KR20080017004A - 공급망 관리용 생산 최적화기 - Google Patents

공급망 관리용 생산 최적화기 Download PDF

Info

Publication number
KR20080017004A
KR20080017004A KR1020077025826A KR20077025826A KR20080017004A KR 20080017004 A KR20080017004 A KR 20080017004A KR 1020077025826 A KR1020077025826 A KR 1020077025826A KR 20077025826 A KR20077025826 A KR 20077025826A KR 20080017004 A KR20080017004 A KR 20080017004A
Authority
KR
South Korea
Prior art keywords
solution
population
solutions
production
supply chain
Prior art date
Application number
KR1020077025826A
Other languages
English (en)
Other versions
KR101300297B1 (ko
Inventor
찰스 닐리 하퍼
Original Assignee
레르 리키드 쏘시에떼 아노님 뿌르 레드 에렉스뿔라따시옹 데 프로세데 조르즈 클로드
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 레르 리키드 쏘시에떼 아노님 뿌르 레드 에렉스뿔라따시옹 데 프로세데 조르즈 클로드 filed Critical 레르 리키드 쏘시에떼 아노님 뿌르 레드 에렉스뿔라따시옹 데 프로세데 조르즈 클로드
Publication of KR20080017004A publication Critical patent/KR20080017004A/ko
Application granted granted Critical
Publication of KR101300297B1 publication Critical patent/KR101300297B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06316—Sequencing of tasks or work
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)

Abstract

본 발명의 일 실시예는 공급망 관리(SCM) 문제점을 최적화하기 위한 방법을 제공한다. 유전자 알고리즘 최적화 기술은 SCM 문제점의 생산 측면에 대한 생산 해결책을 생성하는데 사용될 수 있고, 개미 집단 최적화 기술은 SCM 문제점의 분배 측면에 대한 해결책을 생성하는데 사용될 수 있다. 유전자 알고리즘 최적화 기술 및 개미 집단 최적화 기술은 함께 SCM 문제점에 대한 고품질 해결책을 신속하게 식별하도록 작동한다.
공급망 관리, 유전자 알고리즘 최적화 기술, 개미 집단 최적화 기술, 생산 해결책, 분배 해결책

