L ỜI NÓI ĐẦU
3.3. Minh họa qua ví dụ
Chúng ta đưa một ví dụ thiết kế mạng chuỗi cung ứng, chúng ta thiết kế một
mạng chuỗi cung ứng gồm 3 nhà cung cấp, 5 nhà máy được lựa chọn để xem xét
xây dựng, 5 trung tâm phân phối được lựa chọn để xem xét có thiết lập hay không.
Và nhu cầu của 4 khách hàng được thỏa mãn. Giả sử rằng có 3 loại nguyên vật liệu
để sản xuất một sản phẩm, chúng ta cũng biết rằng tỉ lệ của 3 loại nguyên vật liệu
này theo tỉ lệ là 2:1:1, và các nhà máy sản xuất các sản phẩm theo tỉ lệ này. Nhu cầu
của một khách hàng về các sản phẩm là một biến ngẫu nhiên, chúng ta có thể thấy
phân phối xác suất trong bảng I, trong đó N(,2) kí hiệu là phân phối Gausian. Chi
phí vận hành của chuỗi cung ứng bao gồm: chi phí đơn vị nguyên vật liệu được mua
từ các nhà cung cấp, chi phí vận chuyển đơn vị sản phẩm từ các nhà máy tới các
trung tâm phân phối, chi phí phân phối đơn vị sản phẩm từ các trung tâm phân
phối tới các khách hàng, chúng đều là các số mờ, và chúng ta có thể thấy hàm thành
viên của chúng từ bảng 3.2, bảng 3.3, và bảng 3.4, trong đó (a,b,c) là số mờ dưới
dạng tam giác. Các nhà làm chính sách của chuỗi cung ứng yêu cầu là số các trung
tâm phân phối và các nhà máy tối đa được phép thành lập đối với cả hai là 4. Các nhà máy Các trung tâm phân phối
Các nhà cung cấp Tổng khả năng Chi phí cố định Tổng khả năng Chí phí cố định
Phân phối nhu cầu
của khách hàng 500 400 1800 530 1000 N(460,20) 650 550 900 590 900 N(340,10) 390 490 2100 400 1600 N(450,20) 300 1100 370 1500 N(330,20) 500 900 580 1400
Bảng 3.1: Ràng buộc khả năng, thiết lập chi phí, nhu cầu ngẫu nhiên của khách
Các nhà máy Các nhà phân phối P1 P2 P3 P4 P5 (4,5,6) (4,6,8) (3,4,5) (6,7,8) (4,5,6) (3,5,7) (5,6,7) (3,4,5) (5,7,9) (3,5,7) S1 (4,5,6) (4,6,8) (6,7,8) (5,6,7) (4,5,6) (5,6,7) (4,5,6) (6,7,8) (4,6,8) (7,8,9) (5,6,7) (4,5,6) (5,7,9) (4,6,8) (7,8,9) S2 (7,8,9) (4,6,8) (3,4,5) (4,5,6) (6,7,8) (5,7,9) (5,6,7) (2,3,4) (8,9,10) (5,6,7) (5,7,9) (5,6,7) (2,3,4) (7,9,10) (4,6,8) S3 (3,4,5) (4,5,6) (2,3,4) (8,9,10) (5,6,7) Bảng 3.2. Chi phí đơn vị nguyên vật liệu được mua từ các nhà cung cấp tới nhà máy
Các trung tâm phân phối
Các nhà máy D1 D2 D3 D4 D5 P1 (4,5,6) (4,6,8) (3,4,5) (6,7,8) (4,5,6) P2 (5,6,7) (4,5,6) (6,7,8) (4,6,8) (7,8,9) P3 (5,7,9) (5,6,7) (2,3,4) (8,9,10) (5,6,7) P4 (5,6,7) (4,5,6) (6,7,8) (4,6,8) (7,8,9) P5 (5,7,9) (5,6,7) (2,3,4) (8,9,10) (5,6,7)
Bảng 3.3. Chi phí vận chuyển đơn vị sản phẩm từ nhà máy tới trung tâm phân phối
Các trung tâm phân phối
Các nhà máy C1 C2 C3 C4 C5 D1 (4,5,6) (4,6,8) (3,4,5) (6,7,8) (4,5,6) D2 (5,6,7) (4,5,6) (6,7,8) (4,6,8) (7,8,9) D3 (5,7,9) (5,6,7) (2,3,4) (8,9,10) (5,6,7) D4 (5,6,7) (4,5,6) (6,7,8) (4,6,8) (7,8,9) D5 (5,7,9) (5,6,7) (2,3,4) (8,9,10) (5,6,7)
Kết quả tính toán tối ưu mạng nơron mờ dùng tối ưu hóa theo bày đàn
Khởi tạo các biến của mạng nơron mờ r = 0.35, = 2, α = 0.2, = 0.01, 0
< j1(0), j2(0) < 15. Khi đó dùng PSO để tìm kiếm các giá trị tối ưu j1(0) và
j2(0), các tham số là: Số bày đàn là 40, số lần lập cho phép lớn nhất là 5000, sai số
của các giá trị thích nghi giới hạn là 0.005, nhân tố co lại là 0.75, trọng số quán tính
giảm từ 1.8 xuống 0.2, hai hệ số tăng tốc cả hai là 2, và vận tốc lớn nhất giới hạn là
8.
