مروری بر تکنیک های نوین یادگیری ماشین در تصمیم گیری، پیش بینی و بهینه سازی فرآیندهای زنجیره تامین

در طی سال های اخیر، به دلیل پیچیدگی روزافزون زنجیره تامین و همچنین نوسانات بازار نیاز مبرمی به بهبود و بهینه سازی فرآیندهای تصمیم گیری ایجاد شده است. این مقاله با هدف بررسی تکنیک های نوین یادگیری ماشین در بهبود و بهینه سازی زنجیره تامین تدوین گردید. روش پژوهش، مروری نظام مند بر مقالات منتشر شده در پایگاه های علمی داخلی و بین المللی طی سال های ۱۳۹۹ تا ۱۴۰۳ بود. با جستجوی کلیدواژه های مرتبط در پایگاه هایی همچون SID، Civilica، ScienceDirect و سامانه گنج ایرانداک، پس از ارزیابی ۶۰ مقاله و پایان نامه، ۱۴ مقاله و ۷ پایان نامه برگزیده شد. نتایج نشان داد استفاده از مدل های یادگیری ماشین مانند Random Forest، SVM، XGBoost و مدل های LSTM با مکانیزم توجه، دقت پیش بینی تقاضا، مدیریت ریسک و ارزیابی تامین کنندگان را به طور معناداری ارتقاء داده است. همچنین ترکیب یادگیری ماشین با الگوریتم های بهینه سازی فراابتکاری، بهبود قابل توجهی در بهینه سازی هزینه، زمان و سطح خدمات ایجاد کرد. در نهایت، تحلیل ها بیانگر آن است که یادگیری ماشین می تواند به عنوان ابزاری قدرتمند در جهت افزایش شفافیت، چابکی و اعتماد در زنجیره تامین عمل کند، هرچند چالش هایی چون کیفیت داده ها و تفسیر نتایج نیازمند توجه جدی تر در پژوهش های آتی است.

کلیدواژه ها:

زنجیره تامین ، بهینه سازی لجستیک ، یادگیری ماشین ، پیش بینی تقاضا ، بهینه سازی