من به عنوان یک تامین کننده TSP (Trisodium Phosphate) ، من شاهد در حال تحول در صنعت و افزایش تقاضا برای راه حل های کارآمد بوده ام. مشکل فروشنده مسافرتی (TSP) ، در حالی که به ظاهر در نگاه اول به نظر نمی رسد ، از نظر بهینه سازی و کارآیی ، زمینه مشترک را با تجارت ما به اشتراک می گذارد. در این وبلاگ ، من بررسی می کنم که چگونه می توان از یادگیری ماشین برای حل TSP استفاده کرد و چگونه می توان این مفاهیم را برای تجارت TSP تأمین کرد.
درک مشکل فروشنده مسافرتی
مشکل فروشنده مسافر یک مشکل بهینه سازی ترکیبی خوب است. هدف این است که کوتاهترین مسیری را که یک فروشنده می تواند برای بازدید از مجموعه ای از شهرها دقیقاً یک بار پیدا کند و به نقطه شروع بازگردد ، پیدا کنیم. از نظر ریاضی ، با توجه به مجموعه ای از شهرهای (N) و مسافت بین هر جفت شهر ، مشکل این است که جابجایی شهرهای (N) را پیدا کنید که مسافت کل را به حداقل می رساند.
پیچیدگی TSP با تعداد شهرها به صورت نمایی رشد می کند. برای (N) شهرها ، مسیرهای ممکن ((n - 1)!/2) وجود دارد. با افزایش (n) ، تعداد راه حل های ممکن نجومی می شود. به عنوان مثال ، برای 10 شهر ، 181440 مسیر ممکن وجود دارد ، و برای 20 شهر ، مسیرهای ممکن در حدود (6 \ time10^{16}) وجود دارد. این امر پیدا کردن راه حل بهینه با استفاده از روشهای بی رحمانه بسیار دشوار است.
رویکردهای سنتی برای حل TSP
قبل از ظهور یادگیری ماشین ، از چندین روش سنتی برای حل TSP استفاده شده است:
- بیرحمانه - جستجوی نیرو: همانطور که قبلاً ذکر شد ، این روش شامل بررسی هر مسیر ممکن و انتخاب مسیر با کوتاهترین فاصله است. در حالی که راه حل بهینه را تضمین می کند ، برای تعداد زیادی از شهرها از نظر محاسباتی غیرقابل نفوذ است.
- الگوریتم های اکتشافی: این الگوریتم هایی هستند که به سرعت راه حل های خوبی پیدا می کنند اما راه حل بهینه را تضمین نمی کنند. مثالها شامل نزدیکترین الگوریتم همسایه است ، جایی که فروشنده همیشه از نزدیکترین شهر بی نظیر و الگوریتم 2 - OPT بازدید می کند ، که به طور تکراری با تعویض جفت لبه ها ، یک مسیر معین را بهبود می بخشد.
- برنامه نویسی پویا: این رویکرد مشکل را به زیر مشکلات کوچکتر می شکند و آنها را به صورت بازگشتی حل می کند. با این حال ، همچنین از پیچیدگی زمان زیادی برخوردار است و محدود به اندازه های مشکل نسبتاً کوچک است.
رویکردهای یادگیری ماشین برای حل TSP
یادگیری ماشین روشهای جدید و قدرتمندی برای مقابله با TSP ارائه می دهد. در اینجا برخی از متداول ترین تکنیک های یادگیری ماشین استفاده شده است:
شبکه های عصبی
شبکه های عصبی ، به ویژه شبکه های عصبی مکرر (RNN) و انواع آنها مانند شبکه های حافظه کوتاه کوتاه (LSTM) برای حل TSP استفاده شده است. ایده اصلی آموزش یک شبکه عصبی برای پیش بینی مسیر بهینه با توجه به ورودی مختصات شهرها است.
یک رویکرد استفاده از یک مدل دنباله دنباله - به - است. دنباله ورودی لیست شهرها است و دنباله خروجی ترتیب بهینه برای بازدید از شهرها است. شبکه عصبی در تعداد زیادی از موارد TSP آموزش دیده است و در حین آموزش ، می آموزد که شهرهای ورودی را به مسیر بهینه ترسیم کند.
رویکرد دیگر استفاده از یک شبکه عصبی نمودار (GNN) است. از آنجا که TSP را می توان به عنوان یک نمودار نشان داد ، جایی که شهرها گره هستند و مسافت بین آنها لبه ها هستند ، می توان از GNN ها برای یادگیری ساختار نمودار و یافتن مسیر بهینه استفاده کرد. GNN ها به ویژه مؤثر هستند زیرا می توانند روابط بین شهرهای مختلف موجود در نمودار را ضبط کنند.