Description

공급망 관리용 생산 최적화기{PRODUCTION OPTIMIZER FOR SUPPLY CHAIN MANAGEMENT}
본 발명은 공급망 최적화 방법 및 장치에 관한 것이다.
공급망 문제점을 최적화하는 것은 복잡한 작업이다. 일반적으로, 공급망 관리는 생산 현장으로부터 중간 위치를 통해 최종 사용 장소로의 제품의 흐름을 칭한다. 간단한 용어로, 공급망 관리(SCM) 문제점은 이하와 같이 설명될 수 있는데, 제품은 다양한 비용으로 다양한 소스로부터 생산(또는 획득)될 수 있고, 동시에 제품은 다양한 고객에게 배송되고 분배되어야 한다. 이는 전형적인 배송 최적화 문제점과는 상이하다는 것을 주목하라. 배송 최적화 시나리오에서는, 특정 제품은 원산지로부터 목적지로 배송되어야 하고, 본질적인 문제점은 어떠한 방식으로 제품의 세트를 가장 효율적으로 배송할 것인가에 관한 것이다. 그러나, SCM 문제점은, 당해 제품이 산업용 액체와 같은 상용 제품(commodity product)일 때 상당히 복잡할 수 있다. 이 경우, 임의의 소정의 목적지로 배송된 상용 제품은 임의의 이용 가능한 소스로부터 생산(또는 획득)될 수 있다. 이 때문에, SCM 문제점에 생산 측면을 부가하는 것은 최적화 프로세스를 상당히 복잡하게 한다.
현재, 최적화 시스템은 SCM 문제점의 분배 측면을 최적화하도록 이용 가능하 다. 이들 시스템은 일반적으로 지정된 위치로부터 배송물의 세트를 위한 배송 루트(route)의 세트를 식별한다. 그러나, 이러한 시스템은 다양한 생산 가능성을 고려하는데 대한 무능력에 의해 종종 제한된다. 동시에, 적어도 상용 재료의 생산자 및 분배자에 있어서는, 에너지 비용이 종종 위치로부터 위치로 광범위하게 변경되고, 다양한 공장은 다양한 비용 및 생산 프로파일을 갖고, 고객의 상용 제품의 사용 비율이 다양할 수 있다. 따라서, 생산 전략의 선택이 운영 비용에 상당한 영향을 줄 수 있다. 실제로, 산업용 액체의 생산 및 분배에 있어서, 생산 및 분배의 최대 비용 성분은 생산 공장에 의해 사용되는 동력의 비용일 수 있다. 이러한 경우에, 제품의 분배를 최적화하도록 구성된 시스템은 최적화와는 거리가 먼 결과를 생성할 수 있다. 이는 몇몇 배송물에 대한 운송 비용을 상당히 증가시킬 수 있는 경우에도, 매우 적은 생산 비용으로 생산 공장에서 재료를 생산하는 것이 종종 바람직하기 때문에 발생한다. 그러나, 현재의 최적화 시스템은 종종 이들 시나리오를 고려하지 못한다.
따라서, 상용 제품의 생산자 및 분배자에 있어서의 SCM 문제점의 생산 측면 및 분배 측면 양자 모두를 최적화하는 것이 가능한 최적화 기술에 대한 요구가 남아 있다.
본 발명의 다양한 실시예는 공급망 관리 문제점의 생산 측면 및 분배 측면 양자 모두에 관한 것이다. 예를 들면, 본 발명의 실시예는 산업용 액체와 같은 상용 제품의 생산 및 분배 양자 모두를 최적화하는데 사용될 수 있다.
본 발명의 일 실시예는 공급망을 최적화하는 방법을 포함한다. 이 방법은 시드 해결책(seed solution)의 모집단(population)을 최적화하기 위해 유전자 알고리즘(genetic algorithm) 최적화 기술을 사용함으로써 공급망에 대한 최적화된 생산 해결책을 생성하는 단계와,
개미 집단(ant colony) 최적화 기술을 사용하여 최적화된 생산 해결책에 대한 최적화 분배 해결책을 생성하는 단계를 포함한다. 유전자 알고리즘 최적화 기술 및 개미 집단 최적화 기술은 함께 SCM 문제점에 대한 고품질 해결책을 신속하게 식별하도록 동작할 수 있다.
특정 실시예에서, 공급망에 대한 최적화된 생산 해결책을 생성하는 단계는, 최적화될 공급망 문제점을 서술하는 입력 데이터를 판독하는 단계와, 해결책의 모집단을 생성하는 단계로서, 모집단 내의 각각의 해결책은 최적화될 공급망 문제점에 대한 실행 가능한 해결책을 지정하는 모집단 생성 단계와, 모집단 내의 각각의 해결책을 평가하고 이 평가에 따라 모집단 내의 해결책을 분류하는 단계와, 입력 데이터에 의해 지정된 종료 조건이 만족될 때까지 모집단을 사용하여 유전자 알고리즘 최적화 기술을 수행하는 단계를 포함한다.
일반적으로, 유전자 알고리즘 최적화 기술은 다수의 세대(generation)를 통해 초기 모집단을 "진화"시켜, 신규한 해결책을 생성하고 결과에 따라 모집단으로부터 열악한 것들을 제거하도록 구성될 수 있다. 신규한 해결책은 일반적으로 선택된 수정 기술을 사용하여 해결책을 변경함으로써 생성된다. 임의의 수의 해결책 수정 기술이 사용될 수 있다. 예를 들면, 하나의 해결책 수정 기술은 모집단 내의 해결책을 랜덤하게 수정하는 것을 포함하고, 다른 기술은 발견법(heuristic rule)에 기초하여 해결책을 수정하는 것을 포함하고, 제3 기술은 두 개 이상의 해결책을 이종 교배(cross-breeding)하는 것을 포함한다. 부가적으로, 최적화될 SCM 문제점은 실제 작업을 반영할 수 있기 때문에, 입력 데이터는 생산 및 분배 작업의 현재의 실제 작업을 서술하는 시스템 상태 데이터베이스로부터 도래할 수 있다. 또한, 입력 데이터는 데이터를 서술하기 위해 사용된 광범위하게 사용되는 확장성 마크업 언어(XML)와 같은 구조화 형태로 제공될 수 있다.
해결책의 초기 모집단은 다양한 방식으로 생성될 수 있다. 예를 들면, 시드 해결책의 모집단은 발견법에 따라 생성된 제1 그룹의 해결책과 랜덤 프로세스를 사용하여 생성된 제2 그룹의 해결책을 포함할 수 있다.
부가적으로, 다른 특정 실시예에서, 개미 집단 최적화 기술을 사용하여 최적화된 생산 해결책에 대한 최적화된 분배 해결책을 생성하는 단계는, 공급망의 각각의 생산 공장에 대한 공장 가중 벡터를 초기화하는 단계와, 공급망의 각각의 배송 위치에 대한 시설 벡터를 초기화하는 단계와, 분배 해결책을 생성하는 단계를 포함할 수 있고, 분배 해결책은 생산 공장으로부터 적어도 하나의 배송 위치로의 하나 이상의 배송 루트를 서술한다.
일반적으로, 공장 가중 벡터의 성분은 벡터에 의해 나타내는 공장으로부터 시설의 집합으로의 배송을 위한 우선 순위를 지시할 수 있다. 시설 벡터의 성분은 시설 벡터에 의해 나타내는 시설로부터 다른 시설로의 배송 루트를 위한 우선 순위를 지시할 수 있다.
본 발명의 특징 및 목적의 부가의 이해를 위해, 유사한 요소를 동일한 또는 유사한 도면 부호로 나타내고 있는 첨부 도면과 함께 취한 이하의 상세한 설명을 참조할 것이다.
도 1은 본 발명의 일 실시예에 따른 공급망 최적화 시스템을 도시한다.
도 2는 본 발명의 일 실시예에 따른 도 1의 공급망 최적화 시스템의 구성 요소를 추가로 도시한다.
도 3은 본 발명의 일 실시예에 따른 도 1의 공급망 최적화 시스템에 의해 사용된 입력 파일의 세트를 도시한다.
도 4는 본 발명의 일 실시예에 따른 도 1의 공급망 최적화 시스템의 구성 요소를 추가로 도시한다.
도 5 내지 도 6은 본 발명의 일 실시예에 따른 생산 최적화기의 동작을 도시한다.
도 7 내지 도 9는 본 발명의 일 실시예에 따른 분배 최적화기의 동작을 도시한다.
본 발명의 실시예는 상용 재료의 생산 및 분배를 최적화하는데 사용될 수 있는 전산화된 최적화 시스템을 제공한다. 본원에 사용될 때, 공급망 최적화(SCM) 문제점은 상용 재료의 생산 및 분배 양자 모두의 최적화를 칭하는데 사용된다. 예를 들면, 본 발명의 실시예는 액체 질소, 액체 산소, 액체 아르곤 등과 같은 산업용 액체의 생산 및 분배를 최적화하는데 사용될 수 있다.
일반적으로, 용어 "최적화"는 보통 생산 비용, 분배 비용 및/또는 다른 인자의 관점에서 다른 해결책보다 우수한 SCM 문제점의 해결책을 설명하기 위해 본 명세서에서 사용된다. SCM 문제점의 해결책은 생산 및/또는 분배 스케쥴의 서술을 칭한다. 이상적인 해결책은 임의의 운영 제한(예를 들면, 생산 한계 및 고객 요구)을 만족시키면서 또한 생산 및 분배의 전체 비용을 최소화할 수 있다. 그러나, 본 발명의 실시예는 실제로 최적의 또는 최선의 SCM 문제점의 해결책을 결정하도록 요구되는 것은 아니라는 것을 주목하라. 대신에, 용어 최적화는 일반적으로 적당한 시간에 곤란한 문제점의 식별되는 허용 가능한 해결책을 칭한다. 일 실시예에서, 최적화 시스템은 최적화 문제점의 고품질 해결책을 탐색하도록 구성된 소프트웨어 애플리케이션(software application)을 포함한다.
상용 제품의 생산 및 분배의 경우에, 최적화 시스템은 고객 요구를 만족시키면서 또한 운영 비용을 감소시키는 공장 생산 레벨 및 루트 스케쥴을 식별하도록 구성될 수 있다. 예를 들면, 식별될 수 있는 최적화는, 다양한 공장들 사이에서 생산을 전환하고, 각각의 요구된 배송에 대해 사용하기 위해 생산 및 배송 루트의 소스를 식별하고, 고객의 약속에 부합하기 위해 배송 루트를 따라서 각각의 정지점에서 배송하기 위한 상용 제품의 품질을 식별함으로써 동력 비용의 감소를 포함한다.
본 발명의 실시예는 액체 산소(LOX 또는 O2) 및 액체 질소(LIN 또는 N2) 양자 모두를 생산하고 분배하는데 사용되는 생산 및 분배 시스템에 관하여 본 명세서 에 설명된다. 그러나, 당업자는 본 발명의 실시예가 O2 또는 N2 이외의 재료를 포함하는 두 개 이상(또는 이하)의 재료의 생산 및 분배의 최적화를 포함하는, 다양한 상용 제품의 생산 및 분배의 최적화에 적용될 수 있다는 것을 이해할 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 공급망 최적화 시스템(100)을 도시한다. 일반적으로, 시스템(100)에 도시된 구성 요소는 예를 들면 데스크탑 컴퓨터, 서버 컴퓨터, 랩탑 컴퓨터, 타블렛 컴퓨터 등과 같은 현존하는 컴퓨터 시스템을 위해 구성된 컴퓨터 소프트웨어 애플리케이션으로서 구현될 수 있다. 그러나, 본 명세서에 설명된 애플리케이션은 임의의 특정 컴퓨팅 시스템에 한정되는 것은 아니고 이들이 이용 가능해질 때 신규한 컴퓨팅 시스템을 이용하도록 적용될 수 있다. 또한, 시스템(100)은 다중 CPU를 갖는 시스템 및 컴퓨팅 클러스터 또는 그리드와 같은 분산 및 병렬 시스템을 갖는 시스템과 같은 다중 처리 환경에서의 사용을 위해 적용될 수 있다.
부가적으로, 시스템(100)에 도시된 소프트웨어 애플리케이션은 근거리 통신망 또는 인터넷과 같은 광역 통신망을 포함하는 컴퓨터 네트워크를 통해 통신하는 분산 시스템 상에서 실행될 수 있다. 일 실시예에서, 시스템(100)의 구성 요소는 CD-ROM, DVD-ROM, 플래시 메모리 모듈 또는 다른 유형 저장 매체와 같은 컴퓨터 판독 가능 매체 상에 저장된 애플리케이션 프로그램(또는 프로그램들)으로서 제공될 수 있다.
일반적으로, 본 발명의 실시예를 구현하도록 실행되는 루틴은 운영 시스템 또는 특정 애플리케이션, 구성 요소, 프로그램, 모듈, 대상 또는 명령어의 시퀀스의 부분일 수 있다. 본 발명의 컴퓨터 프로그램은 일반적으로 기계 판독 가능 포맷 및 따라서 실행 가능한 명령어로 네이티브 컴퓨터에 의해 해석될 수 있는 다수의 명령어로 구성된다. 또한, 프로그램은 프로그램에 국부적으로 상주하거나 메모리 또는 저장 디바이스에서 발견되는 변수 및 데이터 구조로 구성된다. 게다가, 이하에 설명되는 다양한 프로그램은 본 발명의 특정 실시예에서 구현되는 애플리케이션에 기초하여 식별될 수 있다. 그러나, 이어지는 임의의 특정 프로그램 명칭은 단지 편의상 사용되고 따라서 본 발명은 이러한 명칭에 의해 식별되고 그리고/또는 암시되는 임의의 특정 애플리케이션에만 사용하는 것에 제한되는 것은 아니라는 것을 이해해야 한다.
도시된 바와 같이, 시스템(100)은 입력 모듈(115), 최적화 모듈(120) 및 출력 모듈(130)을 포함한다. 입력 모듈(115)은 최적화될 생산 및 분배 시스템을 서술하는(즉, SCM 문제점을 서술하는) 데이터를 수신하고 처리하도록 구성될 수 있다. 일 실시예에서, 입력 모듈(115)은 확장성 마크업 언어(XML) 문서를 판독하고 처리하도록 구성될 수 있다. XML은 데이터의 구조를 서술하는데 사용되는 마크업 언어를 생성하기 위해 광범위하게 사용되는 표준이다. XML은 사용자가 마크업 태그의 세트 및 문서 구조를 정의할 수 있게 한다. 부가적으로, 광범위한 XML 문서 뷰어, 편집기 및 유틸리티가 상업적으로 입수 가능하다.
