Preview

Известия Юго-Западного государственного университета

Расширенный поиск

ПРИМЕНЕНИЕ СРЕДСТВ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ДЛЯ РЕШЕНИЯ ЗАДАЧ ОПТИМИЗАЦИИ ДЕЯТЕЛЬНОСТИ СКЛАДА

https://doi.org/10.21869/2223-1560-2018-22-6-127-135

Полный текст:

Аннотация

Данная работа посвящена актуальной на сегодняшний день проблематике – оптимизации складского хозяйства. Непосредственно в работе рассматривался процесс приемки и отправки грузов на некотором складском помещении среднего масштаба. В рамках исследования, по результатам проведения предварительного анализа, были выбраны показатели, необходимые для применения средств интеллектуального анализа с целью прогнозирования количества сотрудников на складских подъездах. В соответствии с поставленной целью были сформированы модели по прогнозированию необходимого числа сотрудников на подъездах для обеспечения работы последних в режиме, соответствующем оптимальному значению показателя «загруженность подъезда». Для решения данной задачи рассмотрено применение различных методов машинного обучения, таких как дерево решений, регрессор на основе метода ближайших соседей, случайный лес, нейронная сеть прямого распространения. Каждая из задействованных моделей проходила обучение с различными значениями гиперпараметров модели, которые выбирались как в ручном режиме на основе эвристик, так и с использованием специа-лизированных программных средств перебора по сетке GridSearchCV из библиотеки scikitlearn, предназначенных для поиска оптимальных значений гиперпараметров. С использованием автоматизации поиска гиперпараметров при обучении моделей было достигнуто меньшее значение среднеквадра-тической ошибки по сравнению с ручным выбором гиперпараметров. По результатам проведенного анализа качества прогнозов моделей было установлено, что спрогнозированные значения числа сотрудников в большей степени соответствуют реальной ситуации нежели плановые значения, используемые компанией на данный момент. На основе анализа полученных результатов были состав-лены рекомендации для оценки роста экономической эффективности предприятия.

Об авторе

Р. Н. Яковлев
Санкт-Петербургский институт информатики и автоматизации Российской Академии наук
Россия

мл. научный сотрудник, 

199178, Санкт-Петербург, 14 линия В.О., 39



Список литературы

1. Ложечник Е.А. Оптимизация складского комплекса предприятия на основе рационализации и автоматизации основных процессов // Транспортное дело России. 2010. № 3.

2. Karásek J. An overview of warehouse optimization // International journal of advances in telecommunications, electrotechnics, signals and systems. 2013. Vol. 2.No. 3. P. 111–117.

3. Оптимизация складского хозяйства предприятий автомобильного транспорта использованием игровых методов / Е.В. Агеева, С.В. Пикалов, И.П. Емельянов, Е.В. Агеев // Известия Юго-Западного государственного университета. Серия: Техника и технологии. 2015. №. 1. С. 21–28.

4. Андрианов А.Ю., Киселева О.М. Использование логистических подходов в управлении складом временного хранения // Вестник университета. 2016. №. 1.

5. Kofjač D., Kljajić M., Rejec V. The anticipative concept in warehouse optimization using simulation in an uncertain environment // European Journal of Operational Research. 2009. Vol. 193. No. 3. P. 660–669.

6. Классификация складских помещений от агентства Swiss Realty Group. URL: http://www.galaxylogistics.ru/slovarlogistiki/k-ru/klassifikatsiya-skladskihpomescheniy-ot-agentstva-swiss-realtygroup.html (дата обращения 15.10.2018).

7. Построение деревьев решений и извлечение правил из обученных нейронных сетей / В.Н. Гридин, В.И. Солодовников, И.А. Евдокимов, С.В. Филиппков // Искусственный интеллект и принятие решений. 2013. №. 4. С. 26.

8. Воронцов К.В. Математические методы обучения по прецедентам (теория обучения машин). М., 2011. С. 119–121.

9. An empirical comparison of machine learning models for time series forecasting / N.K. Ahmed, A.F. Atiya, N.E. Gayar, H. ElShishiny // Econometric Reviews. 2010. Vol. 29. No. 5-6. P. 594–621.

10. Чистяков С.П. Случайные леса: обзор // Труды Карельского научного центра Российской академии наук. 2013. №. 1.

11. Liaw A., Wiener M. Classification and regression by randomForest // R news. 2002. Vol. 2. No. 3. P. 18–22.

12. Arulampalam G., Bouzerdoum A. A generalized feedforward neural network architecture for classification and regressi on // Neural networks. 2003. Vol. 16. №. 5-6. Р. 561–568.

13. Бобырь М.В. Метод нелинейного обучения нейро-нечеткой системы вывода // Искусственный интеллект и принятие решений. 2018. № 1. С. 67–75.

14. Бобырь М.В. Проектирование нейронных и нечетких моделей в области вычислительной техники и систем управления. М.: Аргамак-Медиа, 2018. 110 с.

15. Scikit-learn. Machine Learning in Python. URL: https://scikit-learn.org/stable/documentation.html (дата обращения 15.10.2018).


Для цитирования:


Яковлев Р.Н. ПРИМЕНЕНИЕ СРЕДСТВ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ДЛЯ РЕШЕНИЯ ЗАДАЧ ОПТИМИЗАЦИИ ДЕЯТЕЛЬНОСТИ СКЛАДА. Известия Юго-Западного государственного университета. 2018;22(6):127-135. https://doi.org/10.21869/2223-1560-2018-22-6-127-135

For citation:


Yakovlev R.N. APPLICATION OF INTELLECTUAL ANALYSIS TOOLS FOR SOLVING WAREHOUSE OPERATION OPTIMIZATION PROBLEMS. Proceedings of the Southwest State University. 2018;22(6):127-135. (In Russ.) https://doi.org/10.21869/2223-1560-2018-22-6-127-135

Просмотров: 68


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2223-1560 (Print)
ISSN 2686-6757 (Online)