאת כל זוג עבודה לשיתוף פעולה לזמן התחלה, לעתים קרובות מודל כמו תוכנית לינארית מעורבב-integer. יצרני רכב, למשל, להשתמש IP כדי לרצף גופים רכב דרך חנויות צבע קווי הרכב, צמצום זמן שינוי צבע ועלויות עבודה.

ניהול מלאי ו- Multi-Echelon Systems

החלטות ממציאיות – כמה להזמין, מתי להזמין, והיכן להחזיק מניות – הן באופן טבעי דיסקרטיות כי הזמנות ממוקמות ב-Integer הרבה.מודל המסדר הכלכלי הקלאסי Quantity (EOQ) מניח חידוש מתמשך, אך מגבלות בעולם האמיתי כגון יכולות משאית, מינימום סדרי אספקה, ואריזות הספק דורשות התאמות.

חברות אלקטרוניקה לצרכנים מסתמכות לעתים קרובות על מודלים כאלה כדי לנהל אלפי SKUs ברחבי רשתות הפצה גלובלית.על ידי שילוב תכנות integer עם תחזית הביקוש, הם יכולים להפחית מלאי עודף תוך הימנעות ממניות במהלך ההשקה של המוצר.

תחבורה והפצת

החלטות תחבורה כרוכות בבחירה דיסקרטית: אילו כלי רכב להשתמש, אשר מסלולים לעקוב, אשר מפסיק לכלול.ה-FLT:0Vehicle Ruting Problem (VRP) הוא מודל תכנות אטומי integer integer בצורתו הבסיסית, צי של כלי רכב הומוגניים מתחיל מ- depot וחייב לשרת קבוצה של לקוחות עם דרישות בינאריות, אשר קובעות, אשר כוללים מספר שעות של תאים של תאים פרטיים ומכשירים, אשר כוללים שימוש.

מעבר ל-Routing, תכנות integer גם מייעל את הבחירה מודוללית (truck vs. Rail לעומת אוויר) מודל מעורבב-integer יכול לבחור את השילוב הזול ביותר של מצבי תחבורה ברחבי רשת, בכפוף למועדי משלוח ולהגדילים משלוח. יצרן כימי אחד דיווח על ירידה של 12% בעלויות לוגיסטיקה לאחר יישום מערכת אופטימיזציה רב-מודוליבי מבוסס IP.

מיקום הרשת ועיצוב רשת

ההחלטה היכן לבנות מפעלים, מרכזי הפצה או צלב-דוק היא קלאסית (FLT:0facility Location ProblemmentFLT:1 ).מודלים אלה משתמשים במשתנה בינארי כדי לייצג אם המתקן נפתח, ו- integer או משתנים רצופים לזרימת סחורות בין מתקנים ולקוחות.ההמטרה ממזערת עלויות פתיחה קבועות בתוספת עלויות תחבורה ועלויות טיפול.

תכנות Integer הוא בעל ערך במיוחד כאשר הרשת חייבת להיות reconfigured, כגון במהלך המיזוגים, ההתרחבות בשוק או הריסה מחדש של יוזמות.לדוגמה, יצרנית המזון הגדולה השתמשה במודל MIP כדי רציונליזציה של רשת ההפצה של צפון אמריקה, סגירת שלושה מחסנים ופתיחת שני חדשים, הניב חיסכון שנתי של מעל 15 מיליון דולר.הפתר נחשב אלפי אזורי לקוחות, משפחות, מוצרי מוצר, ושיעורי משאיות, מתן פתרון אופטימלי היה ללא מרשם.

יתרונות והשפעה אסטרטגית

יצרנים אשר בהצלחה לפרוס תכנות integer מדווחים על שיפורים הניתנים למדידה על פני ממדים מרובים. להלן הם היתרונות העיקריים, נתמך על ידי ראיות בתעשייה.