일 실시예에서, 입력 모듈(115)은 최적화될 생산 및 분배 시나리오를 서술하 는 입력 파일의 세트를 생성할 수 있다. 예를 들면, 시스템 데이터베이스(105)는 생산 설비, 생산 레벨, 예측 수요, 현재 생산 비용, 고객 위치, 고객 요구, 분배 설비 및 분배 비용 등과 관련된 정보와 같은 생산 및 분배 운영의 현재 상태에 관한 정보를 저장할 수 있다. 이 정보로부터, 입력 모듈(115)은 평가 모듈(해결책을 평가하는데 사용됨)을 위한 사용자 제공 설정과 최적화 모듈(120)의 사용자 구성과 함께 시스템 데이터베이스(105)로부터 검색된 데이터를 사용하여 운영의 현재 상태를 서술하는 입력 파일의 세트를 생성하도록 구성될 수 있다. 부가적으로, 입력 모듈(115)은 또한 가능한 생산 및 분배 시나리오를 서술하는 "가상(what-if)" 시나리오(110)를 처리하는데 사용될 수 있다.
예를 들면, 사용자는 설비를 업그레이드함으로써 획득 가능한 이점을 연구하기 위해, 신규 고객의 추가 비용을 연구하기 위해, 또는 생산 설비를 추가하거나 제거하는데 대한 이점을 연구하기 위해 가상 시나리오(110)를 생성할 수 있다. 이러한 경우에, 사용자는 생산 및 분배 운영의 현재 상태의 양태를 수정하도록 시스템 데이터베이스로부터 생성된 입력 파일의 세트를 편집할 수 있다. 그러나, 최적화 시스템(100) 및 입력 모듈(115)은 시스템 데이터베이스(105)로부터의 정보를 사용하여 정의된 최적화 문제점과 사용자에 의해 생성된 가상 시나리오(110)에 의해 정의된 최적화 문제점 사이를 구별할 필요는 없다는 것을 주목하라.
도시된 바와 같이, 최적화 모듈(120)은 분배 최적화기(122) 및 생산 최적화기(124) 양자 모두를 포함한다. 분배 최적화기는 운영 비용을 최소화하면서 운영 제한을 만족시키는 생산 설비를 위한 저비용의 설정을 식별하도록 구성될 수 있다. 생산 최적화기는 효율적인 분배 전략을 식별하도록 구성될 수 있다. 단일 최적화 시스템(100)에 양 최적화 모듈을 구비함으로써, 생산 최적화는 분배 비용 및 제한의 견지에서 수행될 수 있고, 분배 최적화는 생산 비용 및 제한의 견지에서 수행될 수 있다. 일 실시예에서, 최적화 모듈은 도래하는 시간 기간에 대한 생산 및 분배 스케쥴을 제공하도록 구성될 수 있다. 일반적인 경우에, 최적화 모듈(120)은 주간 기간에 대한 생산 및 분배 스케쥴을 제공할 수 있다. 그러나, 실제 시간 기간은 입력 모듈(115)에 제공된 입력 파일의 세트의 부분으로서 지정될 수 있다.
더욱이, 분배 최적화기(122) 및 생산 최적화기(124)는 서로 결합하여 작동할 수 있고, 각각이 상이한 최적화 방법을 사용하도록 구성될 수 있다. 이는 최적화 모듈(122, 124)이 최적화되는 문제점에 대한 가장 적절한 기술을 사용하여 작동할 수 있게 한다. 상이한 최적화 방법을 사용하도록 구성된 분배 최적화기(122) 및 생산 최적화기(124) 양자 모두를 구비함으로써, 본 발명의 실시예는 대안 시스템보다 짧은 시간에 고품질 해결책을 식별할 수 있다.
최적화 기술의 예로서, 최적화 모듈(120)은 개미 집단 최적화기(ant colony optimizer), 유전자 알고리즘, 도메인 특정 발견법(domain-specific heuristics) 및 수학적/수치적 기술(예를 들면, 선형 프로그래밍) 등을 포함할 수 있다. 특정 실시예에서, 생산 최적화기(124)는 유전자 알고리즘을 사용하여 상용 재료의 생산을 최적화할 수 있고, 반면 분배 최적화기(122)는 개미 집단 기술을 사용하여 이들 재료의 분배를 최적화할 수 있다. 이하에 설명하는 도 5 내지 도 6은 생산 최적화기(124)에 의해 사용될 수 있는 유전자 알고리즘 최적화 기술의 예를 제공하고, 도 7 내지 도 8은 분배 최적화기(122)에 의해 사용될 수 있는 개미 집단 최적화 기술의 예를 제공한다.
출력 모듈(130)은 최적화 작업(optimization run)의 결과를 편성하고 제시하는 출력 데이터를 생성하도록 구성될 수 있다. 예를 들면, 최적화 모듈(120)이 최적화 작업을 완료할 때, 출력 모듈(130)은 발견된 최선의 해결책, 잠재적인 데이터 문제점 및 발견된 최선의 해결책과 관련된 비용의 내역을 서술하는 다양한 보고서를 생성하도록 구성될 수 있다. 작동 제어 센터(135)는 최적화 모듈(120)에 의해 생성된 해결책을 구현하도록 이들 보고서를 사용할 수 있다. 유사하게, 전략 분석기(140)는 가상 시나리오(110)와 관련된 출력 모듈(130)에 의해 생성된 보고서를 분석할 수 있다. 일 실시예에서, 출력 모듈은 XML 포맷으로 보고서를 생성하도록 구성될 수 있다.
도 2는 본 발명의 일 실시예에 따른 도 1의 공급망 최적화 시스템(100)의 구성 요소를 추가로 도시한다. 도시된 바와 같이, 도 2는 사용자 인터페이스 모듈(205), 데이터 입력 모듈(210), 데이터 검증 모듈(215) 및 데이터 처리 모듈(220)을 구비하는 입력 모듈(115)의 실시예를 도시한다. 사용자 인터페이스 모듈(205)은 사용자가 최적화 시스템(100)과 상호 작용할 수 있게 한다. 예를 들면, 사용자 인터페이스 모듈(205)은, 최적화될 생산 및 분배 시나리오와 이러한 시나리오와 연관된 파라미터를 서술하는 입력 파일의 그래픽 편집을 허용하고 사용자가 출력 모듈(130)에 의해 생성된 최적화 작업의 결과를 볼 수 있게 하는 그래픽 사용자 인터페이스를 제공할 수 있다. 부가적으로, 사용자 인터페이스 모듈(205)은 최 적화 작업의 초기화, 진행중인 또는 완료된 최적화 작업의 결과의 표시 및 진행중인 최적화 작업의 중단과 같은 다양한 기능을 사용자가 수행할 수 있게 한다.
일 실시예에서, 데이터 검증 모듈(215)은 입력 모듈(210)에 의해 생성된 입력 데이터를 검증하도록 구성될 수 있다. 예를 들면, 데이터 검증 모듈(215)은 가상 시나리오(110)를 서술하는 XML 문서가 양호하게 형성되었는지 여부를 검증할 수 있다. 입력 데이터 파일이 최적화 시스템(100)에 의해 사용된 XML 문법에 합치하지 않으면, 사용자 인터페이스 모듈(205)은 실제 문제점이 식별되었음의 지시를 사용자에게 제공하도록 구성될 수 있다.
최적화 작업을 시작하기 전에, 전처리 모듈(220)은 최적화 프로세스의 효율을 증가시키기 위해 임의의 예비 계산을 수행하도록 구성될 수 있다. 예를 들면, 일 실시예에서, 전처리 모듈(220)은 재료가 배송될 시설에 대한 수요 예측을 생성하도록 구성될 수 있다. 즉, 전처리 모듈(220)은 생산 설비에 의해 생성된 상용 재료의 고객 요구의 예측을 생성할 수 있다. 이러한 경우에, 전처리 모듈(220)은 시설에 의한 상용 재료의 평균 1일 소비율을 산출하고 최적화 작업 중에 이 비율을 사용하도록 구성될 수 있다. 특정 실시예에서, 재료가 배송될 시설에 대한 1일 소비율은, 스케쥴링 기간의 첫째날의 예측 탱크 레벨로부터 스케쥴링 기간의 마지막날의 예측 탱크 레벨을 감산하고 이 양을 스케쥴링 기간에서의 날짜의 수로 나눔으로써 각각의 시설에 대한 입력 요구 예측으로부터 계산될 수 있다.
도 3은 본 발명의 일 실시예에 따른 입력 파일(300)의 세트를 도시한다. 전술한 바와 같이, 입력 파일(300)은 생산 설비, 생산 레벨, 수요 예측, 현재 생산 비용, 고객 위치, 고객 요구, 분배 설비 및 분배 비용에 관한 정보를 서술할 수 있다. 또한, 언급된 바와 같이, 입력 파일은 XML 포맷으로 생성될 수 있다. 도시된 바와 같이, 입력 파일(300)은 최적화기를 위한 설정, 사용을 위한 최적화 기술, 출력 설정 등과 같은 최적화 문제점에 대한 일반적인 정보를 제공하는 구성 데이터(305)를 구비할 수 있다. 설비 데이터(310)는 상용 재료의 생산에 관한 데이터를 구비할 수 있다. 즉, 설비 데이터(310)는 SCM 문제점의 생산 측면을 서술할 수 있다. 예를 들면, 액체 산소 및 질소의 생산을 위해, 설비 데이터(310)는 저장 탱크 크기, 생산 공장 능력, 생산 공장 위치, 현재 재고 재료, 공장이 가동 중단하거나 생산중에 있는데 요구되는 날짜 및 분할의 한계(즉, 생산 공장에서 액체 질소에 대한 액체 산소의 상대 생산 백분율)를 포함할 수 있다. 더 일반적으로, 설비 데이터(310)는 특정한 경우의 상용 재료의 생산과 관련된 임의의 정보를 포함할 수 있다.
시설 데이터(315) 및 고객 데이터(320)는 생산 및 분배 최적화 문제점의 분배 측면에 관한 정보를 서술할 수 있다. 예를 들면, 시설 데이터는 탱크 크기, 현재 재고 레벨, 배송 시간에 대한 제한을 서술할 수 있고, 고객 데이터(320)는 또한 배송 요구, 계약 의무, 위치 데이터 등을 서술할 수 있다. 더 일반적으로는, 시설 데이터(315) 및 고객 데이터(320)는 특정한 경우에 상용 재료의 고객에 관한 임의의 정보를 포함할 수 있다.
창고 및 운송 데이터(325)는 운전자, 트럭, 트레일러, 철도 차량, 파이프라인 및 특정한 경우에 상용 재료의 운송 및 배송에 관련된 임의의 다른 관련 데이터 와 같은 이용 가능한 분배 자원을 서술할 수 있다.
도 4는 본 발명의 일 실시예에 따른 도 1의 공급망 최적화 시스템(100)의 구성 요소를 추가로 도시한다. 도 4는 최적화 조정 모듈(405) 및 시뮬레이션/평가 모듈(410)과 함께 분배 최적화기(122) 및 생산 최적화기(124)를 구비하는 최적화 모듈(115)의 실시예를 도시한다. 화살표는 최적화 작업 중에 최적화 모듈들 사이의 상호 작용을 도시하도록 포함된다.
일 실시예에서, 최적화 조정 모듈(OCM)(405)은 최적화기(122, 124) 및 평가 모듈(410)의 기능을 조정하고 통합한다. OCM(405)은 분배 최적화기(122) 및 생산 최적화기(124)를 호출하고, 이어서 최적화기(122, 124)에 의해 생성된 생산 및 최적화 해결책을 갖는 시뮬레이션 모듈(410)을 호출한다. OCM은 시뮬레이션 모듈(410)의 결과를 생산 및 분배 최적화 모듈로 반환하여, SCM 문제점을 최적화하기 위해 최적화기(122, 124)에 의해 사용되는 피드백 사이클을 생성한다. 따라서, 생산 최적화기(124) 및 분배 최적화기(122)는 함께 SCM 문제점의 생산 측면 및 분배 측면 양자 모두를 최적화하도록 협동한다.
분배 최적화기(122)는 다양한 소스로부터 생산되거나 획득될 수 있는 상용 제품을 분배하는 문제점에 대한 고품질의 실행 가능한 해결책을 탐색하도록 구성될 수 있다. 예를 들면, 분배 최적화기(122)는 고객에게 액체 가스를 분배하는 문제점에 대한 해결책을 탐색하도록 구성될 수 있다. 일 실시예에서, 분배 최적화기(122)는 개미 집단 최적화 알고리즘(식량을 찾아다니는 개미의 거동에 의해 영감을 얻은 최적화 기술)을 수행하도록 구성된다. 이하에 설명되는 도 7 내지 도 9는 분배 최 적화기(122)의 작동을 추가로 도시한다.
생산 최적화기(124)는 입력 모듈(115)에 의해 판독되어 처리되는 문제점의 생산 부분에 대한 고품질의 실행 가능한 해결책을 탐색하도록 구성될 수 있다. 일 실시예에서, 생산 최적화기(124)는 생산 및 분배 문제점의 생산 측면을 최적화하기 위해 유전자 알고리즘(생물학적 진화의 진행에 의해 영감을 얻은 최적화 기술)을 수행하도록 구성된다.
유전자 알고리즘은 특정 돌연변이 법칙(mutation rule)에 따라 시드 해결책의 집합("모집단"이라 칭함)을 수정함으로써 현재의 "모집단"으로부터 해결책의 새로운 "세대"를 생성하도록 작동할 수 있다. 일반적으로, 당업자에게 공지된 바와 같이, 유전자 알고리즘은 해결책의 "모집단"이 이들을 이종 교배하고, 돌연변이시키고, 최악의 것들보다 최선의 모집단의 요소에 대한 더 많은 자손 번식(child-producing) 기회를 제공함으로써 더욱 더 양호한 해결책을 생성할 수 있게 한다. 목적 함수가 신규한 해결책의 "적합성"을 판정하기 위해 각각의 세대에서 생성된 신규한 해결책을 평가하는데 사용된다.
이 프로세스는 모집단이 시간 경과에 따라 더 양호한 해결책을 포함하도록 "진화"해야 하는 것을 목적으로 갖는 무수히 많은 세대를 통해 계속될 수 있다. 유전자 알고리즘은 종종 "컴퓨터 상의 진화"로서 특정화되는 최적화 기술이다.
도 5는 본 발명의 일 실시예에 따른 SCM 문제점의 생산 측면을 최적화하기 위한 생산 최적화기(124)에 대한 방법(500)을 도시한다. 이 방법(500)은 생산 최적화기(124)가 입력 파일(300)에 의해 지정된 종료 조건을 식별하는 단계 505에서 시 작된다. 하나 이상이 지정되면, 최적화 작업은 이들 중 임의의 하나가 만족될 때 종료될 수 있다. 일 실시예에서, 종료 조건은, 신규한 해결책(또는 세대)의 최대수, 소비된 클럭 시간의 최대량, 또는 지정된 품질을 초과하는 해결책(즉, 고적합성 해결책)의 발견을 포함할 수 있다. 부가적으로, 사용자 인터페이스 모듈(205)은 사용자가 최적화 작업을 수동으로 정지시킬 수 있게 할 수 있다(예를 들면, 키보드로부터 중단 명령을 입력함으로써). 이는 입력 파일(220)에 포함된 조건은 아니고, 최적화 조정 모듈(405)이 최적화 작업 중에 주기적으로 이 조건을 점검할 수 있다.
