چکیده:
این مقاله یک رویکرد کنترل پیش بین مدل برای سیستمهای برنامه ریزی تولید ـ موجودی ارایه می کند. کنترل پیش بین مدل (MPC) قبلا در مسایل زنجیرهی تامین بهکار گرفته شده و نتایج رضایتبخشی داشته است. اما سیستمهای پیشنهادی تا حال اطلاعاتی راجع به تقاضای آتی ندارند. ادغام یک متدولوژی پیش بینی در چارچوب MPC می تواند عملکرد سیستمهای کنترلی را بهبود دهد. در این مقاله برای پیش بینی عدم قطعیت در رفتار تقاضای متلاطم، از روشهای کلاسیک و هوشمند پیش بینی استفاده می شود. با توجه به رفتار غیرخطی و نوسانی و حتی آشوبی تقاضای متلاطم، شبکه های عصبی در مقایسه با روشهای معمول کلاسیک همچون روش هموارسازی نمایی بهتر می توانند این رفتار را مدلسازی و پیش بینی نمایند. داده-های واقعی برای بررسی و مقایسهی کارایی طرح پیشنهادی با توجه به خطای معیار عملکردی بهکار گرفته می شود.
This paper presents a model predictive control (MPC) approach for production and inventory control systems. Model predictive control previously has been successfully applied to supply chain problems; however most systems that have been proposed so far possess no information on future demand. The incorporation of a forecasting methodology in an MPC framework can promote the efficiency of control actions by providing more insights in the future demands. In this paper, we investigate the applicability of advanced and traditional methods to forecasting lumpy demand at supply chains. Neural networks can be better model for forecast the nonlinear and chaotic behavior of lumpy demands in comparison with traditional and usual methods such as exponential smoothing. This paper efficiently employs neural networks as the main core in the proposed control design. To highlight efficiency of the proposed method, real datasets are used for investigation and comparison studies.
خلاصه ماشینی:
طرح يک چارچوب ترکيبي پيش بيني تقاضاي متلاطم و کنترل پيش بين مدل به منظور کمينه سازي اثر شلاقي رضا يوسفي زنوز ١، محمدباقر منهاج 2 اين مقاله يک رويکـرد کنتـرل پـيش بـين مـدل بـراي سيسـتم هـاي برنامـه ريـزي توليـد ـ موجودي ارايه مي کند.
با توجه بـه رفتـار غيرخطـي و نوسـاني و حتي آشوبي تقاضاي متلاطم ، شبکه هاي عصبي در مقايسه با روش هاي معمول کلاسـيک همچـون روش هموارسازي نمايي بهتر مي توانند اين رفتار را مدل سازي و پيش بيني نمايند.
ساده ترين تابع هدف MPC مجموع مـوزون دو هـدف کنترلـي اساسـي يعنـي مجموع مربعات خطا بين خروجي هاي پـيش بينـي شـده و نقـاط تنظـيم آن هـا در طـول افـق پيش بيني و مجموع مربعات تغييرات کنترلي در طول افق کنترلي است .
طرح پيشـنهادي مـي توانـد، بـه طـور قابل ملاحظه اي عملکرد سيستم را بهبود دهـد؛ بـه ايـن دليـل کـه ، قـادر اسـت نـا اطلاعـات دقيق تري را به فرمول بندي مسئله بهينه سازي کنترل کننده مدل پيش بين ارايه دهد تـا مسـئله ، به صورت بلادرنگ ١ حل مي شود.
در اين پژوهش ابتدا به بررسي مقايسه اي روش هاي پيشـرفته تـر پـيش بينـي تقاضـا ماننـد شبکه هاي عصبي ، شبکه هاي عصـبي بازگشـتي ، ترکيـب موجـک و شـبکه هـاي عصـبي بـا روش هاي کلاسيک همچون نايو و هموارسازي نمـايي بـر روي يـک سـري زمـاني واقعـي پرداخته شده و آنگاه چارچوب و طـرح کنترلـي جديـدي پيشـنهاد خواهـد شـد، در طـرح کنترلي جديد از بهترين روش پيش بيني تقاضا استفاده خواهد شد.