Inteligentny system hybrydowy -...

Politechnika Poznańska

Wydział Inżynierii

Zarządzania

Inteligentny system hybrydowy

zarządzania logistyką

zaopatrzeniową

Rozprawa doktorska

Promotor: prof. dr hab. inż.

Leszek Pacholski

Promotor pomocniczy:

dr inż. Agnieszka Stachowiak

Natalia Kubiak

Poznań, 2013

Szczególne podziękowania składam

promotorom

profesorowi Leszkowi Pacholskiemu

oraz doktor Agnieszce Stachowiak,

za poświęcony czas oraz cierpliwość.

Pracę tę dedykuję trzem

najważniejszym mężczyznom

mojego życia

Synkowi, Mężowi oraz Tacie

Spis treści

1. Wprowadzenie ................................................................................................................ 5

1.1. Uzasadnienie podjęcia tematu .................................................................................. 5

1.2. Cel i zakres pracy ..................................................................................................... 7

1.3. Metodyka realizacji pracy ...................................................................................... 10

2. Bibliograficzne podstawy tematu .................................................................................. 13

2.1. Systemy logistyczne i zarządzanie logistyką ......................................................... 13

2.2. Systemy ekspertowe ............................................................................................... 20

2.3. Sieci neuronowe ..................................................................................................... 25

2.4. Problem komiwojażera............................................................................................ 37

3. Koncepcja systemu ........................................................................................................ 40

3.1. Zarządzanie logistyką zaopatrzeniową i dystrybucyjną .......................................... 40

3.2. Potencjalne korzyści i problemy ............................................................................ 42

3.3. Model jakościowy systemu .................................................................................... 44

3.4. Model ilościowy systemu ........................................................................................ 50

4. Aplikacyjny model zaopatrzeniowy ............................................................................... 56

4.1. Architektura systemu hybrydowego ....................................................................... 56

4.2. Analiza wyników działania sieci ............................................................................. 68

5. Podsumowanie i kierunki dalszych badań oraz aplikacji ............................................... 74

5.1. Dostosowanie aplikacji do ogólnej koncepcji systemu i możliwe ulepszenia ....... 74

5.2. Walidacja modelu systemu ..................................................................................... 79

Spis tabel i rysunków .......................................................................................................... 83

Literatura ............................................................................................................................. 85

1. Wprowadzenie

1.1 Uzasadnienie podjęcia tematu

Komputerowe wspomaganie ludzkiej działalności wykorzystywane jest

w najróżniejszych dziedzinach, a komputery i różnego rodzaju sterowniki można znaleźć

w obecnych czasach wszędzie – w gospodarstwie domowym, jak i w przedsiębiorstwie,

a dokładniej w obszarach szeroko rozumianego zarządzania i sterowania procesami

technologicznymi [Domínguez 2004, s. 281]. Powszechne zastosowanie komputerów

w gospodarce krajów wysoko rozwiniętych jest poważnym źródłem dochodów krajowych,

a ponadto warunkiem sprawnego funkcjonowania nowoczesnego społeczeństwa.

W gospodarce opartej na wiedzy sprawne zarządzanie przedsiębiorstwem zależy od

umiejętności wykorzystania nowoczesnych technologii i systemów informatycznych [Lenart

2010, s. 318], w których sztuczna inteligencja i systemy eksperckie są coraz powszechniej

stosowane [zob. Zieliński 2000, s. l1; Coyle 2007, s. 523; Szczerbicki 1999, s. 1055-1060;

Kubiak M. 2006, s. 35].

Według Zielińskiego systemy informacyjne zarządzania (SIZ) stanowią podklasę

systemów służących wspomaganiu zarządzania organizacją gospodarczą, realizowanego

poprzez funkcję planowania, organizowania, motywowania, kontrolowania i koordynacji,

a zarządzanie jest ciągłym procesem podejmowania decyzji, wymagającym odpowiednio

przygotowanych i przetworzonych informacji [Zieliński 2000, s. 13]. Należy podkreślić, że

jedynie sieć komputerowa zapewnia odpowiednie pozyskanie, gromadzenie i transmisję

informacji oraz możliwość zastosowania zintegrowanego oprogramowania wspomagającego

zarządzanie na poziomie całego przedsiębiorstwa [Bendkowski 2005, s. 54], które

przykładowo ułatwi zamawianie pozycji materiałowych lub wesprze kontrolę przepływu

wytwarzanego produktu albo wysyłkę i zarządzanie środków finansowych przedsiębiorstwa

[zob. Golińska 2011, s. 4335], jak i diagnostykę ergonomiczną w przedsiębiorstwie

[Pacholski 1998, s. 715-728]. Systemy zarządzania bazami danych, wykorzystywane są we

wszystkich niemal systemach informatycznych wspierających działalność człowieka [Bach

2006, s. 247] i stanowią jedno z pierwszych zastosowań systemów sztucznej inteligencji

[Flasiński 2011, s. 233].

Informacja, która powstaje po przetworzeniu danych musi dotyczyć badanego

zagadnienia, być przekazywana w taki sposób, aby móc wykorzystać ją przy podejmowaniu

decyzji oraz w odpowiednim czasie oraz miejscu w czytelnej i przejrzystej formie, aby

ułatwić jej zrozumienie. Uważa się [patrz Wierzbicki 1986, s. 80], że głównym zadaniem

informatyki, a tym samym i programów komputerowych, w zarządzaniu jest sprawne

(szybkie, niezawodne i nieangażujące nadmiernych środków) uzyskanie przydatnej

informacji, czyli takiej która jest prawdziwa, o odpowiedniej dokładności, odpowiednio

wyselekcjonowana i zgrupowana [Januszewski 2008, s. 14-16]. Często informacja ta jest

generowana na podstawie innej, wcześniej wygenerowanej informacji [Oleński 2003, s. 90].

Inteligentny system hybrydowy zarządzania logistyką ... Strona | 6

Między innymi właśnie ze względu na złożoność procesu gromadzenia, przetworzenia

i transmisji danych, ale również ze względu na ogrom dostępnej informacji można

powiedzieć, że o efektywności zarządzania w dużym stopniu przesądza sprawnie

funkcjonujący i dostosowany do potrzeb system informacyjny [Zieliński 2000, s. 13], który

stał się nieodłącznym i nieodzownym elementem infrastruktury systemów logistycznych

[Gołembska 2010, s. 167], dlatego systemy informacyjne należą do najważniejszych,

najliczniejszych i najbardziej rozwijających się systemów informatycznych [Bubnicki 2005,

s. 11].

Autorka miała możliwość zaobserwowania zastosowania różnorodnych systemów

informatycznych i niestety często ich niedopasowania do rzeczywistości, w trakcie

wieloletniej pracy w obszarze logistyki firm produkcyjnych z różnych sektorów gospodarki.

Wielokrotnie prace nad nowym systemem informatycznym, dostosowanym do nowych

warunków zewnętrznych i wewnętrznych, trwają latami i nim system zostanie wdrożony,

przestaje być adekwatny do aktualnej sytuacji gospodarczej. Dlatego właśnie zastosowanie

odpowiedniego systemu informatycznego w przedsiębiorstwie jest tak istotne.

Potwierdzeniem spostrzeżeń autorki jako pracownika, a przez to i ogniwa systemu

logistycznego, może być fakt, iż występują takie definicje logistyki, które bezpośrednio

odnoszą się do systemów informatycznych. Przykładowo P. Blaik pojęcie logistyki pojmuje

jako zintegrowane systemy planowania, organizowania, kierowania i kontrolowania procesów

fizycznego obiegu towarów i ich informacyjnych uwarunkowań, w aspekcie optymalizacji

realizowanych działań i celów [Kubicki 2000, s. 32].

Integracja i podejście systemowe (czyli systemowe podejmowanie decyzji w ramach

wyznaczonych zasad [Frąś 2008, s. 150]) są charakterystyczne dla logistyki. R. Rupper

i R. Scheuchzer utożsamiają nawet pojęcie „logistyki” z teorią systemów obejmującą

wszystkie te procesy, które służą pokonaniu przestrzeni i czasu przez dowolne przedmioty

[Kubicki 2000, s. 33], co pokazuje, że podejście to jest również bardzo istotne. Z tego

względu według Fijałkowskiego pojęcie logistyki obejmuje badanie, projektowanie

i eksploatację systemów i procesów logistycznych, posługując się przy tym różnymi

dyscyplinami nauki i dziedzinami techniki [Fijałkowski 2003, s. 168].

Dziedzina nauki, która będzie wykorzystana w niniejszej pracy do optymalizacji

systemów i procesów logistycznych, to sztuczna inteligencja (ang. Artificial Intelligence,

skrótowo oznaczana przez AI), czyli dziedzina informatyki dotycząca metod i technik

wnioskowania symbolicznego przez komputer oraz symbolicznej reprezentacji wiedzy

stosowanej w takim wnioskowaniu. AI to:

(1) dział informatyki, sprawiający, że maszyny wykonują czynności, które wymagałyby

użycia inteligencji, gdyby wykonywali to ludzie [Zieliński 2000, s. 24],

(2) rozwój systemów komputerowych, które realizują funkcje zwykle wykonywane przez

człowieka, czyli obejmujące te metody programowania komputerów, które powodują

zachowanie się komputera zbliżone do sposobu myślenia ludzkiego [Kwiatkowska

2007, s. 72].

1. Wprowadzenie Strona | 7

Podstawową cechą programów sztucznej inteligencji to zbiór umiejętności

umożliwiających racjonalne wykorzystanie zdobytej wiedzy i udana (czyli przynosząca

korzyści) reakcja na nowe zadania i warunki. Dzięki temu AI posiada ważne zalety, m.in.

zdolność do analizowania i uogólniania, jak i umiejętność rozpoznawania obserwowanego

fragmentu rzeczywistości [Pacholski 2006, s. 219-220].

Dodatkowo warto wspomnieć, że sztuczna inteligencja korzysta z inspiracji

biologicznych, psychologicznych, statystycznych, matematycznych, logicznych,

informatycznych i wielu innych [Bednarek 2006, s. 344].

Zastosowanie elementów AI w tej pracy jest podyktowane faktem, iż są to programy

uczące się i dostosowujące do zmieniającej się rzeczywistości w sposób dynamiczny bez

konieczności zmiany struktury programu przez osobę projektującą system informatyczny, co

doskonale wpasowuje się w wymagania współczesnego środowiska biznesowego.

1.2 Cel i zakres pracy

Głównymi czynnikami wpływającymi na cenę produktu finalnego są koszty powstałe

w obszarach zaopatrzenia, transportu, produkcji, dystrybucji i z tego względu są one

racjonalizowane przez przedsiębiorstwa [zob. Fijałkowski 2003, s. 165-168].

W niniejszej pracy będą rozpatrywane i optymalizowane koszty powstałe w w/w

obszarach (oprócz produkcji i dystrybucji). Do ich racjonalizowania zastosowany zostanie

system informatyczny oparty na elementach sztucznej inteligencji, który w dużej mierze

będzie dostosowywał proces transportu do aktualnej sytuacji zaopatrzeniowej, tak by

maksymalnie skrócić czas oczekiwania na dostarczenie potrzebnego towaru oraz

maksymalnie wykorzystać przestrzeń ładunkową środka transportu.

Z doświadczenia autorki wiadomo, że te dwa czynniki – krótki czas transportu oraz

maksymalne wykorzystanie powierzchni ładunkowej – są czynnikami w wielu przypadkach

wzajemnie sprzecznymi, pozostającymi w relacji trade-off, przy optymalizacji kosztów

transportu. Często uzupełnianie powierzchni ładunkowej odbywa się poprzez zwiększenie

liczby punktów odbiorów na trasie lub przez tworzenie tzw. punktów konsolidacyjnych.

Skutkiem ubocznym takiego rozwiązania jest wydłużenie czasu transportu.

Trzeba pamiętać, iż często przewoźnik dużo czasu traci w oczekiwaniu na załadunek

lub rozładunek. Oczywiście ta strata czasu jest w dużej mierze uzależniona od infrastruktury,

jaką posiada firma, u której załadunek się odbywa i jest to aspekt jest w dużej mierze

indywidualny. Z tego też względu, iż istotny jest czas transportu, wspomniane opóźnienia

będą uwzględniane przez system [Kubiak N. 2013’, s. 731].

Optymalizacja kosztów transportu jest m.in. możliwa poprzez wprowadzenie

transportów bezpośrednich z udziałem tylko jednego dostawcy. Warto zauważyć, że bardzo

często wybór takiego dostawcy odbywa się na podstawie danych historycznych, czyli na

podstawie dotychczasowej współpracy i dotychczasowego zapotrzebowania na pozycje


materiałowe. Dzieje się tak, ponieważ raz przeanalizowany system logistyczny i procesy są

rzadko analizowane ponownie w krótkim odstępie czasu. Zatem analiza dotyczy przeszłości,

teraźniejszości i w wąskiej mierze przyszłości (na podstawie prognozy krótkoterminowej),

a następnie sytuacja gospodarcza się zmienia i w konsekwencji analiza przestaje być

adekwatna do aktualnych warunków. Jeśli dokonywana jest ponowna analiza, to aktualizacja

wyboru firmy, która uczestniczy w transporcie bezpośredni, nie odbywa się za często, raczej

szukana jest nowa firma, od której mogłyby być realizowane odbiory bezpośrednie,

a dotychczasowa firma pozostaje w organizacji transportu sprzed analizy. Może wystąpić

zatem taka sytuacja, w której transport był opłacalny przez określony czas, lecz nawet po

niewielkich zmianach w sytuacji gospodarczej, kiedy to firma, aby się do niej dostosować,

zmienia swój profil działalności a transport bezpośredni przestaje być wtedy opłacalny.

Ponadto często niestety w takich przypadkach osoby odpowiedzialne za transport tego nie

zauważają lub aktualizacja odbywa się z pewnym opóźnieniem w stosunku do zmian, gdyż

aktualizacje podsystemu wykonuje dział, który nie zadecydował o zmianie profilu,

a narzuconym przez kierownictwo lub kadrę zarządzającą. Przy gwałtownych zmianach taki

przypadek nie zaistnieje, lecz drobne zmiany w profilu działalności mogą zostać nie

zauważone przez pozostałe działy w firmie.

Dodatkowo warto zauważyć, iż zmiany takie w dynamicznie zmieniającym się

otoczeniu przedsiębiorstwa są zjawiskiem powszechnym i nieuniknionym, a związane z nimi

zmiany w systemach logistycznych są wymuszone. Przyczyny utraty przez przedsiębiorstwo

zdolności do generowania zysku wynikają zwykle właśnie ze zmian zachodzących na rynku

i mają obiektywny charakter [Pacholski 2009, s. 6] a firmy zmuszone są do szybkiego

dostosowywania istniejących procesów do nowych warunków funkcjonowania [Dudek 2010,

s. 269]. Przedsiębiorstwa, aby utrzymać się na rynku muszą ustawicznie zmieniać i rozwijać

metody zarządzania logistycznego, co jest koniecznością w dążeniu do poprawy jakości

obsługi klienta. Oznacza to, że muszą poszukiwać nowych rozwiązań. Projektowanie

i wdrażanie nowych kierunków zmian przyniesie na pewno zyski dla przedsiębiorstwa

[Kubiak M. 2006, s. 43], szczególnie takiego, które uwzględnia wszelkie dokonywane zmiany

w samej firmie i jej otoczeniu, co stanowi ważny aspekt, przewidywany również w koncepcji

systemu hybrydowego.

Potrzeba optymalizacji transportu w zaopatrzeniu jest ponadto istotna z dwóch

powodów:

droga, jaką towary i usługi muszą pokonać od ich wytwórców do finalnych

konsumentów, jest coraz dłuższa, gdyż większość firm w poszukiwaniu oszczędności

przenosi swoje zakłady w odległe miejsca świata – z dala od głównych skupisk

konsumentów [Golińska 2010, s. 132] oraz

czas zaczął być traktowany jako główne źródło przewagi konkurencyjnej,

a skrócenie czasu realizacji zamówienia złożonego przez klienta umożliwi

zmniejszenie zapasów i kosztów składowania u tego klienta, co przyczyni się do

zwiększenia wartości dodanej tworzonej w łańcuchu dostaw [Coyle 2007, s. 41].


Najprostszym sposobem na zaoszczędzenie czasu to krótszy i wydajniejszy (a dzięki

temu tańszy) transport.

Często w logistyce mamy do czynienia z rozwiązaniami, których podstawowym celem

jest maksymalne wykorzystanie przestrzeni ładunkowej pojazdu przewożącego towar. Dzieje

się to jednak zazwyczaj poprzez uzupełnienie wolnej przestrzeni towarami, które powinny

być dostarczone w następnej kolejności (czyli w późniejszym terminie) i tylko dla jednego,

wybranego na podstawie danych historycznych, dostawcy. Skutkiem takiego postępowania

jest zmniejszenie kosztów transportu, ale niestety kosztem zwiększenia związanego kapitału

oraz zwiększenia zapotrzebowania na powierzchnię magazynową, w której gromadzone są

zapasy dla późniejszego ich wydawania według potrzeb produkcji [Dudziński 2003, s. 15].

Dzieje się tak, ponieważ zapasy są następstwem trudności zapewnienia pełnej synchronizacji

dostaw i zużycia [Krzyżaniak 2008, s. 27]. Każda firma starająca się o zmniejszenie kapitału

ulokowanego w zapasach, utrzymywanych w magazynie raczej zainwestuje w szybszy

transport, aby zamrożone w zapasach środki pieniężne wykorzystać na inne cele. Z drugiej

strony takie rozwiązanie bazuje zazwyczaj na danych archiwalnych, gdyż na ich podstawie

wybierany jest dostawca, którego ta procedura będzie obowiązywać. Takie postępowanie

wydaje się być mało efektywne. Dlatego też staje się widoczne, że rozwiązania tego typu są

potrzebne, lecz przy zmienionych założeniach.

Aby jednak zaproponować odpowiedni dla przedsiębiorstwa system informatyczny

należy zbadać system logistyczny firmy, gdyż analiza i optymalizacja procesów pozwala

ustalić najlepszą konfigurację działań realizowanych przez przedsiębiorstwo i jego partnerów,

a tym samym pozwalająca uzyskać konkurencyjną przewagę na rynku [Jelonek 2010, s. 309].

Tym właśnie zagadnieniem, tzn. projektowaniem nowych i analizowaniem istniejących

systemów logistycznych, zapewniających realizację celów głównych, takich jak: produkcja,

handel, operacje militarne, lecznictwo szpitalne oraz, w szczególnym przypadku, usługi

logistyczne, zajmuje się logistyka stosowana [Fijałkowski 2003, s. 169].