단계 510에서, 생산 최적화기(124)는 최적화 작업을 초기화한다. 이는 예를 들면, 생산 최적화기(124)에 의해 사용된 캐시 및 데이터 구조를 생성하고, 생산 공장에 대한 초기 생산 레벨을 설정하고, 해결책이 실행 가능하게 제공되도록 하는데 필요할 수 있는 임의의 임계적 제한을 식별하는 것을 포함할 수 있다. 산업용 액체의 생산 및 분배를 최적화하는데 사용된 실시예에서, 예를 들면 설비 및 공장의 모든 생산 레벨이 입력 파일(300)에 의해 지정된 값을 사용하여 초기 상태로 설정될 수 있다. 게다가, 초기화 중에, 생산 최적화기(124)는 긴급 주문(고객의 저장 탱크가 안전 레벨 이하로 저하되는 것을 방지하도록 배송되어야 할 제품의 배송을 위한 주문)의 세트를 식별할 수 있다. 일 실시예에서, 긴급 주문은 각각의 생산 공장에 대한 요구 생산 레벨을 판정하는 것을 보조하는데 사용될 수 있다. 부가적으로, 이하에 설명되는 바와 같이, 긴급 주문은 배송 스케쥴을 생성하도록 분배 최적화기(122)에 의해 사용된다. 물론, 다른 재료의 생산 및 분배를 최적화하기 위해, 상이한 초기화 작용이 수행될 수 있다.
단계 515에서, 생산 최적화기(124)는 유전자 알고리즘에 대한 초기 해결책의 세트를 생성한다. 즉, 생산 최적화기(124)는 변형 및 교배를 통해 진화하도록 유전자 알고리즘에 대한 해결책의 초기 "모집단"을 생성한다.
산업용 액체의 생산 및 분배에 관한 SCM 문제점에 대해, 각각의 해결책은 표 1에 나타낸 바와 같은 구조를 가질 수 있다.
표 1 - 예시 생산 해결책
1부: 최적화 기간의 각각의 날짜에 대한 각각의 공장의 생산 레벨의 리스트.
2부: 최적화 기간의 각각의 날짜에 대한 각각의 공장의 분할의 리스트.
3부: 각각의 전달 날짜를 통지하는 공장들 사이의 대량 전달의 리스트.
각각의 공장의 생산 레벨의 리스트는 0이거나(공장 가동 중단을 나타냄) 또는 해당 공장에 대한 최소 및 최대 생산 레벨 사이에 있는 각각의 날짜에 대한 값을 갖는다. 각각의 공장의 분할의 리스트는 소정 날짜에 있어서의 공장에서의 총 LOX에 대한 총 LIN 생산의 비율을 나타낸다. 공장들 사이의 대량 전달의 리스트는 3부에서 지정된 날짜의 제품의 물리적 전달을 나타낸다.
일 실시예에서, 생산 최적화기(124)는 스마트 발견법(smart heuristics)에 기초하여 제1 그룹의 시드 해결책(표 1에 도시된 형태)을 생성할 수 있다. 일반적으로, 발견법은 예를 들면 소정 생산 레벨을 유지하면서 비용을 감소시키는 것과 같은 원하는 결과를 성취하도록 종종 양호하게 작용하는 주먹구구 방식(rule of thumb)이다. 발견법은 종종 선험(prior experience)에 기초한다. SCM 시스템에 사용된 발견법의 예는, "제1 공장이 운송 비용을 포함하여 제2 공장보다 적은 생산 비용을 갖고 제1 공장이 미사용 능력을 가지면, 제2 공장으로부터 제1 공장으로 주문을 전환하도록 시도하라"를 포함한다.
제1 그룹의 시드 해결책을 생성하기 위해, 생산 최적화기(124)는 인간이 사용할 수 있는 것들과 유사한 해결책 생성 발견법에 기초하여 다수의 "스마트 시드"를 생성한다. 예를 들면, 제1 그룹의 해결책은 모든 공장이 최대 생산 레벨로 설정된 해결책을 포함할 수 있고, 발견법은 총 생산이 요구된 최소 한도 이하로 하락될 때까지 공장에서의 생산을 하나씩 가동 중단(또는 정지)하는데 사용될 수 있다. 다른 "스마트 시드"는 모든 공장을 가동 중단한 상태에서 최소 생산 레벨이 도달될 때까지 공장을 하나씩 가동(예를 들면, 최저 생산 비용을 갖는 공장을 먼저 가동하고, 이어서 제2 최저 생산 비용을 갖는 공장을 가동함)하기 위한 발견법을 갖는 해결책을 포함할 수 있다. 다른 "스마트 시드"는 생산 레벨이 실행 가능한 범위의 중간에 설정된 상태의 해결책 공장을 포함하여, 이 스마트 시드로부터 "진화된" 후속의 해결책이 최대 또는 최소값을 향해 이들 중간 생산 레벨을 이동시킬 수 있다. 부가적으로, 제1 그룹은 만약 있다면 입력 파일(300)에 의해 지정된 해결책의 그룹을 포함할 수 있다. 이와 같이 함으로써, 사용자가 전술한 스마트 시드와는 상이한 샘플 해결책을 생산 최적화기(124)에 제공할 수 있게 한다. 예를 들면, 전일(previous day)에 사용된 생산 스케쥴이 후일(next day)을 최적화하기 위한 유용한 시작점일 수 있다.
제1 그룹의 시드 해결책에 부가하여, 생산 최적화기(510)는 또한 초기 해결책 모집단을 생성하도록 제2 그룹의 해결책[입력 파일(300)에 지정된 제한을 만족시키는]을 랜덤하게 생성할 수 있다. 이 해결책의 모집단은 최적화 프로세스의 초기 세대 중에 유전자 알고리즘이 광범위한 해결책을 조사하는 것을 허용하는 많은 다양성을 제공한다.
단계 520에서, 생산 최적화기(124)는 신규한 해결책을 생성한다. 언급한 바와 같이, 일 실시예에서, 해결책 탐색 모듈은 단계 520에서 생성된 초기 해결책의 모집단을 사용하여 유전자 알고리즘을 수행함으로써 신규한 해결책을 생성하도록 구성된다. 일반적으로, 유전자 알고리즘은 무수히 많은 세대에 걸쳐 초기 해결책의 모집단을 "진화"시켜 각각의 세대에서 신규한 모집단을 생성하도록 작동할 수 있는 것을 고려할 수 있다. 이하에 설명되는 도 6은 단계 520의 부분으로서 수행되는 작용의 실시예를 추가로 도시한다. 일단 단계 520이 완료되면, 생산 최적화기(124)는 일반적으로 다수의 해결책을 생성할 것이다. 단계 525에서, 전술한 방식에 따라 연산된 모집단에서 현재의 최선의 해결책이 식별되고 처리된다.
일 실시예에서, 최선의 해결책으로서 식별된 해결책은 부가의 최적화 루틴에 통과될 수 있다. 산업용 액체의 생산 및 분배를 최적화하는데 사용된 실시예에서, 예를 들면 생산 최적화기(124)는 가능할 때 단계 525에서 식별된 해결책을 향상시키도록 일련의 신속한 점검을 수정 수행할 수 있다. 발견된 최선의 해결책의 이러한 후처리는 제품의 범람을 갖는 공장에서의 생산을 감소시키거나 또는 역으로 탱크 레벨이 최소 레벨 이하에 있는 공장에서의 생산을 증가시키는 것을 포함할 수 있다. 부가의 예는 미사용 대량 전달량을 반환하는 것을 포함한다. 목적지 공장에 의해 사용되지 않은 대량 전달된 제품은 원래 공장으로 반환되므로, 최종 해결책은 단지 요구된 대량 전달량만을 갖는다(따라서, 전달의 비용을 절약하고, 전체 해결책의 비용을 감소시킴).
다수의 세대에 걸쳐 해결책의 초기 모집단이 "진화"되어 있는 단계 530에서, 생산 최적화기(124)는 그의 모집단의 최선의 해결책을 조정 모듈(405)로 반환한다.
도 6은 본 발명의 일 실시예에 따른 SCM 문제점의 생산 측면을 최적화하기 위한 방법(600)을 도시한다. 일 실시예에서, 이 방법(600)은 SCM 문제점에 대한 고품질 해결책을 발견하기 위해 반복적으로(표준 최적화 작업에서 무수히 많은 회수) 수행될 수 있다. 방법(600)을 통한 각각의 패스(pass) 중에, 생산 최적화기(124)는 모집단 내의 현재의 해결책의 세트로부터 적어도 하나의 신규한 해결책을 생성한다. 초기 모집단은 전술한 방법(500)의 부분에서 생성될 수 있다.
단계 605에서, 해결책 수정 기술이 선택된다. 전형적인 유전자 알고리즘에서, 해결책 수정 기술은 본질적으로 랜덤한데, 예를 들면 소정의 소량만큼 공장의 생산 레벨을 랜덤하게 수정할 수 있다. 랜덤 변화에 의한 더 양호한 해결책의 탐색은 종종 지시된 발견법에 의한 탐색만큼 신속하거나 효율적이지 않다. 동시에, 랜덤 돌연변이는 지시된 발견법이 간과할 수 있는 신규한 고품질 해결책을 식별할 수 있다. 따라서, 일 실시예에서, 생산 최적화기(124)는 이하의 사항을 포함하는 해결책을 수정하도록 다수의 비발견법(즉, 랜덤) 및 발견법(즉, 비랜덤)으로부터 선택되도록 구성될 수 있다.
· 랜덤 변화: 이 수정 기술은 해결책의 일 파라미터에 대한 랜덤 돌연변이를 생성한다.
· 전이 생산: 이 수정 기술은 더 고비용의 공장으로부터 더 저비용의 공장으로 생산을 이동시킨다. 수정은 더 저비용의 공장에서 생산을 증가시키고 더 고비용의 공장에서 생산을 감소시키는 것을 포함한다. 전이 생산 수정기는 현재 생산 가격 및 수반되는 양쪽 공장에서의 전이의 효과를 고려한다. 이 정보가 생산을 전이하기 위한 후보자를 생성할 때 고려되지 않으면, 수정기는 더 저비용의 생산 설비로부터 더 고비용의 생산 설비로 생산을 전이(전체 생산 비용을 증가시키는 가능성이 높은 전이)할 수 있다.
· 생산 감소: 이 수정 기술은 제품을 과잉 생산할 가능성이 있는 공장을 찾고, 확률적 결정 프로세스를 통해 하나의 이러한 공장을 선택하고, 확률적 양만큼 공장의 생산을 감소시킨다(예를 들면, 더 고가의 생산 비용을 갖는 공장은 더 저가의 생산 비용을 갖는 공장들보다 생산이 감소될 가능성이 더 높음).
· 분할의 변경: 이 수정 기술은 분할이 몇몇 공장에 대해 향상될 수 있는 해결책을 찾는다. 이는 해당 공장에 대한 분할을 변경한다. 이 수정 기술은 공장이 상이한 재료 사이에서 생산 능력을 분할할 수 있는 산업용 액체의 생산 및 분배를 최적화하는데 사용되는 실시예에 유용하다.
· 생산 레벨 변경: 이 수정 기술은 생산 레벨이 해결책의 평가를 향상시키기 위해 변경될 수 있는 해결책을 찾는다.
· 생산 공장의 가동 중단: 이 수정 기술은 유리하게 가동 중단될 수 있는 공장을 포함하는 해결책을 찾고, 가동 중단될 공장을 확률적으로 선택한다. 이는 인간 생산 숙련자가 어느 공장이 가동 중단될 후보자인지를 결정하는데 사용할 수 있는 발견법의 일부를 사용한다(예를 들면, 더 고가의 생산 비용을 갖는 공장이 더 저가의 생산 비용을 갖는 공장보다 더 가동 중단될 가능성이 많음).
· 공장 가동: 이 수정 기술은 유리하게 가동될 수 있는 비가동 공장을 포함하는 해결책을 찾는다. 이는 공장을 확률적으로 선택하고 신규한 해결책을 생성하기 위해 이를 가동한다. 이는 인간 생산 숙련자가 어느 공장이 가동될 후보자인지를 결정하는데 사용할 수 있는 추론의 일부를 사용한다(예를 들면, 더 고가의 생산 비용을 갖는 공장이 더 저가의 생산 비용을 갖는 공장보다 가동될 가능성이 적음).
· 대량 전달의 추가: 이 수정 기술은 해결책에 의해 생성된 스케쥴을 검사하고 대량 전달의 추가가 이 해결책의 평가를 향상시킬 수 있는지를 판정한다. 발견법은 전체 생산 비용을 증가시키는 대량 전달을 도입하지 않을 것이다.
· 대량 전달의 삭제: 이 수정 기술은 해결책에 의해 생성된 스케쥴을 검사하고 대량 전달의 삭제가 이 해결책의 평가를 향상시킬 수 있는지를 판정한다. 발견법은 이 삭제가 전체 생산 비용을 증가시키면 대량 전달을 삭제하지 않을 것이다.
모집단에서의 현재의 해결책을 수정하도록 이용 가능한 다수의 지능적 발견법을 갖는 효과는 이들 기술 중 임의의 것이 방법(600)을 통한 임의의 패스에서 선택되는 기회를 갖고, 따라서 단일 기술에 대한 의존성이 없다는 것이다. 대신에, 임의의 것이 해결책을 향상시키려는 시도시에 적용된 임의의 수정 기술을 가질 수 있는 해결책의 모집단이 존재한다. 적용될 수 있는 수정 기술의 세트에 숙련된 인간 발견법의 포함과 결합된 무수히 많은 이들 적용을 고려하도록 생산 최적화기(124)를 구성함으로써, 가능한 해결책의 공간의 강력한 탐색이 일반적으로 최적화 작업 중에 발생한다. 따라서, 최적화 작업은 생산 최적화 문제점에 대한 고성능 해결책에 수렴할 가능성이 있다.
일 실시예에서, 이들(또는 다른) 기술 중 임의의 것이 이 최적화 사이클을 통한 패스 중에 선택될 수 있다. 부가적으로, 수정 기술은 디폴트 확률을 확률적으로 사용하거나 또는 입력 파일(220)에 지정된 확률을 사용하여 선택될 수 있다. 따라서, 임의의 수정 기술이 선택될 기회를 갖더라도, 몇몇은 다른 것들보다 더 높은 확률을 가질 수 있다. 확률의 설정은 최적화기가 소정의 파이프라인에 대해 생성한 해결책 유형의 분석 및 실험의 과제이다.
단계 610에서, 해결책의 현재 모집단으로부터의 하나 이상의 해결책은 단계 605에서 선택된 수정 기술에 따라 수정을 위해 선택된다. 일단, 수정 기술이 선택되면, 하나 또는 두 개의 해결책이 입력으로서 요구되는지 여부가 판정된다. 전술한 수정 기술의 대부분은 단지 하나의 해결책만을 요구하지만, 예를 들면 이종 교배 수정은 두 개의 해결책을 요구한다.