Chạy mạng nơron mờ tối ưu ta có kết quả như sau: Xác suất tối đa là 0.89, độ
lệch chuẩn là 3.81e-2, các nhà máy được mở là P2, P3 và P5, các trung tâm phân phối được mở là D2, D3, và D5.
3.4. Kết chương
Như vậy trong chương 3 này đã dùng mạng nơron mờ và thuật giải tối ưu
theo bày đàn đề giải bài toán tối ưu đa mục tiêu mà đã đề xuất ở chương 1. Thiết kế
mạng chuỗi cung ứng trong môi trường không chắc chắn, mà nhu cầu của khách
hàng là các biến ngẫu nhiên, chi phí vận hành là các số mờ, sau khi đưa về mô hình quy hoạch mờ, một mạng nơron được tối ưu bởi thuật giải tối ưu theo bày đàn được
dùng để giải quyết mô hình được thiết lập, thông qua ví dụ để so sánh với phương
pháp truyền thống trước đó là mạng nơron mờ, nó chứng minh được rằng phương pháp đưa ra là hiệu quả hơn phương pháp truyền thống như trong việc chỉ dùng
mạng nơron mờ. Vấn đề tìm hiểu trên đã giải quyết được bài toán quy hoạch mờ với
nhiều nhân tố và nó đem lại lợi ích rất nhiều cho vấn đề quản trị chuỗi cung ứng của
KẾT LUẬN
Như vậy trong luận văn này đã tìm hiểu cơ bản về chuỗi cung ứng, vấn đề
mô hình hóa chuỗi cung ứng trong toán học và tin học. Tìm hiểu bài toán tối ưu đa
mục tiêu. Nhưng giải bằng phương pháp truyền thống mất nhiều thời gian và công
đoạn xử lý và kỹ thuật phức tạp do các phương pháp đó chủ yếu tập trung vào việc
đưa về bài toán đơn mục tiêu để giải quyết. Hiện nay có nhiều phương pháp có thể
không cần phải giải quyết như vậy, nhưng kết quả tương đương, có một số phương
pháp thời gian xử lý chậm hơn, nhưng có một số phương pháp giải quyết tương
đương, thậm chí còn nhanh hơn, nhưng tựu chung lại các phương pháp đó không
mất nhiều bước để làm, và đặc biệt hơn là nó dễ hiểu và dễ làm hơn các phương
pháp truyền thống.
Chính vì lý do đó trong luận văn này em sử dụng Mạng nơron mờ dùng tối
ưu theo bày đàn đề giải quyết bài toán tối ưu đa mục tiêu, nhằm mục đích để giải
bài toán dễ hiểu hơn, nhưng do thời gian có hạn nên em chưa thể tạo ra mô hình mô
phỏng thực để so sánh về thời gian thực hiện với các phương pháp khác nhau để
giải quyết bài toán. Nhưng nó đã được ứng dụng trong một số lĩnh vực khác nhau
để giải quyết bài toán trên và chứng minh rằng nó tối ưu hơn các phương pháp
truyền thống và một số phương pháp mới đề ra như thuật giải di truyền đa mục tiêu,
hoặc mạng nơron mờ.
Định hướng nghiên cứu tiếp theo
- Tiếp tục thiết kế thêm các biến chi phí trong mô hình chuỗi cung ứng đa mục
tiêu ở nhiều giai đoạn để vấn đề chi phí trong chuỗi cung ứng ngày càng được xem
xét toàn diện hơn.
- Từ đó thiết kế mô hình mạng nơron mờ mới cho phù hợp với mô hình đưa ra
- Xem xét các luật mờ, và đưa các luật mờ hiệu quả hơn cho vấn đề tối ưu hóa
mạng nơron mờ dùng thuật giải PSO.