Celem tej pracy jest stworzenie takiego inteligentnego system hybrydowego, który na

podstawie danych wejściowych poda propozycję przebiegu trasy odbioru towaru od

różnych dostawców. Podczas podawania tej propozycji uwzględniona będzie łączna

odległość, jaką musiałyby pokonać wszystkie pojazdy transportowe, aby odebrać towar od

dostawców, która ma być minimalna oraz łączna wykorzystana powierzchnia

ładunkowa poszczególnych pojazdów, która będzie maksymalizowana. Dodatkowo

system ten będzie zmieniał trasy odbioru towarów w zależności od zmiany wielkości tych

ładunków, czy zmiany informacji o infrastrukturze logistycznej dostawcy. Dzięki temu

system będzie wrażliwy na jakiekolwiek zmiany w otoczeniu przedsiębiorstwa, jak i w samej

firmie.

Teoretyczna analiza sytuacji logistycznej w fikcyjnym przedsiębiorstwie

produkcyjnym będzie realizowana w niniejszej pracy przez zastosowanie sieci neuronowej

i systemów eksperckich i dla takiego przedsiębiorstwa będzie zaproponowany inteligentny

system hybrydowy zarządzania logistyką zaopatrzeniową.


1.3 Metodyka realizacji pracy

Narzędziem wykorzystanym w pracy do analizy sieci logistycznej oraz procesów

logistycznych jest sieć neuronowa połączona z trzema systemami eksperckimi. Taki wybór

nie jest przypadkowy, gdyż sztuczne sieci neuronowe zdobyły szerokie uznanie w świecie

nauki poprzez ich zdolność do łatwego adoptowania do rozwiązywania różnorodnych

problemów obliczeniowych w nauce i technice. Mają własności pożądane w wielu

zastosowaniach praktycznych, tzn. możliwość uczenia się i adaptacji do zmieniających się

warunków środowiskowych, zdolność generalizacji nabytej wiedzy, i dzięki temu łatwość

dostosowywania się do zmieniającego otoczenia [Osowski 2006, s. 7]. Dzięki dynamicznemu

rozwojowi informatyki, powstaniu coraz szybszych i bardziej niezawodnych komputerów

wykorzystanie sztucznych sieci neuronowych jest możliwe na szerszą skalę [Tarczyński 2011,

s. 54; zob. Pawłyszyn 2010’, s. 191-202].

Dodatkowo należy zauważyć, iż zainteresowanie sztucznymi sieciami neuronowymi

jest bardzo powszechne w środowiskach zarówno neurobiologów, fizyków,

matematyków, jak i inżynierów [zob. Krzyśko 2008, s. 187]. Wynika ono z potrzeby

budowania bardziej efektywnych oraz niezawodnych systemów przetwarzania informacji,

wzorujących się na metodach jej przetwarzania w komórkach nerwowych. O intensywności

prowadzonych na świecie badań nad sztucznymi sieciami neuronowymi zarówno z punktu

widzenia teorii, jak i zastosowań świadczy lawinowo narastająca liczba publikacji

książkowych, powstanie nowych czasopism naukowych, organizacja konferencji i kongresów,

a także liczne oprogramowanie profesjonalne i dydaktyczne [Korbicz 1994, s. 7- 8].

Sieci neuronowe można traktować jako nowoczesne systemy obliczeniowe, które

przetwarzają informację wzorując się na zjawiskach zachodzących w mózgu człowieka.

Informacje te mają charakter danych numerycznych, na podstawie których sieć neuronowa

może np. posłużyć jako model obiektu o zupełnie nieznanej charakterystyce [Rutkowska

1999, s. 16-17].

Uniwersalność i dynamika sieci neuronowych przyczyniają się do ich szerokiego

zastosowania, a także ogromnej liczby publikacji naukowych, jakie ukazują się na ten temat

na świecie i w niezliczonych konferencjach, na których prezentowane są wyniki prac

naukowych i prób zastosowań, ale także znajduje swój wyraz w wzrastającej liczbie

uczonych, którzy uważani są za autorytety w tej dziedzinie.

Ponadto wybór sieci neuronowych był podyktowany faktem, iż jest to narzędzie

odmienne w swoich założeniach od tych programów komputerowych, którymi posługujemy

się na co dzień, a jednocześnie wygodnym i wydajnym. Zalety praktyczne sieci neuronowych

wynikają z ich dwóch podstawowych atutów [Tadeusiewicz 1993, s. 6; Barzykowski 2004,

s. 218]:

stanowią wygodną i tanią propozycję wieloprocesorowego systemu o bardzo wielu

elementach przetwarzających równolegle dostarczane informacje oraz dodatkowo


nie wymagają specjalistycznego programowania.

Porównując sieci neuronowe - należące do elementów sztucznej inteligencji - do

tradycyjnych programów, otrzymujemy następujące zestawienie (w tabeli poniżej).

Różnice, zawarte w Tabeli 1 są istotne, gdyż w dalszej części będzie przedstawiony

system hybrydowy, który będzie zachowywał w/w zalety. System ten będzie składał się

z sieci neuronowej oraz kilku systemów eksperckich, których zadaniem będzie

minimalizowanie w/w wad oraz dostarczanie danych aktualizujących sieć neuronową. Dzięki

takiemu rozwiązaniu zapewniona będzie ciągła aktualizacja systemu i tym samym,

w przekonaniu autorki, zapewni dużą efektywność jego działania.

Tab. 1. Porównanie programów sztucznej inteligencji z tradycyjnymi programami

[na podst. Zieliński 2000 i Pacholski 2012].

Ze względu na fakt, iż praca ta porusza zagadnienia, które w pewnym stopniu są

analogiczne do występujących w problemie komiwojażera, topologia sieci neuronowej oparta

będzie na metodzie rozwiązywania tego zagadnienia przy użyciu właśnie sieci neuronowej.

Dodatkowo jeden system ekspercki dokona wstępnego grupowania danych

przetwarzanych następnie przez sieć neuronową, a przez to spowoduje, iż otrzymana

propozycja będzie optymalna.

Według Zielińskiego taki wybór elementów inteligentnego systemu jest korzystny,

ponieważ wydaje się, że największe efekty osiągnie się przez zastosowanie hybrydowych

konstrukcji wykorzystujących odmienne technologie sztucznej inteligencji [Zieliński 2000,

s. 344].

W celu dokładniejszego wyjaśnienia istoty całego systemu hybrydowego przybliżone

zostaną wpierw podstawowe definicje systemów logistycznych, zarządzania logistyką, ze

szczególnym zaakcentowaniem zagadnień zarządzania logistyką zaopatrzeniową oraz


podstawowe definicje związane z systemami ekspertowymi, sieciami neuronowymi wraz

z jednym typem sieci, będącym elementem składowym systemu hybrydowego. W ten sposób

nakreślone zostaną podstawowe pojęcia ważne dla zrozumienia istoty rozpatrywanego

systemu, aby móc w dalszej części przedstawić jego koncepcję wraz z wynikami

przeprowadzonych testów oraz sformułowane zostaną wnioski i kierunki dalszych badań.

Tak poniższa praca jest ukształtowana pod względem merytorycznych, pod względem

metodologicznym natomiast praca oparta jest na książce [Mendel 2009].

Prace nad systemem przebiegały zgodnie z następującym harmonogramem:

1. Analiza dostępnej literatury na temat zastosowania inteligentnych systemów

hybrydowych w logistyce i transporcie.

2. Stworzenie ogólnej koncepcji systemu hybrydowego.

3. Analiza sieci neuronowych zastosowanych do różnego typu optymalizacji oraz ich

implementacji, w szczególności tych zastosowanych do rozwiązania zagadnienia

komiwojażera zaimplementowanych w różnych środowiskach programistycznych.

4. Wybór narzędzi informatycznych do stworzenia systemu.

5. Tworzenie topologii sieci neuronowej.

6. Implementacja programów w języku programowania.

7. Stworzenie modułu sprawdzającego dla wybranej liczby dostawców.

8. Selekcja danych do testów systemu.

9. Wprowadzenie danych do stworzonego systemu.

10. Próba stworzenia tras odbioru towarów i porównanie wyników z wynikami

otrzymanymi po zastosowaniu modułu sprawdzającego.

11. Oddanie pracy do recenzji.

2. Bibliograficzne podstawy tematu

2.1 Systemy logistyczne i zarządzanie logistyką

Aby dobrze zarządzać logistyką a szczególnie systemem logistycznym

z uwzględnieniem jego procesów należy wpierw zdefiniować czym jest logistyka, a następnie

czym jest system, proces logistyczny i zarządzanie.

Według R.D. Shapiro i J. Hesketta [Shapiro 1985, s. 6] przedmiotem logistyki jest

zapewnienie właściwego materiału, we właściwym stanie, we właściwym miejscu, we

właściwym czasie dla właściwego użytkownika i przy właściwym koszcie. Jest to tzw.

definicja „7R” (7 right). Mimo, że widoczne są w niej typowe dla logistyki czynniki:

przestrzeń, czas, jakość, klient i koszty, to definicja ta nie oddaje w pełni istoty logistyki,

a tylko zbiór jej zadań [zob. Kubiak M. 2006, s. 25].

Logistyka jest często definiowana jako kształtowanie optymalnych strumieni

materiałów i związanych z nimi strumieni informacji w celu zaspokojenia potrzeb

w rozpatrywanym obszarze, przy racjonalnych kosztach. Inaczej jest to dziedzina wiedzy

i umiejętności potrzebnych do kształtowania racjonalnych strumieni materiałów i związanych

z nimi strumieniami informacji oraz do projektowania (kształtowania i wymiarowania)

procesów przepływów materiałów i informacji, w celu zaspokojenia potrzeb

w rozpatrywanym obszarze, przy racjonalnych nakładach i kosztach.

Według CLM (Council of Logistics Management) logistyka jest procesem

planowania, realizacji i kontrolowania sprawnego, ekonomicznie efektywnego

przemieszczania i składowania surowców, półfabrykatów i wyrobów gotowych oraz

związanych z tym informacji, od punktu początkowego do punktu konsumpcji, w celu

zaspokojenia wymagań użytkownika (definicja ta została opublikowana w roku 1985).

Logistyka określana jest także jako koncepcja zarządzania procesami i potencjałem dla

skoordynowanej realizacji przepływów towarowych w skali przedsiębiorstwa i powiązań

między partnerami rynkowymi. Zorientowana na przepływy dóbr koordynacja polega przede

wszystkim na koordynacji podsystemów planowania, sterowania, realizacji i kontroli (od

sfery strategicznej do operacyjnej), jak również koordynacji dostawców, przedsiębiorstw

i nabywców. Logistyka integruje obecnie na coraz większą skalę procesy planowania

i sterowania, a także rozwija się jako instrument strategiczny. Szczególnego znaczenia nabiera

przy tym właśnie funkcja koordynacyjna, wpompowana integrująco w system przepływów

materiałów i towarów oraz w system zarządzania przedsiębiorstwem. Problem sprowadza się

m.in. do koordynacji (w sensie długoterminowym) styków funkcji i czynności logistycznych

z innymi funkcjami w przedsiębiorstwie oraz do koordynacji styków i tendencji w obszarze

celów i komponentów logistycznych w całym układzie rynkowym [Blaik 2010,

s. 54], czyli w całym systemie logistycznym przedsiębiorstwa i na jego styku z otoczeniem.


Ogólnie system jest odwzorowaniem właściwości elementów obiektu i powiązań

między elementami (właściwościami elementów) z punktu widzenia zdefiniowanego celu

badań. Oznacza to, że system to obiekt „wyodrębniony” z rzeczywistości, którego opis ma

postać relacji określonych na zbiorze wyróżnionych w obiekcie elementów, jak również

relacji „wiążących” elementy obiektu z otoczeniem. Wydzielenie systemu z istniejącej

rzeczywistości powoduje podział rzeczywistości na system i otoczenie [Jacyna 2009, s. 10].

Uzupełnieniem tej definicji jest przytaczana m.in. przez Kubiaka i Kirejczyka definicja, która

rozpatruje system jako zorganizowany zbiór elementów strukturalnych, powiązanych ze sobą,

współzależnych, i wykonujących oddzielne funkcje, ale w jednym wspólnym celu [Kubiak B.

1994, s. 49; Kirejczyk 2008, s. 33].

System logistyczny to podsystem w przedsiębiorstwie, który składa się ze środków

pracy, tj. maszyn i ludzi potrzebnych do przekształcenia obiektów, przy czym każdy system

logistyczny zawiera w sobie charakterystyczny przepływ informacji [Fijałkowski 2003,

s. 168].

Zadanie logistyczne polega na tym, aby w ramach danego systemu logistycznego

przekształcić potrzebną liczbę obiektów w wymaganym miejscu i czasie, przy minimalnych

kosztach [Fijałkowski 2003, s. 168].

System transportowy definiowany jest jako zespół składający się ze środków

transportowych, infrastruktury transportowej, ludzi odpowiedzialnych za funkcjonowanie

systemu transportowego oraz zasady i reguły, które są odpowiedzialne za przemieszczanie

osób i ładunków wraz z informacją o nich z punktów początkowych (nadania), poprzez

ewentualne punkty przeładunkowe, do punktów końcowych (odbioru) [Liberadzki 2006,

s. 517; Stajniak 2007, s. 9].

Przez pojęcie struktury systemu należy rozumieć sposób powiązania elementów

systemu.

Na ogół przyjmuje się, że system składa się z określonej liczby elementów i relacji,

ponadto każdy z elementów systemu opisany jest zbiorem cech (wartości cech dla różnych

elementów systemu mogą być różne). Zawsze można dobrać zbiór cech mierzalnych w pełni

charakteryzujących obiekt z punktu widzenia celu zaplanowanych badań [Jacyna 2009, s. 11].

Wychodząc z założenia, że system to zbiór elementów oraz zbiór relacji określonych

na jego elementach, strukturę systemu można przedstawić w postaci uporządkowanej pary

[Jacyna 2009, s. 11]:

,

dla której to zbiór wyróżnionych elementów w obiekcie, tj. [Jacyna 2009, s. 11]:

.

Zakładamy, że każdy element charakteryzuje się określonymi, kwantyfikowalnymi cechami,

a zatem element opisany jest wektorem cech o składowych ; , tj.:

2. Bibliograficzne podstawy tematu Strona | 15

,

gdzie jest zbiorem relacji określonych na elementach systemu oraz niektórych elementach

systemu i otoczenia

{ }

Posługiwanie się pojęciem systemu jest podporządkowane pewnym regułom, do

których zalicza się [Jacyna 2009, s. 14]:

1. Ścisłość – system powinien być tak określony, aby dokładnie było wiadomo, które

elementy należą do niego, a które do otoczenia.

2. Niezmienność – określenie systemu powinno pozostawać niezmienne w toku

rozważań, ponieważ niedopuszczalne jest, aby pewne elementy były traktowane raz

jako części systemu, a innym razem jako elementy otoczenia.

3. Zupełność – podział systemu na podsystemy powinien być zupełny, ponieważ system

nie może zawierać elementów nienależących do żadnego z jego podsystemów.

4. Rozłączność – podział systemu na podsystemy powinien być rozłączny, ponieważ

system nie może zawierać elementów należących do kilku podsystemów

równocześnie.

Definiując dany system, definiujemy również cel jego działania. Oceny jakości

działania systemu dokonujemy, uwzględniając poziom realizacji celu. Celem działania

systemu transportowego jest przemieszczanie ładunków [Jacyna 2009, s. 14].

Celem badań systemu transportowego jest właściwe określenie zachodzących w nim

procesów. Stąd też w wielu przypadkach traktuje się proces jako odwzorowanie

(transformację) wielkości wejściowych do procesu w wielkości wyjściowe z niego [Jacyna

2009, s. 17].

Proces logistyczny natomiast obejmuje przemieszczanie, manipulowanie, transport

i składowanie „obiektów”, tj. materiałów, informacji i energii. W ramach tego procesu

obiekty są przekształcane ze swego stanu początkowego w stan końcowy, przy czym co

najmniej jeden z elementów, takich jak czas, miejsce, liczba i artykuł zmienia się w taki

sposób, że nie wywołuje to niepożądanych zmian cech obiektów. Z tym związane jest

również pojęcie łańcucha transportowego, czyli skoordynowane z punktu widzenia

technicznego, technologicznego, organizacyjnego i handlowego racjonalne następowanie po

sobie czynności procesów przewozu, przeładunku i składowania – mające na celu

przemieszczanie dóbr niezbędnych do funkcjonowania gospodarki [Fijałkowski 2003, s. 168].

Znajomość systemu transportu ma podstawowe znaczenie dla sprawnych

i efektywnych działań logistycznych w firmie. Transport jest fizyczną nicią wiążącą

rozproszone geograficznie miejsca tej działalności. Ponadto dodaje produktom firmy

wartości, tworząc użyteczność czasu i miejsca w wyniku fizycznego przemieszczenia

towarów (jako dodanej wartości) w wyznaczone miejsce i w określonym czasie [Coyle 2007,

s. 404].


Transport jest ważnym elementem systemu logistycznego. Logistyka koncentruje się

bowiem głównie na fizycznym przemieszczaniu lub przepływie dóbr albo na sieci, w której

przemieszczane są produkty [Coyle 2007, s. 69]. Ponadto, co jest bardzo istotne, efektywne

zaopatrzenie w towary i usługi przyczynia się do przewagi konkurencyjnej danej organizacji

[Coyle 2007, s. 109].

Transport zaopatrzeniowy zaczyna się u dostawcy materiałów, od którego są one

przemieszczane do zakładu produkcyjnego nabywcy. Działalność tego transportu wspiera

działalność firmy w tym sensie, że transport na wejściu domyka lukę czasowo-przestrzenną

między nabywcą a sprzedawcą lub dostawcą. Proces odbioru polega na fizycznym przejęciu

od przewoźnika zakupionego materiału [Coyle 2007, s. 118-119].

Transport jako całość rozpatruje się, na ogół, w kategoriach systemowych, zatem aby

można było go badać konieczne jest wyróżnienie dwóch jego charakterystycznych

właściwości. Są to struktura i jej możliwości przekształcania (modyfikacji struktury), co

można utożsamiać z zachowaniem systemu.

