TSP -ként (trisodium -foszfát) beszállítóként szemtanúja voltam az iparág fejlődő tájának és a hatékony megoldások iránti növekvő igénynek. Az utazó eladói probléma (TSP), bár első pillantásra látszólag független, az optimalizálás és a hatékonyság szempontjából közös alapot oszt meg üzleti vállalkozásunkkal. Ebben a blogban megvizsgálom, hogy a gépi tanulás hogyan lehet felhasználni a TSP megoldására, és hogyan lehet ezeket a fogalmakat alkalmazni a TSP -ellátási üzletünkben.
Az utazó eladó problémájának megértése
Az utazó eladói probléma egy jól ismert kombinatorikus optimalizálási probléma. A cél az, hogy megtalálja a lehető legrövidebb utat, amelyet az eladó megtehet, hogy pontosan egyszer meglátogassa a városkészletet, és visszatérjen a kiindulási ponthoz. Matematikailag, tekintettel az (N) városok sorozatára és az egyes városok közötti távolságra, a probléma az (n) városok permutációjának megtalálása, amely minimalizálja a megtett teljes távolságot.
A TSP bonyolultsága exponenciálisan növekszik a városok számával. (N) városok esetén vannak ((n - 1)!/2) lehetséges útvonalak. Mivel (n) növekszik, a lehetséges megoldások száma csillagászativá válik. Például 10 városban 181440 lehetséges útvonal van, és 20 városban körülbelül (6 \ Times10^{16}) lehetséges útvonalak vannak. Ez rendkívül megnehezíti az optimális megoldás megtalálását brutális erő módszerekkel.
Hagyományos megközelítések a teáskanál megoldásához
A gépi tanulás megjelenése előtt számos hagyományos módszert alkalmaztak a TSP megoldására:
- Brute - Force Search: Mint korábban említettük, ez a módszer magában foglalja az összes lehetséges útvonal ellenőrzését és a legrövidebb távolság kiválasztását. Miközben garantálja az optimális megoldást, számítási szempontból lehetetlen nagyszámú városban.
- Heurisztikus algoritmusok: Ezek olyan algoritmusok, amelyek gyorsan megtalálják a jó megoldásokat, de nem garantálják az optimális megoldást. Példa a legközelebbi szomszédos algoritmusra, ahol az eladó mindig meglátogatja a legközelebbi nem látott várost és a 2 - Opt algoritmust, amely iteratívan javítja az adott útvonalat az élek párjainak cseréjével.
- Dinamikus programozás: Ez a megközelítés a problémát kisebb alproblémákra bontja, és rekurzív módon oldja meg azokat. Ugyanakkor magas idő bonyolultsága is van, és a viszonylag kis probléma méretére korlátozódik.
Gépi tanulási megközelítések a teáskanál megoldásához
A gépi tanulás új és hatékony módszereket kínál a TeP kezelésére. Íme néhány a leggyakoribb gépi tanulási technikák közül:
Ideghálózatok
A neurális hálózatokat, különösen a visszatérő ideghálózatokat (RNN -k) és azok variánsokat, mint például a hosszú rövid távú memóriahálózatokat (LSTM), a TSP megoldására használták. Az alapvető ötlet egy ideghálózat kiképzése az optimális útvonal előrejelzésére, tekintettel a városok koordinátáinak bemenetére.
Az egyik megközelítés egy szekvencia - szekvencia modell használata. A bemeneti sorrend a városok listája, és a kimeneti sorrend az optimális sorrend a városok meglátogatásához. A neurális hálózatot nagyszámú TSP példányon képzik, és az edzés során megtanulja a bemeneti városokat az optimális útvonalra térképezni.
Egy másik megközelítés egy gráf neurális hálózat (GNN) használata. Mivel a TSP grafikonként ábrázolható, ahol a városok csomópontok, és a távolságok szélek, a GNN -k felhasználhatók a grafikon szerkezetének megtanulására és az optimális út megtalálására. A GNN -k különösen hatékonyak, mivel képesek megragadni a grafikon különböző városok közötti kapcsolatokat.