- Nâng cao việc đánh giá các trọng số theo vận tốc của việc cập nhật vận tốc
trong mô hình PSO cho bài toán tối ưu theo bày đàn đa mục tiêu, và tối ưu theo bày đàn mờ.
- Thiết kế thêm các biến trọng số cho việc cập nhật vị trí trong tối ưu theo bày đàn đa mục tiêu để nâng cao hiệu quả của thuật giải PSO.
TÀI LIỆU THAM KHẢO
Tiếng việt
[1] Bùi Công Cường, Nguyễn Doãn Phước (2006), “Hệ Mờ Mạng Nơron Và Ứng
Dụng”, Nhà xuất bản Khoa học kỹ thuật.
[2] Phan Quốc Khánh và Trần Huệ Nương (2004), “Quy hoạch tuyến tính”, Nhà
xuất bản giáo dục.
[3] Phạm Xuân Minh, Nguyễn Doãn Phước (2005), “Lý thuyết điều khiển mờ”, Nhà xuất bản Khoa học và Kỹ thuật.
[4] Nguyễn Ngọc Thắng (2009), “Tối ưu hóa”, NXB ĐHQGHN.
[5] Nguyễn Ngọc Thắng và Nguyễn Đình Hóa (2005), “Quy hoạch tuyến tính”,
NXB ĐHQGHN.
[6] Nguyễn Đình Thúc (2000), “Mạng nơron phương pháp và ứng dụng”, Nhà xuất
bản giáo dục.
Tiếng Anh
[7] Amiri, A. (2006). Designing a distribution network in a supply chain system:
formulation and efficient solution procedure. European Journal of Operational Research, 171(2), 567–576.
[8] Dimopoulos, C., & Zalzala, A. M. S. (2000). Recent developments in evolutionary computation for manufacturing optimization: problems, solutions and comparisons, IEEE Transactions on Evolutionary Computation, 4(2), 93–113. [9] Deb, K. (2001). Multi-objective optimization using evolutionary algorithms,
Chichester: Wiley.
[10] Fullér, R. (1995), Neural Fuzzy Systems, Abo Akademi University, ISBN 951- 650-624-0, ISSN 0358-5654.
[11] Horikawa, S. Furuhashi, T. and Uchikawa, Y (1992). On fuzzy modeling using fuzzy neural networks with back propagation algorithm, IEEE Trans, Neural network, pp. 801-806.
[12] R. Horst, P. M. Pardalos and N. V. Thoai (1995), Introduction to Global Optimization, Kluwer Academic Publishers.
[13] J.R. Jang, C. Sun and E. Mizutani (1997), Neuro-fuzzy and Soft Computing, A Computation Approach To Learning And Machine Intelligence, Prentice Hall, Upper Saddle River.
[14] J. Kennedy and R. Eberhart (1995). Particle swarm optimization. Proc. IEEE Int’l Conf. Neural Networks, pp. 1942-1948.
[15 Manoi Kumar, Prem Vrat, Ravi Shankar (June 2006). A fuzzy programming approach for vendor selection problem in a supply chain, International journal of Production Economics, vol. 101, no. 2, pp. 273-285.
[16] Lee, H., Chen, C. and Huang, T. (2001), Learning efficiency improment of backpropagation algorithm by error saturation prevention method, National Taiwan University of Science and Tecnology, Department of Electronic Engineering.
[17] Liu B (2000). Dependent – chance programming in fuzzy environments, Fuzzy Sets and Systems, vol. 109, no. 1, pp. 97-101.
[18] Lin, C.T and Lee, C.S.G (1996), Neural Fuzzy Systems, A Neuro-Fuzzy Synergism to Intelligent Systems, Prentice Hall International.
[19] F. J. Lin, C. H. Lin, and P. H. Shen (2001). Selfconstructing fuzzy neural network speed controller for permanent-magnet synchronous motor drive. IEEE Trans. on Fuzzy Systems, vol. 9, no. 5, pp. 751-759.
[20] H. Takagi, N. Suzuki, T. Koda, and Y. Kojima (1992). Neural networks designed on approximate reasoning architecture and their application. IEEE Trans. on Neural Networks, vol. 3, no. 5, pp. 752- 759.
[21] Hoang Tuy (1998), Convex Analysis and Global Optimization, Kluwer Academic Publishers.
[22] Schiffmann, W. Joost, M. and Werner, R. (1994), Optimization of the Backpropagation Algorithm for Training Multilayer Perceptrón, University of Koblenz, Institute of Physics, Rhenau 156075 Koblenz.
[23] Zhang Q, Li H. MOEA/D (2007): a multiobjective evolutionary algorithm based on decomposition. IEEE TransEvol Computing, (11), 712–731.