Z pojęciem systemu ściśle związane jest pojęcie modelu, którego zastosowanie

w nauce ma inne znaczenie niż w języku potocznym, w którym na ogół oznacza pewien

wzorzec do naśladowania [zob. Ameljańczyk 1978; Bubnicki 1993; Gutenbaum 1978].

W pracy przyjęte zostało założenie, że model oznacza odwzorowanie rzeczywistości lub jej

fragmentu. Model systemu jest ilościową i jakościową reprezentacją badanego systemu na

innej bazie materialnej, ujmującej cechy systemu, które są istotne z punktu widzenia

prowadzonych badań. Oznacza to, że model traktuje się jako uproszczoną reprezentację

rzeczywistości, tj. jej podstawowych cech, istotnych ze względu na zamierzony cel badań

[Jacyna 2009, s. 20].

Zbudowany model systemu transportowego powinien odzwierciedlać złożoność

i współzależność zjawisk zachodzących w systemie oraz jego związki z otoczeniem. System

transportowy można rozpatrywać jako układ, w którym dokonywana jest transformacja

strumieni wejściowych w strumień wyjściowy, przy wykorzystaniu wyposażenia systemu

oraz jego załogi. Modele są analogiami systemów, które poddane są badaniom, aby poznać

m.in. zjawiska w nich zachodzące [Jacyna 2009, s. 22].

Modelowanie oznacza działanie polegające na dobieraniu zamiennika do oryginału

odwzorowującego badaną rzeczywistość, zwanego modelem, a następnie eksperymentowanie

z tym modelem [Jacyna 2009, s. 24].

Proces osiągania celu modelowania, czyli konstruowania modelu, można podzielić

na następujące etapy [Jacyna 2009, s. 27]:

1. Formułowanie precyzyjnego celu modelowania (gdy jest on sformułowany

odpowiednio wcześnie wyznacza pożądane kierunki badań oraz zakres i stopień

szczegółowości badań).


2. Identyfikacja zmiennych i parametrów modelu (elementów stanowiących system oraz

jego otoczenie, czyli obiekty nienależące do systemu, których cechy oddziałują na

system lub ulegają zmianie pod wpływem działania systemu).

3. Zapis funkcji kryterium modelu, kwantyfikującej cel modelowania (na tym etapie, na

ogół, formułuje się zadanie optymalizacyjne).

4. Analityczny zapis ograniczeń modelu (struktura modelu).

5. Algorytmizacja obliczeń.

6. Weryfikacja obliczeń, czyli sprawdzenie zakresu i dokładności odwzorowania

w modelu właściwości obiektu, istotnych z punktu widzenia badań.

Przystępując do zapisu problemu decyzyjnego w postaci matematycznej należy

określić [Jacyna 2009, s. 30]:

parametry, wielkości znane bądź zdefiniowane a priori, niezmienne podczas

rozwiązywania danego problemu,

zmienne decyzyjne, wielkości poszukiwane, które wymagają ustalenia podczas

rozwiązywania problemu,

ograniczenia, wyrażone algebraicznie przez układ równań i nierówności względem

zmiennych decyzyjnych,

funkcję kryterium, wskaźnik jakości rozwiązania wyrażony algebraicznie względem

zmiennych decyzyjnych.

Rozwiązanie dopuszczalne zadania optymalizacyjnego będzie w pracy utożsamiane

z takim układem wartości zmiennych decyzyjnych (układem liczb), które spełniających

wszystkie ograniczające warunki opisujące badaną sytuację. Rolę kryterium wyboru

rozwiązania optymalnego pełni funkcja celu mierząca cel, który chcemy osiągnąć [Jacyna

2009, s. 30].

Stanem systemu w chwili t nazywany jest stan wszystkich elementów systemu

w chwili t. Natomiast zmiany stanów systemu w czasie to proces, który oznaczany jest

przez . Formalnie proces zapisywany jest następująco [Jacyna 2009, s. 16-17]:

→ ,

gdzie to zbiór, którego elementami są wszystkie cechy elementów ,

to zbiór chwil (momentów) – na ogół wymagane jest, żeby wartości były

uporządkowane chronologicznie, tzn. tworzyły ciąg malejący.

Procesem transportowym to taki proces, którego opis ma postać związków między

stanami systemu transportowego w czasie, natomiast realizacja procesu transportowego

utożsamiana jest z przebiegiem zmian stanów systemu transportowego w określonym

przedziale czasu (ciąg kolejnych stanów) [Jacyna 2009, s. 17].

Rzeczowe procesy logistyczne sfery zakupu i sprzedaży są natomiast podstawą

kształtowania strumieni pieniężnych. Bez fizycznych strumieni przepływu produktów nie


występują także strumienie pieniężne. Procesy logistyczne mają zatem istotny wpływ na

niektóre składniki aktywów i zobowiązań, a dotyczy to zwłaszcza zapasów oraz należności

i zobowiązań z tytułu dostaw. Można wskazać, że trzy podstawowe składniki aktywów

obrotowych i pasywów kształtują się pod wpływem działania procesów logistycznych,

a mianowicie [Skowronek 2010, s. 91]

- zapasy po stronie zakupów, dotyczy to zapasów materiałowych, zaś po stronie

sprzedaży zapasów wyrobów gotowych i towarów,

- należności z tytułu dostaw po stronie sprzedaży

- zobowiązania z tytułu dostaw po stronie zakupów.

Spostrzeżenie to obejmuje wszystkich uczestników procesów, zatem całego łańcucha

dostaw.

Warunkiem koniecznym tworzenia łańcucha dostaw jest łańcuch magazynowo-

transportowy, nazywany łańcuchem logistycznym. Otóż łańcuch logistyczny jako baza

logistyki to taki łańcuch magazynowo-transportowy, stanowiący technologiczne połączenie

punktów magazynowych i przeładunkowych drogami przewozu towarów oraz organizacyjne

i finansowe skoordynowanie operacji, procesów zamówień i polityki zapasów wszystkich

ogniw tego łańcucha [Gołembska 2010, s. 19].

Podejście do logistyki z perspektywy całego łańcucha logistycznego jest niezwykle

istotne. Według komitetu EWG oraz Instytutu Logistyki i Zarządzania Dystrybucją w Anglii

pojęcie „logistyki” pojmowane jest jako proces zarządzania całym łańcuchem dostaw,

a łańcuch dostaw natomiast to systemy logistyczne złożone z więcej niż jednego ogniwa

dostawca–odbiorca. Ich działanie opiera się na wyraźnie określonych zasadach dotyczących

kosztów, planowania oraz form współpracy [Pilarczyk 2006, s. 203]. Procesy logistyczne

mają również istotny wpływ na produktywność zasobów zarówno trwałych, jak i obrotowych.

W horyzoncie operacyjnym procesy te mają znaczący wpływ na kształtowanie płynności

finansowej czyli zdolności przedsiębiorstwa do terminowego regulowania zobowiązań

[Skowronek 2010, s. 93].

Według członków Forum Globalnego Łańcucha Dostaw natomiast, przez łańcuch

dostaw rozumie się sieć przepływów od pierwszych dostawców do ostatecznych odbiorców.

Sieć ta obejmuje przepływy w sferze zaopatrzenia, produkcji, dystrybucji oraz inne przepływy

związane z obsługą klienta, działaniami w sferze badań, rozwoju, marketingu itd.

Przedmiotem przepływu są tu rzeczy (surowce, materiały, wyroby gotowe), informacje

i pieniądze [Baraniecka 2004, s. 13].

Zarządzanie z kolei jest to całość metod i funkcji umożliwiających określenie celów

i dysponowanie zasobami kadrowymi, rzeczowymi i finansowymi dla efektywnego

i racjonalnego osiągania celów, polegające na świadomym i racjonalnym kształtowaniu

zależności między elementami systemu organizacyjnego [Pomykalski 2008, s. 9].

Uogólniając zarządzanie definiowane jest jako „zestaw działań (obejmujący

planowanie i podejmowanie decyzji, organizowanie, przewodzenie, tj. kierowanie ludźmi


i kontrolowanie) skierowanych na zasoby organizacji (ludzkie, finansowe, rzeczowe

i informacyjne) i wykonywanych z zamiarem osiągnięcia celów organizacji w sposób

sprawny i skuteczny”. Przy czym sprawny oznacza wykorzystujący zasoby mądrze i bez

zbędnego marnowania, natomiast skuteczny, tj. podejmujący właściwe decyzje

i z powodzeniem wprowadzający je w życie [Griffin 2004, s. 6; Pomykalski 2008, s. 9].

Przedstawiciele kierunku systemowego w zarządzaniu uważają, że tworzenie sieci

komunikacji, czyli podejmowanie decyzji, ustalanie różnych celów i negocjacje do czasu

osiągnięcia celu zadawalającego dla wszystkich to istota zarządzania. Według tych autorów

zarządzanie powinno być nakierowane na integrację efektów poszczególnych podsystemów

organizacji [Dołhasz 2009, s. 44].

Podstawą skutecznego zarządzania jest zatem system pozyskiwania informacji, ich

przetwarzania i przekazywania [Gołembska 2010, s. 241]. Efektywne konkurowanie jest

w coraz większym stopniu zależne od posiadanych zasobów informacyjnych i sposobu

zarządzania nimi [Frąś 2011, s. 29].

Określenie „zarządzanie logistyczne” może być zasadniczo interpretowane w dwojaki

sposób. W pierwszym przypadku rozumie się je jako zarządczo zorientowane komponenty

logistyki, tj. funkcje zarządzania rozpatrywane jako jej komponenty. W drugim przypadku

zarządzanie logistyczne bywa niekiedy rozumiane jako zorientowana na logistykę nadrzędna

płaszczyzna zarządzania w sensie „zarządzania logistyką”, odpowiedzialnego za

kształtowanie logistyki jako obiektu zarządzania [Blaik 2010, s. 56].

Procesy logistyczne w skali mikro – w przedsiębiorstwie, podobnie jak w skali makro

– w łańcuchu dostaw, tworzą typową strukturę systemu w postaci elementów i relacji między

nimi. Relacje te przedkłada się w logistyce ponad znaczenie poszczególnych elementów.

Zarządzanie logistyczne obejmujące całość organizacji, zwraca uwagę na dynamiczny

i wzajemnie powiązany charakter przedsiębiorstwa. Zintegrowane traktowanie tych faz

stanowi nową jakość w zarządzaniu przedsiębiorstwem [Gołembska 2010, s. 201-202].

Najnowsza literatura światowa i praktyka w zarządzaniu przedsiębiorstwami w krajach

wysoko rozwiniętych wskazuje wyraźnie na rosnącą potrzebę i na coraz liczniejsze przejawy

systemowego traktowania oraz rozwoju logistyki w kierunku koncepcji zintegrowanego

zarządzania. Podstawowe znaczenie aspektów zintegrowanego zarządzania ujawnia się

w samej istocie logistyki, definiowanej i traktowanej coraz częściej jako przekrojowa

koncepcja zarządzania i podstawowy potencjał strategiczny, którego wyzwolenie i realizacja

stają się niezbędnym warunkiem działalności i sukcesu na współczesnym, konkurencyjnym

rynku [Blaik 2010, s. 52-53].

Zagadnienia rozwiązywane przez logistykę w zarządzaniu umiejscawiane są przede

wszystkim jako element realizacji funkcji organizowania, a także planowania i zarządzania

operacyjnego. Logistyka nie jest jednak tożsama z zarządzaniem. Z jednej strony można

wskazać wiele elementów zarządzania, np. formułowanie celów albo motywowanie

personelu, zdecydowanie wykraczających poza przedmiot logistyki. Z drugiej strony wiele

elementów logistyki, zwłaszcza związanych z technicznymi aspektami utrzymania


magazynów, eksploatacji środków transportu, utylizacji odpadów itd., bardzo trudno byłoby

uznać za element wiedzy o zarządzaniu [Kirejczyk 2008, s. 28].

Warto przy tym zauważyć, że zarządzanie logistyczne przedsiębiorstwem jest

nierozerwalnie związane z transportem. To on, dzięki swej ekonomicznej właściwości

zwiększania przestrzennego zasięgu rynku zbytu produktów poprzez ograniczanie

negatywnego wpływu przestrzeni na warunki ich wytwarzania, umożliwia poprawę

efektywności gospodarowania. Ponadto, dzięki zwiększeniu przestrzennego zasięgu dóbr,

transport umożliwia podmiotom podjęcie ekspansji geograficznej. Transport od wieków

warunkuje, poprzez eliminację bariery stwarzanej przez odległość, możliwość ekspansji

zagranicznej przedsiębiorstw [Brach 2010, s. 39]. Decyzje dotyczące wyboru przewoźnika,

tras, jakie pokonuje towar, czasu, w jakim pozostaje w sferze obrotu, wpływają na ustalenie

cen produktu, sprawność dostaw i jakość towarów w chwili ich dostarczenia. Mają także

wpływ na koszty logistyki [Pilarczyk 2006, s. 204].

Czas całego cyklu logistycznego, a w związku z tym i koszty logistyki, można

generalnie podzielić na dwie kategorie [Bieniok 2010, s. 199]:

czas uzasadniony, czyli czas aktywnie i efektywnie wykorzystany

czas zmarnowany z przyczyn obiektywnych i subiektywnych.

Zagwarantowanie danego standardu czasu dostawy jest ważnym osiągnięciem

w zarządzeniu logistycznym. Można dostrzec jego wpływ na sprawność obsługi, która z kolei

wpływa zarówno na korzyści klienta (tj. na ponoszone przez niego koszty zapasów), jak i na

system logistyczny oraz pozycję rynkową sprzedawcy [Coyle 2007, s. 159].

W pracy tej standard dostaw będzie mógł być podwyższony, a czas zmarnowany

zminimalizowany dzięki dokładnej analizie wyników działania nowego narzędzia, jakim jest

inteligentny system hybrydowy, który będzie się składał z systemów ekspertowych i sieci

neuronowej. Pojęcia z nimi związane będą w przybliżeniu omówione w dalszej części pracy.

2.2 Systemy ekspertowe

W niniejszej pracy pojęcie systemu ekspertowego i systemu eksperckiego jest

używane zamiennie.

Obszar zastosowań systemów eksperckich jest bardzo szeroki [Knosola 2007,

s. 119-146; Zieliński 2000, s. 39-42] – stanowią obecnie najpowszechniej stosowany w

praktyce system sztucznej inteligencji. Ich wielkość (będąca funkcją liczby reguł zawartych w

bazie wiedzy) jest zróżnicowana, jednakże większa liczba reguł w bazie wiedzy sprzyja

uzyskaniu lepszych jakościowo wskazówek do podejmowania określonych decyzji [Pająk

2006, s. 286].

Coraz powszechniejsze wdrażanie systemów ekspertowych w wielu obszarach

logistyki tłumaczone jest ich zdolnością do rozwiązywania problemów, przewidywania,

sugerowania możliwych sposobów postępowania i służenia radami, których dokładność


porównywalna będzie z radami udzielonymi przez ludzi – ekspertów i przy ich wykorzystaniu

można w ekonomiczny i praktyczny sposób pozyskiwać, doskonalić i zwiększać umiejętności

kierownicze [Coyle 2007, s. 540].

System ekspertowy, dysponując wiedzą eksperta z wybranej dziedziny, może jej

używać w sposób ekonomicznie efektywny, gdyż podczas jego pracy nie jest wymagana

obecność eksperta [Mulawka 1996, s. 21], a firma może udostępniać jego wiedzę dowolnie

wielu pracownikom, co wpływa na większą regularność, dokładność i wydajność działań

podejmowanych w całej sieci logistycznej. Ponadto tak ujęte zagadnienie pozwala na

efektywniejsze zarządzanie najważniejszym zasobem organizacji, czyli wiedzą [Coyle 2007,

s. 540].

Ponieważ pozyskanie i strukturalizacja wiedzy eksperta jest zajęciem pracochłonnym,

więc wysiłek włożony w utworzenie systemu ekspertowego jest uzasadniony wówczas, gdy

będzie on wykorzystany w długim okresie czasu [Mulawka 1996, s. 21].

Systemy ekspertowe możemy podzielić na trzy kategorie [Mulawka 1996, s. 20]:

- doradcze

- podejmujące decyzje bez kontroli człowieka

- krytykujące.

Jeden z systemów przedstawionych w tej pracy będzie systemem doradczym,

ponieważ efekty jego działania zostaną użytkownikom przekazane i zanim będą one dalej

przekazane przewoźnikowi mogą być dowolnie modyfikowane przez użytkownika. Drugi

system, który będzie kontrolował pracę sieci neuronowej będzie systemem podejmującym

decyzje bez kontroli człowieka. Natomiast ostatni system będzie spełniał rolę informacyjną,

na podstawie której będzie można kontrolować przewoźnika.

Na rysunku poniżej zestawiono wady i zalety ekspertyzy naturalnej, czyli wykonanej

przez eksperta oraz sztucznej wykonanej przy pomocy systemu eksperckiego.


Wady:

tracąca na wartości z upływem czasu

trudna do przeniesienia

trudna w dokumentacji

nie dająca się przewidzieć

kosztowna

Zalety:

stała

łatwa do przeniesienia

łatwa w dokumentacji

zgodna z bazą wiedzy

dostępna

Zalety:

twórcza

adaptacyjna

wykorzystanie zmysłów

szeroki zakres

wiedza zdrowego rozsądku

Wady:

nie inspirująca

wymaga wprowadzenia wiedzy

wejścia symboliczne

wąski zakres

wiedza przetwarzana w sposób mechaniczny

Rys. 1 Porównanie ekspertyzy naturalnej z ekspertyzą sztuczną [na podst. Mulawka 1996].

Podstawowy schemat systemu eksperckiego jest przedstawiony poniżej.

Procedury

wnioskowania

Procedury

sterowania

dialogiem

Procedury

objaśniające

Baza wiedzyBaza danych

stałych

Baza danych

zmiennych

Procedury

aktualizacji

bazy wiedzy

Rys. 2 Główne elementy systemu ekspertowego [na podst. Mulawka 1996].

Schemat ten składa się z bazy danych (zmiennych oraz stałych), która zawiera przede

wszystkim reprezentację faktów o zewnętrznym świecie, o którym system będzie

przeprowadzał procedurę wnioskowania. W pamięci tej przechowywane są także inne

niezbędne informacje, przykładowo hipotezy robocze czy też struktury (sieci) postanowień -

Ekspertyza naturalna Ekspertyza sztuczna


tzn. struktury reprezentujące powiązania między zmiennymi (oraz stałymi) [Flasiński 2011,

s. 128-129].

Wnioskowanie w systemie eksperckim dokonywane jest na podstawie reguł.

