Jako dostawca TSP (fosforan trisodowy) byłem świadkiem ewoluującego krajobrazu branży i rosnącego zapotrzebowania na skuteczne rozwiązania. Problem z podróżującym sprzedawcą (TSP), choć na pierwszy rzut oka, pozornie niezwiązany z naszą działalnością pod względem optymalizacji i wydajności. Na tym blogu zbadam, w jaki sposób można użyć uczenia maszynowego do rozwiązania TSP i w jaki sposób te koncepcje można zastosować do naszej firmy TSP Supply.
Zrozumienie problemu podróżującego sprzedawcy
Problem z podróżującym sprzedawcą jest dobrze znany problem optymalizacji kombinatorycznej. Celem jest znalezienie możliwej trasy, jaką sprzedawca może wybrać, aby odwiedzić zestaw miast dokładnie raz i wrócić do punktu wyjścia. Matematycznie, biorąc pod uwagę zestaw (n) miast i odległości między każdą parą miast, problemem jest znalezienie permutacji (N) miast, które minimalizują całkowitą przebywaną odległość.
Złożoność TSP rośnie wykładniczo z liczbą miast. W przypadku miast (n) istnieją ((n - 1)!/2) możliwe trasy. Wraz ze wzrostem (n) liczba możliwych rozwiązań staje się astronomiczna. Na przykład w przypadku 10 miast istnieje 181440 możliwych tras, a dla 20 miast jest możliwe trasy (6 \ Times10^{16}). Utrudnia to niezwykle trudne znalezienie optymalnego rozwiązania przy użyciu metod Brute -Force.
Tradycyjne podejścia do rozwiązywania TSP
Przed nadejściem uczenia maszynowego zastosowano kilka tradycyjnych metod do rozwiązania TSP:
- Brute - Wyszukiwanie siły: Jak wspomniano wcześniej, ta metoda polega na sprawdzeniu każdej możliwej trasy i wybraniu tej o najkrótszej odległości. Chociaż gwarantuje optymalne rozwiązanie, jest ono komputerowo niewykonalne dla dużej liczby miast.
- Algorytmy heurystyczne: Są to algorytmy, które szybko znajdują dobre rozwiązania, ale nie gwarantują optymalnego rozwiązania. Przykłady obejmują najbliższy algorytm sąsiedzki, w którym sprzedawca zawsze odwiedza najbliższe niewidomowane miasto, oraz algorytm 2 -opt, który iteracyjnie poprawia daną trasę poprzez zamianę par krawędzi.
- Programowanie dynamiczne: Takie podejście rozkłada problem na mniejsze problemy i rozwiązuje je rekurencyjnie. Ma jednak również wysoką złożoność czasu i ogranicza się do stosunkowo małych rozmiarów problemów.
Podejścia do uczenia maszynowego do rozwiązywania TSP
Uczenie maszynowe oferuje nowe i potężne sposoby radzenia sobie z TSP. Oto niektóre z najczęstszych zastosowanych technik uczenia maszynowego:
Sieci neuronowe
Sieci neuronowe, zwłaszcza powtarzające się sieci neuronowe (RNN) i ich warianty, takie jak Long Krótkie sieci pamięci (LSTMS), zostały użyte do rozwiązania TSP. Podstawową ideą jest szkolenie sieci neuronowej w celu przewidywania optymalnej trasy, biorąc pod uwagę wkład współrzędnych miast.
Jednym podejściem jest użycie modelu sekwencji - do - sekwencji. Sekwencja wejściowa jest listą miast, a sekwencja wyjściowa jest optymalną kolejnością do odwiedzenia miast. Sieć neuronowa jest przeszkolona w wielu instancjach TSP, a podczas szkolenia uczy się mapować miasteczki wejściowe na optymalną trasę.
Innym podejściem jest użycie sieci neuronowej Graph (GNN). Ponieważ TSP może być reprezentowany jako wykres, w którym miasta są węzłami, a odległości między nimi są krawędziami, GNN można wykorzystać do nauki struktury wykresu i znalezienia optymalnej ścieżki. GNN są szczególnie skuteczne, ponieważ mogą uchwycić relacje między różnymi miastami na wykresie.
