Диссертация (1138083), страница 30
Текст из файла (страница 30)
Применимость методов учета нескольких критериев к задачампроектирования сети распределенияГруппа методовучета несколькихкритериевХарактеристика метода и его применимости к задачампроектирования сетей распределения1. Дискретные методы учета нескольких критериев1.1 Методмультиаттрибутнойфункции полезностиМетод предполагает формирование функции полезности лица,принимающего решение, относительно критериев оценки (здесь иниже под критериями понимаются целевые функции дляразличных подмножеств звеньев сети).1.2 МетоданалитическойиерархииМетод предполагает определение весов критериев (целевыхфункций) лицом, принимающим решение, посредством матрицпопарных сравнений с последующим расчетом интегральноговеса и проверки матриц на согласованность. Сильной сторонойтакже является работа с критериями различной размерности1.3 Метод отношенийдоминированияМетод предполагает сокращение изначального круга альтернативза счет исключения доминируемых по достаточному числукритериев с последующим выбором наиболее предпочтительногоиз числа оставшихся.2.
Непрерывные методы учета нескольких критериевВ рамках этого метода осуществляется определениеэкстремальных точек в пространстве решений, из числа который2.1 Методлицо, принимающее решение, выбирает оптимальную для негоэкстремальных точеккомбинацию. Изначальное определение весов не производится.пространства решений Сложно использовать, прежде всего, в силу необходимости длялица, принимающего решения, производить самостоятельноеединовременное сравнениеВторой метод предполагает итерационную процедуру, всоответствии с которой лицо, принимающее решение, активнововлекается в поиск допустимого решения; когда допустимое2.2 Интерактивныйрешение найдено, ЛПР указывает дальнейшее направление егометодоптимизации. Так продолжается до тех пор, пока не станет ясно,что дальнейшая оптимизация найденного на очередном шагерешения не представляется возможной.1802.3 ЦелевоепрограммированиеМетод предполагает установление целевых (идеальных) значенийи определение геометрической близости полученных решений кним.
Реализуется в трех вариантах.2.3.1 Обобщенныйкритерий (скалярныйили критерийидеальной точки)В рамках метода минимизируется сумма взвешенныхотклонений, полученных в ходе метода значений от целевых. Приэтом в качестве целевых могут быть выбраны значенияодносторонней оптимизации каждой целевой функции (без учетацелевых функций для других подмножеств сети).
Обобщенныйкритерий позволяет работать с критериями различнойразмерности.2.3.2ЛексикографическоепрограммированиеВ рамках метода осуществляется последовательная минимизацияотклонений в соответствии с приоритетами лица, принимающегорешения. По достоинствам и недостаткам метод близок кИнтерактивному2.3.3 ЦелевоепрограммированиеЧебышеваВ рамках метода минимизируется максимальное из отклоненийпо всем целевым функциям. При обобщении становитсявозможным работать с критериями различной размерности.Метод также (как и обобщенный критерий идеальной точки)применим для задач проектирования сетей распределения,применяется, когда важно гарантировать определенный уровеньэффективности сети по всем подмножествам звеньев181Приложение С.
Краткая характеристика основных методов эвристики1) Генетические алгоритмыДанный вид эвристических методов предусматривает следующие шаги на пути кпоиску оптимальной программы развертывания складской сети:1. этап формирования популяции: выбор p случайных местоположенийскладов или распределительных центров (в качестве первоначальныхместоположений здесь, как правило, берутся крупнейшие точки сбыта);2. этап селекции: отбор двух или более «родителей» среди первоначальновыбранных местоположений для «скрещивания» координат и поисканаилучшегорешения(выборноситвероятностныйхарактериосуществляется в соответствии с какой-либо характеристикой «хромосомродителей» - так называемой fitness value – в качестве которой может бытьвзятозначениемаксимумаобщихлогистическихзатратпритовароснабжении обслуживаемого подмножества точек сбыта);3.
этап скрещивания: вероятностное определение координат нового склада(распределительного центра) на основе координат и объемов грузовыхпотоков складов – «родителей»4. этап мутации: смещение местоположения нового склада с цельюоптимизации затрат на обслуживаемом подмножестве магазинов.Зачастуюприменяемыемодификациифункцийвероятностногоотбора,скрещивания и мутации позволяют повысить эффективность генетическихалгоритмов (например, применение методов локального поиска на этапемутационныхизмененийпроизводногорасположениясклада(распределительного центра).
Подробное описание применения генетическихалгоритмов к рассматриваемому типу задач описан, в частности, в статьеколлектива турецких авторов70 и работе сотрудников Университета Луисвилля,США71.70Fulya Altiparmak, Mitsuo Gen, Lin Lin, Turan Paksoy. A genetic algorithm approach for multi-objective optimization ofsupply chain networks // Computers & Industrial Engineering 51 (2006) 196–21571Hyun Jeung Ko, Gerald W. Evans. A genetic algorithm-based heuristic for the dynamic integrated forward/reverselogistics network for 3PLs // Computers & Operations Research 34 (2007) 346–3661822) Алгоритм имитации отжигаВрамкахданногоэвристическогоалгоритмавыполняетсяследующаяпоследовательность действий:1.
выбор набора точек (определение первоначального расположения pобъектов складской инфраструктуры) из множества местоположений точексбыта;2. модификация выбранной точки (начиная с первого расположения) спомощью оператора случайных изменений;3.
выбор модифицированного расположения вместо первоначального всоответствии с функцией распределения Гоббса (вероятность переходауменьшаетсяпомеретого,какзначениецелевойфункцииоптимизируется);4. окончание алгоритма, если новые модификации не дают дополнительногоприращения (или уменьшения для случая «минимальной суммы») целевойфункции.Как и генетические алгоритмы, алгоритм имитации отжига предполагает, по сути,случайный поиск оптимального значения переменной, и в этом смысле он менеезависим от конкретной постановки задачи проектирования сети распределения иболее утилитарен в использовании.
Вместе с тем, как и генетические алгоритмы,он является достаточно медленным в использовании в сравнении с тем жеметодом табу-поиска. Информация о применении алгоритма имитации отжига кзадачам по проектированию сети содержится, в частности, в статье АнтониРосса72.3) Алгоритм Табу-поискаЭтот алгоритм признается одним из наиболее эффективных для решения сложныхкомбинаторных задач, в частности поэтому в середине 1990-х годов прошлоговека ему был посвящен целый раздел в известном журнале «Annual of OperationsResearch». Применение табу-поиска основано на моделировании дополнительных72Vaidyanathan Jayaraman, Anthony Ross. A simulated annealing methodology to distribution network design andmanagement // European Journal of Operational Research 144 (2003) 629–645183ограничений и отсеивании наименее перспективных вариантов.
Детальноприменение алгоритма для решения комплексной задачи по проектированиюлогистической сети рассмотрено в «свежей» работе знакомого нам автора Мело73.Таким образом, существует множество эффективных методов решения задачпроектированиясетиклассификациивыборраспределения.междуНаточнымипоследнемишагеэвристическимипредлагаемойметодами(иопределение конкретного метода к использованию) диктуется вычислительнойсложностью задачи (например, наличием более 20 объектов для моделирования),требуемой точностью вычислений и располагаемым временем для анализа.73M.T. Melo, S.Nickel, F.Saldanha-da-Gama.
A tabu search heuristic for redesigning a multi-echelon supply chain networkover a planning horizon // Int. J. Production Economics 136, 2012, 218–230.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