Wszystkie reguły są zawarte w drugim składniku systemu eksperckiego, czyli w bazie wiedzy,

która zorganizowana jest w postaci reguł wnioskowania typu: jeżeli … (warunek) to … i/lub

… (konsekwencje, konkluzja [Pokojski 2005, s. 29]) (ang. IF … THEN … AND/OR …

rules), gdzie [Chwiałkowska 1991, s. 28]:

- warunek – reprezentuje wzorzec lub wymóg, który musi być spełniony, aby można

było wykorzystać daną regułę, natomiast

- konsekwencje – to akcje, które powinny być wykonane, lub konkluzje

(stwierdzenia), które stają się faktem, w przypadku, gdy warunek został spełniony.

Wiedza z danej dziedziny w postaci strukturalizowanej i sformalizowanej może być

wprowadzona do bazy wiedzy systemu ekspertowego różnymi sposobami, na przykład przez

inżyniera wiedzy. Jedną z metod pozyskiwania wiedzy jest prowadzenie dialogu inżyniera

z ekspertem [Mulawka 1996, s. 24].

Systemy ekspertowe są tworzone stopniowo, ponieważ osiągnięcie dużej biegłości

w danej dziedzinie wymaga przeprowadzenia wielu eksperymentów. Metoda stopniowego

pozyskiwania wiedzy od ekspertów jest powszechnie stosowana w większości znanych

rozwiązań [Mulawka 1996, s. 109].

Poszczególne fazy konstruowania bazy wiedzy mogą przebiegać następująco

[Mulawka 1996, s. 109-110]:

1) Identyfikacja – to określenie charakterystyki problemu do rozwiązania, gdzie

ekspert i inżynier wiedzy określają problem do rozwiązania i jego zakres (wraz

z potrzebnymi środkami).

2) Reprezentacja – to znalezienie sposobu reprezentacji wiedzy, gdzie

przeprowadzona zostanie analiza problemu. Ekspert i inżynier wiedzy

przedstawiają kluczowe koncepcje, relacje, charakterystykę przepływu

informacji, niezbędne w procesie rozwiązywania problemu w danej dziedzinie

oraz strategie wraz z trudnościami w rozwiązywaniu zagadnień. W dalszej

części tego etapu zbierane są informacje, dane, na podstawie których

uzyskiwana jest pewna wiedza o rozwiązywanym problemie.

3) Formalizacja – to zaprojektowanie struktur organizujących wiedzę, który

polega na przełożeniu kluczowych koncepcji, reguł i relacji na język formalny.

Inżynier wiedzy powinien zaprojektować syntaktykę i semantykę tego języka,

a następnie wraz z ekspertem ustalić wszystkie podstawowe pojęcia i relacje,

które są niezbędne do rozwiązania postawionego problemu.

4) Implementacja – to sformułowanie reguł lub ram zawierających wiedzę, gdzie

inżynier wiedzy łączy i reorganizuje sformalizowaną wiedzę tak, aby stała się


zgodna z charakterystyką przepływu informacji danego problemu, tworząc

prototyp programu.

5) Testowanie – czyli sprawdzanie zastosowanych w systemie reguł lub ram pod

kątem generowania przez nie odpowiedzi zgodnych z wymaganiami eksperta.

W latach siedemdziesiątych ostatniego wieku dokonano istotnego spostrzeżenia.

Okazało się, że moc programu ekspertowego (w zakresie rozwiązywania danego problemu)

tkwi w zakodowanej w nim wiedzy, a nie w formalizmie i schematach wnioskowania, których

ten system używa. Można to wyrazić stwierdzeniem, że im pełniejsza jest wiedza, tym

szybciej uzyskuje się rozwiązanie. Oznacza to, że aby zbudować inteligentny program, należy

go wyposażyć w dużą ilość dobrej jakości wiedzy o danym przedmiocie [Mulawka 1996,

s. 21].

Samym wnioskowaniem – na podstawie pamięci roboczej i bazy wiedzy – steruje

procedura wnioskowania (inne nazwy to interpreter reguł, maszyna wnioskująca) [Flasiński

2011, s. 129]. W pracy ograniczymy się do przypadku, kiedy mechanizm wnioskowania

systemu eksperckiego opiera się na procedurze wnioskowaniu do przodu (ang. forward

chaining) [Mulawka 1996, s. 81-83], polegającym na tym, iż reguły są testowane

(wykonywane) w takiej kolejności, w jakiej są zapisane i w oparciu o dostępne dane

(informacje). A zatem, wnioskowanie do przodu jest metodą bardziej zależną od kolejności

w jakiej zapisane są reguły [Dietrich 2000, s. 23]. Jeżeli jakaś informacja jest niezbędna do

tego, żeby można było określić wynik testowania reguły, to nie próbuje się ją uzyskać

poprzez poszukiwanie jej w innych regułach, lecz poprzez zapytanie o nią użytkownika

systemu. Jeśli natomiast to nie pomoże i nie pojawi się przesłanka, która pasuje do warunku

którejś z reguł, to system nie robi nic.

Dodatkowo wprowadzany jest w systemach ekspertowych interfejs użytkownika,

zwany procedurą sterowania dialogiem, który służy do łatwej komunikacji użytkownika

z systemem oraz do przekazania użytkownikowi efektów wnioskowania [Flasiński 2011,

s. 142].

Dodatkowo w systemie występują dwie procedury [Mulawka 1996, s. 23]:

- procedura umożliwiająca rozszerzanie oraz modyfikację wiedzy – procedura

pozyskiwania wiedzy (inaczej procedura aktualizacji bazy wiedzy) oraz

- procedura objaśniająca – objaśnia strategię wnioskowania.

Druga procedura jest bardzo ważnym elementem, wyróżniającym systemy ekspertowe

od innych metod sztucznej inteligencji. Dzięki niej użytkownik może uzyskać odpowiedź na

pytanie dlaczego system taką udzielił a nie inną radę (rezultat swojego działania). System

bowiem może wskazać dokładnie, które z reguł zostały wykorzystane podczas wnioskowania.

Ta cecha powoduje większą przychylność menadżerów i kadry kierowniczej w stosunku do

systemów ekspertowych w porównaniu do sieci neuronowych, czy algorytmów genetycznych.

Odpowiedź systemu nie jest zatem odpowiedzią „czarnej skrzynki”, tylko uzasadnionym

rezultatem działania programu.


Systemy eksperckie są więc programami komputerowymi opracowanymi w oparciu

o wiedzę ekspertów z zakresu, którego system ten dotyczy lub naśladującym ludzkich

ekspertów [Pokojski 2005, s. 29]. Reprezentują one skodyfikowaną wiedzę (ekspertów) danej

dziedziny, umożliwiając uzyskanie odpowiedzi na pytania związane z zadanym problemem

[Łukasiewicz 2006, s. 175]. Proces wnioskowania dokonywany w systemie eksperckim jest

symulacją odpowiedniego procesu zachodzącego w mózgu ludzkim [Flasiński 2011, s. 128].

Systemy ekspertowe są wykorzystywane do oceny i wyboru dostawcy, zakupu

urządzeń, prognozowania cen materiałów, jak również do zarządzania oraz kontroli zapasów.

Wspomagają one takie czynności, jak zamawianie, prognozowanie, pakowanie,

wprowadzanie zamówień i ustalanie priorytetów odbioru [Allen 1990, s. 47-62], ale również

mogą służyć jako narzędzia wspomagające proces magazynowania i wydawania detali

z magazynu [Pawłyszyn 2010; 2011, s. 37-52; 2011’, s. 69-78], sterowania, diagnostyki

[Gołuchowski 2010, s. 57]. Dlatego też zagadnieniem systemów eksperckich zajmowało się

i nadal zajmuje się wielu naukowców [Gołuchowski 2010, s. 18].

Zarządzanie i kontrola zapasów są jednak dziedzinami, w których na omawiane

systemy zwraca się największą uwagę. Przykładowo firma Federal-Mogul wdrożyła system

o nazwie LOGIX, który wspierał takie czynności jak zamawianie, prognozowanie,

pakowanie, wprowadzanie zamówień i ustalanie priorytetów odbioru [Coyle 2007, s. 541].

Często systemy ekspertowe występują w hybrydowych systemach, które używają inne

elementy sztucznej inteligencji. Przykładami takich systemów są systemy opisane

w [Orłowski 2002, s. 659-673; 2002’, s. 401-411, 2010, s. 62-74; 2012, s. 292-302; Gomółka

2010, s. 507-529; Kowalczuk 2010, s. 487-498].

2.3 Sieci neuronowe

Drugim z elementów sztucznej inteligencji, który będzie wykorzystany w tej pracy są

intensywnie rozwijające się sieci neuronowe, tworzące interdyscyplinarną dziedzinę nauki

powiązaną z biocybernetyką, elektroniką, matematyką stosowaną, statystyką oraz

automatyką. Powstały na podstawie wiedzy o działaniu systemu nerwowego istot żywych

i chęci naśladowania tego systemu [zob. Kulczycki 2007, s. 141; Kusiak 2009, s. 293; Statsoft

2001, s.4, Michalik 2006, s. 1-3]. Sieci neuronowe stanowią dziedzinę wiedzy całkowicie

samodzielną, w rozwiązaniach praktycznych zwykle sterującą procesem, bądź decyzyjną –

przekazującą sygnał wykonawczy innym elementom urządzenia, nie związanym bezpośrednio

z sieciami neuronowymi [Barzykowski, s. 217].

Najważniejszą cechą sieci neuronowych, stanowiącą o jej ogromnych zaletach

i szerokich możliwościach zastosowań, jest równoległe przetwarzanie informacji przez

wszystkie neurony. Przy masowej skali powiązań neuronowych uzyskuje się znaczne

przyspieszenie tego procesu. W wielu przypadkach jest możliwe przetwarzanie sygnałów

w czasie rzeczywistym [Osowski 2006, s. 16].


Inną, nie mniej ważną cechą jest ich zdolność do uczenia się i generalizacji nabytej

wiedzy. Wytrenowana na ograniczonej grupie uczących danych sieć potrafi skojarzyć nabytą

wiedzę i wykazywać oczekiwane działanie na danych nie uczestniczących w procesie

uczenia. Sieci neuronowe mogą być wykorzystywane w zagadnieniach optymalizacyjnych,

jak również do kwalifikacji, prognozowania (np. zapotrzebowania na energię elektryczną, czy

krótkoterminowego kursu franka szwajcarskiego – [zob. m.in. Baczyński 2008]), jak i do

przygotowania i oceny różnego rodzaju harmonogramów produkcyjnych [zob. m.in. Fertsch

2000]. Mimo ogromniej liczby zastosowań sieci neuronowych, możliwości ich dalszego

wykorzystania w przetwarzaniu informacji są jeszcze nie do końca zbadane i wydaje się, że

będą jeszcze przez wiele lat wpływać na postęp w technice informacyjnej [Osowski 2006,

s. 16].

W dobie powszechnej informatyzacji przyjęło się przekonanie że komputery są

dokładniejsze i szybsze w przetwarzaniu numerycznym niż mózg. Jednakże w wielu

zadaniach obliczeniowych mózg ludzki okazuje się bardziej skuteczny niż konwencjonalne

komputery. Warto odnotować, że mózg człowieka przewyższa efektywnością przetwarzania

w tych zadaniach dowolny superkomputer, pomimo że biologiczne neurony, wolniejsze

o wiele rzędów wielkości od swych elektronicznych lub optycznych odpowiedników, są

proste w działaniu, bardziej skłonne do działania niedokładnego i niepoprawnego oraz prawie

wszystkie są funkcjonalnie tego samego typu [Korbicz 1994, s. 17-18].

Z punktu widzenia działania zarówno mózg, jak i konwencjonalne komputery,

realizują podobne funkcje, tj. przetwarzają, gromadzą (pamiętają) i odzyskują informację.

Konwencjonalny komputer posiada zazwyczaj jeden lub kilka złożonych procesorów

efektywnie działających szeregowo, a informacja jest gromadzona i pozyskiwana ze

specyficznie rozlokowanych komórek pamięci (np. pamięci RAM). Z kolei biologiczne sieci

neuronowe posiadają miliony lub miliardy (ok. 85 miliardów dla mózgu – [Lange 1975,

s. 115-124]) bardzo prostych procesorów (neuronów), a informacja jest zapamiętywana przez

połączenia synaptyczne łączące procesory (w mózgu występuje około 1014

połączeń

synaptycznych), co stanowi ich dużą przewagę nad komputerem. Szacuje się, że cały mózg

może przetwarzać 1018

operacji logicznych na sekundę, podczas gdy 64-bitowy procesor

PowerPC 970 wykonuje jedynie 1011

takich operacji [zob. Agre 1997 za Krzyśko 2008,

s. 192]. Stąd przetwarzanie informacji przez biologiczne sieci neuronowe odbywa się

w sposób równoległy, co pozwala tego typu sieciom efektywniej wykonywać złożone zadania

obliczeniowe, pomimo użycia bardzo powolnych elementów (neuronów) [Korbicz 1994,

s. 17-18].

Wychodząc z definicji sieci neuronowej, jako systemu przetwarzania informacji,

którego architektura i sposób funkcjonowania zostały zaczerpnięte z modeli biologicznych

układów nerwowych [Kwiatkowska 2007, s. 104], należy przedstawić architekturę przypadku

biologicznego. Podstawowym elementem systemu nerwowego jest komórka nerwowa

nazywana neuronem. W neuronie możemy wyróżnić ciało komórki zwane somą oraz

otaczające je dwa rodzaje wypustek: wypustki wprowadzające informację do neuronu, tzw.

dendryty i wypustkę wyprowadzającą informację do neuronu, tzw. akson. Każdy neuron ma


dokładnie jedną wypustkę wyprowadzającą, poprzez którą może wysyłać impulsy do wielu

innych neuronów. Jeden neuron przekazuje pobudzenie innym neuronom przez złącza

nerwowe nazywane synapsami lub połączeniami synaptycznymi. Synapsy pełnią rolę

przekaźników informacji, w wyniku działania których pobudzenie może być wzmocnione lub

osłabione. W rezultacie do neuronu dochodzą sygnały, z których część wywiera wpływ

pobudzający, a część hamujący. Neuron sumuje impulsy pobudzające i hamujące. Jeżeli ich

suma algebraiczna przekracza pewną wartość progową, to sygnał na wyjściu neuronu jest

przesyłany – poprzez akson do innych neuronów [Rutkowska 1999, s. 18; Flasiński 2011,

s. 159-160].

Rys. 3 Model biologiczny neuronu [na podst. Rutkowska 1999].

Z cybernetycznego punktu widzenia neuron biologiczny (przyjmując jego model jak

na rysunku 4) można traktować jako specyficzny przetwornik sygnałów. Jest to układ o wielu

wejściach (synapsach) i jednym wyjściu (akson).

Rys. 4 Cybernetyczny model neuronu [na podst. Korbicz 1994].

Podobnie jak w przypadku neuronowych sieci biologicznych, podstawowymi

elementami z których buduje się sztuczne sieci neuronowe są sztuczne neurony [zob. Winkler

2004, s. 228]. Sztuczny neuron z założenia nie jest wierną kopią neuronu biologicznego, lecz

elementem, który powinien spełniać określone funkcje w sztucznej sieci neuronowej [Korbicz

1994, s. 23].

Synapsy

Dendryty

Akson

Jądro

Wzgórze aksonu

Przetwornik

(Ciało

Komórki)

Sygnały

wejściowe

(Synapsy)

Sygnał

wyjściowy

(Akson)


Rys. 5 Model sztucznej sieci neuronowej [opr. własne].

Ogólnie sztuczny neuron można rozpatrywać jako specyficzny przetwornik sygnałów

działający według następującej zasady. Na wejście przetwornika podawane jest sygnałów

wejściowych, które następnie są mnożone przez odpowiednie współczynniki wag

(współczynniki wag w biologicznym neuronie odpowiadają „sile” połączeń synaptycznych).

„Ważone” sygnały wejściowe są następnie sumowane i na tej podstawie wyznaczana jest

aktywność neuronu. Z rysunku 6 wynika, że rozpatrywany model sztucznego neuronu składa

się z dwóch bloków: bloku sumowania Σ i bloku aktywacji F. W pewnym przybliżeniu blok

sumowania odpowiada biologicznemu ciału komórki, w której realizowane jest algebraiczne

sumowanie ważonych sygnałów wejściowych oraz generowany jest sygnał wyjściowy .

Rys. 6 Model sztucznego neuronu [na podst. Korbicz 1994].

Jedną z nazw wartości jest łączne pobudzenie neuronu [zob. Perzyńska 2010,

s. 133]. Obliczane jest ono, jak już zostało wspomniane, jako suma wejść, ważonych przez

współczynniki wi:

∑

Tę samą wielkość można wyrazić, korzystając z notacji wektorowej. Jeżeli przez

x=[x1,…, xN] oznaczony zostanie wektor wartości wejściowej jednostki, zaś w=[w1,…wN]

Zmienne

„wagi”

Sygnał

wyjściowy

Sygnały

wejściowe

x N

w N


wektor wag, wówczas wartość łącznego pobudzenia równa jest iloczynowi skalarnemu

wektorów x i w [Zieliński 2000, s. 144].

Wartość sygnału wyjściowego o przekazywanego przez neuron (nazywanego również

często stanem neuronu) możemy obliczyć, korzystając ze wzoru:

.

Sztuczna sieć neuronowa jest systemem wzajemnie połączonych prostych elementów

przetwarzających informacje – neuronów (również zwanych jednostkami lub węzłami)

[zob. m.in. Perzyńska 2010, s. 133]. Współczynniki wagowe przyporządkowane do połączeń

między elementami określają siłę powiązań i tworzą zbiór parametrów modelu [Korbicz

1994, s. 23-24]. Wyborem wag w odpowiedni sposób można modyfikować działanie

sztucznego neuronu [Jastriebow 2006, s. 31]. Każdy neuron jest pewnego rodzaju procesem:

sumuje z odpowiednimi wagami sygnały wejściowe pochodzące z innych neuronów, tworzy

progową funkcję sumy i przekazuje tę wartość do innych neuronów powiązanych z nim

[Osowski 2006, s. 12].

Sieci neuronowej nadaje się zwykle jakąś strukturę. Jej jednostki zgrupowane są

w większe zespoły, zwane warstwami. Struktura wewnętrzna, wraz z określeniem sposobu

propagacji sygnału między neuronami, tworzy tzw. architekturę sieci neuronowej. Cała

wiedza sieci o sposobie rozwiązania danego problemu przechowywana jest w jej

wewnętrznych odwzorowaniach, definiowanych przez wartości wag, i może być przywołana

w procesie reakcji na określony sygnał [Osowski 2006, s. 12].

