بهینه سازی مبتنی بر داده برای برنامه ریزی تولید با ویژگی های چندگانه تقاضا

این مطالعه به بررسی یک مسئله برنامه ریزی تولید مبتنی بر داده می پردازد که در آن تولیدکنندگان می توانند تقاضای واقعی را با استفاده از داده های تقاضای با فرکانس مختلط مشاهده کنند و اطلاعات دقیقی را در زمینه تولید ارائه دهند. در این تحقیق، یک مدل بهینه سازی دو مرحله ای برای حل مسئله برنامه ریزی تولید با استفاده از داده های تقاضای مختلط ارائه شده است. ابتدا یک رویکرد نمونه گیری داده های مختلط نامحدود معرفی می شود که جریمه لاسو گروهی غیر تعیین شده (GPU-MIDAS) را اعمال می کند. سپس این مدل با رویکرد GPU MIDAS یکپارچه می شود و یک برنامه ریزی تولید چند دوره ای با چرخه متحرک توسعه می یابد. عملکرد این مدل از طریق ارزیابی نتایج پیش بینی و تصمیمات برنامه ریزی، سطح خدمات و کل هزینه ها بررسی می شود. نتایج عددی نشان می دهند که ویژگی های کلیدی موثر بر تقاضای بازار را می توان به طور موثری با استفاده از رویکرد GPU MIDAS شناسایی کرد. دقت تشخیص ویژگی ها به بیش از ۹۲% می رسد. همچنین، رویکرد پیشنهادی در برازش درون نمونه و پیش بینی خارج از نمونه عملکرد خوبی دارد. با در نظر گرفتن کل هزینه و سطح خدمات، میانگین مقادیر هر دو به طور قابل توجهی کاهش می یابد و میانگین انحرافات سطح خدمات و هزینه ها به کمتر از ۲% کاهش می یابد. مدل توسعه یافته به تولیدکنندگان کمک می کند تا ویژگی های کلیدی تقاضای بازار را شناسایی کرده و دقت برآورد تقاضا را افزایش دهند. این مدل به تولیدکنندگان این امکان را می دهد که تصمیمات برنامه ریزی تولید آگاهانه تری اتخاذ کنند و در برابر تغییرات تقاضا و ساختارهای هزینه مختلف مقاوم باشند.

کلیدواژه ها:

داده های کلان ، بهینه سازی مبتنی بر داده ، برنامه ریزی تولید ، تقاضای با فرکانس مختلط