كمورد TSP (الفوسفات التريزوديوم) ، شاهدت المشهد المتطور للصناعة والطلب المتزايد على الحلول الفعالة. مشكلة البائع المتجول (TSP) ، على الرغم من أنها لا علاقة لها بالوهلة الأولى ، تشترك في أسباب مشتركة مع أعمالنا من حيث التحسين والكفاءة. في هذه المدونة ، سأستكشف كيف يمكن استخدام التعلم الآلي لحل TSP وكيف يمكن تطبيق هذه المفاهيم على أعمال توريد TSP الخاصة بنا.
فهم مشكلة البائع المتجول
مشكلة البائع المتجول هي مشكلة التحسين التوافقي المعروفة. الهدف من ذلك هو العثور على أقصر طريق يمكن أن يتخذه البائع لزيارة مجموعة من المدن مرة واحدة بالضبط والعودة إلى نقطة البداية. من الناحية الرياضية ، بالنظر إلى مجموعة من المدن (n) والمسافات بين كل زوج من المدن ، فإن المشكلة هي العثور على تقليب المدن (n) التي تقلل من إجمالي المسافة المقطوعة.
ينمو تعقيد TSP بشكل كبير مع عدد المدن. بالنسبة إلى (ن) المدن ، هناك ((ن - 1)!/2) الطرق الممكنة. مع زيادة (ن) ، يصبح عدد الحلول الممكنة فلكيًا. على سبيل المثال ، بالنسبة إلى 10 مدن ، هناك 181440 مسارات محتملة ، وللحصول على 20 مدينة ، هناك حوالي (6 \ Times10^{16}) الطرق الممكنة. هذا يجعل من الصعب للغاية العثور على الحل الأمثل باستخدام طرق القوة الغاشمة.
النهج التقليدية لحل TSP
قبل ظهور التعلم الآلي ، تم استخدام العديد من الطرق التقليدية لحل TSP:
- البحث الغاشم - القوة: كما ذكرنا سابقًا ، تتضمن هذه الطريقة التحقق من كل مسار ممكن واختيار المسافة التي لديها أقصر مسافة. على الرغم من أنه يضمن الحل الأمثل ، إلا أنه غير ممكن حسابًا لأعداد كبيرة من المدن.
- خوارزميات الاستدلال: هذه خوارزميات تجد حلولًا جيدة بسرعة ولكن لا تضمن الحل الأمثل. ومن الأمثلة على ذلك أقرب خوارزمية جار ، حيث يزور البائع دائمًا أقرب مدينة غير مرغوب فيه ، وخوارزمية OPT 2 ، والتي تحسن بشكل تكراري طريقًا معينًا عن طريق تبديل أزواج من الحواف.
- البرمجة الديناميكية: هذا النهج يحطم المشكلة إلى مشكلات فرعية أصغر ويحلها بشكل متكرر. ومع ذلك ، فإنه لديه أيضًا تعقيد زمني مرتفع ويقتصر على أحجام المشكلات الصغيرة نسبيًا.
مقاربات التعلم الآلي لحل TSP
يوفر التعلم الآلي طرقًا جديدة وقوية لمعالجة TSP. فيما يلي بعض تقنيات التعلم الآلي الأكثر شيوعًا المستخدمة:
الشبكات العصبية
تم استخدام الشبكات العصبية ، وخاصة الشبكات العصبية المتكررة (RNNs) ومتغيراتها مثل شبكات الذاكرة طويلة المدى الطويلة (LSTMS) ، لحل TSP. الفكرة الأساسية هي تدريب شبكة عصبية للتنبؤ بالمسار الأمثل بالنظر إلى إدخال إحداثيات المدن.
نهج واحد هو استخدام تسلسل - إلى - نموذج التسلسل. تسلسل الإدخال هو قائمة المدن ، وتسلسل الإخراج هو الترتيب الأمثل لزيارة المدن. يتم تدريب الشبكة العصبية على عدد كبير من مثيلات TSP ، وخلال التدريب ، تتعلم تعيين مدخلات المدخلات إلى الطريق الأمثل.
طريقة أخرى هي استخدام شبكة عصبية للرسم البياني (GNN). نظرًا لأنه يمكن تمثيل TSP كرسوم بيانية ، حيث تكون المدن هي العقد والمسافات بينها هي حواف ، يمكن استخدام GNNs لتعلم بنية الرسم البياني والعثور على المسار الأمثل. GNNs فعالة بشكل خاص لأنها يمكن أن تلتقط العلاقات بين المدن المختلفة في الرسم البياني.