Istotną klasyfikację sieci neuronowych przeprowadzić można ze względu właśnie na

ich architekturę. Wyróżnia się trzy grupy [na podst. Korbicz 1994, s. 94]:

Sieci jednokierunkowe (ang. Feedfoward networks) charakteryzujące się

jednokierunkowym przepływem informacji, tzn. sygnały przesyłane są tylko

w jednym kierunku (zawsze do przodu): od warstwy wejściowej – poprzez ewentualne

warstwy ukryte – do warstwy wyjściowej bez rekurencyjnych połączeń wstecznych

[Zieliński 2000, s. 143].

Sieci rekurencyjne (ang. Recurrent neural networks), w których, w przeciwieństwie

do sieci jednokierunkowych, dopuszczone jest występowanie cykli. Sygnał wyjściowy

neuronu może, bezpośrednio lub za pośrednictwem innych węzłów, być przekazany

na jego wejście (tzn. istnieje sprzężenie zwrotne między neuronami sieci).

Sieci komórkowe, gdzie połączone są między sobą tylko jednostki znajdujące się

w obrębie sąsiedztwa.

Podstawowymi cechami wyróżniającymi sieci rekurencyjne z rodziny sieci

neuronowych jest ich topologia, w której, jak już wspomniano, dopuszcza się zastosowanie

połączeń wstecznych, tzn. sygnał wyjściowy z dowolnej jednostki może być przekazywany


również na jej wejście. Zmiana stanu dowolnego neuronu przenosi się wskutek masowego

sprzężenia zwrotnego na całą sieć, wywołując stan przejściowy, kończący się określonym

stanem ustalonym, ogólnie innym niż stan poprzedni. Inaczej mówiąc raz pobudzona sieć

modyfikuje wyjścia neuronów wielokrotnie, dążąc do stanu stabilnego, w którym pozostaną

one stałe. Stan neuronu staje się więc zależny nie tylko od wartości sygnału wejściowego, ale

również od przeszłego stanu dowolnej jednostki, nie wykluczając tego właśnie neuronu.

Proces reaktywacji sieci na określone wejście przyjmuje w tym przypadku charakter

iteracyjny. Jeśli funkcję aktywacji neuronu oznaczy się przez f(u), gdzie u jest sumą wagową

pobudzeń, to sygnał wyjściowy neuronu ∑ określa jego stan

(bi stanowi wartość progową wynikającą z zewnętrznego źródła) [Zieliński 2000, s. 165-166].

Biorąc pod uwagę, że przy masowym sprzężeniu zwrotnym pobudzeniami dla neuronu

są sygnały wyjściowe innych neuronów, zmiana stanu neuronów (ich dynamika) może być

opisana bądź układem równań nieliniowych różniczkowych (w przypadku modelu ciągłego),

bądź różnicowych (dla modelu dyskretnego) [zob. Haykin 1994; Herz 1995; Mandziuk 2000].

Układ równań różniczkowych opisujących model typu ciągłego można przedstawić w postaci

∑ ( )

, dla i=1, 2, ..., N,

gdzie wij jest wagą połączenia neuronu i-tego z j-tym, a współczynnik jest pewną stałą

wartością liczbową. Stan neuronu uzyskuje się z rozwiązania równania różniczkowego jako

. Architektura sieci musi zapewnić zbieżność procesu relaksacji sieci lub jakieś

kryterium jego zakończenia [Zieliński 2000, s. 165-166].

Sieci w pełni połączone charakteryzują się tym, że każdy neuron połączony jest

z każdym, ale nie z samym sobą – oznacza to, że sygnał wyjściowy danego neuronu nie trafia

na jego wejście [Rutkowski 2009, s. 207]. Współczynniki wagowe tworzą macierz

kwadratową o wymiarach NxN, gdzie N jest liczbą neuronów. W celu zapewnienia zbieżności

procesu relaksacji sieci macierz ta powinna być symetryczna, zaś wagi sprzężenia zwrotnego

neuronów wii równe zero:

wij=wji, wii=0.

W tego typu sieciach nie wyróżnia się neuronów wejściowych i wyjściowych.

Przekazanie sygnału wejściowego polega na ustaleniu stanu początkowego jednostek sieci.

Na podstawie tych wartości obliczane są nowe wyjścia neuronów. Procedura ta powtarzana

jest rekurencyjnie, aż do chwili osiągnięcia przez sieć stanu stabilnego, w którym kolejne

przeliczenia wartości jednostek nie powodują już ich modyfikacji:

yi(k+1)=yi(k) dla wszystkich i.

W praktyce zwykle można zadowolić się również przybliżonym stanem równowagi,

kiedy zmiany te są dostatecznie małe. Wartości neuronów po zakończeniu procesu relaksacji

stanowią sygnał wyjściowy sieci [Zieliński 2000, s. 167].


Sieć Hopfielda [zob. Hopfield 1982, s. 2554-2558; Hopfield 1984; s. 3088-3092] jest

jedną z podstawowych sieci rekurencyjnych. Cechuje się prostym sposobem uczenia

i łatwością implementacji w postaci układu fizycznego [Rybarczyk 2008, s. 47].

Zdolność sieci neuronowych do wykonywania obliczeń równoległych oraz wynikająca

stąd możliwość przetwarzania ogromnych informacji powodują duże zainteresowanie ich

zastosowaniem przy rozwiązywaniu czasochłonnych i złożonych problemów

optymalizacyjnych. Z tego właśnie powodu ten typ sieci będzie zastosowany w pracy. Stopień

współbieżności obliczeń w sieciach neuronowych jest setki razy większy niż

w najnowocześniejszych systemach wieloprocesorowych. Daje to możliwość znacznego

przyspieszania obliczeń [Korbicz 1994, s. 135], dzięki niskiej złożoności obliczeniowej,

zwłaszcza przy rozwiązywaniu zadań optymalizacji kombinatorycznej [Kowalski 2006,

s. 145].

Zadania optymalizacji sprowadzane są do problemu minimalizacji funkcji energii

pewnej rekurencyjnej sieci neuronowej, która w tym przypadku traktowana jest jako swego

rodzaju „układ minimalizujący”. Drugie podejście polega na zaprojektowaniu pewnej sieci

konkurencyjnej, w której neurony rywalizują między sobą, aby stać się aktywnymi [Korbicz

1994, s. 135]. W pracy zostanie zastosowane pierwsze podejście.

Problem z takim zastosowaniem sieci Hopfielda polega na odpowiednim przejściu od

zadania minimalizacji funkcji celu problemu wyjściowego (z uwzględnieniem występujących

ograniczeń) do zagadnienia minimalizacji funkcji energii sieci. Z taką transformacją wiążą się

następujące kwestie:

Określenie takiego sposobu reprezentacji problemu przy użyciu sieci neuronowej, aby

na podstawie końcowego stanu sieci (wartości wyjść elementów przetwarzających)

możliwe było określenie rozwiązania oryginalnego problemu.

Określenie funkcji energii w taki sposób, aby jej minimum odpowiadało optymalnemu

rozwiązaniu problemu wyjściowego.

Określenie wartości wag połączeń sieci oraz pobudzeń zewnętrznych poszczególnych

elementów przetwarzających.

Określenie postaci równań dynamiki poszczególnych elementów w sposób

zapewniający zmniejszanie wartości funkcji energii w procesie ewolucji całej sieci.

Określenie wartości początkowych wejść poszczególnych elementów (determinują

one końcowy stabilny stan sieci).

Ponieważ każdy element jest połączony ze wszystkimi pozostałymi, w sieci Hopfielda

nie ma wyraźnie wydzielonych warstw i można ją rozważać w dowolnej topologii. Bardzo

często traktuje się ją jako sieć jednowarstwową. Trzeba jednak pamiętać, że jest to wyłącznie

kwestia umowy [Korbicz 1994, s. 95-97].


Rys. 7 Schemat sieci Hopfielda [na podst. Rutkowski 2009].

Funkcja energii, zwana również funkcją Lapunowa, posiada wartości określone

przez stany neuronów [Rybarczyk 2008, s. 168]. Każdy stan sieci, zdefiniowany przez zbiór

aktywnych wartości wyjść jej elementów przetwarzających, określa pewną wartość tej

funkcji, która z kolei powinna być ograniczona z dołu i nierosnąca w trakcie ewolucji

rozważanego układu. Proces odtwarzania rozpoczyna się w chwili początkowej od

doprowadzenia do elementów sygnałów wejściowych które

określają stan początkowy sieci . W tym samym momencie sygnały

wejściowe zostają odłączone, natomiast w sieci rozpoczyna się iteracyjny proces aktualizacji

stanu. Sieć pracuje asynchronicznie, co oznacza, że w danej chwili może być aktualizowane

wejście tylko jednego elementu. W trakcie procesu odtwarzania stan całej sieci zmienia się

w sposób zapewniający obniżenie wartości funkcji energii. Po pewnej skończonej liczbie

iteracji sieć osiąga stan stabilny w którym zachodzi [Korbicz 1994, s. 97]

.

Stan ten odpowiada jednocześnie minimum funkcji energii, zatem funkcja ta jest

minimalizowana. W tym momencie proces odtwarzania kończy się, a stan sieci jest

przekazywany na jej wyjście. Stan stabilny sieci, nazywany jest atraktorem (ang. attractors)

i pokrywa się z jej minimum lokalnym. Dzieje się tak, ponieważ każdemu z atraktorów

można przyporządkować zbiór warunków początkowych (stanów x(0)), które inicjują

ewolucję sieci kończącą się na tym atraktorze. Zbiór ten nazywany jest niecką przyciągania

danego atraktora (ang. basin of attraction). Na rodzaj i liczbę atraktorów, ich wzajemne

oddalenie oraz odpowiadające im wartości funkcji energii (czyli głębokość niecek)

decydujący wpływ ma dobór wag połączeń między elementami. Doboru tego dokonuje się

z -1

z -1

z -1

w 11 w

10

w 12

w 1n

w 2n

w 22

w 21 w

20

w n0

w n1

w n2

w nn

y n

y 2

y 1

1

1

1


stosownie do celu, w jakim chcemy wykorzystać sieć Hopfielda [Rybarczyk 2008,

s. 169; Korbicz 1994, s. 100].

Funkcję energii wybiera się najczęściej w postaci

∑∑

∑

przy czym zastosowano oznaczenia

,

,

[

].

Dowód, że tak zdefiniowana funkcja energii maleje lub pozostaje stała przy każdej

aktualizacji stanu elementów znajduje się w [Korbicz 1994, s. 98].

Początkowy stan sieci jest określony przez wybór wektora x(0). O ile x(0) nie jest od

razu stanem stabilnym, w trakcie następujących później iteracji x zmienia się w taki sposób,

że wartość funkcji energii maleje. Początkowo zmiany energii E(x) są duże. W miarę jak x

zbliża się do stanu stabilnego, wartości energii E zmieniają się w mniejszym stopniu, w końcu

ustalają się, gdy osiągnięty zostanie punkt minimum. Analogią fizyczną może być w tym

przypadku kulka tocząca się swobodnie po pewnej pofałdowanej powierzchni. Należy

zwrócić uwagę na fakt, że osiągane stany stabilne wcale nie muszą odpowiadać minimum

globalnemu funkcji energii, dlatego najczęściej osiągnięte zostaje jedynie któreś z minimów

lokalnych [Korbicz 1994, s. 99; Goto 2008, s. 734]. Aby temu zapobiec wprowadzano różne

metody i algorytmy [zob. m.in. Papageorgiou 1998, s. 283-292; Peng 1996, s. 1241-1253;

Platt 1988, s. 612; Abe 1993, s. 246-257].

Kluczowym problemem we wszystkich badaniach ilościowych jest dostępność danych

i ich jakość. W zasadzie projektant sieci nie zdaje sobie sprawy z istnienia pewnych (z pozoru

mało znaczących) danych. Tak samo prędkość nauki sieci neuronowej (szybkość zbieżności

optymalizowanej funkcji) zależy nie tylko od wyboru algorytmu nauki sieci, ale również od

jakości danych uczących. Jakość tych danych z kolei zależy od wielu czynników, np.:

Szumu,

Błędów w danych uczących,

Wariancji i wartości oczekiwanej danych,

Korelacji danych.

Pierwsze dwa parametry muszą być rozważane indywidualnie w zależności

od rozpatrywanego przypadku. Nie zawsze można znaleźć błędne dane w zbiorze uczącym

sieć. Wówczas można próbować uczyć sieć metodami odpornymi na tego typu niedogodności


(np. przez odrzucanie danych, które powodują inną odpowiedź sieci niż ta wyestymowana na

podstawie teorii prawdopodobieństwa). Przy dużej ilości zmiennych dobrym rozwiązaniem

będzie analizowanie macierzy korelacji wszystkich zmiennych. Jeżeli jest wiele zmiennych

silnie wzajemnie skorelowanych, to można z próby usunąć większość z nich, nie pogarszając

jej jakości, zmienne takie powielają bowiem tę samą informację. Jeżeli taka analiza nie

pozwoli wyeliminować wystarczającej liczby zmiennych, to można posłużyć się analizą

głównych składowych (ang. principal component analysis), która pozwoli wyeliminować

część najmniej istotnych danych [Rybarczyk 2008, s. 11-13].

Podczas projektowania sieci neuronowej definiuje się zbiór wejściowy i rozdziela na

dwa podzbiory: zbiór testujący T (ang. testing) oraz zbiór uczący L (ang. learning). Ze zbioru

uczącego dodatkowo wydzielony jest podzbiór walidacyjny V (ang. validation) (rys. 8),

wykorzystywany w trakcie procesu uczenia do określenia stopnia nauczenia sieci neuronowej.

Zdolność odtwarzania przez sieć zbioru uczącego jest miarą zdolności zapamiętywania

danych uczących, a zdolność generowania przybliżonych wyników dla zbioru T, na którym

sieć nie była trenowana, określany jest miarą zdolności uogólniania [Osowski 2006, s. 1;

Rybarczyk 2008, s. 11].

Rys. 8 Wizualizacja podziału przestrzeni danych [na podst. Rybarczyk 2008].

Projekt sieci Hopfielda zastosowany w pracy zaimplementowany został w programie

Mathworks MATLAB. Taki wybór narzędzia informatycznego jest nieprzypadkowy, gdyż w

internecie (patrz przykładowo na stronach internetowych http://www.utdallas.edu/~herve/

oraz www.pudn.com), jak i w publikacjach [przykładowo w Rybarczyk 2008] właśnie w tym

programie taki typ sieci został zaprogramowany. Kod źródłowy został oparty na [Abdi 1994,

1999].

W niniejszym rozdziale zostały przedstawione dwie informatyczne metody analizy

i optymalizacji procesów logistycznych. W chwili obecnej przedsiębiorstwa stosują jednak

inne systemy informatyczne, takie jak np. dedykowane dla konkretnego przedsiębiorstwa

oprogramowanie (systemy klasy ERP, np. SAP) lub standardowe programy, które obsługują

http://www.utdallas.edu/~herve/

http://www.pudn.com/


wybrane moduły (tj. finanse, czy kadry). W tabeli poniżej zestawione zostały podstawowe

własności różnych systemów informatycznych, w kontekście aplikacji ich do zarządzania

logistyką zaopatrzeniową.

Standardowy

program

Dedykowany

program

Program

ekspercki

Sieć

neuronowa

Nowe

rozwiązanie

Czas implementacji Mały

Duży –

bardzo duży

Duży –

bardzo duży

Mały –

średni

Mały –

średni

Koszt implementacji Mały –

średni

Bardzo duży -

duży

Duży –

średni

Mały –

średni

Mały –

średni

Ilość błędów w

implementacji Minimalna Duża

Duża -

średnia Nie wiadomo

Mała –

średnia

Łatwość wprowadzenia

zmian po implementacji

Prawie

niemożliwe

Średnio –

trudno

Średnio –

trudno

Prawie

niemożliwe Średnie

Koszt wprowadzenia

zmian po implementacji

Bardzo duży –

duży

Duży –

bardzo duży

Duży –

bardzo duży

Prawie

niemożliwe Średnie

Wprowadzenie modułu

uzasadniającego

rozwiązanie

zaproponowane przez

program

Wymagany jest

specjalistyczny

program

Trudny do

wprowadzenia

Standardowe

rozwiązanie

Brak

możliwości

Moduł będzie

wprowadzony

podczas

ulepszania

systemu

Koszt wprowadzenia w/w

modułu

Bardzo duży –

duży

Bardzo duży –

duży – – –

Dostosowanie do profilu

przedsiębiorstwa Nie Tak Tak Tak Tak

Prędkość działania

programu Średnia-duża Średnia Średnia Bardzo duża Duża

Możliwość aktualizacji

programu do zmieniającej

się rzeczywistości

Wymagany jest

specjalistyczny

program

Tak Tak Tak Tak

Czas potrzebny do

wprowadzenia w/w

aktualizacji

Duży Duży Duży – średni Aktualizacja

ciągła

Aktualizacja

ciągła

Możliwość analizy

procesów dotyczących

przyjęcia i wydania

towarów do magazynu

Wymagany jest

specjalistyczny

program

Wymagany jest

dodatkowy

moduł

Nie

Częściowa

(bez modułu

objaśnia-

jącego)

Tak

Moduł optymalizujący

transport uwzględniając

czas przewozu

i powierzchnię ładunkową

Wymagany jest

specjalistyczny

program

Wymagany jest

dodatkowy

moduł

Możliwe Brak wiedzy Tak

Koszt wprowadzenia w/w

modułu Bardzo duży Bardzo duży Średni – Brak

Możliwość wyznaczania

okien czasowych w całym

łańcuchu dostaw

Wymagany jest

specjalistyczny

program

Wymagany jest

dodatkowy

moduł

Tak Brak wiedzy Tak

Automatyczna aktualizacja

metody wyznaczania okien

czasowych

Wymagany jest

specjalistyczny

program

Wymagany jest

dodatkowy

moduł

Nie

Brak wiedzy,

prawdopo-

dobnie tak

Tak

Możliwość optymalizacji

czasu transportu w całym

łańcuchu logistycznym

Wymagany jest

specjalistyczny

program

Wymagany jest

dodatkowy

moduł

Możliwe Brak wiedzy Tak

Tab. 2. Porównanie własności systemów informatycznych [opr. własne].


