خوشه بندی پویا و دسته بندی محصول مبتنی بر شبکه عصبی برای طراحی شبکه زنجیره تامین در شرایط عدم قطعیت

در شرایطی که زنجیره های تامین با پیچیدگی فزاینده، نوسانات تقاضا و فشارهای محیطی روبه رو هستند، اتکای صرف بر مدل های ایستا و غیرهوشمند در طراحی شبکه های توزیع ناکارآمد و در بسیاری موارد غیرواقع گرایانه است. در محیط های چند دوره ای ناپایدار و پرریسک، بهره گیری از چارچوب های داده محور و سازوکارهای هوشمند برای ارتقای قابلیت تطبیق و کاهش هزینه های عملیاتی ضروری به شمار می رود. در این پژوهش با هدف بهینه سازی عملکرد زنجیره تامین و افزایش انعطاف پذیری در تخصیص منابع، یک چارچوب ترکیبی برای طراحی شبکه چند دوره ای تصادفی دو سطحی ارائه شده است. در گام نخست، یک الگوریتم خوشه بندی بهبودیافته مبتنی بر K-means محدود شده توسعه یافته که با لحاظ قیود ظرفیت و توازن خوشه ها امکان بازپیکربندی پویا و سازگار با تغییرات تقاضا را در دوره های مختلف فراهم می سازد، سپس شبکه ای عصبی مصنوعی برای طبقه بندی نوع محصولات طراحی شده که با تحلیل ویژگی های فیزیکی و عملکردی، کالاها تصمیم بهینه برای تخصیص آن ها به انبار مرکزی یا مراکز کراس داک را استخراج می نماید. خروجی این دو ماژول به صورت مستقیم به مدل ریاضی تصادفی دو سطحی وارد شده و فرآیند مکان یابی، تخصیص و مسیریابی را در شرایط عدم قطعیت بهینه سازی می کند. افزون بر این، یک الگوریتم بهبود خوشه بندی نیز طراحی شده که با بازآرایی خوشه ها بر اساس نرخ کمبود، موجب افزایش تاب آوری شبکه می شود. این چارچوب در قالب یک مطالعه موردی واقعی پیاده سازی شده و نتایج عددی حاکی از کاهش معنادار هزینه ها و صرفه جویی هایی تا حدود ۳۲٪ در برخی دوره ها، همراه با ارتقاء پایداری عملکرد شبکه است.

Keywords:

طراحی شبکه زنجیره تامین , خوشه بندی پویا , شبکه عصبی , عدم قطعیت , یادگیری ماشین , K-means محدود شده