Uczenie się wzmocnienia
Uczenie się wzmocnienia jest rodzajem uczenia maszynowego, w którym agent uczy się podejmować sekwencję decyzji w celu maksymalizacji skumulowanej nagrody. W kontekście TSP agentem jest sprzedawca, decyzje są nakazem odwiedzenia miast, a nagrodą jest negatywna ogólna odległość (więc celem jest zmaksymalizacja nagrody, co oznacza minimalizację odległości).
Agent rozpoczyna się od losowej zasady i oddziałuje z środowiskiem (instancja TSP). Na każdym etapie wybiera akcję (odwiedza miasto) i na podstawie powstałego stanu (nowy zestaw niezapisanych miast i obecna pozycja) otrzymuje nagrodę. Następnie agent aktualizuje swoje zasady przy użyciu algorytmów, takich jak Q - uczenie się lub gradienty polityczne w celu poprawy jego wydajności w czasie.
Zastosowanie uczenia maszynowego do firmy TSP Supply Business
Jako dostawca TSP możemy narysować kilka podobieństw między TSP a naszymi operacjami biznesowymi. Na przykład, dostarczając produkty TSP wielu klientom, napotykamy podobny problem optymalizacji znalezienia najbardziej wydajnej trasy dostawy.
Korzystając z technik uczenia maszynowego do rozwiązania TSP, możemy zoptymalizować nasze trasy dostawy, obniżyć koszty transportu i poprawić zadowolenie klientów. Możemy szkolić model uczenia maszynowego na historyczne dane dotyczące dostawy, w tym lokalizacje klientów, warunki ruchu i czasy dostawy. Model może następnie przewidzieć optymalną drogę dostawy dla danego zestawu klientów.
Ponadto uczenie maszynowe można również wykorzystać do optymalizacji naszego zarządzania zapasami. Możemy użyć analizy predykcyjnej do prognozowania popytu na produkty TSP w różnych lokalizacjach i odpowiednio dostosować nasze poziomy zapasów. Może to pomóc nam obniżyć koszty zapasów i zapewnić, że mamy wystarczającą ilość zapasów, aby zaspokoić popyt klientów.
Nasze produkty TSP
W naszej firmie oferujemy szeroką gamę wysokiej jakości produktów TSP. Na przykład mamyMasło proszek sapp długotrwałe przechowywanie świetna wartość, który jest idealny do przechowywania długoterminowego i ma doskonałe właściwości retencyjne. Zapewniamy równieżNajlepsza cena TSP Trisodium Fosforan bezwodny 97% Klasa spożywcza 7601 - 54–9, który jest produktem o wysokości żywności o wysokim poziomie czystości. I naszPirofosforan kwasu sodu CAS nr 7758 - 16 - 9 Klasa spożywcza SAPP NA2H2P2O7jest popularnym wyborem dla różnych zastosowań żywnościowych.
Wniosek
Uczenie maszynowe zapewnia potężne narzędzia do rozwiązywania problemu sprzedawcy podróżującego, który ma daleko - osiągając implikacje dla naszej firmy TSP Supply. Wykorzystując te techniki, możemy zoptymalizować nasze trasy dostawy, poprawić zarządzanie zapasami i ostatecznie zwiększyć naszą ogólną wydajność biznesową.
Jeśli jesteś zainteresowany naszymi produktami TSP lub chcesz omówić, w jaki sposób możemy zoptymalizować operacje związane z TSP, skontaktuj się z nami w celu uzyskania zamówień i dalszych dyskusji.
Odniesienia
- Applegate, DL, Bixby, RE, Chvátal, V., i Cook, WJ (2006). Problem sprzedawcy podróżującego: badanie obliczeniowe. Princeton University Press.
- Goodfellow, I., Bengio, Y. i Courville, A. (2016). Głębokie uczenie się. MIT Press.
- Sutton, RS i Barto, AG (2018). Uczenie się wzmocnienia: wprowadzenie. MIT Press.