یادگیری تقویت کننده
یادگیری تقویت نوعی یادگیری ماشین است که در آن یک عامل یاد می گیرد که دنباله ای از تصمیمات را برای به حداکثر رساندن پاداش تجمعی اتخاذ کند. در زمینه TSP ، نماینده فروشنده است ، تصمیمات ترتیب بازدید از شهرها است و پاداش منفی از کل مسافت طی شده است (بنابراین هدف این است که پاداش را به حداکثر برساند ، این به معنای به حداقل رساندن فاصله است).
نماینده با یک خط مشی تصادفی شروع می شود و با محیط (نمونه TSP) در تعامل است. در هر مرحله ، یک عمل را انتخاب می کند (از یک شهر بازدید می کند) ، و بر اساس وضعیت حاصل (مجموعه جدید شهرهای غیرمجاز و موقعیت فعلی) ، پاداش دریافت می کند. سپس نماینده خط مشی خود را با استفاده از الگوریتم هایی مانند Q - Learning یا Gradients Policy برای بهبود عملکرد خود در طول زمان به روز می کند.
استفاده از یادگیری ماشین در تجارت TSP
به عنوان یک تأمین کننده TSP ، می توانیم چندین موازی بین TSP و عملیات تجاری خود را ترسیم کنیم. به عنوان مثال ، هنگام تحویل محصولات TSP به چندین مشتری ، ما با یک مشکل بهینه سازی مشابه برای یافتن کارآمدترین مسیر تحویل روبرو هستیم.
با استفاده از تکنیک های یادگیری ماشین برای حل TSP ، می توانیم مسیرهای تحویل خود را بهینه کنیم ، هزینه های حمل و نقل را کاهش داده و رضایت مشتری را بهبود بخشیم. ما می توانیم یک مدل یادگیری ماشین را در مورد داده های تحویل تاریخی ، از جمله مکان مشتریان ، شرایط ترافیک و زمان تحویل آموزش دهیم. سپس این مدل می تواند مسیر تحویل بهینه را برای مجموعه مشخصی از مشتریان پیش بینی کند.
علاوه بر این ، از یادگیری ماشین نیز می توان برای بهینه سازی مدیریت موجودی ما استفاده کرد. ما می توانیم از تجزیه و تحلیل پیش بینی برای پیش بینی تقاضا برای محصولات TSP در مکان های مختلف استفاده کنیم و سطح موجودی خود را بر این اساس تنظیم کنیم. این می تواند به ما در کاهش هزینه های موجودی کمک کند و اطمینان حاصل کنیم که سهام کافی برای تأمین تقاضای مشتری داریم.
محصولات TSP ما
در شرکت ما طیف گسترده ای از محصولات TSP با کیفیت بالا را ارائه می دهیم. به عنوان مثال ، ما داریمپودر کره SAPP ذخیره بلند مدت ارزش عالی، که برای ذخیره سازی طولانی مدت ایده آل است و از آب های بسیار خوبی برخوردار است. ما همچنین ارائه می دهیمبهترین قیمت TSP تریسودیوم فسفات بی آب 97 ٪ مواد غذایی درجه 7601 - 54 - 9، که یک محصول غذایی با درجه یک با سطح خلوص بالا است. و مااسید سدیم پیروفسفات CAS No.7758 - 16 - 9 درجه مواد غذایی SAPP NA2H2P2O7یک انتخاب محبوب برای برنامه های مختلف غذایی است.
پایان
یادگیری ماشین ابزارهای قدرتمندی برای حل مشکل فروشنده مسافرتی فراهم می کند ، که پیامدهای آن برای تجارت TSP ما است. با استفاده از این تکنیک ها ، می توانیم مسیرهای تحویل خود را بهینه کنیم ، مدیریت موجودی را بهبود بخشیم و در نهایت کارآیی کلی تجارت خود را تقویت کنیم.
اگر به محصولات TSP ما علاقه مند هستید یا می خواهید در مورد چگونگی بهینه سازی عملیات مرتبط با TSP شما بحث کنید ، لطفاً برای تهیه و بحث های بیشتر با ما تماس بگیرید.
منابع
- Applegate ، DL ، Bixby ، Re ، Chvátal ، V. ، & Cook ، WJ (2006). مشکل فروشنده مسافر: یک مطالعه محاسباتی. انتشارات دانشگاه پرینستون.
- Goodfellow ، I. ، Bengio ، Y. ، & Courville ، A. (2016). یادگیری عمیق مطبوعات MIT.
- Sutton ، RS ، & Barto ، AG (2018). یادگیری تقویت: مقدمه. مطبوعات MIT.