Управління ланцюгами поставок із використанням еволюційних алгоритмів
Скіцько В. І., Войніков М. Ю.

Skitsko, Volodymyr I., and Voinikov, Mykola Yu. (2024) “Supply Chain Management Using Evolutionary Algorithms.” The Problems of Economy 3:240–248.
https://doi.org/10.32983/2222-0712-2024-3-240-248

Розділ: Економічна теорія

УДК 004.8:519.85:658.5

Анотація:
Епоха цифрових трансформацій уможливила накопичення великих масивів даних, які можуть бути використані у процесі прийняття рішень, зокрема в управлінні ланцюгами поставок. При ускладненні розв'язуваних задач класичні оптимізаційні методи втрачають свою ефективність і не дозволяють отримати рішення за прийнятний час, що породжує потребу у дослідженні нових інструментів для їх вирішення, серед яких є й еволюційні алгоритми, що використовують принципи біологічної еволюції, дозволяючи отримати рішення, близькі до оптимального (або й точно оптимальні) за прийнятний час. Еволюційні алгоритми входять до ширшого напряму в штучному інтелекті – еволюційних обчислень. У статті виокремлено характеристики еволюційних алгоритмів, які вирізняють їх з-поміж інших алгоритмів еволюційних обчислень, і проаналізовано найпопулярніші еволюційні алгоритми: генетичний алгоритм, генетичне програмування, еволюційне програмування, еволюційні стратегії та диференціальну еволюцію, зокрема, їх особливості та сфери застосування в управлінні ланцюгами поставок. Проведено порівняльний аналіз і надано рекомендації щодо вибору відповідного алгоритму, зважаючи на характеристики задачі, зокрема, структуру рішення (кодування), дискретність чи неперервність змінних, швидкість потрапляння до локального оптимуму. Проаналізовано літературу та наведено перелік щодо використання різних еволюційних алгоритмів для задач управління ланцюгами поставок, зокрема, в складському плануванні, організації перевезень, планування робіт тощо. Оскільки ефективність застосування еволюційних алгоритмів залежить не лише від вибору конкретного алгоритму, а й від вибору параметрів, їх гнучкого налаштування тощо, у наступних дослідженнях доцільно розглянути модифікації еволюційних алгоритмів, гібридні й адаптивні підходи.

Ключові слова: еволюційні алгоритми, управління ланцюгами поставок, генетичні алгоритми, генетичне програмування, еволюційне програмування, еволюційні стратегії, диференціальна еволюція.

Рис.: 2. Табл.: 2. Бібл.: 23.

Скіцько Володимир Іванович – кандидат економічних наук, доцент, доцент, кафедра математичного моделювання та статистики, Київський національний економічний університет імені Вадима Гетьмана (просп. Берестейський, 54/1, Київ, 03057, Україна)
Email: skitsko@kneu.edu.ua
Войніков Микола Юрійович – аспірант, кафедра математичного моделювання та статистики, Київський національний економічний університет імені Вадима Гетьмана (просп. Берестейський, 54/1, Київ, 03057, Україна)
Email: mykola.voinikov@gmail.com