일 실시예에서, 해결책은 종종 순위화 룰렛 휠(ranked roulette wheel) 기술이라 칭하는 기술을 사용하여 해결책의 일반 모집단으로부터 선택된다. 이 기술은 해결책의 모집단에서의 해결책을 최선의 해결책으로부터 최악의 해결책까지 순서화된 리스트로 분류하기 때문에 "순위화"로서 서술된다. 이는 이어서 리스트 내의 각 각의 해결책에 가중치를 할당한다. 이들 가중치는 선형적으로 감소한다. 예를 들면, 10의 감소율 및 100의 시작 가중치에서, 모집단의 최초 12개의 요소는 100, 90, 80, 70, 60, 50, 40, 30, 20, 10, 1, 0.5,...의 가중치를 가질 수 있다. 이들 가중치는 최선의 개체가 최악의 것들보다 더 선택될 가능성이 높도록 선택 프로세스를 바이어스(bias)하는데 사용된다. 은유(metaphor)는 모집단의 각각의 요소에 대한 슬롯을 갖는 룰렛 휠의 하나이다. 그러나, 슬롯은 동일한 크기는 아니다. 각각의 해결책의 슬롯은 전술한 바와 같이 계산된 그의 가중치에 비례한다. 룰렛 휠이 이 방식으로 설정될 때, 연산된 볼이 회전하고, 그의 슬롯에 볼이 도착하는 개체가 선택된다. 100의 가중치 및 슬롯 크기를 갖는 모집단의 최선의 개체는 해결책이 요구될 때 1의 가중치 및 슬롯 크기를 갖는 최악의 개체보다 100배 더 선택될 가능성이 높다.
단계 615에서, 선택된 해결책 수정 기술이 신규한 해결책을 생성하는데 사용된다. 즉, 수정 기술은 원래 해결책으로부터 신규한 해결책을 생성하는데 사용된다. 해결책 중 몇몇은 매우 작을 수 있다(예를 들면, 한 공장에서 약간의 생산 레벨의 변경). 몇몇은 매우 중요할 수 있다(예를 들면, 수일 동안의 공장의 가동 중단).
단계 620에서, 신규한 해결책으로부터 생성된 스케쥴은 시뮬레이션 모듈(410)에 의해 시뮬레이팅된다. 일반적으로, 생산 최적화기(124)에 의해 생성된 생산 해결책은 생산된 상용 제품의 분배 스케쥴을 또한 포함하는 스케쥴로 변환된다. 단계 625에서, 시뮬레이팅된 스케쥴의 품질(또는 적합성)이 평가된다. 예를 들 면, 시뮬레이션 모듈(410)은 스케쥴에 있어서의 제품의 생산 및 분배의 총 비용을 계산하도록 구성될 수 있다. 조합된 생산/분배 해결책을 평가하는데 사용된 적합성 수식의 상세한 예는 산업용 액체의 생산 및 분배에 관한 본 발명의 실시예에서 이하에 설명될 것이다. 단계 630에서, 신규한 해결책이 모집단 내에 삽입될 수 있다. 일 실시예에서, 생산 최적화기는 각각의 해결책의 적합성에 따라 순서화된 모집단 내의 해결책의 순위화된 순서를 유지한다. 따라서, 방법(600)을 통한 패스에서 생성된 신규한 해결책은 그의 적합성 점수(score)에 따라 모집단에 배치될 것이다.
단계 630에서, 모집단의 최악의(즉, 최소 적합) 요소는 모집단으로부터 제거된다. 따라서, 모집단 크기는 최적화 프로세스 중에 일정하게 유지될 수 있다. 단계 635에서, 생산 최적화기(124)는 임의의 종료 조건이 만족되었는지 여부를 판정한다. 만일 만족되었으면, 최적화 프로세스가 종료되고 제어는 방법(500)의 단계 525로 복귀한다. 그렇지 않으면, 방법(600)은 다른 신규한 해결책을 생성하도록 반복된다(즉, 모집단이 다른 세대를 통해 이동함).
도 7 내지 도 9는 본 발명의 일 실시예에 따른 분배 최적화기(124)의 작동을 도시한다. 전술한 바와 같이, 일 실시예에서, 분배 최적화기(124)는 개미 집단 최적화 기술을 사용하도록 구성될 수 있다.
개미 집단 최적화기는 식량을 찾아다니는 개미가 식량을 발견하고, 식량원으로 다른 개미를 유인하고, 개미집으로부터 식량에 도달하는 경로를 단축하고, 식량원이 고갈될 때 이들 경로로의 이동을 중지하는 자연적 프로세스에 의해 영감을 얻는다. 식량을 탐색할 때, 개미는 초기에 랜덤하게 돌아다니고, 식량을 발견할 때 페로몬 자국(pheromone trail)을 남기면서 이들의 거주지로 복귀한다. 개미가 존재하는 페로몬 자국을 만날 때, 개미는 랜덤하게 이동을 계속하지 않고 대신에 자국을 추종하여 복귀하고 결국에는 식량을 발견하면 자국을 보강한다. 페로몬 자국은 시간 경과에 따라 증발하여 그 유인 강도를 감소시킨다. 개미가 경로를 따라 이동하고 다시 돌아오는 시간이 많이 소요될수록, 페로몬이 증발되는데 더 많은 시간을 갖는다. 역으로, 짧은 경로는 더 신속하게 통과되고, 따라서 페로몬 농도가 높게 유지된다. 결과는 한 마리의 개미가 거주지로부터 식량원으로의 양호한(즉, 짧은) 경로를 발견할 때, 다른 개미들이 해당 경로를 추종할 가능성이 더 높고, 포지티브 피드백이 결국에는 모든 개미들이 단일 경로를 추종하게 한다는 것이다. 개미 집단 최적화기는 최적화된 해결책에 도달하도록 해결하기 위해 문제점을 나타내는 그래프 주위를 배회하는 "시뮬레이팅된 개미"를 사용한다.
도 7은 본 발명의 일 실시예에 따른 분배 최적화기(122)가 개미 집단 최적화 기술을 수행하기 위한 방법(700)을 도시한다. 단계 705에서, 분배 최적화기(122)는 생산 최적화기(124)를 사용하여 생성된 생산 해결책에 대해 분배 해결책을 탐색하기 위해 개미 집단을 초기화하도록 구성될 수 있다. 일 실시예에서, 분배 최적화기(122)는 각각의 공장을 나타내는 가중치의 벡터와 각각의 시설에 대한 벡터를 생성함으로써 최적화 프로세스를 초기화하도록 구성될 수 있다. 이들 가중치는 개미 시스템의 특징인 페로몬 레벨을 나타내는데 사용된다. 이들은 하나의 시설로부터 다른 시설로의 루트의 구성을 바이어스하고, 이들은 제품을 제공하기 위한 공장으로부터 시설로의 비드(bid)가 위닝 비드(winning bid)로서 선택되는 정도를 바이어 스한다(공장 비드는 도 9와 관련하여 더 상세히 설명됨). 표 2는 이들 두 개의 벡터의 각각의 예를 나타낸다.
표 2 - 예시 페로몬 가중 벡터
공장 가중 벡터 <5, 0.5, 2.6, 4.3, .9>
시설 벡터 <1.2, 3.4, 5, 1, 0, 0, 0>
제1 벡터는 공장 벡터의 예이다. 이는 분배 최적화기(122)가 이 벡터와 연관된 공장으로부터 상이한 시설로 선적해야 하는 것을 신뢰하는 것이 얼마나 중요한지를 나타낸다. 이 예에서, 벡터 가중치는 이 공장이 리스트의 제1 및 제4 시설로 제품을 선적하기 위한 우선 순위를 갖고 리스트의 제2 및 제5 시설에 선적하지 않는 우선 순위를 갖는다는 것을 나타낸다. 제2 벡터는 시설 벡터의 예이다. 이 벡터는 이 시설로의 배송이 제품의 1 트럭 분량 미만을 포함할 때 분배 최적화기(122)가 이 시설로부터 다른 인접 시설로 진행해야 하는 것을 신뢰하는 것이 얼마나 유리한지를 나타낸다. 표 2의 예시 벡터에서, 분배 최적화기(122)는 제3 시설로의 배송을 우선 순위화한다. 동시에, 벡터는 제5, 제6, 또는 제7 인접 시설로의 배송을 금지한다. 넓게 말하면, 분배 최적화기(122)는 생산 공장에 의해 이루어진 생산 배송을 위한 비드에 기초하여, 배송 루트의 세트를 생성하도록 이들 벡터의 가중치를 수정함으로써 작동한다.
도 7에 도시된 방법(700)을 재차 참조하면, 일단 분배 최적화기(122)가 단계 710에서 특정 생산 해결책을 갖고 초기화되면, 분배 최적화기(122)는 종료 조건이 부합될 때까지 루트 생성 프로세스를 다수회 수행하도록 구성될 수 있다.
도 8은 본 발명의 일 실시예에 따른 분배 최적화기(122)의 작동을 나타내는 방법(800)을 도시한다. 본 예에서, 분배 최적화기(122)는 다양한 생산 지점으로부터 생산되어 공급될 수 있는 산업용 액체의 분배를 최적화하도록 구성된다. 방법(800)은 공장 가중 벡터 및 시설 벡터에 대한 가중치가 초기화되는 단계 805에서 시작한다. 예를 들면, 가중 벡터는 비딩 공장에 물리적으로 더 가까운 공장이 멀리 떨어진 공장의 가중치보다 높은 가중치를 갖도록 소정 바이어스가 도입된 상태로 초기값의 세트로 초기화될 수 있다. 게다가, 시설이 수용할 수 있는 주간의 날짜 또는 날짜의 시간과 같은 제한이 입력 파일(300)로부터 판독된다. 단계 810에서, 분배 최적화기(122)는 현재 벡터 및 생산 설비에 기초하여 루트를 생성한다. 이하에 설명되는 도 9는 단계 805의 부분으로서 수행될 수 있는 루트 생성 프로세스의 예를 도시한다.
배송 스케쥴을 생성한 후에, 분배 최적화기(122)는 수행중인 최적화 작업이 종료되어야 하는지 여부를 판정하도록 구성될 수 있다(단계 815). 일 실시예에서, 종료 조건은 초기화 단계 중에 판독되고 최적화 조정 모듈(405)에 의해 분배 최적화기(122)로 통과된다. 유전자 알고리즘에 의해 생성된 각각의 해결책에 대해, 분배 최적화기(122)는 고정된 수의 루트를 생성하고 최선의 것을 반환하도록 구성될 수 있다. 예를 들면, 분배 최적화기(122)는 3개의 배송 스케쥴을 생성하고 최선의 것을 반환하도록 구성될 수 있다. 그러나, 반환된 스케쥴의 수는 무엇보다도 해결 되는 최적화 문제점 및 최적화 작업을 수행하기 위해 이용 가능한 시간에 기초하여 최적화 작업의 부분으로서 구성될 수 있다. 일단 소정수의 루트가 생성되면 알고리즘은 그의 최선의 해결책을 최적화 조정 모듈(405)로 반환한다.
단계 810에서, 분배 최적화기(122)는 공장 가중 벡터의 가중치의 벡터의 가중치를 수정해야 하는지 여부를 판정한다. 일 실시예에서, 분배 최적화기(122)는 이미 생성된 임의의 해결책보다 양호한 해결책이 방금 생성되는 경우에 가중치를 수정한다. 가중치를 수정하기 위해(단계 825), 분배 최적화기는 입력 파일(300)에 지정된 양만큼 모든 가중 벡터에서의 모든 가중치를 먼저 감소시키도록 구성될 수 있다. 분배 최적화기(122)는 이 감소의 결과로서 발생되는 가중치 감소값을 합산한다. 이는 이어서 이들 가중치를 지금까지 발견된 최선의 해결책의 성분에 분배한다(최선의 해결책의 "페로몬 자국"을 보강함). 즉, 가중치는 비효율적인 해결책의 가중치를 점진적으로 소멸시키면서 효율적인 해결책의 가중치를 점진적으로 강화하도록 수정될 수 있다. 단계 815 내지 단계 825의 루프는 종료 조건이 부합될 때까지 반복될 수 있고(단계 815), 분배 최적화기(122)에 의해 식별된 최선의 해결책이 반환된다(단계 830).
도 9는 본 발명의 일 실시예에 따라 분배 최적화기가 개미 집단 최적화 기술을 사용하여 배송 스케쥴을 생성하는 방법(900)을 도시한다. 예시적으로, 방법(900)은 시설의 세트로 산업용 액체를 배송하기 위한 배송 루트의 생성 및 최적화를 나타낸다. 따라서, 방법(900)에 예시된 단계는 이 유형의 상용 제품의 분배 및 배송을 스케쥴링하는데 적합된다. 그러나, 당업자는 본 발명의 실시예가 다양한 재료를 위한 배송 스케쥴을 생성하고 최적화하는데 적용될 수 있다는 것을 인식할 수 있을 것이다. 방법(900)은 분배 최적화기(122)가 긴급 시설이 존재하는지 여부를 판정하는 단계 905에서 시작한다. 즉, 분배 최적화기(122)는 배송 루트가 생성될 필요가 있는 임의의 부가의 시설이 존재하는지 여부를 판정한다. 산업용 액체의 경우에, 예를 들면 시설에서의 탱크의 예측된 액체 체적이 특정 레벨 이하일 때까지 배송이 필요하지 않을 것이다. 만일 아니면, 알고리즘은 종료된다(이 루트 설정 라운드에서 가능한 모든 루트가 발견됨).
긴급 시설이 존재하면, 단계 910에서 분배 최적화기는 스케쥴링된 배송이 필요한 시설을 선택한다. 일반적으로, 배송 스케쥴은 소스(생산 공장), 목적지(시설), 배송량, 배송 시간 및 배송 방법(예를 들면, 트럭, 철도 차량, 파이프라인)을 제공할 수 있다. 그러나, 배송의 특정 요소는 최적화되는 SCM 문제점에 따라 다양할 수 있다.
상이한 실시예에서, 다양한 기술이 시설의 세트로부터 선택하는데 사용될 수 있다. 예를 들면, 일 방법은 룰렛 휠 절차이다. 룰렛 휠 절차는 상기의 유전자 알고리즘 논의에서 설명되었다. 이 방법을 사용하여, 룰렛 휠 상의 각각의 시설의 슬롯의 크기는 (시설 우선 순위+1)/능력이다. 룰렛 휠 절차가 사용될 때, 높은 우선 순위의 시설이 낮은 우선 순위의 시설보다 먼저 스케쥴링된 배송자를 가질 가능성이 높다. 동시에, 시설의 능력이 낮을수록, 선택될 확률이 더 높다. 제2 절차는 (시설 우선 순위+1)/능력의 최고값을 갖는 시설을 선택하는 탐욕 절차(greedy procedure)이다. 즉, 탐욕 절차는 룰렛 휠 프로세스에 의해 선택되는 최고 확률을 갖는 시설을 선택한다. 다른 가능성은 상이한 시설이 각각 동일 확률을 갖는 균등 랜덤 절차를 포함한다.
