DOI: https://doi.org/10.32515/2664-262X.2022.6(37).2.3-16

Мультиагентні метаевристичні методи рішення задачі управління запасами

Є.Є. Федоров, О.В. Нечипоренко

Об авторах

Є.Є. Федоров, професор, доктор технічних наук, Черкаський державний технологічний університет, м. Черкаси, Україна, e-mail: fedorovee75@ukr.net, , ORCID ID: 0000-0003-3841-7373

О.В. Нечипоренко, доцент, кандидат технічних наук, Черкаський державний технологічний університет, м. Черкаси, Україна, e-mail: olne@ukr.net, ORCID ID: 0000-0002-3954-3796

Анотація

Пропонується задача керування запасами як складова частина задачі ефективного керування ланцюгами постачання. Для вирішення цієї задачі пропонуються мультиагентні метаевристичні методи на основі оптимізації рою частинок та алгоритму рою штучних риб, які використовують динамічні параметри та враховують кількість запасів товару в кінці кожного етапу. Для цих методів запропоновано паралельні алгоритми на основі технології CUDA. Ці методи досліджувалися на основі даних логістичної компанії «Ekol Ukraine» та призначені для інтелектуальних комп'ютерних систем управління ланцюгами постачання.

Ключові слова

задача управління запасами, управління ланцюгами постачання, мультиагентні метаевристичні методи, оптимізація рою частинок, алгоритм рою штучних риб

Повний текст:

PDF

Посилання

1. Cox, J. F. & Schleher, J. G. (2010). Theory of Constraints Handbook. New York: NY, McGraw-Hill [in English].

2. Smerichevska, S. (Eds.). (2020). Cluster Policy of Innovative Development of the National Economy: Integration and Infrastructure Aspects: monograph. Poznań: Wydawnictwo naukowe WSPIA [in English].

3. Subbotin, S., Oliinyk, A., Levashenko, V. & Zaitseva, E. (2016). Diagnostic Rule Mining Based on Artificial Immune System for a Case of Uneven Distribution of Classes in Sample. Communications, Vol.3, 3-11 [in English].

4. Nakib, A. & Talbi, El-G. (2017). Metaheuristics for Medicine and Biology. Berlin: Springer-Verlag [in English].

5. Engelbrecht, A. P. (2007). Computational Intelligence: an introduction. Chichester, West Sussex: Wiley & Sons. DOI: 10.1002/9780470512517 [in English].

6. Yang, X.-S. (2018). Nature-inspired Algorithms and Applied Optimization. Charm: Springer. DOI: 10.1007/978-3-642-29694-9 [in English].

7. Martí, R., Pardalos, P. M. & Resende, M. G. C. (2018). Handbook of Heuristics. – Charm: Springer. DOI: 10.1007/978-3-319-07124-4 [in English].

8. Blum, C. & Raidl, G. R. (2016). Hybrid Metaheuristics. Powerful Tools for Optimization. Charm: Springer. DOI: 10.1007/978-3-319-30883-8 [in English].

9. Yang, X.-S. (2018). Optimization Techniques and Applications with Examples. Hoboken, New Jersey: Wiley & Sons. DOI: 10.1002/9781119490616 [in English].

10. Chopard, B. & Tomassini, M. (2018). An Introduction to Metaheuristics for Optimization. New York: Springer. DOI: 10.1007/978-3-319-93073-2 [in English].

11. Radosavljević, J. (2018). Metaheuristic Optimization in Power Engineering. New York: The Institution of Engineering and Technology. DOI: 10.1049/PBPO131E [in English].

12. Du, K.-L. & Swamy, M. N. S. (2016). Search and Optimization by Metaheuristics. Techniques and Algorithms Inspired by Nature. Charm: Springer. DOI: 10.1007/978-3-319-41192-7 [in English].

13. Bozorg Haddad, O., Solgi, M. & Loaiciga, H. (2017). Meta-heuristic and Evolutionary Algorithms for Engineering Optimization. Hoboken, New Jersey: Wiley & Sons. DOI: 10.1002/9781119387053 [in English].

14. Alba, E., Nakib, A. & Siarry, P. (2013). Metaheuristics for Dynamic Optimization. Berlin: Springer-Verlag. DOI: 10.1007/978-3-642-30665-5 [in English].

15. Fedorov, E., Lukashenko, V., Utkina, T., Lukashenko, A. & Rudakov K. (2019). Method For Parametric Identification Of Gaussian Mixture Model Based On Clonal Selection Algorithm. CEUR Workshop Proceedings, Vol. 2353, 41-55 [in English].

16. Grygor, O. O., Fedorov, E. E., Utkina, T. Yu., Lukashenko, A. G., Rudakov, K. S. & Harder, D. A. et al. (2019). Optimization method based on the synthesis of clonal selection and annealing simulation algorithms. Radio Electronics, Computer Science, Control, 2, 90-99. DOI: 10.15588/1607-3274-2019-2-10 [in English].

