بخشی از مقاله
خلاصه
در سیستم مدیریت زنجیره تامین تقاضای مشتری متاثر از عوامل گوناگونی همچون موقعیت جغرافیایی متقاضی، سلیقه مشتریان، طول فصل ها در سال برای تقاضای فصلی، عرضه های رقبا - عملکرد رقبا - و اساسی شدن کالاو قدرت خرید مشتری و قیمت مناسب کالا است. کارآیی سیستم مدیریت زنجیره تامین در حفظ موجودی ها - بخصوص با روش پیش بین مبتنی بر مدل - ، بسیار وابسته به مدلسازی مناسب از مدل زنجیره تامین و تقاضاست.
تقاضای مشتری می تواند به تعداد مشتریان دارای تنوع و نامعینی باشد. همچنین تقاضا را می توان از دید ناظرهای مختلف مثل تقاضای فصلی یا تقاضا از منظر پارامترهای اجتماعی بررسی کرد. در این مقاله یک مدل از سیستم های مدیریت زنجیره تامین با در نظرگرفتن چرخه های اطلاعاتی یعنی بازی آشامیدنی بکارگرفته میشود. همچنین از روش میانگین وزندار برای پیش بینی تقاضای مجموع از دید ناظرهای مختلف استفاده میشود. درنهایت شبیهسازی ها عملکرد مناسب این روش را نشان می دهند.
.1 مقدمه
یک زنجیره تامین، یک سیستم از موسسات اقتصادی است که برای برآورده کردن تقاضای مشتری به یکدیگر متصل میشوند. در باب مدل سازی دینامیکهای زنجیرههای تامین نیز ، چهار دسته اصلی شامل مدلهای معادله دیفرانسیلی زمان پیوسته، مدلهای معادله تفاضلی زمان گسسته، سیستمهای شبیهسازی رخداد گسسته، و روشهای تحقیق در عملیاتی - OR - هم وجود دارند.
در کل، سیستم زنجیره تامین نیز به عنوان یک سیستم مقیاس بزرگ شناخته میشود که می توان برای کنترل آن روشهای متمرکز و غیرمتمرکز کنترلی را بکاربردسیستم.های مدیریت زنجیره تامین غالباً توسط کنترلکنندههای کلاسیک PID به صورت متمرکز و غیرمتمرکز کنترل شدهاند که برخی از آنها در1] و 2 و 3 و [4 دیده می شوند. کاپسیوتیس برای اولین بار کنترل پیش بین - MPC - را برای کنترل یک مسئله مدیریت موجودی تک محصولی بکاربرد.[5] زافستاس نیز در حل مسئله کنترل بهینه ی تولید/موجودی، با استفاده از MPC، انحراف از مقادیر موجودی مطلوب را جریمه کرد.
لوپز نیزکنترل کننده پیش بین را برای کنترل یک شبکه توزیع و تولید چند محصولی با تاخیرهای زمانی و بدون درنظرگرفتن سفارشهای برگشتی بکاربرد.[7] وانگ مسئله کنترل زنجیره تامین را بوسیله روش کنترل پیشبین مبتنی بر تخمین حالتها به منظور افزایش عملکرد و مقاومت در برابر تغییرات تقاضا بیان کرد.[8] بر خلاف کارهای قبلی که روی مدل تفاضلی انجام شده است، در این مقاله تقاضای پیش بینی شده از روشها یا دیدگاه های مختلف با یکدیگر ترکیب شده و در ساختار کنترلی مبتنی بر افق بکارگرفته میشوند.