Z powyższej tabeli wynika jednoznacznie, że aby dostosować standardowy program

do wymagań przedstawianej pracy, potrzebny jest specjalistyczny program i to dostosowanie

wiąże się z dużym nakładem finansowym, gdyż wdrożenie systemu informatycznego jest

zmianą, która uważana jest za inwestycje, zwykle związaną z nakładem finansowym [Fertsch

2009, s. 2225]. Program taki staje się bardziej programem specjalistycznym i dedykowanym

dla danego przedsiębiorstwa, takim jak systemy klasy ERP, np. SAP. Z drugiej zaś strony

wymagania te nie są standardowe dla omawianego programu, więc koszty implementacji

modułów, które by pozwalały systemowi spełnić wymagania stawiane w tej pracy, będą duże.

Podobnie będzie z czasem implementacji, który będzie bardzo duży, ze względu na trudność

we wprowadzeniu zmian. Analogicznie jest z modułem objaśniającym decyzję, proponowaną

przez system.

Pierwszym podstawowym wymogiem stawianym w stosunku do omawianego

w niniejszej pracy systemu jest ciągła aktualizacja do zmieniających się warunków, gdyż

współczesne warunki rynkowe charakteryzują się tym, że nic nie jest pewne: ani rozszerzanie

się rynku, ani popyt, ani długość cyklu produkcyjnego, ani szybkość zmian technologicznych,

czy natura konkurencji [Pacholski 2009, s 191], a tylko sieci neuronowe i systemy

zawierające sieć neuronową dają taką możliwość. Jeśli chodzi o pozostałe systemy, to tylko

drobne zmiany w otoczeniu przedsiębiorstwa mogą nie spowodować zakłóceń w działalności

programu, który może nadal działać poprawnie i dawać nadal optymalne propozycje, ale nie

musi. Człowiek obsługujący i korzystający z tego oprogramowania nie musi zauważyć że coś

się zmieniło i wymagana jest aktualizacja oprogramowania. System ponownie może się

dostosować do rzeczywistości, jeśli nastąpi ponowna analiza procesów logistycznych

w przedsiębiorstwie. Oczywiście może być ona często zlecana, lecz nie będzie ona ciągła.

Następnie tylko sieć neuronowa i proponowane w pracy rozwiązanie daje możliwość

analizy procesów związanych z przyjęciem i wydaniem towarów w taki sposób, iż każda

firma, włącznie z przedsiębiorstwem produkcyjnym, będzie traktowana jako jednakowe

podmioty i analiza ta będzie się odbywać w sposób ciągły. Pomimo wprowadzania ciągłych

aktualizacji szybkość działania tych dwóch rozwiązań będzie duża, co stanowi ich bardzo

dużą zaletę.

Jednakże sieć neuronowa nie będzie nigdy w stanie objaśnić proponowanych decyzji.

Ponadto nie wiadomo, czy sieć neuronową można zastosować do wyznaczenia okien

czasowych dla ciężarówki w całym łańcuchu dostaw, jak i optymalizacji transportu, pod

względem czasu i wykorzystanej powierzchni załadunkowej. Przedstawiona w pracy

koncepcja jest pierwszą tego typu. Istnieją oczywiście systemy hybrydowe stworzone do

optymalizacji przepływów i transportów, ale mają one zazwyczaj zastosowanie w gospodarce

energetycznej, czy wodnej bądź optymalizacji sygnalizacji w transporcie miejskim1. Tak

samo nie zostało znalezione żadne zastosowanie problemu komiwojażera i sieci neuronowej

do optymalizacji transportu w procesie zaopatrzenia.

1 Na podstawie poszukiwań w bazie Scopus, data: 03.03.2013.


2.4 Problem komiwojażera

Struktura sieci jest wzorowana na strukturze sieci rozwiązującej problem

komiwojażera i z tego względu samo zagadnienie (problem) komiwojażera (skrótowo

oznaczany przez TSP) zostanie przybliżone. Optymalizacja transportu jest związana

z wyborem najkrótszej drogi, jaką należy pokonać, aby odebrać towar od dostawców

i właśnie tak sformułowany problem kojarzy się z zagadnieniem komiwojażera.

Jest to problem kombinatoryczny, tzn. posiada skończoną liczbę rozwiązań

dopuszczalnych. Istotnie, zakładając, że problem dotyczy miast to może on być rozwiązany

poprzez wygenerowanie wszystkich tras i porównanie ich długości (poprzez pełne

przeszukiwanie całek przestrzeni rozwiązań). W praktyce jednak sprawa nie przedstawia się

tak prosto. Wprawdzie w przypadku np. pięciu miast istnieje tylko 12 różnych tras, niemniej

jednak już dla 10 miast mamy do czynienia z liczbą 181 440 możliwości, a dla 30 miast

należałoby sprawdzić ponad sytuacji, co trwałoby już latami. Zwiększenie liczby

miast z do prowadzi do -krotnego zwiększenia liczby tras. Oznacza to, że przy

zastosowaniu pełnego przeszukiwania rozwiązanie optymalne nie może być znalezione

w czasie wielomianowym (tzn. w czasie będącym wielomianem zmiennej ) [zob. Yoo-Shin

1997 s. 693; Rong 1997, s. 157]. Zatem metoda pełnego przeszukiwania nie ma w tym

przypadku praktycznego znaczenia, z wyjątkiem problemów o bardzo małym wymiarze. Co

więcej, pomimo intensywnych badań prowadzonych w tym zakresie nie znaleziono jeszcze

żadnego wielomianowego algorytmu dokładnie rozwiązującego rozważany problem. Stąd też

problem komiwojażera zalicza się do klasy tzw. problemów NP-trudnych [zob. Xue-song

2007, s. 1]. Nie wiadomo, czy tego typu problemy mogą być w ogóle rozwiązane w czasie

będącym wielomianem zmiennej . Stąd dużego znaczenia nabierają algorytmy przybliżone,

które wprawdzie nie we wszystkich przypadkach generują rozwiązania optymalne, ale za to

działają w czasie wielomianowym, a otrzymane przybliżone rozwiązania są satysfakcjonujące

z praktycznego punktu widzenia [Korbicz 1994, s. 137-139].

Nic więc dziwnego, że w tym kontekście duże nadzieje i zainteresowanie wzbudził

artykuł Hopfielda i Tanka [Hopfield 1985, s. 141-152], w którym w celu rozwiązania

problemu komiwojażera zaproponowano użycie analogowej sieci rekurencyjnej (sieci

Hopfielda) [Hong 2005, s. 739], charakteryzującej się elegancką formulacją [Kahng 1989,

s. I-513]. Pokazano w tym artykule, że metoda Hopfielda może rozwiązać TSP

z 30 miastami w krótkim czasie obliczeniowym z porównywalnie dobrą dokładnością

[Yoshiyuki 1994, s. 4529] i w dodatku z powodzeniem. Zalety tego podejścia wydawały się

bezsporne - ponieważ przetwarzanie w sieci neuronowej z natury jest równoległe (oczywiście

w implementacji sprzętowej, a nie przy użyciu programu – symulatora), więc czas potrzebny

na uzyskanie rozwiązania powinien być minimalny. Co więcej, nie powinien on znacząco

zależeć od liczby miast [Korbicz 1994, s. 137-139]. Hopfield wprowadził koncepcję funkcji

w sieciach neuronowych i pokazał, że poszukiwanie punktu który minimalizuje energię może

być wyprowadzony poza elektroniczny okrąg. Używając tej własności można znaleźć

rozwiązanie w niedeterministycznym czasie dla NP-trudnego zagadnienia TSP [Goto 2008,


s. 734]. Ponadto sieć Hopfielda idealnie się nadaje do rozwiązywania problemów

optymalizacyjnych [Kashmiri 1991, s. 940].

Najprościej problem ten można sformułować następująco - komiwojażer mieszka

w pewnym mieście i planuje podróż do pewnych innych miejscowości. Chce odwiedzić każde

miasto dokładnie jeden raz, po czym powrócić do domu [zob. Zhu 2009, s. 1; Kopańska-

Bródka 2010, s. 68]. Znane mu są przy tym odległości między każdą parą miejscowości.

Pojawia się następujący problem: w jakiej kolejności powinien odwiedzać miasta, aby

odwiedzić je tylko raz, po czym wrócić do domu i aby całkowita długość trasy była

minimalna?

Zgodnie z powyższym komiwojażer (nawigator) ma odbyć podróż przez zbiór miast

(portów, wierzchołków), odwiedzając każdy z nich raz, tak aby zminimalizować sumaryczną

przebytą odległość [Bank 2002, s. 207], zatem dane jest N miast o nazwach

i należy znaleźć najkrótszą drogę dla komiwojażera, tak aby odwiedził wszystkie miasta tylko

raz [Choy 1995, s. 2632], a w końcu wraca do miasta początkowego. Jego droga jest

zamkniętą drogą, a jej długość jest sumą wszystkich krawędzi, z których się składa [Guo

2012, s. 978]. Ponieważ wyjścia neuronów sieci są binarne (każde z nich może przyjmować

albo wartość 1 lub 0) do reprezentacji problemu będą wykorzystywane neuronów

podzielonych na kolejnych neuronów. Każda grupa odpowiada jednemu miastu. Wartość 1

na wyjściu -tego neuronu w grupie oznacza, że dane miasto ma również występować jako

-te na trasie komiwojażera. Ponieważ każde miasto może pojawiać się na trasie dokładnie

raz, w danej grupie powinien być aktywny tylko jeden neuron, wyjścia pozostałych natomiast

powinny być równe zero. Przykładowo dla czterech miast i dopuszczalnym

rozwiązaniem generowanym przez sieć mogłaby być następująca sekwencja wyjść neuronów

co oznacza, że poszczególnym miastom odpowiadają następujące czwórki

1 2 3 4

Miasto 0 1 0 0

Miasto 1 0 0 0

Miasto 0 0 1 0

Miasto 0 0 0 1

a więc komiwojażer powinien odwiedzić kolejno miasta , , i .

Niech odnosić się będzie do wyjścia neuronu związanego z miastem oraz -tą

pozycją tego miasta na trasie komiwojażera, tzn.

{ ę

.

W sformułowaniu problemu konieczne jest uwzględnienie kilku ograniczeń wiążących

stany . Przyjęte zostanie założenie, że mogą przyjmować jedynie wartości: zero albo

jeden.


.

Po pierwsze, każde miasto powinno pojawić się na trasie dokładnie raz, co odpowiada

warunkowi

∑ ∑ ∑ .

Po drugie, dwa różne miasta nie mogą wystąpić na tej samej pozycji na trasie, czyli mamy

do czynienia z ograniczeniem

∑ ∑ ∑ .

Po trzecie, komiwojażer musi odwiedzić wszystkie miasta, a co oznacza spełnienie warunku

(∑ ∑ )

.

Przy spełnionych ograniczeniach w/w warunki są sformułowane poprawnie, a wprowadzone

funkcje , i nie mogą przyjmować wartości ujemnych [Korbicz 1994, s. 137-139].

Problem ten dla miast zawiera symetryczną macierz z nieujemnymi

rzeczywistymi składnikami dij, gdzie dij oznacza odległość między -tym a -tym, miastem.

Oryginalne sformułowanie Hopfielda i Tanka (zob. [Hopfield 1984]) używa wyjściowych

węzłów w formie macierzy kwadratowej, gdzie wiersze odpowiadają poszczególnym

miastom a kolumny do pozycji na trasie. Zatem obowiązujące rozwiązanie będzie w formie

macierzy permutacji, tj. dokładnie jedno miasto będzie dane w jednej pozycji i każde miasto

będzie odwiedzione raz.

W pracy tej zostanie zaproponowany inteligentny system hybrydowy zarządzania

logistyką zaopatrzeniową, który uwzględni czas transportu i będzie traktował dostawców

w sposób zintegrowany z przedsiębiorstwem, bazując właśnie na sieci Hopfielda

rozwiązującej w/w problem komiwojażera.

3. Koncepcja systemu

3.1 Zarządzanie logistyką zaopatrzeniową w przed-

siębiorstwie

Efektywne zaopatrzenie w towary i usługi przyczynia się do przewagi konkurencyjnej

danej organizacji. Proces zaopatrzenia łączy uczestników łańcucha dostaw i zapewnia

pożądaną jakość tworzoną przez dostawców w tym łańcuchu. Jakość materiałów i usług

„wchodzących” ma duży wpływ na „wychodzące” z niego wyroby gotowe, a zatem na

zadowolenie klienta i dochód firmy. Koszty na wejściu do systemu stanowią dużą część

kosztów całkowitych firm wielu gałęzi przemysłu [Coyle 2007, s. 103].

M. E. Porter [Porter 1985, s. 11-16] w swoim łańcuchu wartości wyjaśnił strategiczne

znaczenie zaopatrzenia, wynikające z faktu, że obejmuje ono takie czynności, jak

kwalifikowanie nowych dostawców, kupowanie różnych rodzajów materiałów

i monitorowanie wykonawstwa. W związku z tym zaopatrzenie ma podstawowe znaczenie

w kształtowaniu powiązań między uczestnikami łańcucha dostaw [Coyle 2007, s. 106].

W zależności od kontekstu zaopatrzenie można zdefiniować, w węższym znaczeniu,

jako akt zakupu towarów i usług dla firmy lub, w szerszym znaczeniu, jako proces

pozyskiwania dóbr i usług dla firmy. Proces zaopatrzenia jest jednak czymś więcej niż

kulminacją działania; jest to pomyślne zrealizowanie cyklu czynności, które często

przekraczają granice organizacji. Zaopatrzenie składa się ze wszystkich działań, które są

niezbędne do nabycia dóbr, zgodnych z wymaganiami użytkownika [Coyle 2007, s. 105-106].

Do podstawowych zadań w ramach logistyki, które wynikają również z przyjętych

przez dane przedsiębiorstwo zasad zaopatrzenia, można zaliczyć: planowanie potrzeb

materiałowych, magazynowanie i gospodarkę zapasami, wybór źródeł zakupu, dostawców

(źródeł zaopatrywania firmy) oraz organizację dostaw (zamawianie i potwierdzanie

zamówień, odbiór dostarczanych materiałów, transport materiałów wraz z pracami

przeładunkowymi i ocenę dostaw) [Piasecka-Głuszak 2011, s. 46].

Działania składające się na proces zaopatrzenia często wykraczają poza granice

funkcjonalne firmy oraz granice organizacyjne i nie mogą być efektywnie zrealizowane bez

zaangażowania się weń wszystkich uczestniczących w transakcji. Pomyślne przeprowadzenie

tych działań pozwala na maksymalizowanie wartości zarówno dla organizacji kupującej, jak

i sprzedającej, przy jednoczesnym zmaksymalizowaniu wartości w całym łańcuchu dostaw

[Coyle 2007, s. 106].

Logistyka zaopatrzenia obejmuje zatem dostarczenie materiałów niezbędnych do

produkcji w przedsiębiorstwie, ich składowanie oraz przemieszczanie do pierwszego

stanowiska linii produkcyjnej. Logistyka ta jest traktowana jako zarządzanie strumieniem

dopływu do przedsiębiorstwa [Gołembska 2010, s. 200].

3. Koncepcja systemu Strona | 41

Systemem logistycznym, zajmującym się pierwszą fazą przepływu towarów,

tj. logistyką zaopatrzenia, nazywany jest systemem zajmującym się przepływem dóbr

rzeczowych i informacji, rozpoczynających się od dostawcy surowców na rynku zaopatrzenia.

Odpowiada on za koordynację przepływów i dostarczenie surowców, materiałów, części

zamiennych oraz ewentualnie wyrobów gotowych do magazynu kooperacyjnego,

zajmującego się gromadzeniem lub sortowaniem, albo do magazynu zaopatrzeniowego, albo

bezpośrednio z rynku zaopatrzenia do procesu produkcyjnego [Piasecka-Głuszak 2011, s. 39].

Do najważniejszych zagadnień, związanych z logistycznymi procesami zaopatrzenia,

należą: kompletność, jakość i terminowość dostaw, gdyż warunkują one sprawną obsługę

procesów produkcyjnych [Piasecka-Głuszak 2011, s. 45] i właśnie nimi będzie się zajmował

inteligentny system hybrydowy, ponieważ w miarę wydłużania się łańcucha dostaw we

współczesnej, globalnej gospodarce coraz ważniejsza staje się funkcja transportu, polegająca

na łączeniu nabywców oraz sprzedawców, których mogą dzielić znaczne odległości.

Transport tworzy swoisty pomost między nabywcą a sprzedawcą. Powiększająca się luka

przestrzenna powoduje wzrost kosztów transportu. Ponadto prowadzenie działalności

gospodarczej na rynkach międzynarodowych powoduje wydłużenie dróg transportu, co

pociąga za sobą konieczność utrzymania wyższego poziomu zapasów i, w efekcie,

zwiększenie kosztów składowania. Dlatego im większa będzie luka, tym wyższe będą koszty

transportu i składowania [Coyle 2007, s. 404].

Wiąże się to z koniecznością tworzenia zasileniowych strumieni materiałowych,

względnie stałych, regularnie powtarzających się w odpowiednich odstępach czasu. Decyzje

zaopatrzeniowe obejmują m.in. wybór źródeł zakupów, wybór środka transportu

i przewoźnika, ustalenie cen oraz jakości kupowanych pozycji materiałowych. Nierzadko

liczba tych pozycji przekracza kilkanaście tysięcy. Decyzje zaopatrzeniowe nie należą do

najprostszych. Z drugiej strony, muszą one być podejmowane bardzo rozważnie,

z uwzględnieniem ich znaczącego wpływu na ekonomikę przedsiębiorstwa, a zwłaszcza na

poziomie kosztów i osiąganych zysków. W ten sposób proces zakupu produktów przez

przedsiębiorstwo znacznie różni się od procesu zakupu produktów przez indywidualnego

konsumenta [Gołembska 2010, s. 202].

Przedsiębiorstwo produkcyjne stanowi ważne ogniwo w systemie logistycznym. Jako

podmiot, który podejmuje się wytwarzania jakiegoś produktu, co skłania go do organizacji

zaopatrzenia, a następnie zbytu, odgrywa inicjującą rolę w funkcjonowaniu całego łańcucha

dostaw. Producent występuje jako odbiorca pewnych zasobów i zarazem dostawca innych,

wytworzonych przez siebie, o wyższym stopniu przetworzenia. Lokalizując ogniwo

produkcyjne w łańcuchu logistycznym, można mówić o rzeczowym strumieniu dopływu

(zasileniowym) i strumieniu odpływu. Strumień dopływu stanowią surowce, materiały, części,

podzespoły, moduły, niezbędne do wytworzenia produktu o nowych cechach i własnościach.

