چکیده :
این مقاله یک رویکرد کنترل پیش‌بین مدل برای سیستمهای برنامه‌ریزی تولید ـ موجودی ارایه می‌کند. کنترل پیش‌بین مدل (MPC) قبلاً در مسایل زنجیرهی تأمین بهکار گرفته شده و نتایج رضایتبخشی داشته است. اما سیستمهای پیشنهادی تا حال اطلاعاتی راجع به تقاضای آتی ندارند. ادغام یک متدولوژی پیش‌بینی در چارچوب MPC می‌تواند عملکرد سیستمهای کنترلی را بهبود دهد. در این مقاله برای پیش‌بینی عدم قطعیت در رفتار تقاضای متلاطم، از روشهای کلاسیک و هوشمند پیش‌بینی استفاده می‌شود. با توجه به رفتار غیرخطی و نوسانی و حتی آشوبی تقاضای متلاطم، شبکه‌های عصبی در مقایسه با روشهای معمول کلاسیک همچون روش هموارسازی نمایی بهتر می‌توانند این رفتار را مدلسازی و پیش‌بینی نمایند. داده-های واقعی برای بررسی و مقایسهی کارایی طرح پیشنهادی با توجه به خطای معیار عملکردی بهکار گرفته می‌شود.
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 studiesپسورد: dlbook.net
دانلود مستقیم
پاسخ با نقل قول
علاقه مندی ها (بوک مارک ها)