Comment les algorithmes génétiques peuvent-ils être appliqués à l’optimisation de la chaîne d’approvisionnement ?

Les algorithmes génétiques (GA) sont un ensemble spécial d’algorithmes évolutifs, ces algorithmes tentent de simuler l’évolution de l’évolution de la biologie mais dans le domaine des nombres. L’algorithme génétique est l’un des outils qui peut être utilisé pour appliquer des méthodes de calcul évolutionnaire afin de trouver de bonnes solutions, parfois même optimales, à des problèmes qui ont des milliards de solutions potentielles. La mise en œuvre de ce type d’algorithme progressif dans la gestion de la chaîne d’approvisionnement pourrait aider à résoudre la complexité du SCM qui a augmenté au fil du temps. Dans cet article, nous mettrons l’accent sur la façon dont les techniques d’algorithme génétique peuvent être appliquées pour l’optimisation dans SCM. Voici les sujets qui seraient couverts dans cet article.

Table des matières:

  1. À propos de l’algorithme génétique (AG)
  2. À propos de la gestion de la chaîne d’approvisionnement (SCM)
  3. Applications de GA à SCM :

À propos de l’algorithme génétique (GA)

Un algorithme génétique (GA) est un algorithme de recherche basé sur la théorie de l’évolution naturelle. Cet algorithme fonctionne sur le processus de sélection naturelle où ces individus sont sélectionnés pour le traitement de qui est la personne idéale à l’aide du calcul de la condition physique pour l’étendre à la prochaine génération. Les algorithmes génétiques utilisent des caractéristiques biologiques importantes pour l’optimisation :

  • Le: environnement: est défini par le problème à traiter :
  • Chromosome:s représentent des solutions candidates au problème.
  • Le: génotypes : encoder les solutions candidates pour le problème. La traduction génotype-phénotype détermine comment les chromosomes doivent être interprétés pour obtenir les solutions candidates réelles.
  • Le: aptitude: des individus dépend de différents facteurs du problème de sorte que les individus plus adaptables sont plus susceptibles de survivre.
  • UNE: population: d’individus se développe, dans lequel de nouveaux individus entrent et d’autres disparaissent.
  • De nouveaux individus émergent à la suite de : recombinaison : et/ou : mutation: des individus précédents, de sorte que leur condition physique augmente régulièrement.

Cette explication est illustrée dans une représentation d’organigramme ci-dessous pour une meilleure compréhension des étapes de calcul de GA.

À propos de la gestion de la chaîne d’approvisionnement (SCM)

La gestion de la chaîne d’approvisionnement (SCM) implique la gestion des relations en amont et en aval avec les fournisseurs et les clients pour fournir une valeur client de haute qualité et à bas prix dans son ensemble. Il y a un total de cinq étapes principales dans la planification SCM, l’approvisionnement, la fabrication, la logistique et le retour des produits défectueux. Voici l’organigramme du SCM.

L’objectif principal du SCM est de :

  • Faire un inventaire toujours prêt selon les demandes du client :
  • Obtenez une exécution rentable et des produits peu coûteux :
  • Améliorer la réponse aux changements tels que la crise économique, le changement des directives gouvernementales, etc. pour une meilleure réactivité organisationnelle.
  • Construisez un réseau optimisé en fonction du temps.
  • Faire une entreprise rentable.

Applications de GA à SCM :

Au fil du temps, une grande diversité s’est créée dans l’offre et la demande, ce qui a rendu la gestion de la chaîne d’approvisionnement complexe pour calculer les solutions pour l’entreprise. Pour résoudre cette complexité de la chaîne d’approvisionnement, un algorithme génétique est mis en œuvre, pour avoir une solution optimisée sur la liste des solutions à l’aide de la méthodologie biologique. Jetons un coup d’œil sur ces applications et essayons de comprendre l’implémentation des algorithmes génétiques dans le SCM.

Analyse d’inventaire à l’aide d’algorithmes génétiques (GA)

Maintenir l’inventaire en fonction du rapport offre-demande est un problème complexe à résoudre en raison de la grande diversité des données. L’objectif est de prédire un niveau de stock optimal en utilisant les enregistrements. Comprenons le déroulement de l’opération pour résoudre ce problème :

Initialement, les données relatives au nombre de niveaux de stock ont ​​été libellées comme suit :

  • Le: zéro: (0) fait référence au contributeur n’ayant pas besoin de contrôle d’inventaire.
  • Le: non nul : (1,2,3, .. selon l’exigence) les données nécessitent un contrôle des stocks. Il se compose à la fois du montant excédentaire et du montant manquant.
  • Le montant excédentaire est étiqueté comme une valeur positive et le montant manquant est étiqueté comme une valeur négative.

Ensuite, les données étiquetées sont transmises à un algorithme de regroupement qui sépare les niveaux de stock qui sont en excès ou en pénurie des niveaux de stock qui ne sont ni en excès ni en pénurie. Cela se fait simplement en regroupant les valeurs nulles et non nulles. Le K efficace signifie que l’algorithme de clustering est l’algorithme parfait pour regrouper ce type de données. Après le processus de regroupement, le travail commence ses travaux sur l’algorithme génétique, le cœur de la solution finale.

Commençons par définir le chromosome, ils sont générés aléatoirement initialement en ayant les niveaux de stock dans la limite inférieure et supérieure pour tous les distributeurs et contributeurs de la chaîne d’approvisionnement et de l’usine. Le gène est le niveau de stock de chaque membre du chromosome. Si la longueur de la chaîne d’approvisionnement est n, alors la longueur du chromosome est n. Dans cette application, la longueur du chromosome est de 3 (n = 3) puisqu’il n’utilise que trois membres de la chaîne. Initialement, il y aurait un total de chromosomes biparentaux et à partir de la génération suivante, un seul chromosome aléatoire serait produit.