Strumień odpływu natomiast to wytworzone z nich gotowe wyroby [Gołembska 2010,

s. 198-202].

Kluczowym zadaniem dystrybucji jest zaoferowanie wytworzonych produktów na

rynku [Grzegorczyk 2011, s. 79], czyli dostarczenie finalnym nabywcom pożądanych przez


nich produktów do miejsc, w których chcą je nabyć, we właściwym czasie, na uzgodnionych

warunkach i cenie [Sławińska 2008, s. 26], które najlepiej będą odpowiadały potrzebom

i oczekiwaniom nabywców [Pomykalski 2008, s. 118-119]. Jest to możliwe tylko jeśli towary

potrzebne do wytworzenia finalnego produktu będą dostarczone we właściwym czasie, na

uzgodnionych warunkach i po akceptowanej przez nich cenie. Wiąże się to z fizycznymi

zabiegami na towarach (pakowanie, konfekcjonowanie, transport) [Pilarczyk 2006, s. 190],

dlatego też ważna jest ocena poziomu świadczonych usług dostawczych, gdzie najczęściej

bierze się pod uwagę następujące cechy [Gołembska 2010, s. 245]:

czas dostawy (szybkość realizacji zamówień),

terminowość dostaw,

niezawodność dostaw,

elastyczność dostaw,

jakość dostaw.

Warto wspomnieć o koszcie transportu w przypadku zaopatrzenia. Jakość obsługi

transportowej bezpośrednio wpływa na ponoszone koszty utrzymania i wyczerpania zapasów,

a także na koszty ich funkcjonowania [Coyle 2007, s. 405]. Im dłuższy będzie czas przewozu,

tym wyższy poziom zapasów firma będzie musiała utrzymać w celu zabezpieczenia się przed

ich wyczerpaniem do momentu nadejścia kolejnej dostawy. Niezawodność danej gałęzi

transportu i poziom zapasu bezpieczeństwa wpływają także na poziom zapasów

utrzymywanych w magazynie, wykorzystanie sprzętu do manipulacji materiałami i pracy

z nimi związanej oraz czas i koszty komunikacji z przewoźnikiem, umożliwiającej określenie

stadium zaawansowania danej dostawy lub dochodzenie odszkodowania za towary zniszczone

w czasie transportu [Coyle 2007, s. 406].

Czynnik czasu w zarządzaniu logistycznym jest elementem wyróżniającym się

spośród wykorzystywanych kierunków działań logistycznych. Większość opracowanych

i wdrażanych rozwiązań uwzględnia w swych założeniach pośrednio i bezpośrednio czynnik

czasu [Kubiak M. 2006, s. 42].

Z tego właśnie powodu optymalizacja czasu w procesie odbioru i rozładunku oraz

ustalaniu trasy transportu towarów będzie rozpatrywana przez inteligentny system

hybrydowy.

3.2 Potencjalne korzyści i problemy

Ideą systemu jest stworzenie dynamicznych, a nie stałych, tras odbioru towaru, które

by bardziej odpowiadały dynamicznym zmianom w sytuacji gospodarczej.

Nadrzędnym celem tego rozwiązania jest optymalizacja powierzchni ładunkowej.

Dodatkowo bardzo ważnym kryterium będzie czas transportu od pierwszego dostawcy do

odbiorcy końcowego. Często przy łączonych transportach znacznie wydłuża się czas

transportu.


Z tego względu każdemu z dostawców, którzy będą uwzględniani jako potencjalne

punkty odbioru, będzie przypisany pewien wskaźnik, uwzględniający sprawność obsługi

załadunków i czas potrzebny od momentu zgłoszenia się pojazdu do załadunku aż do

momentu opuszczenia bram firmy. Takie rozwiązanie ma bezpośredni wpływ na potencjalne

korzyści, jakie może osiągnąć firma, wprowadzająca ten system.

Elementami, które mają bezpośredni wpływ na kształtowanie się poziomu kosztów

transportu są [Ciesielski 2005, s. 89; Stajniak 2007, s. 128]:

(a) technologia realizowanej usługi transportowej,

(b) waga towaru,

(c) objętość towaru,

(d) odległość przemieszczania,

(e) niebezpieczeństwo związane z przewozem towaru (dotyczy towarów objętych

ADR),

(f) podatność transportowa towaru,

(g) wartość towaru.

Efektywnym celem proponowanego systemu hybrydowego, będzie wzięcie pod uwagę

większość z wymienionych elementów.

Przedsiębiorstwo, które zastosuje opisywany system może uzyskać następujące

korzyści:

(a) Zmniejszenie kosztów transportu, poprzez łączenie przesyłek i ładunków

z pominięciem ewentualnego punktu konsolidacyjnego.

(b) Szybsze dostosowanie transportu do zmieniającej się dynamicznie sytuacji

gospodarczej, a nie bazowanie tylko na danych historycznych.

(c) Skrócenie czasu transportu towarów.

(d) Zmniejszenie zapasu bezpieczeństwa, jakie przedsiębiorstwo musiało by

utrzymywać na swoim magazynie do czasu, aż nowa dostawa będzie dostarczona

na magazyn.

(e) Zwiększenie rotacji materiałów na magazynie, poprzez zamówienie mniejszych

ilości.

(f) Łatwiejsze śledzenie przesyłki, ponieważ będzie ona w jednym pojeździe i nie

będzie przeładowywana podczas transportu.

(g) Możliwość ciągłej aktualizacji oprogramowania i brak konieczności zlecania

takiej aktualizacji, co wiąże się z mniejszymi kosztami użytkowania systemu.

(h) Możliwość ciągłej obserwacji zmian sprawności i czasu załadunku oraz

rozładunku towarów zarówno u siebie jak i u kooperantów.

(i) Możliwość wczesnej diagnozy i reakcji na pogarszającą się sytuację u siebie

i u dostawców w w/w zakresie.


Potencjalne problemy

Może się okazać, że będzie istniało ryzyko, iż system neuronowy nie znajdzie

najlepszego globalnego rozwiązania dla przedstawianego problemu, tylko minimum lokalne,

a system ekspercki nie zaradzi temu problemowi, ponieważ tylko częściowo sprawdza

skuteczność systemu.

Może również zaistnieć taki przypadek, w którym odbiorów na jednym obszarze

będzie za mało i system poda punkty odbioru bardzo odległe od siebie i takie podejście

przestanie być korzystne ekonomicznie.

Z w/w powodów możliwe jest, że będzie konieczne utrzymywanie dotychczasowego

sposobu transportowania towarów i równolegle stosowanie nowego podejścia.

3.3 Model jakościowy systemu

Kolejność odbiorów będzie wyznaczać sieć neuronowa, dzięki częściowemu

sprowadzeniu tego zagadnienia do problemu komiwojażera. Sieć wybierze dostawców

w kolejności odbiorów, aby uwzględnić odległości między poszczególnymi dostawcami.

Pierwszym i ostatnim stałym punktem odbioru będzie przedsiębiorstwo produkcyjne, gdzie

wpierw ładowane będą opakowania, a na końcu dostarczane towary zostaną rozładowane. Tak

opisany system będzie nazywany w tej pracy systemem hybrydowym zaopatrzeniowym.

Do systemu wprowadzony zostanie tzw. współczynnik logistyczny, który będzie

opisywał szybkość załadunku towarów i będzie ustalany indywidualnie dla każdego

dostawcy, jak również i przedsiębiorstwa, na podstawie dotychczasowego doświadczenia.

Celem stworzenia takiego współczynnika jest faworyzowanie dostawców o szybkiej

obsłudze, ponieważ przewidziany będzie odbiór zazwyczaj u kilku dostawców (aby jak

najlepiej wykorzystać powierzchnię paletową), ważne jest aby dostawa szybko i sprawnie

dojechała do odbiorcy końcowego. Czas jest istotny, ponieważ w przypadku zapewnienia

krótkiego czasu dostawy ładunków odbiorca końcowy może zmniejszyć zapas

bezpieczeństwa jaki musi utrzymywać na swoim magazynie na dostarczany towar. Czas

spędzony na czekaniu na odbiór towaru jest czasem nieproduktywnym, czyli zmarnowanym

i nie przynoszącym korzyści.

Dostawcy w tym systemie będą zobowiązani do podawania wielkości i wagi przesyłek

odpowiednio wcześniej, aby system mógł z kolei odpowiednio wcześniej wszystkie te dane

wykorzystać. Dodatkowo, z praktycznego punktu widzenia, przed dostarczeniem tych danych

do systemu odbiorca końcowy (czyli przedsiębiorstwo) powinien mieć jeszcze jeden dzień,

aby je sprawdzić. Jest to istotne, ponieważ często się zdarza, iż dostawcy, jeśli nie są

odpowiednio kontrolowani, wysyłają towar w większej ilości niż jest to konieczne (lub

zamówione), gdyż chcą zmniejszyć swój stan magazynowy i szybciej otrzymać zapłatę za

dostarczony towar. Dla odbiorcy końcowego oznacza to zwiększenie stanu magazynowego

i zamrożenie kapitału. Dlatego też niniejsza praca proponuje, aby dostawca przekazał 3 dni

wcześniej informację o przesyłce.


Aby zapobiec pustym przebiegom ciężarówek przyjęte zostało w pracy założenie,

iż każdy pojazd transportowy rozpoczyna swoją trasę od przedsiębiorstwa produkcyjnego

i będzie on załadowany pojemnikami lub opakowaniami transportowymi. Przy odbiorze

towarów będzie następowało przekazanie tych opakowań dostawcom. Przyjęte zostanie

ponadto założenie, że wszystkie wysyłane towary będą zapakowane w pojemniki (każda

pozycja materiałowa będzie miała przypisany jeden typ pojemnika, w którym może być

przewożona) oraz że z góry będzie wiadomo ile sztuk danego detalu będzie się maksymalnie

mieściło w danym pojemniku. W celu uproszczenia modelu aplikacyjnego przyjęte zostało

dodatkowe założenie, że wszystkie pojemniki mają takie same wymiary, jednakże w ogólnych

założeniach koncepcji nie ma tego ograniczenia. W ogólnej koncepcji pojemniki są

różnorodne i wszystkie dane fizyczne pojemników (wysokość, szerokość i głębokość wraz

z ich wagą) będą znane. Podczas transportu w jednym pojemniku znajdować się będzie tylko

jeden rodzaj pozycji materiałowej. Rodzaj, wielkość i waga odbieranych towarów

potrzebnych w procesie produkcyjnym są tak różnorodne, że przewożenie ich w kartonach, ze

względu na możliwość uszkodzenia towaru w drodze, jest rozpatrywane jako ryzykowne.

W rzeczywistości różnorodność detali sprawia, iż jeden uniwersalny pojemnik nie wystarcza.

Dzięki dokonanym założeniom podanie żądanej ilości towaru będzie oznaczało dla systemu

również informację o potrzebnej powierzchni ładunkowej do ich transportu, co umożliwi

kontrolowanie danych przekazywanych przez dostawcę, już przed wysyłką oraz w trakcie

transportu, kiedy to informacje przedsiębiorstwu przekaże przewoźnik. Wprowadzenie tych

danych do systemu umożliwi szybką i łatwą kontrolę ładunków po przekazaniu tych

informacji przez przewoźnika.

Jeśli powtarzać się będzie sytuacja, w której wpierw przekazane (trzy dni wcześniej)

dane dotyczące planowanej wysyłki będą się różniły od danych podawanych przez system lub

przewoźnika, to takiemu dostawcy można obniżyć współczynnik logistyczny. Dodatkowo

informację, iż towar pomimo zapewnień dostawcy, nie został wysłany odbiorca końcowy

otrzymuje zazwyczaj dopiero podczas rozładunku towaru, czego będzie można uniknąć dzięki

wykorzystaniu tego systemu.

Podobna aktualizacja może nastąpić w odniesieniu do współczynnika logistycznego,

zatem wtedy, kiedy czas załadunku towarów będzie dłuższy niż czas przewidziany przez

system. Jest to niezwykle istotne ze względu na fakt, iż na podstawie tego współczynnika

można wyznaczyć czas, kiedy pojazd transportowy przyjedzie do następnego dostawcy.

Współczynnik bezpośrednio po implementacji musi być sprawdzony, aby wykazać, czy czas

wyznaczony przez system będzie zgodny z rzeczywistym czasem przejazdu oraz godziną

i dniem, kiedy kierowca zgłosi się na bramie u dostawcy. Podawany przez system

przewidywany czas wyznaczany będzie na podstawie archiwalnych danych i/lub

dotychczasowego doświadczenia. Po urzeczywistnieniu tego współczynnika będzie znana


Dostawca 1

Zakład produkcyjny

Dostawca 5

Dostawca 3

Dostawca 2

Dostawca 6

Dostawca 4

Załadunek

pojemników

Załadunek

pojemników

Rozładunek pojemników i załadunek

towarów u każdego dostawcy oraz

przekazanie informacji o odebranej

przesyłce do przedsiębiorstwa

Dostawca 7

Rozładunek pojemników i załadunek

towarów u każdego dostawcy oraz

przekazanie informacji o odebranej

przesyłce do przedsiębiorstwa

Rys. 9 Model systemu zaopatrzeniowego [oprac. własne].

pora, kiedy u poszczególnych dostawców powinien dotrzeć przewoźnik i ta informacja będzie

mogła być przekazywana wszystkim zainteresowanym stronom łańcucha dostaw w celu

ustaleniu okna czasowego w poszczególnych ogniwach tego łańcucha. Dzięki takiemu


rozwiązaniu przewoźnik będzie mógł szybko i sprawnie dokonać rozładunku, następnie

załadunku, a czas spędzony na tym procesie będzie zminimalizowany. To spowoduje,

iż u następnego dostawcy pojazd transportowy będzie mógł być na czas, na następne okno

czasowe. System ekspertowy dodatkowo uwzględni czasy, jakie kierowca musi przeznaczyć

na ustawowe przerwy i dzięki temu podane czasy będą bardziej prawdopodobnie. Oczywiście

przy zmianie praw o pracy kierowcy, czasy te muszą być aktualizowane w systemie.

Nadto, dzięki informacji o ilości wolnej powierzchni ładunkowej poszczególnych

pojazdów transportowych w sytuacjach kryzysowych, kiedy towar jest pilny, zamiast

organizowania specjalnego transportu może być wykorzystany w/w pojazd, jeśli na trasie

byłby dostawca, od którego winny być pobierany pilny towar. Dzięki temu będzie istniała

możliwość zaoszczędzenia na dodatkowych kosztach pilnych transportów.

Następnie przyjęte założenie dotyczące kursowania pojazdów w określone, ustalone

z góry, dni. Założenie to będzie ograniczało liczbę odbiorów towarów do dwóch tygodniowo,

tworząc w ten sposób stały harmonogram odbiorów. To założenie nie jest konieczne dla

rozpatrywanego systemu, ale zostało ono wprowadzone, gdyż dzięki niemu koszty transportu

mogą zostać obniżone. Ponadto jest to korzystne dla klienta, gdyż może on zminimalizować

poziom zapasów, jeżeli dostawy będą regularne. Kiedy przykładowo klient, który ma 100-

procentową pewność, że cykl realizacji jego zamówień trwa zawsze 10 dni, może

utrzymywać zapasy na takim poziomie, aby odpowiadały one przeciętnemu popytowi

(zużyciu) w ciągu 10 dni. Nie będzie wtedy musiał utrzymywać zapasu bezpieczeństwa

w obawie przed wyczerpaniem się produktów z powodu nieregularnych dostaw. Dotrzymanie

czasu dostawy wpływa zatem bezpośrednio na poziom zapasów u klienta i koszty ich

ewentualnego wyczerpania [Coyle 2007, s. 159]. Dodatkowo, jeśli te dni są znane z góry to

krótki okres poprzedzający podanie dokładnej trasy odbioru lub załadunku towarów będzie

bardziej możliwy do zaakceptowania przez firmę przewożącą towary.

Dodatkowo istnieje możliwość rozpatrzenia dedykowanych pojazdów. Oznaczałoby

to, że zawsze załadunki będzie obsługiwać określona liczba pojazdów i tylko w przypadku

konieczności, wynajmowane będą dodatkowe. Takie założenia oznaczają większą możliwość

negocjacyjną dla firm wprowadzających opisywany system – możliwość obniżenia kosztów

transportu.

Warto tutaj zaznaczyć, że rezultaty pracy tego systemu hybrydowego nie będą od razu

przekazywane przewoźnikowi. Użytkownik zawsze będzie dane te przekazywał firmie

transportowej, gdyż intencją autorki jest, aby system spełniał rolę doradczą, a nie decyzyjną.

Takie podejście, w którym program komputerowy nie ma zastąpić człowieka, lecz ma

wspierać jego działania wymagające zaangażowania inteligencji, okazało się owocne

i przyniosło wiele wartościowych zastosowań w biznesie [Surma, s. 7].

Dodatkowo w systemie ekspertowym, w którego skład będzie wchodził GPS

wyznaczony zostanie sugerowany czas przejazdu. Dzięki informacji zwrotnej od przewoźnika

w bazie pierwszego systemu eksperckiego będzie mógł być aktualizowany współczynnik

logistyczny, który uwzględniałby realny czas załadunku towarów. Czas jest ważnym


aspektem uwzględnianym w tym systemie, więc realne dane na jego temat stają się

szczególnie istotne. Dzięki ciągłej aktualizacji tego współczynnika system będzie mógł

reagować w sposób dynamiczny na problemy pojawiające się u dostawcy. Oczywiście, aby

zapobiec aktualizacji na podstawie jednego odosobnionego przypadku, dane będą

gromadzone i jeśli opóźnienia będą się kilkakrotnie zdarzały informacja taka zostanie

przekazana użytkownikowi. Następnie przedsiębiorstwo będzie miało wybór – albo będzie

aktualizowało współczynnik, albo będzie mogło przeprowadzić rozmowę dyscyplinującą

z dostawcą i jeśli nadal sytuacja nie będzie się poprawiać, to wtedy będzie przeprowadzona

aktualizacja współczynnika.

Takie postępowanie powoduje, że system nadal pozostaje systemem doradczym,

a użytkownik oraz kierownictwo przedsiębiorstwa będą zawsze mieli wpływ na ostateczne

decyzje.