단계 915에서, 각각의 공장은 단계 910에서 선택된 시설에 공급하기 위해 비드를 생성한다. 일 실시예에서, 공장은 (1/(배송 비용+생산 비용))을 계산함으로써 배송에 비딩한다. 따라서, 더 낮은 총 배송 및 생산 비용을 갖는 공장이 더 높은 총 배송 및 생산 비용을 갖는 공장보다 높은 비드를 생성할 것이다. 공장이 주문을 충족시키는데 불충분한 재고를 가지면, 이는 비드를 제출하지 않는다. 단계 920에서, 분배 최적화기(122)는 비드의 세트의 적어도 하나의 비드가 공장에 의해 이루어지는지 여부를 판정할 수 있고, 이어서 비드가 선택되고 알고리즘은 루트 설정으로 진행한다. 일 실시예에서, 수락된 비드는 3개의 절차 중 하나를 사용하여 선택될 수 있다.
가장 종종 사용되는 것은 룰렛 휠 절차이다. 룰렛 휠 절차는 전술한 유전자 알고리즘에서 설명되었다. 일 실시예에서, 룰렛 휠의 슬롯은 시설에 비드를 형성하는 공장을 사용하여 발생하는 배송 루트의 품질을 순위화하는 순위화 절차를 사용하여 결정될 수 있다. 예를 들면, 룰렛 휠 내의 각 비드의 슬롯의 크기는 시설에 비드를 형성하는(멱지수를 증가시킴) 공장으로부터 자국을 나타내는 가중 벡터의 "페로몬 가중치" 및 멱지수를 증가시킨 조절된 비드값일 수 있다. 즉, 선택되는 비드의 확률은 소정의 자국의 페로몬 가중치에 직접 비례한다. 일 실시예에서, 이 수식의 멱지수는 입력 파일로부터 판독되고 2.0의 디폴트값을 가질 수 있다. 멱지수의 변경은 다른 루트에 의해 남겨진 "페로몬 자국"의 강도를 증가시키거나 감소시 킬 수 있다. 제2의 "탐욕" 절차는 룰렛 휠 절차를 사용하여 계산된 최고값 확률을 갖는 비드를 선택한다. 제3 가능한 절차에서, 비드는 상이한 비드로부터 랜덤하게 선택될 수 있다. 일 실시예에서, 분배 최적화기(122)가 루트를 생성할 때, 이는 탐욕 절차를 사용하여 하나의 루트의 세트를, 랜덤 절차를 사용하여 하나의 루트를, 그리고 룰렛 휠 절차를 사용하여 부가의 루트를 생성한다.
단계 925에서, 단계 910에서 선택된 시설에 제공할 비드가 없으면, 비드 시도 카운터는 분배 최적화기(122)가 이 시설에 대한 비드를 발견하려고 시도한 회수를 반영하도록 증분된다. 일 실시예에서, 시설은 배송 비드를 수용할 때 3개의 변경을 갖고, 그 후에 시설은 누락 시설 리스트에 배치된다(단계 930 및 935). 수가 3 미만이면, 시설은 긴급 시설 리스트에 재차 배치되고, 단계 905의 다른 반복에서 재차 선택될 수 있다. 하나의 시설에 대해 현재 비드가 없으면 시설이 재차 처리될 때 비드가 발생할 수 있는 방법이 없는 것으로 나타날 수 있다. 그러나, 시설이 다른 시설에 대해 스케쥴링된 배송에 대한 2차 배송의 결과로서 제품을 수신하면, 하나의 시설은 더 적은 제품을 요구할 수 있고 비드가 가능해질 수 있다.
단계 940에서, 비드가 단계 920에서 선택되면, 분배 최적화기(122)는 시설로 수락된 비드를 갖는 소스 공장으로부터의 루트를 생성하고 루트의 거리 및 시간을 통지한다. 일 실시예에서, 루트 이동 시간은 입력 파일(300)의 부분으로서 입력된 일반적으로 이력 평균 속도인 고정 이동 속도를 사용하여 결정될 수 있다. 그러나, 다른 기술이 사용될 수도 있다.
단계 945에서, 시설로의 배송의 크기가 최대 배송 능력 이하이면, 분배 최적 화기(122)는 임의의 인접 고객 장소가 현재 생성중인 루트에 추가될 수 있는지 여부를 식별하도록 구성될 수 있다. 예를 들면, 산업용 액체의 분배를 위해, 배송되는 고객 탱크의 능력이 재료의 전체 1 트럭 분량 미만이면, 분배 최적화기(122)는 임의의 다른 가능한 배송 장소가 시설의 특정 반경 내에 있는지 여부를 판정한다. 이 반경은 입력 파일(300)에 포함된 파라미터로서 제공될 수 있다. 트럭의 제품의 나머지를 취할 수 있는 다른 고객 장소가 이 반경 내에 존재하면, 이 장소가 긴급 시설 리스트에 이를 배치하도록 트리거 레벨 이하에 있지 않더라도, 이 장소는 배송 시간 제한을 고려하는 가장 경제적인 방식으로 루트에 삽입된다(단계 950). 다수의 장소가 비긴급 배송을 수락할 수 있으면, 현재 장소와 가능한 장소 사이의 연결의 강도(즉, 시설 벡터에 포함된 페로몬 자국)가 어느 장소를 다음에 방문할 것인지를 결정한다. 이 절차 후에 트럭에 제품이 잔류하면, 분배 최적화기(122)가 현재 루트를 생성하는 것을 종료(단계 955)하는 시점을 고려하도록 트럭이 비워지거나 더 이상 후보자 배송 장소가 없을 때까지 단계 945 및 950이 반복될 수 있다.
전술한 바와 같이, 생산 최적화기는 생산 스케쥴을 최적화하도록 구성될 수 있고, 분배 최적화기는 고객 요구 및 특정 생산 해결책에 기초하여 최적 분배 스케쥴을 결정하도록 구성될 수 있다. 시뮬레이션 모듈(410)은 생산 최적화기(124)에 의해 생성된 생산 스케쥴 및 분배 최적화기(122)에 의해 생성된 분배 스케쥴이 입력으로서 제공된 스케쥴의 효과를 계산하도록 구성될 수 있다. 부가적으로, 일 실시예에서, 스케쥴 시뮬레이션 모듈(410)은 이들이 특정 공장에서의 생산 레벨을 증가시킴으로써 충족될 수 있는 미충족 주문을 초래하면 시뮬레이션 중에 이들 스케 쥴을 "교정"하도록 구성될 수 있다. 즉, 특정 생산 및 분배 스케쥴이 모든 주문을 만족시키는데 근접한 것으로 판명되면, 해결책은 시설로의 배송을 위한 최선의 공장을 식별하고 미충족 주문을 충족시키도록 해당 공장에서의 생산을 증가시킴으로써(가능하다면) 수정될 수 있다.
시뮬레이션 모듈(410)은 생산/분배 해결책의 평가 점수(즉, 적합성)를 계산하도록 추가로 구성될 수 있다. 이하의 논의는 산업용 액체의 생산 및 분배를 최적화하는데 사용된 실시예에 대한 생산/분배 해결책의 평가 점수를 계산하는 예를 제공한다. 물론, 다른 상용 재료를 포함하는 SCM 문제점에 대해, 적합성 점수를 계산하는 방법은 다양할 수 있다. 먼저, 시뮬레이션 모듈(410)은 해결책의 전략을 실행하는 비용을 계산한다. 산업용 액체를 포함하는 SCM 문제점에 적합한 비용 함수의 예는,
cost = deliveryCost+totalProductionCost+bulkTransferCost+redlinePenalty+ missedInstallationPenalty.
이 원점수(raw score)는 원 "비용" 점수의 역수를 계산함으로써 0.0과 1.0 사이의 정규화된 적합성 값을 결정하는데 사용될 수 있다.
적합성 = 1/(cost).
따라서, 원점수가 증가함에 따라 해결책의 적합성이 감소한다.
일 실시예에서, 비용 함수의 변수는 이하와 같이 계산될 수 있다.
deliveryCost = 총 분배 비용 + 조기 배송 페널티(존재하는 경우).
즉, 배송 비용은 조기 배송에 대한 페널티[예를 들면, 방법(900)의 단계 945 및 950의 부분으로서 트럭을 비우기 위해]를 해결책의 총 비용에 추가할 수 있다. 총 생산 비용(totalProductioncost)은 이들의 특정 에너지 비용, 생산 비용 등을 사용하여 모든 설비를 가로질러 생산 비용을 합산함으로써 계산될 수 있다. 대량 전달 비용(bulkTransferCost)은 시스템 내의 모든 대량 전달의 총 비용을 합산함으로서 계산될 수 있다. 각각의 대량 전달 비용은 대량 전달에 수반된 마일 수와 상수의 적(product)으로서 계산될 수 있다. 상수는 대량 전달이 발생하는 소정 기간 중에 대량 전달의 평균 비용을 나타낼 수 있다. 일 실시예에서, 몇몇 고객 시설은 소정 시설에서 항상 이용 가능해야 하는 재료의 최소량을 지시하는 "레드 라인 최소값(red line minimum)"을 가질 수 있다. 레드라인 페널티는 이하와 같이 계산될 수 있고, 여기서 레드라인 위반 페널티는 입력 파일(300)에서 사용자 의해 설정된 단위 상수이다.
redlinePenalty=redlineViolationVolume*RedlineViolationPenalty.
누락된 시설 페널티는 누락 주문에 대해 적용된 페널티이다. 이는 이하와 같이 계산된다.
missedInstallationPenalty=urgencyDeltaFactor*(pwUrgencyCount+
urgencyCount)*missedInstallationPenalty.
이 수식에서, 긴급 델타 인자(urgencyDeltaFactor)는 사용자에 의해 설정된 전역 상수이다. pwUrgencyCount 변수는 선행 가중된 누락된 긴급 카운트를 나타낸다. 이는 예측 수요에 대해 이 방식으로 계산된다.
pwUrgencyCont=
safetyCount*(dailyContributionFactor(day)+installationPriority)
+ unsatisfiedDemandOrderCount*constantFactor.
이 수식에서, 안전 카운트는 이 시설이 스케쥴링 기간 중에 탱크 내의 안전 레벨을 파괴하는 회수이고, 기여 인자는 스케쥴링 윈도우의 단기 날짜의 더 높은 중요성을 나타내는 0.0 이상의 값의 벡터로부터 취해지고, 시설 우선 순위는 데이터 입력 단계 중에 판독된 시설의 특징이고, 만족되지 않은 수요 주문 카운트는 만족되지 않은 주문의 카운트이고, 상수 인자는 당해 날짜에 대한 1일의 기여 인자의 합이고, 상수는 시설의 우선 순위 및 합계에 대한 각각의 수요 순서의 기여를 나타낸다.
수요의 호출(즉, 스케쥴링되지 않은 주문)에 대해, pwUrgencyCount는 이하와 같이 계산될 수 있다.
pwUrgencyCont=
unsatisfiedDemandOrderCount*constantFactor.
마지막으로, urgencyCount 변수는 이하와 같이 계산될 수 있다(예측 수요 또는 수요의 호출에 대해).
예측 수요(즉, 스케쥴링된 또는 예기된 주문):
urgencyCount=safetyCount+unsatisfiedDemandOrderCount.
수요의 호출에 대해:
urgencyCount=unsatisfiedDemandOrderCount.
일반적으로, 전술한 비용 함수의 파라미터는 중요도 감소 순서로 이하의 목 표를 제공하는 경향이 있다.
· 날짜 0 및 날짜 1 수요에 부합
· 수요 주문 수요에 부합
· 더 높은 우선 순위를 갖는 위치의 수요에 부합
· 페널티를 포함하는 최저 비용 해결책을 발견.
예
사용자의 관점으로부터, 본 발명의 실시예는 다양한 상이한 작업을 수행하는데 사용될 수 있다.
먼저, 이전 섹션에서 설명된 일반적인 일상 작동에서, 본 명세서에 설명된 최적화 시스템은 다소 자율적으로 작동할 수 있다. 사용자는 시스템(100)에 의해 생성된 해결책을 검토할 수 있고, 데이터에 또는 해결책에 문제점이 있는지 여부를 알기 위해 출력 모듈(130)에 의해 생성된 출력 데이터를 검사할 수 있다. 때때로, 사용자는 평가 프로세스에서 사용된 제한에 대한 변경 또는 공장의 변경을 반영하도록 입력 파일(300)을 수정할 필요가 있을 수도 있다.
시스템(100)의 다른 용도는 다양한 가상 분석을 수행하는 능력을 포함한다. 이러한 경우에, 시스템(100)은 예를 들면 현존하는 설비에 대한 업그레이드의 승인의 여부와 같은 전략적인 결정을 갖는 가치 있는 데이터를 제공할 수 있다. 사용자는 설비 변경 및 생산 공장에 대한 임의의 관련 변경(예를 들면, 증가된/감소된 생산 능력 또는 생산 비용)을 반영하기 위해 입력 파일(300)을 수정한다. 다른 예는 고객 사용 패턴의 가능한 변경(예를 들면, 상용 제품의 소비의 급격한 증가/감소)을 반영하도록 입력 데이터(300)에 의해 지정된 요건을 수정하는 것을 포함한다. 또 다른 예에서, 사용자는 생산 공장의 현재 상태에 대한 변경을 서술하기 위해 입력 파일(300)을 수정할 수 있다. 수정된 입력 파일(300)을 사용하는 최적화 작업과 현재 실제 운영 비용 사이의 운영 비용의 차이는 설비 업그레이드를 하는 잠재적인 이점 또는 비용에 대한 사용자로의 강한 지시를 제공할 수 있다.
시스템(100)의 다른 용도는 고객 사용 패턴의 변경에 대한 계획을 포함한다. 예를 들면, 사용자는 다중 최적화 문제점을 생성하여, 변경이 사용 패턴에서 발생할 수 있는 지점을 반영한다. 다음에, 사용자는 이들 해결책이 액체 가스 운영의 적당한 전이 경로를 나타내는지 여부를 판정하도록 시스템에 의해 생성된 해결책을 분석한다. 만일 아니면, 사용자는 그 시점에 이 해결책에 인접한 해결책과 혼합하게 하는 어려운 중간 해결책에 대한 부가의 제한을 부과할 수 있다. 따라서, 본 발명의 실시예는 하나의 일반적인 작동 상태로부터 다른 작동 상태로의 전이시에 상용 제품 제조자를 지원할 수 있다.
본 발명의 특성을 설명하기 위해 본 명세서에 설명되고 예시된 상세, 재료, 단계 및 부분의 배열의 다수의 부가의 변경이 첨부된 청구범위에 표현된 바와 같은 본 발명의 원리 및 범주 내에서 당업자에 의해 이루어질 수 있다는 것이 이해된다. 따라서, 본 발명은 전술한 예에서의 특정 실시예 및/또는 첨부된 도면에 한정되도록 의도되는 것은 아니다.