  • (FLT:0) Cost Reductionve: 1FLT על ידי במקביל ייצור, מלאי ותחבורה, תכנות integer מבטל את ההשתתפות של סחר ב- 30 חברות ייצור מצא כי יישום IP מופחת עלויות שרשרת האספקה הכוללות בממוצע של 8-15%.
  • (FLT:0)Imroved Service Levels:FIRLT:1) מודלים Integer במפורש משלבים מגבלות שירות (למשל, מילוי שיעורי, אחוזי משלוח במשרה חלקית) , משתנים בינאריים יכולים ללכוד עלויות עונש עבור הזמנות מאוחרות, להבטיח כי הפתרון מראש התחייבויות הלקוח.
  • (FLT:0)Capacity Utilization:FLT3 ייצור וכושר השאיבה הם לעתים קרובות דיסקרטיים בשל דפוסי שינוי, זמינות מכונה, או תצורה של racks. IP מכבדים את המציאות הזו, המוביל ניצול נכסים גבוה יותר (בדרך כלל 10-20% שיפור).
  • (FLT:0) רגישות וכדאיות: FIRLT:1 (לאחר מודל נבנה, ניתן להאכיל אותו בנתונים חדשים (ביקוש, עלויות, יכולות) וסולקו מחדש באופן קבוע.זה מאפשר תכנון לגלגל אופק ותגובה מהירה לשיבושים, כגון סגירת הספק או ספייקטים ביקוש.
  • (FLT:0) גמישות סטרטגמית: FLT:1 תכנות Integer תומך במה ניתוח אם - לדוגמה, הערכת ההשפעה של רכישת מתחרה, בניית צמח חדש, או אימוץ טכנולוגיית תחבורה חדשה.

הטבות אלה מתרגמות להטבות תחרותיות.חברות שמאחדות את האופטימיזציה שלהן עם IP ממוקמות טוב יותר לעמוד בתנודתיות שרשרת האספקה ולנצל הזדמנויות לצמיחה.

אתגרים ומגבלות

למרות החוזקות שלה, תכנות אינסטלגר הוא לא כדור כסף.מתרגלים חייבים לנווט מספר אתגרים:

  • (FLT:0) מורכבות חישובית: FLT:1 בעיות IP רבות הן NP-Hard, כלומר זמן פתרון יכול לגדול באופן אקספונציאלי עם גודל בעיות.מודל תזמון ייצור בינוני עם 10,000 משתנים בינאריים עשוי לדרוש שעות או ימים כדי לפתור כדי אופטימליות. מתרגלים לעתים קרובות לסמוך על מגבלות זמן ולקבל פתרונות כמעט-אופטימיים (למשל, 1% של הגבול הידוע ביותר).
  • מודלים של IPFLT:0Data Quality and Availability: FLT1 מודלים של IP דורשים קלט מדויק עבור עלויות, יכולות, וביקוש. inaccurate או חסר נתונים יכול להפוך את הפתרון האופטימלי ללא משמעות.ניקוי ו הכנת נתונים לעתים קרובות צורכת יותר מאמץ מאשר בניית המודל עצמו.
  • (FLT:0)Modeling Effort ומומחיות: ההרחבה של בעיה בעולם האמיתי כתוכנית integer דורשת ידע עמוק הן על תאוריה של התחום והן אופטימיזציה. מודלים שנבנו בצורה גרועה עשויים להיות בלתי פתירה או להניב תוצאות לא מציאותיות.
  • (FLT:0) אינטגרציה עם מערכות קיימות: ההרחבה 1 (FLT:1 ), חלוקת IP בסביבה ייצור חיה דורש תשתיות החלטות IT.
  • (FLT:0) מגבלות של יציבות: FLT:1ir גם עם פותרים מודרניים, מקרים גדולים מאוד (מיליוני משתנים) עשויים להיות בלתי-מעוררים. שיטות ייצוגיות כמו בנדרים או רגיעה Lagrangean יכול לעזור, אבל הם דורשים מורכבות נוספת מודלים.