Passons à l’étape suivante, pour vérifier l’aptitude de chaque individu dans la population. Les fonctions de fitness assurent que l’évolution est vers l’optimisation en calculant la valeur de fitness pour évaluer la performance de chaque individu dans la population. Il trie pour le meilleur chromosome.

Ces chromosomes peuvent être représentés plusieurs fois dans les générations suivantes, conduisant ainsi à une population composée de plusieurs copies d’une même solution ce qui ne garantit pas non plus que la population initiale contienne la solution globalement optimale. Les gènes de chaque chromosome situés à droite du point de croisement sont inversés, ce qui entraîne une opération de croisement. Suite à l’opération de croisement, deux nouveaux chromosomes se forment.

Cette image montre l’état des chromosomes avant qu’ils ne se croisent lors de l’opération. Comme la valeur négative de 800 devrait être avec un chromosome négatif, la mise en œuvre d’un seul croisement pourrait être réalisée.

Par conséquent, le problème a été résolu en mettant en œuvre le croisement. Les chromosomes nouvellement obtenus à partir de l’opération de croisement sont ensuite traités pour la mutation. La mutation est le processus de génération d’un nouveau chromosome qui ne ressemble pas au chromosome candidat.

Cela se fait par une génération aléatoire de deux points, puis en effectuant des échanges entre les deux gènes. Ce processus va continuer à itérer et simultanément deux chromosomes seraient sélectionnés par la fonction de fitness va être la solution principale. Chaque itération donnerait le meilleur chromosome. Il doit y avoir un nombre optimal d’itérations. Ainsi, le chromosome final sélectionné serait la solution pour le contrôle des stocks.

Le problème de routage de véhicules (VRP)

Le problème d’acheminement de véhicules (VRP) est un problème d’optimisation combinatoire dans lequel plusieurs clients, nécessitant soit des enlèvements, soit des livraisons, doivent être desservis par un ensemble de véhicules. L’objectif est de programmer les transporteurs de manière à ce que chaque client soit visité par exactement un véhicule et que la distance totale parcourue soit minimisée.

Transporter les produits manufacturés vers les distributeurs et planifier ceux-ci est une tâche difficile à faire avec une grande diversité sur le marché. Pour résoudre ce problème, des algorithmes génétiques sont appliqués. Une célèbre marque de peintures acryliques “Asian paints” utilise cet algorithme pour acheminer ses véhicules pour une activité transparente et rentable.

Pour résoudre ce problème dans un premier temps, les données doivent être encodées, car l’algorithme d’encodage utilise la technique d’encodage “à clé aléatoire” dans laquelle il génère un nombre aléatoire entre 0 et 1 pour chaque client dans le chromosome. L’ordre dans lequel les clients sont visités est représenté en triant les nombres aléatoires par ordre croissant. Des clés aléatoires sont utilisées car elles empêchent l’infaisabilité de la mutation (reproduction).

Ces chromosomes sont alors poussés à pénaliser l’infaisabilité autrement dit c’est le calcul d’aptitude pour les chromosomes. Comme cela, un problème à plusieurs arrêts nécessite une méthode de croisement de cycles. En cela, un gène d’un parent sera copié dans un enfant, mais il devrait hériter de la position de l’autre parent. Une fois que les chromosomes croisés qui sont parfaits pour la mutation sont sélectionnés par le test, ils sont utilisés pour générer un nouveau chromosome pour le problème.

Par conséquent, en utilisant l’algorithme génétique, les véhicules sont désormais programmés en tant que transporteurs de telle manière que chaque client est visité par exactement un véhicule et que la distance totale parcourue est réduite.

Minimisation des coûts de production :

Il y a un problème avec le SCM qui est un cycle de vie de produit plus court en raison duquel il y a une forte incertitude de la demande. C’est l’une des raisons de l’augmentation du coût de production d’un produit car les fabricants doivent dépenser plus en raison de cette incertitude. L’incertitude est mesurée par la fréquence de son apparition et en analysant la contribution et l’effet relatifs de l’incertitude sur la performance. L’impact de l’incertitude peut être quantifié comme mineur ou majeur.

Pour résoudre le problème, les données sont codées et les chromosomes initiaux sont initialisés à l’aide d’une distribution uniforme. Produisant des générations successives, il est important de donner plus de chances aux individus « les plus aptes » sélectionnés à l’aide du calcul du score d’aptitude de l’individu. Le score de fitness est la probabilité attribuée en fonction du rang d’une distribution géométrique tronquée.

Les chromosomes initiaux sont formés maintenant, il peut y avoir un risque de duplication dans la génération future afin d’éviter d’avoir besoin d’utiliser un croisement à point unique dans lequel la nouvelle progéniture héritera des gènes du premier parent jusqu’au point de coupure et héritera non répétitif gènes du début du deuxième parent comme indiqué ci-dessous.

Les nouveaux chromosomes croisés seront ensuite utilisés pour la mutation afin de produire de nouveaux chromosomes à l’aide d’itérations pour obtenir un chromosome optimal ou la ou les solutions finales.

Coquille de noix:

Un algorithme génétique est un outil puissant avec le concept d’évolution comme colonne vertébrale de l’algorithme qui aide à formuler et à optimiser les solutions. Il est largement utilisé dans différents domaines et couvre les principales applications des algorithmes génétiques dans la gestion de la chaîne d’approvisionnement.

Les références:

Leave a Comment