Claims (39)

  1. 공급망 최적화 방법으로서,
    a) 시드 해결책의 모집단을 최적화하기 위해 유전자 알고리즘 최적화 기술을 사용함으로써 상기 공급망에 대한 최적화된 생산 해결책을 생성하는 단계와,
    b) 개미 집단 최적화 기술을 사용하여 상기 최적화된 생산 해결책에 대한 최적화된 분배 해결책을 생성하는 단계
    를 포함하는 공급망 최적화 방법.
  2. 제1항에 있어서, 상기 공급망에 대한 최적화된 생산 해결책을 생성하는 단계는,
    a) 최적화될 공급망 문제점을 서술하는 입력 데이터를 판독하는 단계와,
    b) 상기 시드 해결책의 모집단을 생성하는 단계로서, 상기 모집단 내의 각각의 해결책은 최적화될 공급망 문제점에 대한 실행 가능한 해결책을 지정하는 것인, 모집단 생성 단계와,
    c) 상기 모집단 내의 각각의 해결책을 평가하고 상기 평가에 따라 상기 모집단 내의 해결책을 분류하는 단계와,
    d) 입력 데이터에 의해 지정된 종료 조건이 만족될 때까지 상기 모집단에 대해 상기 유전자 알고리즘 최적화 기술을 수행하는 단계
    를 포함하는 것인, 공급망 최적화 방법.
  3. 제2항에 있어서, 상기 유전자 알고리즘 최적화 기술을 수행하는 단계는,
    a) 상기 모집단 내의 해결책들 중 적어도 하나의 해결책의 적어도 하나의 양태를 수정하는 단계와,
    c) 상기 수정된 해결책의 성능을 평가하는 단계와,
    d) 상기 모집단에 상기 수정된 해결책을 추가하는 단계와,
    e) 상기 모집단 내의 다른 해결책에 대해 최악의 평가를 갖는 해결책을 상기 모집단으로부터 제거하는 단계
    를 포함하는 것인, 공급망 최적화 방법.
  4. 제3항에 있어서, 상기 모집단 내의 해결책들 중 적어도 하나의 해결책의 적어도 하나의 양태를 수정하는 단계는,
    a) 해결책 수정 기술을 선택하는 단계와,
    b) 수정을 위해 상기 모집단으로부터 적어도 하나의 해결책을 선택하는 단계와,
    c) 상기 선택된 해결책 수정 기술에 따라 적어도 하나의 해결책을 수정하는 단계
    를 포함하는 것인, 공급망 최적화 방법.
  5. 제3항에 있어서, 상기 해결책 수정 기술은 상기 적어도 하나의 해결책의 적 어도 하나의 양태를 랜덤하게 수정하는 것인, 공급망 최적화 방법.
  6. 제3항에 있어서, 상기 해결책 수정 기술은 발견법에 따라 상기 적어도 하나의 해결책을 수정하는 것인, 공급망 최적화 방법.
  7. 제3항에 있어서, 상기 해결책 수정 기술은 상기 수정된 해결책을 생성하도록 두 개 이상의 해결책들을 이종 교배하는 것인, 공급망 최적화 방법.
  8. 제3항에 있어서, 상기 모집단 내의 해결책들 중 적어도 하나의 해결책의 적어도 하나의 양태를 수정하는 단계는 하나 이상의 해결책들을 확률적으로 선택하는 단계를 포함하고, 우수한 평가를 갖는 해결책이 열등한 평가를 갖는 해결책보다 수정을 위해 선택될 가능성이 더 많은 것인, 공급망 최적화 방법.
  9. 제1항에 있어서, 각각의 생산 해결책은 최적화 기간의 각각의 날짜에 있어서 각각의 공장에 대한 적어도 생산 레벨을 지정하는 것인, 공급망 최적화 방법.
  10. 제1항에 있어서, 상기 시드 해결책의 모집단은 제1 그룹의 해결책 및 제2 그룹의 해결책을 포함하고, 상기 제1 그룹의 해결책은 발견법에 따라 생성되고, 상기 제2 그룹의 해결책은 랜덤하게 생성되는 것인, 공급망 최적화 방법.
  11. 제1항에 있어서, 상기 개미 집단 최적화 기술을 사용하여 상기 최적화된 생산 해결책에 대한 최적화된 분배 해결책을 생성하는 단계는,
    a) 상기 공급망의 각각의 생산 공장에 대한 공장 가중 벡터를 초기화하는 단계와,
    b) 상기 공급망의 각각의 배송 위치에 대한 시설 벡터를 초기화하는 단계와,
    c) 상기 공장 가중 벡터 및 시설 벡터의 성분에 의해 지정된 가중치의 세트에 기초하여 상기 분배 해결책을 생성하는 단계를 포함하고, 상기 분배 해결책은 생산 공장으로부터 적어도 하나의 배송 위치로의 하나 이상의 배송 루트를 서술하는 것인, 공급망 최적화 방법.
  12. 제11항에 있어서, 상기 공장 가중 벡터의 성분은 상기 공장 가중 벡터에 의해 나타내는 공장으로부터 벡터 성분에 의해 나타내는 시설로의 배송을 위한 우선 순위를 지시하는 것인, 공급망 최적화 방법.
  13. 제11항에 있어서, 상기 시설 벡터의 성분은 상기 시설 벡터에 의해 나타내는 시설로부터 벡터 성분에 의해 나타내는 시설로의 후속의 배송을 위한 우선 순위를 지시하는 것인, 공급망 최적화 방법.
  14. 실행시에 공급망을 최적화하기 위한 작업을 수행하는 프로그램을 포함하는 컴퓨터 판독 가능 매체로서,
    상기 작업은,
    a) 시드 해결책의 모집단을 최적화하기 위해 유전자 알고리즘 최적화 기술을 사용함으로써 공급망에 대한 최적화된 생산 해결책을 생성하는 작업과,
    b) 개미 집단 최적화 기술을 사용하여 상기 최적화된 생산 해결책에 대한 최적화된 분배 해결책을 생성하는 작업
    을 포함하는 컴퓨터 판독 가능 매체.
  15. 제14항에 있어서, 상기 공급망에 대한 최적화된 생산 해결책을 생성하는 작업은,
    a) 최적화될 공급망 문제점을 서술하는 입력 데이터를 판독하는 작업과,
    b) 상기 시드 해결책의 모집단을 생성하는 작업으로서, 상기 모집단 내의 각각의 해결책은 최적화될 공급망 문제점에 대한 실행 가능한 해결책을 지정하는 것인, 모집단 생성 작업과,
    c) 상기 모집단 내의 각각의 해결책을 평가하고 상기 평가에 따라 상기 모집단 내의 해결책을 분류하는 작업과,
    d) 입력 데이터에 의해 지정된 종료 조건이 만족될 때까지 상기 모집단에 대해 유전자 알고리즘 최적화 기술을 수행하는 작업
    을 포함하는 것인, 컴퓨터 판독 가능 매체.
  16. 제15항에 있어서, 상기 유전자 알고리즘 최적화 기술을 수행하는 작업은,
    a) 상기 모집단 내의 해결책들 중 적어도 하나의 해결책의 적어도 하나의 양태를 수정하는 작업과,
    c) 상기 수정된 해결책의 성능을 평가하는 작업과,
    d) 상기 모집단에 상기 수정된 해결책을 추가하는 작업과,
    e) 상기 모집단 내의 다른 해결책에 대해 최악의 평가를 갖는 해결책을 상기 모집단으로부터 제거하는 작업
    을 포함하는 것인, 컴퓨터 판독 가능 매체.
  17. 제16항에 있어서, 상기 모집단 내의 해결책들 중 적어도 하나의 해결책의 적어도 하나의 양태를 수정하는 작업은,
    a) 해결책 수정 기술을 선택하는 작업과,
    b) 수정을 위해 상기 모집단으로부터 적어도 하나의 해결책을 선택하는 작업과,
    c) 상기 선택된 해결책 수정 기술에 따라 적어도 하나의 해결책을 수정하는 작업
    을 포함하는 것인, 컴퓨터 판독 가능 매체.
  18. 제16항에 있어서, 상기 해결책 수정 기술은 상기 적어도 하나의 해결책의 적어도 하나의 양태를 랜덤하게 수정하는 것인, 컴퓨터 판독 가능 매체.
  19. 제16항에 있어서, 상기 해결책 수정 기술은 발견법에 따라 상기 적어도 하나의 해결책을 수정하는 것인, 컴퓨터 판독 가능 매체.
  20. 제16항에 있어서, 상기 해결책 수정 기술은 상기 수정된 해결책을 생성하도록 두 개 이상의 해결책들을 이종 교배하는 것인, 컴퓨터 판독 가능 매체.
  21. 제16항에 있어서, 상기 모집단 내의 해결책들 중 적어도 하나의 해결책의 적어도 하나의 양태를 수정하는 작업은 하나 이상의 해결책들을 확률적으로 선택하는 작업을 포함하고, 우수한 평가를 갖는 해결책이 열등한 평가를 갖는 해결책보다 수정을 위해 선택될 가능성이 더 많은 것인, 컴퓨터 판독 가능 매체.
  22. 제14항에 있어서, 각각의 생산 해결책은 최적화 기간의 각각의 날짜에 있어서 각각의 공장에 대한 적어도 생산 레벨을 지정하는 것인, 컴퓨터 판독 가능 매체.
  23. 제14항에 있어서, 상기 시드 해결책의 모집단은 제1 그룹의 해결책 및 제2 그룹의 해결책을 포함하고, 상기 제1 그룹의 해결책은 발견법에 따라 생성되고, 상기 제2 그룹의 해결책은 랜덤하게 생성되는 것인, 컴퓨터 판독 가능 매체.
  24. 제14항에 있어서, 상기 개미 집단 최적화 기술을 사용하여 상기 최적화된 생 산 해결책에 대한 최적화된 분배 해결책을 생성하는 작업은,
    a) 상기 공급망의 각각의 생산 공장에 대한 공장 가중 벡터를 초기화하는 작업과,
    b) 상기 공급망의 각각의 배송 위치에 대한 시설 벡터를 초기화하는 작업과,
    c) 상기 공장 가중 벡터 및 시설 벡터의 성분에 의해 지정된 가중치의 세트에 기초하여 상기 분배 해결책을 생성하는 작업을 포함하고, 상기 분배 해결책은 생산 공장으로부터 적어도 하나의 배송 위치로의 하나 이상의 배송 루트를 서술하는 것인, 컴퓨터 판독 가능 매체.
  25. 제24항에 있어서, 상기 공장 가중 벡터의 성분은 상기 공장 가중 벡터에 의해 나타내는 공장으로부터 벡터 성분에 의해 나타내는 시설로의 배송을 위한 우선 순위를 지시하는 것인, 컴퓨터 판독 가능 매체.
  26. 제24항에 있어서, 상기 시설 벡터의 성분은 상기 시설 벡터에 의해 나타내는 시설로부터 벡터 성분에 의해 나타내는 시설로의 후속의 배송을 위한 우선 순위를 지시하는 것인, 컴퓨터 판독 가능 매체.
  27. 공급망의 작업을 최적화하는데 사용되는 연산 디바이스로서,
    a) 프로세서와,
    b) 상기 프로세서에 의해 실행될 때, 시드 해결책의 모집단을 최적화하기 위 해 유전자 알고리즘 최적화 기술을 사용함으로써 공급망에 대한 최적화된 생산 해결책을 생성하도록 구성되는 생산 최적화기와,
    c) 상기 프로세서에 의해 실행될 때, 개미 집단 최적화 기술을 사용하여 상기 최적화된 생산 해결책에 대한 최적화된 분배 해결책을 생성하도록 구성된 분배 최적화기
    를 포함하는 연산 디바이스.
  28. 제27항에 있어서, 상기 생산 최적화기는,
    a) 최적화될 공급망 문제점을 서술하는 입력 데이터를 판독하는 단계와,
    b) 상기 시드 해결책의 모집단을 생성하는 단계로서, 상기 모집단 내의 각각의 해결책은 최적화될 공급망 문제점에 대한 실행 가능한 해결책을 지정하는 것인, 모집단 생성 단계와,
    c) 상기 모집단 내의 각각의 해결책을 평가하고 상기 평가에 따라 상기 모집단 내의 해결책을 분류하는 단계와,
    d) 입력 데이터에 의해 지정된 종료 조건이 만족될 때까지 상기 모집단에 대해 유전자 알고리즘 최적화 기술을 수행하는 단계
    를 수행함으로써 상기 공급망에 대한 최적화된 생산 해결책을 생성하도록 구성되는 것인, 연산 디바이스.
  29. 제28항에 있어서, 상기 유전자 알고리즘 최적화 기술을 수행하는 단계는,
    a) 상기 모집단 내의 해결책들 중 적어도 하나의 해결책의 적어도 하나의 양태를 수정하는 단계와,
    c) 상기 수정된 해결책의 성능을 평가하는 단계와,
    d) 상기 모집단에 상기 수정된 해결책을 추가하는 단계와,
    e) 최악의 평가를 갖는 해결책을 상기 모집단으로부터 제거하는 단계
    를 포함하는 것인, 연산 디바이스.
  30. 제29항에 있어서, 상기 모집단 내의 해결책들 중 적어도 하나의 해결책의 적어도 하나의 양태를 수정하는 단계는,
    a) 해결책 수정 기술을 선택하는 단계와,
    b) 수정을 위해 상기 모집단으로부터 적어도 하나의 해결책을 선택하는 단계와,
    c) 상기 선택된 해결책 수정 기술에 따라 적어도 하나의 해결책을 수정하는 단계
    를 포함하는 것인, 연산 디바이스.
  31. 제29항에 있어서, 상기 해결책 수정 기술은 상기 적어도 하나의 해결책의 적어도 하나의 양태를 랜덤하게 수정하는 것인, 연산 디바이스.
  32. 제29항에 있어서, 상기 해결책 수정 기술은 발견법에 따라 상기 적어도 하나 의 해결책을 수정하는 것인, 연산 디바이스.
  33. 제29항에 있어서, 상기 해결책 수정 기술은 상기 수정된 해결책을 생성하도록 두 개 이상의 해결책들을 이종 교배하는 것인, 연산 디바이스.
  34. 제29항에 있어서, 상기 모집단 내의 해결책들 중 적어도 하나의 해결책의 적어도 하나의 양태를 수정하는 단계는 하나 이상의 해결책들을 확률적으로 선택하는 단계를 포함하고, 우수한 평가를 갖는 해결책이 열등한 평가를 갖는 해결책보다 수정을 위해 선택될 가능성이 더 많은 것인, 연산 디바이스.
  35. 제27항에 있어서, 각각의 생산 해결책은 최적화 기간의 각각의 날짜에 있어서 각각의 공장에 대한 적어도 생산 레벨을 지정하는 것인, 연산 디바이스.
  36. 제27항에 있어서, 상기 시드 해결책의 모집단은 제1 그룹의 해결책 및 제2 그룹의 해결책을 포함하고, 상기 제1 그룹의 해결책은 발견법에 따라 생성되고, 상기 제2 그룹의 해결책은 랜덤하게 생성되는 것인, 연산 디바이스.
  37. 제27항에 있어서, 상기 분배 최적화기는,
    a) 상기 공급망의 각각의 생산 공장에 대한 공장 가중 벡터를 초기화하는 단계와,
    b) 상기 공급망의 각각의 배송 위치에 대한 시설 벡터를 초기화하는 단계와,
    c) 상기 공장 가중 벡터 및 시설 벡터의 성분에 의해 지정된 가중치의 세트에 기초하여 상기 분배 해결책을 생성하는 단계로서, 상기 분배 해결책은 생산 공장으로부터 적어도 하나의 배송 위치로의 하나 이상의 배송 루트를 서술하는 분배 해결책 생성 단계를 수행함으로써 상기 최적화된 생산 해결책에 대한 최적화된 분배 해결책을 생성하도록 구성되는 것인, 연산 디바이스.
  38. 제37항에 있어서, 상기 공장 가중 벡터의 성분은 상기 공장 가중 벡터에 의해 나타내는 공장으로부터 벡터 성분에 의해 나타내는 시설로의 배송을 위한 우선 순위를 지시하는 것인, 연산 디바이스.
  39. 제37항에 있어서, 상기 시설 벡터의 성분은 상기 시설 벡터에 의해 나타내는 시설로부터 벡터 성분에 의해 나타내는 시설로의 후속의 배송을 위한 우선 순위를 지시하는 것인, 연산 디바이스.
KR1020077025826A 2005-04-22 2006-04-18 공급망 관리용 생산 최적화기 KR101300297B1 (ko)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US67424005P 2005-04-22 2005-04-22
US60/674,240 2005-04-22
US11/279,557 US8112300B2 (en) 2005-04-22 2006-04-12 Production optimizer for supply chain management
US11/279,557 2006-04-12
PCT/IB2006/000910 WO2006111821A2 (en) 2005-04-22 2006-04-18 Production optimizer for supply chain management