التعلم التعزيز
التعلم التعزيز هو نوع من التعلم الآلي حيث يتعلم الوكيل اتخاذ تسلسل من القرارات لزيادة المكافأة التراكمية. في سياق TSP ، يكون الوكيل هو البائع ، والقرارات هي الترتيب لزيارة المدن ، والمكافأة هي سلبية إجمالي المسافة المقطوعة (وبالتالي فإن الهدف هو زيادة المكافأة ، مما يعني تقليل المسافة).
يبدأ الوكيل بسياسة عشوائية ويتفاعل مع البيئة (مثيل TSP). في كل خطوة ، يختار إجراء (يزور مدينة) ، واستنادًا إلى الحالة الناتجة (المجموعة الجديدة من المدن غير المرغوب فيها والموقف الحالي) ، يتلقى مكافأة. يقوم الوكيل بعد ذلك بتحديث سياسته باستخدام خوارزميات مثل تدرجات التعلم أو السياسة لتحسين أدائها بمرور الوقت.
تطبيق التعلم الآلي على أعمال توريد TSP
كمورد TSP ، يمكننا رسم عدة أوجه تشابه بين TSP وعمليات أعمالنا. على سبيل المثال ، عند توصيل منتجات TSP لعدة عملاء ، نواجه مشكلة تحسين مماثلة لإيجاد مسار التسليم الأكثر كفاءة.
باستخدام تقنيات التعلم الآلي لحل TSP ، يمكننا تحسين طرق التسليم لدينا ، وتقليل تكاليف النقل ، وتحسين رضا العملاء. يمكننا تدريب نموذج التعلم الآلي على بيانات التسليم التاريخية ، بما في ذلك مواقع العملاء وظروف حركة المرور وأوقات التسليم. يمكن للنموذج بعد ذلك التنبؤ بمسار التسليم الأمثل لمجموعة معينة من العملاء.
بالإضافة إلى ذلك ، يمكن أيضًا استخدام التعلم الآلي لتحسين إدارة المخزون لدينا. يمكننا استخدام التحليلات التنبؤية للتنبؤ بالطلب على منتجات TSP في مواقع مختلفة وضبط مستويات المخزون لدينا وفقًا لذلك. يمكن أن يساعدنا ذلك في تقليل تكاليف المخزون والتأكد من أن لدينا ما يكفي من الأسهم لتلبية طلب العملاء.
منتجات TSP لدينا
في شركتنا ، نقدم مجموعة واسعة من منتجات TSP عالية الجودة. على سبيل المثال ، لدينامسحوق الزبدة Sapp تخزين طويل الأجل، وهو مثالي للتخزين على المدى الطويل ولديه خصائص ممتازة للمياه - الاحتفاظ. نحن نقدم أيضاأفضل سعر TSP تريزوديوم الفوسفات اللامائي 97 ٪ من الدرجة 7601 - 54 - 9، وهو منتج من الدرجة الغذائية مع مستوى نقاء مرتفع. وناحمض الصوديوم بيروفوسفات CAS No.7758 - 16 - 9 Food Grade Sapp Na2H2P2O7هو اختيار شائع لمختلف تطبيقات الطعام.
خاتمة
يوفر التعلم الآلي أدوات قوية لحل مشكلة البائع المتنقل ، والتي لديها آثار بعيدة عن أعمال توريد TSP الخاصة بنا. من خلال الاستفادة من هذه التقنيات ، يمكننا تحسين طرق التسليم الخاصة بنا ، وتحسين إدارة المخزون ، وتعزيز كفاءة عملنا الإجمالية في النهاية.
إذا كنت مهتمًا بمنتجات TSP الخاصة بنا أو ترغب في مناقشة كيف يمكننا تحسين العمليات ذات الصلة TSP الخاصة بك ، فلا تتردد في الاتصال بنا للمشتريات والمزيد من المناقشات.
مراجع
- Applegate ، DL ، Bixby ، Re ، Chvátal ، V. ، & Cook ، WJ (2006). مشكلة بائع السفر: دراسة حسابية. مطبعة جامعة برينستون.
- Goodfellow ، I. ، Bengio ، Y. ، & Courville ، A. (2016). التعلم العميق. معهد ماساتشوستس للتكنولوجيا.
- Sutton ، RS ، & Barto ، AG (2018). التعلم التعزيز: مقدمة. معهد ماساتشوستس للتكنولوجيا.