بهینه سازی مدیریت زنجیره تامین: یک رویکرد مبتنی بر یادگیری ماشین

در این پژوهش به بررسی بهینه سازی مدیریت زنجیره تامین با استفاده از الگوریتم های یادگیری ماشین پرداخته شده است. هدف اصلی این تحقیق کاهش هزینه ها و افزایش کارایی عملیاتی در زنجیره تامین از طریق پیاده سازی الگوریتم های پیشرفته ای نظیر شبکه های عصبی مصنوعی، ماشین های بردار پشتیبان، جنگل تصادفی و الگوریتم های ژنتیک است. داده های مورد استفاده شامل مجموعه ای از داده های شبیه سازی شده مرتبط با تقاضا، موجودی و هزینه های حمل و نقل در بازه زمانی ۱۲ ماهه بود. پس از پیش پردازش داده ها، شامل پاکسازی، نرمال سازی و تقسیم به مجموعه های آموزشی و آزمایشی، الگوریتم های یادگیری ماشین در محیط های برنامه نویسی Python و MATLAB پیاده سازی شدند. نتایج نشان داد که شبکه های عصبی مصنوعی با دقت پیش بینی ۹۲.۵% و کاهش هزینه ۱۵.۲%، بهترین عملکرد را در بهینه سازی زنجیره تامین ارائه داده است. جنگل تصادفی نیز با دقت و کاهش هزینه های نزدیک به شبکه های عصبی، عملکرد مطلوبی داشت. از طرف دیگر، ماشین های بردار پشتیبان به دلیل زمان پردازش کمتر، برای مسائل نیازمند سرعت بالا مناسب تر بودند. این مطالعه نشان می دهد که استفاده از یادگیری ماشین می تواند به طور قابل توجهی دقت پیش بینی، کاهش هزینه ها، و کارایی عملیاتی در زنجیره تامین را بهبود بخشد. در پایان، پیشنهاداتی برای استفاده از مدل های ترکیبی، داده های واقعی، و ادغام یادگیری ماشین با فناوری هایی مانند اینترنت اشیا و بلاک چین ارائه شده است تا پژوهش های آینده بتوانند به توسعه مدل های جامع تر و کاربردی تر برای صنایع مختلف کمک کنند.

کلیدواژه ها:

مدیریت زنجیره تامین ، یادگیری ماشین ، کاهش هزینه ها ، افزایش کارایی