Список використаних у статті джерел

Corne D. W., Lones M. A. Evolutionary algorithms // Handbook of Heuristics / R. Marti, P. Pardalos, M. Resende (eds.). Springer. 2018. DOI: https://doi.org/10.48550/arXiv.1805.11014
Xin L., Xu P., Gu M. Logistics Distribution Route Optimization Based on Genetic Algorithm. Computational Intelligence and Neuroscience. 2022. DOI: https://doi.org/10.1155/2022/8468438
Kordos M., Boryczko J., Blachnik M., Golak S. Optimization of Warehouse Operations with Genetic Algorithms. Applied Sciences. 2020. Vol. 10 (14). 4817. DOI: https://doi.org/10.3390/app10144817
Grznar P., Krajcovic M., Gola A., Dulina L., Furmannova B., Mozol S., Plinta D., Burganova N., Danilczuk W., Svitek R. The use of a genetic algorithm for sorting warehouse optimisation. Processes. 2021. Vol. 9 (7). 1197. DOI: https://doi.org/10.3390/pr9071197
Jacobsen-Grocott J., Mei Y., Chen G., Zhang M. Evolving heuristics for Dynamic Vehicle Routing with Time Windows using genetic programming. IEEE Congress on Evolutionary Computation (CEC). 2017. P. 1948–1955. DOI: https://doi.org/10.1109/CEC.2017.7969539
Sheta A., Ahmed S., Faris H. Evolving Stock Market Prediction Models Using Multi-gene Symbolic Regression Genetic Programming. Artificial Intelligence and Machine Learning (AIML). 2015. Vol. 15. P. 11–20.
Kumar S., Sikander A. Optimum Mobile Robot Path Planning Using Improved Artificial Bee Colony Algorithm and Evolutionary Programming. Arabian Journal for Science and Engineering. 2022. Vol. 47 (3). P. 3519–3539. DOI: https://doi.org/10.1007/s13369-021-06326-8
Hall J. D., Bowden R. O., Usher, J. M. Using evolution strategies and simulation to optimize a pull production system. Journal of Materials Processing Technology. 1996. Vol. 61 (1–2). P. 47–52. DOI: https://doi.org/10.1016/0924-0136(96)02464-8
Karabulut K., Oztop H., Kandiller L., Tasgetiren M. F. Modeling and optimization of multiple traveling salesmen problems: An evolution strategy approach. Computers & Operations Research. 2021. Vol. 129. 105192. DOI: https://doi.org/10.1016/j.cor.2020.105192
Nearchou A., Omirou S. Differential evolution for sequencing and scheduling optimization. Journal of Heuristics. 2006. Vol. 12 (4). P. 395–411. DOI: https://doi.org/10.1007/10732-006-3750-x
Wang S., Wang L., Pi Y. A hybrid differential evolution algorithm for a stochastic location-inventory-delivery problem with joint replenishment. Data Science and Management. 2022. Vol. 5 (3). P. 124–136. DOI: https://doi.org/10.1016/j.dsm.2022.07.003.
Fogel D. B. Evolutionary computation: Toward a new philosophy of machine intelligence. The Institute of Electrical and Electronics Engineers, Inc. 2005. DOI: https://doi.org/10.1002/0471749214
Lones M. A. Metaheuristics in nature-inspired algorithms. Proceedings of genetic and evolutionary computation conference (GECCO 2014), workshop on metaheuristic design patterns (MetaDeeP). ACM. 2014. P. 1419–1422.
Greensmith J., Whitbrook A., Aickelin, U. Artificial Immune Systems. Handbook of Metaheuristics, 2nd Edition, Springer. 2010. DOI: https://doi.org/10.48550/arXiv.1006.4949
Mir J. A., Mehmood M., Anwar M. T., Wani M. Y. A Contemporary Overview of the History and Applications of Artificial Life. Automation, Control and Intelligent Systems. 2015. Vol. 3. DOI: https://doi.org/10.11648/j.acis.20150301.12
Koza J. R. Genetic programming as a means for programming computers by natural selection. Stat Comput. 1994. Vol. 4. P. 87–112. DOI: https://doi.org/10.1007/BF00175355
Karyotis V., Stai E., Papavassiliou S. Evolutionary dynamics of complex communications networks (1st ed.). CRC Press, 2017.
Baker B., Ayechew M. A. A genetic algorithm for the vehicle routing problem. Computers & Operations Research. 2003. Vol. 30 (5). P. 787–800. DOI: https://doi.org/10.1016/S0305-0548(02)00051-5
Radhakrishnan, P., Prasad, V. M., Gopalan, M. R. Genetic Algorithm Based Inventory Optimization Analysis in Supply Chain Management. 2009 IEEE International Advance Computing Conference (IACC 2009). 2009. P. 418-422. DOI: https://doi.org/10.1109/IADCC.2009.4809047
Lawrynowicz A. Genetic algorithms for solving scheduling problems in manufacturing systems. Foundations of Management. 2011. Vol. 3 (2). P. 7–26. DOI: https://doi.org/10.2478/v10238-012-0039-2
Majumder S., Singh A. An evolution strategy with tailor-made mutation operator for colored balanced traveling salesman problem. Applied Intelligence. 2024. DOI: https://doi.org/10.1007/s10489-024-05473-3
L. dos Santos Coelho, Lopes H. S. Supply chain optimization using chaotic differential evolution method. 2006 IEEE International Conference on Systems, Man and Cybernetics. 2006. P. 3114–3119. DOI: https://doi.org/10.1109/ICSMC.2006.384594
Agrawal R., Goyal A. Warehousing location optimisation for a supply chain using differential evolution and GIS. International Journal of Service and Computing Oriented Manufacturing. 2016. Vol. 2 (3/4), P. 245–257.