Publications (2)

Publication Number Publication Date
KR20080017004A true KR20080017004A (ko) 2008-02-25
KR101300297B1 KR101300297B1 (ko) 2013-08-28

Family

ID=36999877

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020077025826A KR101300297B1 (ko) 2005-04-22 2006-04-18 공급망 관리용 생산 최적화기

Country Status (9)

Country Link
US (1) US8112300B2 (ko)
EP (1) EP1875415A2 (ko)
JP (1) JP5053996B2 (ko)
KR (1) KR101300297B1 (ko)
AU (1) AU2006238650B2 (ko)
CA (1) CA2606133C (ko)
MX (1) MX2007012999A (ko)
RU (1) RU2458398C2 (ko)
WO (1) WO2006111821A2 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015187349A1 (en) * 2014-06-06 2015-12-10 Honeywell International Inc. Analytic framework for handling trade-offs between different business objectives in planning and scheduling applications
KR20160104909A (ko) * 2015-02-27 2016-09-06 고려대학교 산학협력단 개미 알고리즘을 이용한 물류배송용 배차 스케줄링 방법 및 시스템

Families Citing this family (59)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9729639B2 (en) * 2001-08-10 2017-08-08 Rockwell Automation Technologies, Inc. System and method for dynamic multi-objective optimization of machine selection, integration and utilization
US20090204237A1 (en) * 2001-08-10 2009-08-13 Rockwell Automation Technologies, Inc. System and method for dynamic multi-objective optimization of machine selection, integration and utilization
US8914300B2 (en) * 2001-08-10 2014-12-16 Rockwell Automation Technologies, Inc. System and method for dynamic multi-objective optimization of machine selection, integration and utilization
US7797062B2 (en) * 2001-08-10 2010-09-14 Rockwell Automation Technologies, Inc. System and method for dynamic multi-objective optimization of machine selection, integration and utilization
US8417360B2 (en) * 2001-08-10 2013-04-09 Rockwell Automation Technologies, Inc. System and method for dynamic multi-objective optimization of machine selection, integration and utilization
US20090210081A1 (en) * 2001-08-10 2009-08-20 Rockwell Automation Technologies, Inc. System and method for dynamic multi-objective optimization of machine selection, integration and utilization
WO2005004024A1 (en) * 2003-07-02 2005-01-13 Chin Kok Yap Method and system for automating inventory management in a supply chain
JP4115958B2 (ja) * 2004-03-26 2008-07-09 株式会社東芝 プラントの運転スケジュール最適化方法および最適化システム
US8300798B1 (en) 2006-04-03 2012-10-30 Wai Wu Intelligent communication routing system and method
US20080177587A1 (en) * 2007-01-23 2008-07-24 Sonia Jean Cushing Prioritizing orders using business factors
US10255581B2 (en) * 2007-03-07 2019-04-09 Jda Software Group, Inc. Fast planning heuristic for batch and interactive planning
US11403581B2 (en) 2007-03-07 2022-08-02 Blue Yonder Group, Inc. Sentient optimization for continuous supply chain management
US8069127B2 (en) * 2007-04-26 2011-11-29 21 Ct, Inc. Method and system for solving an optimization problem with dynamic constraints
US8042100B2 (en) * 2007-08-27 2011-10-18 International Business Machines Corporation Methods, systems, and computer products for evaluating robustness of a list scheduling framework
US8209045B2 (en) * 2008-04-07 2012-06-26 Honeywell International Inc. System and method for discrete supply chain control and optimization using model predictive control
US20090264225A1 (en) * 2008-04-17 2009-10-22 Lee William B Golf tee
US8812338B2 (en) * 2008-04-29 2014-08-19 Sas Institute Inc. Computer-implemented systems and methods for pack optimization
US20100004941A1 (en) * 2008-07-02 2010-01-07 International Business Machines Corporation Method and Apparatus for Generating Customized Provisioning Workflows from One Flow Models
US20100005469A1 (en) * 2008-07-02 2010-01-07 International Business Machines Corporation Method and System for Defining One Flow Models with Varied Abstractions for Scalable lean Implementations
US20100002864A1 (en) * 2008-07-02 2010-01-07 International Business Machines Corporation Method and System for Discerning Learning Characteristics of Individual Knowledge Worker and Associated Team In Service Delivery
US20100004967A1 (en) * 2008-07-02 2010-01-07 International Business Machines Corporation Method and System for Generating One Flow Models from Runtime Service Delivery Process
JP5159518B2 (ja) * 2008-08-28 2013-03-06 株式会社日立製作所 供給計画作成装置、プログラム及び合成方法
US8195496B2 (en) * 2008-11-26 2012-06-05 Sap Aktiengesellschaft Combining multiple objective functions in algorithmic problem solving
US8315920B2 (en) 2010-03-09 2012-11-20 At&T Intellectual Property I, L.P. Method for automating onboarding of user generated ringback tones to sales distribution channel
US20110225636A1 (en) * 2010-03-09 2011-09-15 Keith Chad C Method For Automating Onboarding Application Developers To Sales Distribution Channel
US9124554B2 (en) 2010-03-09 2015-09-01 At&T Intellectual Property I, L.P. Mobility network operator service delivery hub
CN101916444B (zh) * 2010-08-23 2012-04-11 南京信息工程大学 基于形态学和蚁群算法的医学细胞边缘检测方法
US8515835B2 (en) * 2010-08-30 2013-08-20 Sas Institute Inc. Systems and methods for multi-echelon inventory planning with lateral transshipment
US8788315B2 (en) 2011-01-10 2014-07-22 Sas Institute Inc. Systems and methods for determining pack allocations
US8688497B2 (en) 2011-01-10 2014-04-01 Sas Institute Inc. Systems and methods for determining pack allocations
KR101526092B1 (ko) 2011-05-12 2015-06-04 에어 프로덕츠 앤드 케미칼스, 인코오포레이티드 개선된 생산 및 분배를 위한 방법들
US9224121B2 (en) * 2011-09-09 2015-12-29 Sap Se Demand-driven collaborative scheduling for just-in-time manufacturing
US8676630B2 (en) 2012-02-07 2014-03-18 Caterpillar Inc. Systems and methods for selectively updating forecast data
US8924320B2 (en) 2012-02-07 2014-12-30 Caterpillar Inc. Systems and methods for forecasting using process constraints
US8606620B2 (en) 2012-02-07 2013-12-10 Caterpillar Inc. Systems and methods for forecasting using an attenuated forecast function
US20140222487A1 (en) * 2013-02-04 2014-08-07 The Boeing Company Total-Ordering In Process Planning
US9536192B2 (en) 2014-06-23 2017-01-03 International Business Machines Corporation Solving vehicle routing problems using evolutionary computing techniques
CN104200271A (zh) * 2014-08-22 2014-12-10 华南农业大学 一种发动机多目标优化算法
US10753751B2 (en) 2014-09-19 2020-08-25 Arris Enterprises Llc Systems and methods for street level routing
US20160210683A1 (en) * 2015-01-19 2016-07-21 International Business Machines Corporation Order Offload
US11775937B2 (en) 2015-10-08 2023-10-03 Arris Enterprises Llc Dynamic capacity ranges for workforce routing
US10242388B2 (en) * 2016-01-05 2019-03-26 Amobee, Inc. Systems and methods for efficiently selecting advertisements for scoring
US20170344933A1 (en) * 2016-05-27 2017-11-30 Caterpillar Inc. Method and system for managing supply chain with variable resolution
US11158017B2 (en) * 2016-12-28 2021-10-26 Sap Se Warehouse management system
CN107301504B (zh) * 2017-06-12 2018-06-15 合肥工业大学 基于混合蛙跳—路径重连的生产运输协同调度方法和系统
WO2019236373A1 (en) * 2018-06-04 2019-12-12 KSR Unlimited LLC Produced physical bulk asset hauling dispatch system
US11694142B2 (en) * 2018-12-31 2023-07-04 Noodle Analytics, Inc. Controlling production resources in a supply chain
US11466998B1 (en) * 2019-02-15 2022-10-11 State Farm Mutual Automobile Insurance Company Systems and methods for dynamically generating optimal routes for management of multiple vehicles
US11493345B1 (en) 2019-02-15 2022-11-08 State Farm Mutual Automobile Insurance Company Systems and methods for dynamically generating optimal routes for vehicle delivery management
CN111859733B (zh) * 2020-06-19 2023-06-27 江西五十铃汽车有限公司 一种基于蚁群算法的汽车排气系统可靠性优化方法
US20220156693A1 (en) * 2020-11-17 2022-05-19 Exel Inc. d/b/a DHL Supply Chain (USA) Computerized system and method for developing optimized cargo transportation solutions
CN112131761A (zh) * 2020-11-25 2020-12-25 晶芯成(北京)科技有限公司 基于群体智能算法的工厂派工方法及系统
US11546216B2 (en) * 2020-12-22 2023-01-03 Mellanox Technologies, Ltd. Real time performance tuning of network devices
US20220253769A1 (en) * 2021-02-04 2022-08-11 C3.Ai, Inc. Constrained optimization and post-processing heuristics for optimal production scheduling for process manufacturing
US11928699B2 (en) 2021-03-31 2024-03-12 International Business Machines Corporation Auto-discovery of reasoning knowledge graphs in supply chains
WO2023009019A1 (ru) * 2021-07-26 2023-02-02 Публичное Акционерное Общество "Сбербанк России" Способ и система способ расчета количества поставок продукции для пополнения запасов
CN116151526A (zh) * 2021-11-18 2023-05-23 英业达科技有限公司 排程装置以及方法
JP2023118523A (ja) * 2022-02-15 2023-08-25 富士通株式会社 均衡解探索プログラム、均衡解探索方法および情報処理装置
CN117273318B (zh) * 2023-09-11 2024-05-03 江苏和光舒卷数字科技有限公司 物料齐套的分析方法和装置

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
IT1014170B (it) * 1973-05-14 1977-04-20 Cybco Sa Macchina informatica per la ricer ca di soluzioni ottimal
JP2621172B2 (ja) * 1987-04-22 1997-06-18 トヨタ自動車株式会社 生産管理システム
US5155679A (en) * 1989-12-18 1992-10-13 Hewlett-Packard Company Set-up optimization for flexible manufacturing systems
US5327340A (en) * 1990-08-23 1994-07-05 Toyota Jidosha Kabushiki Kaisha Production order determining method
US5841659A (en) * 1994-05-26 1998-11-24 Matsushita Electric Industrial Co., Ltd. Production plan generating method and apparatus
GB9517775D0 (en) * 1995-08-31 1995-11-01 Int Computers Ltd Computer system using genetic optimization techniques
US6198980B1 (en) * 1998-11-06 2001-03-06 John Costanza Institute Of Technology System and method for designing a mixed-model manufacturing process
JP2000176799A (ja) * 1998-12-08 2000-06-27 Toshiba Corp 生産製造計画システム
US6434443B1 (en) * 1999-05-17 2002-08-13 Taiwan Semiconductor Manufacturing Company Method for performing dynamic re-scheduling of fabrication plant
WO2002007045A2 (en) * 2000-07-13 2002-01-24 Manugistics, Inc. Shipping and transportation optimization system and method
US7117164B2 (en) * 2001-01-26 2006-10-03 I2 Technologies Us, Inc. System and method of demand planning for intermediate and by-products
US7672862B1 (en) * 2001-04-02 2010-03-02 I2 Technologies Us, Inc. Generating a supply chain plan
US6904421B2 (en) * 2001-04-26 2005-06-07 Honeywell International Inc. Methods for solving the traveling salesman problem
JP2003308366A (ja) * 2002-04-15 2003-10-31 Mitsubishi Electric Corp 製造管理方法
US7116643B2 (en) * 2002-04-30 2006-10-03 Motorola, Inc. Method and system for data in a collection and route discovery communication network
US7636670B2 (en) * 2002-10-17 2009-12-22 Sap Aktiengesellschaft Method and computer program product that determine values of characteristic value combinations for use in the production of products
US7072723B2 (en) * 2002-10-23 2006-07-04 Clearsight Systems Inc. Method and system for optimization of general problems
RU2216039C1 (ru) * 2002-12-27 2003-11-10 Общество с ограниченной ответственностью "Совместное предприятие ПЕТРОКОМ" Способ автоматизированного управления материальными потоками предприятия
JP2004310290A (ja) * 2003-04-03 2004-11-04 Renesas Technology Corp 複数の生産ラインにおける生産管理方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015187349A1 (en) * 2014-06-06 2015-12-10 Honeywell International Inc. Analytic framework for handling trade-offs between different business objectives in planning and scheduling applications
KR20160104909A (ko) * 2015-02-27 2016-09-06 고려대학교 산학협력단 개미 알고리즘을 이용한 물류배송용 배차 스케줄링 방법 및 시스템

Also Published As

Publication number Publication date
US20060241986A1 (en) 2006-10-26
WO2006111821A3 (en) 2007-11-22
KR101300297B1 (ko) 2013-08-28
AU2006238650B2 (en) 2012-03-22
AU2006238650A1 (en) 2006-10-26
WO2006111821A2 (en) 2006-10-26
RU2007143321A (ru) 2009-05-27
JP2008537247A (ja) 2008-09-11
EP1875415A2 (en) 2008-01-09
RU2458398C2 (ru) 2012-08-10
JP5053996B2 (ja) 2012-10-24
CA2606133C (en) 2014-05-27
US8112300B2 (en) 2012-02-07
CA2606133A1 (en) 2006-10-26
MX2007012999A (es) 2007-12-13

Similar Documents

Publication Publication Date Title
KR101300297B1 (ko) 공급망 관리용 생산 최적화기
Aliev et al. Fuzzy-genetic approach to aggregate production–distribution planning in supply chain management
Coelho et al. The inventory-routing problem with transshipment
Eskandarpour et al. A large neighborhood search heuristic for supply chain network design
Uggen et al. Using and extending fix-and-relax to solve maritime inventory routing problems
Atabaki et al. A priority-based firefly algorithm for network design of a closed-loop supply chain with price-sensitive demand
Avci et al. A Multi-objective, simulation-based optimization framework for supply chains with premium freights
Wanke et al. Fuzzy inference systems and inventory allocation decisions: Exploring the impact of priority rules on total costs and service levels
Drexl et al. A survey of location-routing problems
Azimian et al. Supply chain management through the stochastic goal programming model
Anvar et al. CARBON EMISSION MANAGEMENT FOR GREENING SUPPLY CHAINS AT THE OPERATIONAL LEVEL.
Vadseth et al. A multi-start route improving matheuristic for the production routeing problem
Biswas et al. A strategic decision support system for logistics and supply chain network design
Wong et al. Yield and port performance shipping allocation model for revamp service deployments under a dynamic trading landscape
Gu et al. The Impact of Bunker Risk Management on CO 2 Emissions in Maritime Transportation under ECA Regulation
Committee On the Next Decade in Operations Research (CONDOR) Operations research: the next decade
Lee et al. A matheuristic algorithm for block assignment problem in long-term production planning in the shipbuilding industry
Mula et al. Optimization models for supply chain production planning under fuzziness
Govindaiah et al. Applying Reinforcement Learning to Plan Manufacturing Material Handling Part 2: Experimentation and Results
Alfares Introduction to Optimization Models and Techniques
Turgay Streamlined Supply Chain Operations: Leveraging Permutation-Based Genetic Algorithms for Production and Distribution
Meier et al. Solving inventory routing problems with the Gurobi Branch-and-Cut Algorithm
Huang et al. An adaptive GLNPSO method for inventory replenishment supply chain problem with multiple-warehouse policy and budget consideration
Kang et al. A Dynamic Programming‐Based Sustainable Inventory‐Allocation Planning Problem with Carbon Emissions and Defective Item Disposal under a Fuzzy Random Environment
Damand et al. A first optimization approach to parameterize demand-driven MRP in the presence of multiple products and finite capacity

Legal Events

Date Code Title Description
A201 Request for examination
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20160811

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20170811

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20180809

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20190808

Year of fee payment: 7