17. Spears, W. M., Green, D. T. & Spears, D. F. (2010). Biases in particle swarm optimization. International Journal of Swarm Intelligence Research, Vol. 1, 2, 34–57. DOI: 10.4018/jsir.2010040103 [in English].

18. Neshat, M., Adeli, A., Sepidnam, G., Sargolzaei, M. & Toosi A. N. (2012). A Review of Artificial Fish Swarm Optimization Methods and Applications. International Journal on Smart Sensing and Intelligent Systems, Vol. 5, 1,107–148. DOI: 10.21307/ijssis-2017-474 [in English].

Пристатейна бібліографія ГОСТ

  1. Cox J. F., Schleher J. G. Theory of Constraints Handbook . New York: NY, McGraw-Hill, 2010. 1175 p.
  2. Cluster Policy of Innovative Development of the National Economy: Integration and Infrastructure Aspects : monograph / under the editorship of professor Svitlana Smerichevska. Poznań: Wydawnictwo naukowe WSPIA, 2020. 380 p.
  3. Diagnostic Rule Mining Based on Artificial Immune System for a Case of Uneven Distribution of Classes in Sample / S. Subbotin, A. Oliinyk, V. Levashenko, E. Zaitseva . Communications. 2016. Vol.3. P.3-11.
  4. Nakib A., Talbi El-G. Metaheuristics for Medicine and Biology . Berlin: Springer-Verlag, 2017. 211 p.
  5. Engelbrecht A. P. Computational Intelligence: an introduction . Chichester, West Sussex: Wiley & Sons, 2007. 630 p. DOI: 10.1002/9780470512517.
  6. Yang X.-S. Nature-inspired Algorithms and Applied Optimization . Charm: Springer, 2018. 330 p. DOI: 10.1007/978-3-642-29694-9
  7. Martí R. Pardalos P. M.,. Resende M. G. C. Handbook of Heuristics . Charm: Springer, 2018. 1289 p. DOI: 10.1007/978-3-319-07124-4
  8. Blum C., Raidl G. R. Hybrid Metaheuristics. Powerful Tools for Optimization . Charm: Springer, 2016. 157 p. DOI: 10.1007/978-3-319-30883-8
  9. Yang X.-S. Optimization Techniques and Applications with Examples . Hoboken, New Jersey: Wiley & Sons, 2018. 364 p. DOI: 10.1002/9781119490616
  10. Chopard B., Tomassini M. An Introduction to Metaheuristics for Optimization . New York: Springer, 2018. 230 p. DOI: 10.1007/978-3-319-93073-2
  11. Radosavljević J. Metaheuristic Optimization in Power Engineering . New York: The Institution of Engineering and Technology, 2018. 536 p. DOI: 10.1049/PBPO131E
  12. Du K.-L., Swamy M. N. S. Search and Optimization by Metaheuristics. Techniques and Algorithms Inspired by Nature . Charm: Springer, 2016. 434 p. DOI: 10.1007/978-3-319-41192-7
  13. Bozorg Haddad O., Solgi M., Loaiciga H. Meta-heuristic and Evolutionary Algorithms for Engineering Optimization . Hoboken, New Jersey: Wiley & Sons, 2017. 293 p. DOI: 10.1002/9781119387053
  14. Alba E., Nakib A., Siarry P.. Metaheuristics for Dynamic Optimization . Berlin: Springer-Verlag, 2013. 398 p. DOI: 10.1007/978-3-642-30665-5
  15. Method For Parametric Identification Of Gaussian Mixture Model Based On Clonal Selection Algorithm / E. Fedorov, V. Lukashenko, T. Utkina, A. Lukashenko, K. Rudakov . CEUR Workshop Proceedings. 2019. Vol. 2353. P. 41-55.
  16. Grygor O. O. Optimization method based on the synthesis of clonal selection and annealing simulation algorithms / O. O. Grygor, E. E. Fedorov, T. Yu. Utkina, A. G. Lukashenko, K. S. Rudakov, D. A. Harder et al . Radio Electronics, Computer Science, Control. 2019. № 2. P. 90-99. DOI: 10.15588/1607-3274-2019-2-10.
  17. Spears W. M., Green D. T., Spears D. F. Biases in particle swarm optimization . International Journal of Swarm Intelligence Research. 2010. Vol. 1, No. 2. P. 34–57. DOI: 10.4018/jsir.2010040103
  18. Review of Artificial Fish Swarm Optimization Methods and Applications / M. Neshat, A. Adeli, G. Sepidnam, M. Sargolzaei, A. N. Toosi. International Journal on Smart Sensing and Intelligent Systems. 2012. Vol. 5, No. 1. P. 107–148. DOI: 10.21307/ijssis-2017-474

Copyright (c) 2022 Є.Є. Федоров, О.В. Нечипоренко