השגת מגבלות אלה חיונית לקביעת ציפיות מציאותיות.יש הרבה יישום מוצלח שמתחיל בפרויקט טייס המתמקד בהחלטה חד-פעמית אחת (למשל, תזמון הייצור במפעל אחד) לפני שמדורגים.

כיוונים עתידיים: תכנות איינגר עם טכנולוגיות מתפתחות

תחום תכנות integer הוא רחוק סטטי.חוקרים ומתרגלים דוחקים גבולות בכמה כיוונים מרגשים.

שילוב עם Machine Learning

למידת מכונה (ML) יכולה לחזות פרמטרים לא בטוחים (דרישה, זמני תשואות) ולאחר מכן להאכיל את התחזיות למודל IP. גישות מתקדמות יותר להשתמש ב-ML כדי להנחות את החיפוש של המפתור - לדוגמה, ללמוד מדיניות או פתרונות חמים-מחדש.מגמה עדכנית היא FLT:0end-to-end אופטימיזציה של 1LT:1), שבו רשתות עצביות לומדות לייצר קרוב לפתרונות ממריצים ללא פתרון דרמטי של ענף.

מחשוב קוונטי ואדיבטי

מחשוב קוונטי מבטיח לפתור בעיות אופטימיזציה של שילוב מסוים מהר יותר מאשר אלגוריתמים קלאסיים.D-Wave מערכות וספקנים קוונטיים אחרים נבדקו במיקום קטן של המתקן ואירועי ניתוק כלי רכב עדיין בשלב מוקדם, פותרי IP קוונטיים עשויים להיות מעשי בתוך עשור, במיוחד לבעיות בינאריות.

שירותי אופטימיזציה מבוססי ענן

ספקי ענן עיקריים (אמזון, גוגל, מיקרוסופט) מציעים כעת אופטימיזציה-as-a-Service, המאפשרים ליצרנים להגיש מודלים IP ללא השקעה ברישיוןי פתרון ייעודי או חומרה.שירותים אלה באופן אוטומטי בקנה מידה משאבים מחשוב, מה שהופך אופטימיזציה בקנה מידה גדול נגיש לחברות קטנות ובינוניות. APIs להתחבר בצורה חלקה עם אגמים נתונים ופלטפורמות מודיעין עסקי.

Robust and Stochastic Integer Programming

אי הוודאות שרשרת האספקה – שינויים דרישה, הפרעות תחבורה, תנודתיות מחירים – ניתן לתפוס באמצעות תכנות אינטגרטיבית בטריגר, שבו כמה פרמטרים הם משתנים אקראיים עם התפלגות ידועות.המודל בוחר החלטות בשלבים (למשל, תוכנית ייצור ראשונית, ולאחר מכן הפעל פעולות לאחר שביקוש הוא נצפה). בעוד כבד חישובי חישוביים אלה מניבים פתרונות חזקים תחת מגוון רחב של תרחישים מתקדמים.

מסקנה: עקשנות אסטרטגית לייצור תחרותי

תכנות Integer מציע שרשרת אספקה ייצור דרך קפדנית, מונחה נתונים כדי לפתור את בעיות אופטימיזציה דיסקרטי כי להחליש כל קישור של שרשרת הערך.מייצור הרבה sizing וניהול מלאי כדי תחבורה מיקום המתקן, מודלים IP לספק חיסכון שווה ערך, רמות שירות גבוהות יותר, שיפור ביצועים משופרים, ודרישות נתונים הם אמיתיים, אבל הם בהתמדה מצטמצם על ידי גישות מחשוב, שילוב של אלגוריתמים משופרים, ו-ידי שימוש ב-ידי מחשוב היברידית.

יצרנים שמשקיעים בבניית יכולות תכנות אינטגרטיביות היום יהיו מצוידים טוב יותר לנווט את אי הוודאות ואת המורכבות של השווקים הגלובליים של מחר.הכלים והמומחיות זמינים - השאלה היחידה היא אילו ארגונים ינצלו את ההזדמנות לשנות את קבלת החלטות שרשרת האספקה שלהם מתגובה לחיזוי אופטימלי.