Megerősítő tanulás
A megerősítő tanulás egy olyan típusú gépi tanulás, ahol az ügynök megtanulja a halmozott jutalom maximalizálása érdekében döntéseket hozni. A TSP -vel összefüggésben az ügynök az eladó, a döntések az a sorrend, hogy meglátogassák a városokat, és a jutalom a megtett teljes távolság negatívja (tehát a cél a jutalom maximalizálása, ami a távolság minimalizálását jelenti).
Az ügynök véletlenszerű politikával kezdődik, és kölcsönhatásba lép a környezettel (a TSP példány). Mindegyik lépésnél egy akciót választ (meglátogat egy várost), és az ebből eredő állam (az új nem láthatatlan városok és a jelenlegi pozíció) alapján jutalmat kap. Az ügynök ezután frissíti politikáját olyan algoritmusok segítségével, mint például a Q - Tanulás vagy a politikai gradiensek, hogy javítsák teljesítményét az idő múlásával.
A gépi tanulás alkalmazása a teáskanál -ellátási üzletben
TSP -beszállítóként több párhuzamot tudunk húzni a TSP és az üzleti tevékenységeink között. Például, amikor a TSP termékeket több ügyfélnek szállítjuk, hasonló optimalizálási problémával kell szembenéznünk a leghatékonyabb kézbesítési útvonal megtalálásakor.
A gépi tanulási technikák használatával a TSP megoldására optimalizálhatjuk a szállítási útvonalakat, csökkenthetjük a szállítási költségeket és javíthatjuk az ügyfelek elégedettségét. Képzhetjük a gépi tanulási modellt a történelmi kézbesítési adatokról, ideértve az ügyfelek helyét, a forgalmi feltételeket és a szállítási időket. A modell ezután megjósolhatja az adott ügyfélkészlet optimális szállítási útvonalát.
Ezenkívül a gépi tanulás felhasználható a készletkezelés optimalizálására is. Használhatjuk a prediktív elemzéseket a TSP termékek iránti igény előrejelzésére különböző helyszíneken, és ennek megfelelően beállíthatjuk a készletszintünket. Ez segíthet csökkenteni a készletköltségeket, és biztosíthatja, hogy elegendő készletünk legyen az ügyfelek igényeinek kielégítéséhez.
TSP termékeink
Cégünkben a magas színvonalú TSP termékek széles skáláját kínáljuk. Például, vanVajpor SAPP hosszú távú tárolás nagy érték, amely ideális hosszú távú tároláshoz, és kiváló víz -visszatartási tulajdonságokkal rendelkezik. Mi is biztosítjukA legjobb árú teáskanál trisodium -foszfát vízmentes 97% -os élelmiszer -fokozat 7601 - 54 - 9, amely egy élelmiszer -minőségű termék, magas tisztaságú. És a miNátriumsav -pirofoszfát CAS No.7758 - 16 - 9 Élelmiszer -fokozat SAPP Na2H2P2O7népszerű választás a különféle élelmiszer -alkalmazásokhoz.
Következtetés
A gépi tanulás hatékony eszközöket kínál az utazó eladó problémájának megoldásához, amely messze van - a TSP -ellátási vállalkozásunkra vonatkozó következményekkel jár. Ezeknek a technikáknak a kihasználásával optimalizálhatjuk szállítási útjainkat, javíthatjuk a készletkezelést és végül javíthatjuk az általános üzleti hatékonyságot.
Ha érdekli a TSP termékeink, vagy meg szeretné vitatni, hogyan lehet optimalizálni a TSP -vel kapcsolatos műveleteket, kérjük, vegye fel velünk a kapcsolatot a beszerzés és a további megbeszélések céljából.
Referenciák
- Applegate, DL, Bixby, RE, Chvátal, V., és Cook, WJ (2006). Az utazó eladói probléma: Számítási tanulmány. Princeton University Press.
- Goodfellow, I., Bengio, Y., és Courville, A. (2016). Mély tanulás. MIT Press.
- Sutton, RS és Barto, AG (2018). Megerősítés tanulás: Bevezetés. MIT Press.