Geri Dön

Optimizing inventory routing: an integrated machine learning solution approach

Envanter rotalama optimizasyonunda entegre bir makine öğrenmesi çözüm yaklaşımı

  1. Tez No: 856770
  2. Yazar: TAHA HUZEYFE AKTAŞ
  3. Danışmanlar: PROF. DR. OKAN ÖRSAN ÖZENER
  4. Tez Türü: Yüksek Lisans
  5. Konular: Endüstri ve Endüstri Mühendisliği, Ulaşım, Industrial and Industrial Engineering, Transportation
  6. Anahtar Kelimeler: envanter rotalama problemi, tamsayı programlama tabanlı sezgisel, sinir ağı, makine öğrenimi tabanlı karar verme, inventory routing problem, integer programming-based heuristic, neural network, machine learning based decision-making
  7. Yıl: 2023
  8. Dil: İngilizce
  9. Üniversite: Özyeğin Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Veri Bilimi Ana Bilim Dalı
  12. Bilim Dalı: Veri Bilimi Bilim Dalı
  13. Sayfa Sayısı: 64

Özet

Envanter Rotalama Problemi (ERP), tedarikçinin bir planlama ufku boyunca müşteri- lerinin stoklarını yenilemekten sorumlu olduğu ve satıcının stokları yönettiği bir tes- limat ve envanter planlama işidir. IRP'de tedarikçi, sistemin genel performansını iyileştirmek için yönlendirme ve envanter kararlarını birlikte verir. Bu çalışmamızda tedarikçinin amacı, bir planlama ufku boyunca toplam nakliye maliyetini en aza in- dirirken müşteri lokasyonlarında stok tükenmesini önlemektir. Tedarikçinin; aynı taşıma kapasitesine sahip teslimat araçlarından oluşan bir filosuna ve müşterilere tes- lim edilecek ürünün bol miktarda bulunabilirliğine sahip olduğunu varsayıyoruz. Her müşterinin sabit bir talep/tüketim oranı ve stok tutmak için sınırlı depolama ka- pasitesi vardır. Bu sorunu çözmek için yeni bir entegre kümeleme ve yönlendirme algoritması öneriyoruz. Kümeleme aşamasında, müşteri setini kümelere ayırarak, her kümeye tek bir araç tarafından hizmet verilmesini sağlıyoruz. Bunu başarmak için, kümeleme çerçevesinde yeni bir derin öğrenme modeli kullanıldı. Yönlendirme aşamasında, her bir küme için teslimat programını geliştirildi. Yaklaşımımızı diğerle- rinden ayıran şey, karar verme sürecine hem matematiksel bir modeli hem de bir makine öğrenimi modelini entegre ederek üç temel kararı (ne zaman teslim edileceği, ne kadar teslim edileceği ve nasıl yönlendirileceği) dikkate almasıdır. Önerilen kümele- me ve yönlendirme algoritmalarının performansını mevcut literatüre göre değerlen- dirdik ve sonuçlarımız önemli gelişmeler gösterdi. Ayrıca, önerilen sinir ağı tabanlı kümeleme yaklaşımı, makine öğrenimi algoritmalarının karar verme yapılarını nasıl geliştirebileceğinin etkili bir temsili olmuştur.

Özet (Çeviri)

Inventory Routing Problem (IRP) arises from vendor-managed inventory business set- tings where the supplier is responsible for replenishing the inventories of its customers over a planning horizon. In the IRP, the supplier makes the routing and inventory decisions together to improve the overall performance of the system. In our setting, the supplier's goal is to minimize total transportation costs over a planning horizon while avoiding stock-outs at the customer locations. We assume that the supplier has a fleet of homogeneous capacitated delivery vehicles and abundant availability of the product to be delivered to the customers. Each customer has a constant de- mand/consumption rate and limited storage capacity to keep inventory. To address this problem, we propose a novel integrated clustering and routing algorithm. In the clustering phase, we partition the customer set into clusters, ensuring that each cluster is served by a single vehicle. To accomplish this, we employ a novel deep learning model within the clustering framework. In the routing phase, we develop the delivery schedule for each cluster. What sets our approach apart is its consider- ation of the three key decisions—when to deliver, how much to deliver, and how to route—by integrating both a mathematical model and a machine learning model in the decision-making process. We evaluate the performance of the proposed clustering and routing algorithms against existing literature, and our results demonstrate sig- nificant improvements. Furthermore, the proposed neural network-based clustering approach serves as an effective representation of how machine learning algorithms can enhance decision-making structures.

Benzer Tezler

  1. Grup teknolojisi imalat sistemleri tasarımı için bir metodoloji ve bu metodolojinin endüstride uygulanması

    Başlık çevirisi yok

    NEVİN AYDIN

    Doktora

    Türkçe

    Türkçe

    1998

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. M. BÜLENT DURMUŞOĞLU

  2. Üretim kaynakları planlaması

    Başlık çevirisi yok

    TOLGA EREN

    Yüksek Lisans

    Türkçe

    Türkçe

    1997

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MEHMET TANYAŞ

  3. ATM nakit ikmal optimizasyonunda asimetrik destek vektör regresyon tahmin modeli yaklaşımı

    Asymmetric support vector regression forecast model approach in ATM cash replenishment optimization

    ÖZGE TUĞRUL SÖNMEZ

    Doktora

    Türkçe

    Türkçe

    2016

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. CAFER ERHAN BOZDAĞ

  4. Hybrid genetic algorithm approach for production inventory routing problem with perishable products

    Bozulabilir ürünlerde üretim-envanter rotalama problemine hibrit genetik algoritma yaklaşımı

    EGE SOMER

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Endüstri ve Endüstri MühendisliğiKoç Üniversitesi

    Endüstri Mühendisliği ve Operasyon Yönetimi

    PROF. CEYDA OĞUZ