Kao dobavljač TSP (trizodijum fosfat) svjedokom sam razvijajućih krajolika industrije i sve veću potražnju za efikasnim rješenjima. Problem sa putovanjima prodavača (TSP), dok se naizgled ne poveže na prvi pogled, dijeli zajedničku zemlju s našim poslovanjem u pogledu optimizacije i efikasnosti. U ovom blogu ću istražiti kako se mašinsko učenje može koristiti za rješavanje TSP-a i kako se ti koncepti mogu primijeniti na naš TSP napajanje.
Razumijevanje problema sa putovanjima prodavača
Problem sa putničkim prodavačem je dobro - poznati problem sa kombinatorijom optimizacije. Cilj je pronaći najkraću moguću rutu koju prodavač može poduzeti da posjeti skup gradova tačno i vrati se na početnu točku. Matematički, s obzirom na set (n) gradova i udaljenosti između svakog para gradova, problem je pronaći permutaciju (N) gradova koji minimizira ukupnu pređenu udaljenost.
Složenost TSP eksponencijalno raste s brojem gradova. Za (n) gradove postoje ((N - 1)! / 2) Moguće rute. Kao (n) povećava se broj mogućih rješenja postaje astronomski. Na primjer, za 10 gradova postoji 181440 mogućih ruta, a za 20 gradova, postoje (6 \ puta10 ^ {16}) mogućih ruta. To čini izuzetno teško pronaći optimalno rješenje pomoću grubih metoda sile.
Tradicionalni pristupi za rješavanje TSP-a
Prije pojave mašinskog učenja, nekoliko tradicionalnih metoda korišteno je za rješavanje TSP-a:
- Brute - pretraga sile: Kao što je spomenuto ranije, ova metoda uključuje provjeru svake moguće rute i odabir one s najkraćim udaljenostima. Iako garantuje optimalno rješenje, računalno je neizvodljivo za veliki broj gradova.
- Heuristički algoritmi: Ovo su algoritmi koji brzo pronađu dobra rješenja, ali ne garantuju optimalno rješenje. Primjeri uključuju najbliži - susjedni algoritam, gdje prodavač uvijek posjećuje najbliži nevizirani grad, a algoritam 2 - Opt, koji iterativno poboljšava određenu rutu s izmjenom parova ivica.
- Dinamičko programiranje: Ovaj pristup prekida problem na manji pod-problemi i rekurzivno ih rješava. Međutim, takođe ima veliku složenost i ograničena je na relativno male veličine problema.
Pristupi mašinskom učenju za rješavanje TSP-a
Mašinsko učenje nudi nove i moćne načine za rješavanje TSP-a. Ovdje su neke od najčešćih tehnoloških tehnika učenja:
Neuralne mreže
Neuronske mreže, posebno ponavljajuće neuronske mreže (RNNS) i njihove varijante poput dugih kratkoročnih memorijskih mreža (LSTMS), korištene su za rješavanje TSP-a. Osnovna ideja je obučiti neurolnu mrežu za predviđanje optimalne rute s obzirom na unos koordinata gradova.
Jedan je pristup korištenje niza - model redoslijeda. Ulazni slijed je popis gradova, a izlazni slijed je optimalan redoslijed u kojem ćete posjetiti gradove. Neuralna mreža obučava se na velikom broju TSP instanci, a tokom obuke saznaje da preslikavaju ulazne gradove na optimalnu rutu.
Drugi pristup je korištenje grafičke neuronske mreže (GNN). Budući da se TSP može predstavljati kao grafikon, gdje su gradovi čvorovi, a udaljenosti između njih su ivice, GNN-ovi se mogu koristiti za učenje strukture grafikona i pronaći optimalni put. Gnns su posebno efikasni jer mogu uhvatiti odnose između različitih gradova u grafikonu.
Učenje ojačanja
Učenje ojačanja je vrsta mašinskog učenja gdje agent uči da bi postigao niz odluka kako bi se maksimizirala kumulativna nagrada. U kontekstu TSP-a, agent je prodavač, odluke su narudžba u kojem će posjetiti gradove, a nagrada je negativna od ukupne pređene udaljenosti (tako da je cilj maksimizirati nagradnju, što znači da se nagrada povećava.
Agent započinje slučajni politikom i komunicira sa okruženjem (instanca TSP). Na svakom koraku bira radnju (posjeti grad) i na osnovu nastalih stanja (novi set neviđenih gradova i trenutnog položaja), dobija nagradu. Agent tada ažurira svoju politiku koristeći algoritme poput q - učenja ili gradijenti politike za poboljšanje performansi s vremenom.
Primjena stroja za učenje na TSP nabavku opskrbe
Kao dobavljač TSP-a, možemo izvući nekoliko paralela između TSP-a i našeg poslovanja. Na primjer, prilikom isporuke TSP proizvoda na više kupaca, suočavamo se sa sličnim optimizacijskim problemom pronalaženja najefikasnijeg restauracije.
Korištenjem strojnih tehnika učenja za rješavanje TSP-a, možemo optimizirati naše rute isporuke, smanjiti troškove prijevoza i poboljšati zadovoljstvo kupaca. Možemo trenirati model mašinskog učenja o povijesnim podacima isporuke, uključujući lokacije kupaca, prometnih uvjeta i vremena isporuke. Model tada može predvidjeti optimalnu rutu za dostavu za određeni skup kupaca.
Pored toga, mašinsko učenje može se koristiti i za optimizaciju našeg upravljanja inventarom. Možemo koristiti prediktivnu analitiku za prognoziranje zahtjeva za TSP proizvode na različitim lokacijama i prilagoditi nivo naših inventara u skladu s tim. To nam može pomoći u smanjenju troškova zaliha i osigurati da imamo dovoljno zaliha za ispunjavanje zahtjeva kupaca.
Naši TSP proizvodi
U našoj kompaniji nudimo širok spektar visokokvalitetnih TSP proizvoda. Na primjer, imamoPuder puder sapp dugoročno skladište od velike vrijednosti, što je idealno za dugotrajno skladištenje i ima odličnu vodu - zadržavanje svojstva. Mi takođe pružamoNajbolje cijene TSP trizodijum fosfat bezvodni 97% hrana 7601 - 54 - 9, koji je proizvod - razreda - razina visoke čistoće. I našaPirofosfat natrijum kiselinom CAS br.7758 - 16 - 9 HRANA SPAPT NA2H2P2O7popularan je izbor za različite aplikacije za hranu.
Zaključak
Mašinsko učenje pruža snažne alate za rješavanje problema sa putnima prodavača, koji ima daleko - dostiže implikacije za naš TSP nabavku. Ponovno iskorištavanje ovih tehnika možemo optimizirati naše rute za dostavu, poboljšati upravljanje zalihama i na kraju poboljšati našu cjelokupnu poslovnu efikasnost.
Ako ste zainteresirani za naše TSP proizvode ili želite razgovarati o tome kako možemo optimizirati vaše TSP - Srodne operacije, slobodno nas kontaktirajte za nabavku i daljnje rasprave.
Reference
- Applegate, DL, Bixby, Re, Chvátal, V., & Cook, WJ (2006). Problem sa putnikom prodavača: Računarsku studiju. Princeton University Press.
- Goodfellow, I., Bengio, Y. i Courville, A. (2016). Duboko učenje. MIT Press.
- Sutton, RS i Barto, AG (2018). Učenje ojačanja: uvod. MIT Press.