2. پیش بینی تقاضا از دیدگاه ها و روش های مختلف مکمل
استفاده از منابع مختلف مزایای گوناگونی دارد: در صورت خرابی یک یا چند منبع ، سایر منبع ها میتوانند این خلأ را پر کنند. وقتی یک هدف توسط چند منبع رؤیت شود، نتیجه نهایی کاملتر و دقیقتر خواهد بود. افزایش سرعت پردازش در ساختارهایی که امکان پردازش موازی در آنها میسر می باشد، وجود دارد. هزینه مناسب توزیع خواهد شد. امکان ردیابی دقیق و به موقع تغییرات در محیط های دینامیک وجود دارد. رهایی از لزوم ایجاد مدل ریاضی دقیق برای بازنمایی محیط - که امری محال و یا بسیار دشوار است - را به همراه دارد.
بر این اساس اسفاده از یک روش ترکیب اطلاعات برای ایجاد یک هم افزایی در پیش بینی صحیح تقاضا ضروری بنظر می رسد. همچنین ممکن است یکی از منابع اطلاعاتی ناقص باشد و یا دچار خطا شود که در این صورت، استفاده از چند منبع اطلاعاتی در تشخیص خطا و بدست آوردن یک شناخت اطلاعاتی مرکب صحیح از تقاضا کارایی دارد. در کل ترکیب اطلاعات، نتایج دقیق تر، هزینه پایین تر، قابلیت اطمینان بالاتر و ساده سازی ادراک را به همراه دارد.
در راستای ترکیب اطلاعات کارآمد، انتخاب منبع هم باید بررسی شود. پارامترهای متعددی در انتخاب منبع دخیل هستند که از آن جمله می توان به سازگاری منبع ها با یکدیگر و مکمل بودن داده ها/اطلاعات حاصل از منبعها - اگر چند منبع عینا یک پدیده را از یک منظر رویت میکنند، مکمل بودن به معنای قابلیت اطمینان بخشیدن به سیستم است و اگر منابع یک پدیده را از مناظر مختلف رویت می کنند، مکمل بودن به معنی رفع نواقص موجود در یک منبع توسط سایرین می باشد - اشاره کرد.
تقاضای مشتری، عامل محرک در زنجیرههای تامین است و باید یک سطح ایمن از موجودی ضمن برآورده کردن این تقاضا در تمام واحدهای زنجیره ذخیره شود. تقاضای مشتری می تواند متاثر از عوامل بسیاری باشد: پارامترهای اجتماعی و سلیقه مشتریان و طول فصل ها در سال برای تقاضای فصلی و عرضههای رقبا - عملکرد رقبا - و اساسی شدن کالا و قدرت خرید مشتری و قیمت مناسب کالا و موارد دیگر.
روشهای متعددی برای ترکیب اطلاعات می توان بکاربرد:
- روشهای سنتی: میانگین وزندار منظم– - OWA -
روش استدلال شهودی یا همان دمپسترشفر
- روش احتمالاتی یا همان بیزین- فیلتر فیلتر کالمن.
- روشهای هوشمند: شبکههای عصبی مصنوعی – منطق فازی.
- روشهای ترکیبی.
از آنجا که روش کنترلی استفاده شده در این پروژه نیز از یک میانگین وزندار استفاده می کند و همچنین تقاضا در واحد زمان بررسی میشود - ترکیب اطلاعات در واحد زمان - ، روش OWA به عنوان یک روش سنتی و محافظهکارانه، روش مطمئن و مناسبی برای ترکیب اطلاعات تقاضا بنظر می رسد.
چالش روش OWA، انتخاب وزنهاست. از روش یادگیری اوهاگن و یا یادگیری مبتنی بر مشاهدات یا روشهای نمایی می توان استفاده کرد. روش اوهاگن بر اساس برآوردن Orness و ماکزیمم آنتروپی - پراکندگی - کار می کند:
در اینجا از یادگیری مبتنی بر مشاهدات یا روشهای نمایی می توان استفاده کرد. یادگیری مبتنی بر مشاهدات بدین صورت بیان میشود که اگر این روش برای پیش بینی تقاضا در سیستم مدیریت زنجیره تامین در نظر گرفته شود، - - ak1,ak 2 ,...,akn اطلاعات تقاضا از n منبع اطلاعاتی در واحد زمان k است.