Zarządzanie logistyką zaopatrzeniową w ten sposób oznacza przede wszystkim dla

odbiorcy końcowego z góry znane koszty, mimo iż trasy odbiorów będą się zmieniać

dynamicznie, gdyż system ekspertowy poda liczbę kilometrów, a dzięki ustalonej stawce za

kilometr, opłata za transport, będąca iloczynem liczby kilometrów i właśnie stawki za

kilometr, będzie znana i podawana przez trzeci system ekspertowy. Dzięki temu weryfikacja

faktur wystawianych przez przewoźnika nie będzie sprawiać dużego problemu osobom do

tego wyznaczonym.

Poniżej został przedstawiony model zastosowania danych otrzymanych dzięki

systemowi w logistyce zaopatrzeniowej (rys. 10).

Model aplikacyjny systemu został stworzony dla fikcyjnego przedsiębiorstwa. Jednym

z celów pracy jest przedstawienie korzyści wynikających dla przedsiębiorstwa przez

zastosowanie proponowanego systemu. Niestety jego opłacalność ekonomiczna nie zostanie

zweryfikowana, lecz tylko użyteczność takiego rozwiązania. Z tego powodu do systemu

hybrydowego wprowadzony został moduł sprawdzający. Jeśli dostawców jest trzech, czyli w

całym rozpatrywanym łańcuchu dostaw jest czterech kontrahentów, wliczając

przedsiębiorstwo produkcyjne, możliwych rozwiązań jest 13. Jeśli w systemie będzie

występował dodatkowy dostawca, to możliwych rozwiązań jest 73, natomiast już przy pięciu

dostawcach i jednym przedsiębiorstwie produkcyjnym liczba możliwych rozwiązań wynosi

około 1000. Z tego względu moduł sprawdzający będzie wywoływany jeśli dostawców będzie

mniej niż 5.


Rys. 10 Zastosowanie inteligentnego systemu hybrydowego w logistyce zaopatrzenia [oprac. własne].


3.4 Model ilościowy systemu

Proces ustalania trasy odbioru towarów w rozpatrywanym systemie można opisać

w następujący sposób [zob. Kubiak N. 2013’]:

1) Kilka dni (w pracy przyjęto założenie, że 3) przed planowaną wysyłką towaru

dostawca będzie awizował przesyłkę wraz z informacją o wadze przesyłki oraz ilością

miejsc paletowych, jaka jest potrzebna do przetransportowania towaru (zostanie

wykorzystane założenie, że wszystkie ładunki są paletowalne).

2) Sieć neuronowa na podstawie informacji podstawowych o dostawcy (kod pocztowy,

kraj, współczynnik logistyczny) pogrupuje dostawców ze sobą tak, aby

zmaksymalizować powierzchnię załadunkową, zminimalizować długość trasy odbioru

towarów uwzględniając przy tym położenie dostawców ich wzajemne sąsiedztwo oraz

ich współczynnik logistyczny. Utworzona w ten sposób grupa dostawców będzie

oznaczała, że odbiory u tych dostawców będzie obsługiwać jeden pojazd, a kolejność

tych odbiorów, wyznaczona przez system, nie będzie przypadkowa, tylko będzie

determinowała kolejność odbiorów u poszczególnych dostawców w ramach danego

pojazdu transportowego. Struktura sieci neuronowej będzie podobna do struktury sieci

rozwiązujących przedstawiony wcześniej problem komiwojażera.

3) System ekspercki SE 1 zainicjuje działanie sieci neuronowej SSN wielokrotnie w celu

podania różnych tras odbioru towarów. Jeśli nowa propozycja będzie lepsza od starej,

tzn. długość trasy odbioru będzie mniejsza i/lub powierzchnia wykorzystania będzie

większa i/lub średnia współczynników logistycznych będzie większa, to nowa

propozycja zostanie zapamiętana. Jest to etap, w którym system neuronowy będzie

sprawdzany, aby uniknąć błędów. Ilość powtórzeń działania sieci będzie ustalona

w wyniku przeprowadzonych testów systemu. W tej części systemu nastąpi również

archiwizacja najlepszych wyników. Wyniki te będą mogły być dodatkowo

wykorzystane do bieżącej aktualizacji parametrów sieci.

4) System ekspercki SE 2 odrzuci wyznaczone miejsca odbioru na podstawie procentu

wykorzystania powierzchni ładunkowej. Jeśli wielkość procentu nie przekroczy z góry

ustalonego progu (w pracy będzie to 85%), to wyznaczona kombinacja odbiorów

zostanie odrzucona. Następnie po rozpatrzeniu wszystkich kombinacji system poda

ilość potrzebnych środków transportu do obsługi wszystkich dostawców wraz

z procentem wykorzystania powierzchni załadunkowej poszczególnego pojazdu

transportowego. Ponadto (informacyjnie) podana zostanie suma współczynników

logistycznych. Odbiory, które zostaną odrzucone zostaną podane przez system, aby

użytkownik mógł zorganizować obiór w tych miejscach, gdyż odbiór tych towarów

wydaje się być mało opłacalny.

5) W przypadku, gdy odbiorów będzie więcej niż jeden na danej trasie trzeci system

ekspercki SE 3 wyznaczy dokładną trasę odbioru ładunków. Przyjęto ponadto, że

przedsiębiorstwo jest również punktem, przez który musi trasa przebiegać, ale będzie

to jednak stały punkt końcowy i początkowy. System ten będzie połączony

z systemem GPS, który będąc jego podstawową częścią składową wyznaczy


optymalną trasę transportu wraz z ilością kilometrów. Na podstawie ilości kilometrów

system ten poda koszt transportu optymalnej trasy (z przewoźnikiem będzie ustalona

stawka za kilometr). Dodatkowo na podstawie współczynnika logistycznego

poszczególnych dostawców oraz na podstawie danych z GPS system poda czas

przejazdu wraz z przewidywaną datą i godziną zgłoszenia się kierowcy

u poszczególnych dostawców. Uwzględnione będą również narzucone przez prawo

obowiązkowe przerwy, jakie kierowca jest zmuszony zachować.

W systemie będzie wykorzystana sieć Hopfielda.

Rys. 11 Przebieg procesu ustalania trasy odbioru towarów [oprac. własne].

Struktura systemu hybrydowego

Cały system hybrydowy obsługujący wyżej opisany algorytm będzie składał się

z następujących elementów:


1) Sieć neuronowa SSN, której budowa będzie analogiczna do sieci rozwiązującej

problem komiwojażera.

SSN (model analogiczny jak do rozwiązania problemu komiwojażera)Współczynnik

logistyczny

Kod pocztowy

i kraj dostawcy

Wielkość i waga

przesyłki

Współczynnik

logistyczny

Wielkość i waga

przesyłki

1 d

ost

awca

2 d

ost

awca

Współczynnik

logistyczny

Wielkość i waga

przesyłki

n-t

yd

ost

awca

…

Kod pocztowy

i kraj dostawcy

Kod pocztowy

i kraj dostawcy

Rys. 12 Model sieci neuronowej SSN łączącej odbiory od różnych dostawców [oprac. własne].

Takie zastosowanie sieci neuronowej nie zostało jeszcze opisane2, dlatego też w modelu

aplikacyjnym systemu zastosowana zostanie walidacja sieci, a dokładniej w różny sposób

zostaną wyznaczone współczynniki wagowe sieci, po czym wyniki dostarczone przez te sieci

zostaną porównane, wraz z czasem pracy tych sieci.

2 Na podstawie poszukiwań w bazie Scopus, data: 03.03.2013.


2) System ekspercki SE 1

Rys. 13 Model systemu eksperckiego SE 1, sprawdzającego wyrywkowo,

czy znalezione przez SSN rozwiązanie jest globalnym optimum [oprac. własne].

Często w aplikacjach stosowana jest inna kolejność występowania elementów sztucznej

inteligencji. Zazwyczaj wpierw występuje system ekspertowy, który odpowiednio

przygotowuje dane, a następnie dopiero są one przekazywane do sieci neuronowej. Takie

postępowanie zwiększa prawdopodobieństwo znalezienia globalnego optimum przez sieć

neuronową, lecz w pewien sposób ogranicza to zasięg poszukiwań sieci i narzuca pewien

sposób poszukiwań. W opisywanym w tej pracy podejściu sieć ogranicza wstępne

pogrupowanie dostawców biorąc pod uwagę ich położenie geograficzne, jednakże w trakcie

testów współczynnik odpowiedzialny za to pogrupowanie będzie zerowany, aby sprawdzić

czy faktycznie pozwala to na usprawnienie działania sieci.

Rozpatrywany pierwszy system ekspertowy jest szczególnie ważny dla działania całego

systemu hybrydowego, ponieważ przygotowuje on dane wejściowe do sieci neuronowej i jest

to element systemu hybrydowego, który będzie dostosowywany każdorazowo do realiów

przedsiębiorstwa i dzięki właśnie SE 1 cały system hybrydowy będzie bardzo elastyczny.

Przykładowo, jeśli zgodnie z ogólną koncepcją systemu, firma dysponuje pojemnikami, to

system ten z danych podstawowych o pojemnikach wyznaczy wymiary i wysokość ładunku,

a dzięki informacji o ciężarze detali i pojemnika, czy też informacji o samej wysyłce, będzie

on w stanie dostarczyć wszystkie informacje niezbędne do uruchomienia sieci neuronowej.

Dodatkowo system ten będzie pomagał w obsłudze oraz archiwizacji danych

wyjściowych dostarczanych przez sieć neuronową. Dzięki temu sieć może bez większych

problemów działać i każdy krok iteracyjny może być w łatwy sposób odtworzony.


Kolejnym zadaniem systemu ekspertowego jest sprawdzanie optymalności rozwiązań

dostarczanych przez sieć neuronową. Będzie to wykonywane, poprzez wieloetapowy proces

sprawdzania oraz wielokrotne uruchomienie sieci. Przy każdym uruchomieniu wektor

wejściowy jest zmieniany i dzięki temu zwiększa się prawdopodobieństwo wyznaczenia

globalnego optimum poprzez rozpoczęcie procesu optymalizacji z innymi wartościami

wejściowymi.

Ostatnią czynnością, jaką system będzie wykonywać, będzie przekazanie sygnałów

wyjściowych sieci neuronowej do systemu ekspertowego SE2.

3) Drugi system ekspercki SE 2, który będzie sprawdzał czy otrzymane rozwiązanie jest

korzystne pod względem wykorzystywanej powierzchni ładunkowej.

Rys. 14 Model systemu eksperckiego SE 2, sprawdzającego, czy wykorzystanie powierzchni poszczególnego

pojazdu jest wystarczające oraz obliczający liczbę potrzebnych pojazdów do obsługi wyznaczonych tras.

[oprac. własne].

4) System ekspercki SE 3 wyznaczy najbardziej optymalną trasę i poda sumaryczną ilość

kilometrów trasy. Na tej podstawie obliczany będzie koszt transportu (liczba

kilometrów x stawka uzgodniona z przewoźnikiem). Jego podstawą będzie system

GPS.


Całość zatem stworzy system hybrydowy, którego budowę przedstawiono poniżej.

Rys. 15 Model systemu hybrydowego [oprac. własne].

4. Aplikacyjny model zaopatrzeniowy

4.1 Architektura systemu hybrydowego

Jak w każdym systemie, tak również i w omawianym systemie hybrydowym

występują zmienne, będące zmiennymi wejściowymi systemu, po czy następuje ich

przetworzenie, czyli następuje uruchomienie całego systemu, a jako rezultat system generuje

dane wyjściowe. Architektura inteligentnego systemu hybrydowego zostanie przedstawiona

zgodnie z opisanym procesem, zatem wpierw zostaną przybliżone dane wejściowe, po czym

nastąpi dokładniejsza analiza działania całego systemu i jego części składowych by

w następnym podrozdziale przybliżyć wyniki przeprowadzonych na tym systemie testów.

Danymi wejściowymi systemu są stałe parametry systemu, przybliżone w Tabeli 3,

oraz zmienne dane odnoszące się do samych transportów, które przedstawiono poniżej wraz

z ich opisem w Tabeli 4.

Tab. 3. Stałe parametry systemu wraz z ich opisem [opr. własne].

4. Aplikacyjny model zaopatrzeniowy Strona | 57

Tab. 4. Zmienne dane wejściowe systemu wraz z opisem [opr. własne].

Do każdego dostawcy przypisany jest wskaźnik położeniowy , ponieważ dostawcy

są podzieleni na obszary i w ten sposób wpierw odbiory będą wyszukiwane wśród sąsiadów

lub dostawców będących na trasie do zakładu produkcyjnego, a dopiero później wśród

dalszych sąsiadów. W trakcie testów użyteczność tego wskaźnika została sprawdzona,

poprzez przeprowadzenie prób nie uwzględniających tego wskaźnika i równolegle testy,

w których wskaźnik był brany pod uwagę..

Dane wejściowe systemu ze względu na uproszczony charakter powyższego modelu

są sczytywane z tabeli programu Microsoft E cel. Takie rozwiązanie jest korzystne

z praktycznego punktu widzenia, gdyż system był testowany na małym zakresie danych.

Podczas rozbudowy systemu warto rozpatrzyć możliwość zastosowania innego narzędzia,

przykładowo bazy danych.

Aby rozważania nie ograniczać tylko do jednego rodzaju środka transportu do

programu zostaną wprowadzone wartości maksymalne ładowności pojazdu – pm oraz

maksymalny ciężar gm, jaki może przewieź pojazd.


Rys. 16 Przebieg pracy systemu [opr. własne].

Przebieg pracy systemu będzie następujący (przedstawiono na rysunku 16):

1. Na podstawie danych wejściowych sieć neuronowa wyznacza pierwszą grupę dostawców,

których ładunki będą odebrane przez pierwszy pojazd i kolejność odbioru towarów.

2. System SE 1 doda ostatni element trasy, czyli przedsiębiorstwo produkcyjne. Jest to o tyle

istotne, gdyż wszystkie odebrane ładunki powinny być dostarczone do przedsiębiorstwa.

3. System ekspertowy zarchiwizuje otrzymaną grupę.

4. SE 1 inicjuje procedurę sprawdzania.

5. Jeśli grupa przejdzie pozytywnie w/w procedurę, to system zaktualizuje grupę możliwych

punktów odbioru tak, aby w następnej grupie nie wystąpił dostawca od którego ładunki są

już przewidziane do odbioru przez inny pojazd.

6. System ekspertowy SE 1 wyznaczy długość trasy na podstawie macierzy odległości.

7. W/w system ekspertowy uruchomi ponownie sieć neuronową.

8. Proces będzie się odbywał tak długo, aż zostaną przypisani do którejś grupy wszyscy

dostawcy lub jeśli liczba prób przypisania wszystkich dostawców jest mniejsza niż wartość

zmiennej lel (narzuconej z góry i definiującej maksymalną liczb prób wyznaczenia

optimum).

9. Cała procedura uruchamiana jest wielokrotnie, a dokładniej nrandomtours razy, aby raz

jeszcze upewnić się, czy znaleziono rozwiązanie, będące globalnym optimum.

10. System ekspertowy SE 2 wyznaczy te grupy dostawców, których ładunki wystarczająco

wypełniają powierzchnię ładunkową.


Rozpatrywana w pracy sieć Hopfielda jest w swojej budowie bardzo analogiczna do

sieci, która rozwiązuje problem komiwojażera. Sieć została zaimplementowana w Matlabie,

a kod źródłowy programu jest załączony do pracy na płycie CD. Budowa sieci została oparta

na rozwiązaniu zaproponowanym przez Hervé Abdi, które można znaleźć w [Abdi 1994,

1999].

Program składa się z wielu funkcji, zapisanych w skryptach. Dzięki takiemu podejściu

możliwa jest łatwa modyfikacja kodu źródłowego programu, ponieważ poszczególne skrypty

odpowiadają tylko za ograniczony obszar. Takie postępowanie jest praktykowane podczas

projektowania oprogramowania w środowisku Matlab. W tabeli poniżej przedstawiono

przeznaczenie poszczególnych skryptów i obszar ich zastosowania.

Tab. 5. Funkcje zastosowane w implementacji systemu wraz z ich opisem [opr. własne].

W tej części pracy wpierw zostaną przybliżone istotne dla funkcjonowania całej sieci

Hopfielda funkcje i skrypty programu Matlab (ich nazwy jak i zmienne zostały zapisane

kursywą), w których są zapisane, aby zaznaczyć w którym momencie w programie w/w

elementy następują oraz uściślić ich znaczenie dla funkcjonowania całego systemu,

a następnie przedstawione zostaną podstawowe różnice między zaprogramowaną siecią,

a typową siecią rozwiązującą problem komiwojażera.

Skrypt program.m steruje całym programem. Jest to tak naprawdę (wraz ze skryptem

tspb.m) SE 1. System ekspertowy został rozdzielony na dwa skrypty, ponieważ autorka pracy


sugerowała się rozwiązaniem zaproponowanym przez Hervé Abdi. Podstawowym zadaniem

program.m jest sczytanie wartości parametrów wejściowych sieci oraz zmiennych danych

wejściowych do całego systemu. Przed uruchomieniem sieci neuronowej sprawdza on czy

dane te są prawidłowe i czy podstawowe założenia są spełnione. Następnie jeśli dane są pod

względem formalnym prawidłowe (co jest równoznaczne z faktem iż operacje na macierzach

będą możliwe do wykonania) wtedy wielokrotnie (liczba powtórzeń jest zdeterminowana

zmienną nrandomtour) uruchamiany jest skrypt tspb.m, który uruchamia sieć neuronową

i sprawdza otrzymane wyniki (wyznaczane w skrypcie hop21.m), jak również zmienia zbiór

możliwych dostawców, od których jest przewidziany odbiór. Taka procedura jest ważna,

ponieważ gdy sieć uruchamiana jest powtórnie, to nie powinni być uwzględniani dostawcy,

którzy już zostali przydzieleni do grup

Rys. 17 Procedura wywołań funkcji i odpowiadających im skryptów [oprac. własne].

Sieć (skrypt tspb.m) jest wywoływany wielokrotnie ponieważ na jego początku

losowo wyznaczany jest wektor początkowy (w initsp.m). Może zaistnieć sytuacja, w której

wyznaczona trasa jest tylko minimum lokalnym i istnieje lepsze rozwiązanie, dlatego też

w skrypcie program.m każdorazowo wynik jest sprawdzany, aby zapamiętać tylko najbardziej

korzystne rozwiązanie. W pracy przyjęte jest założenie, iż jest kilka kryteriów zgodnie

z którymi trasa odbioru ładunków jest optymalizowana jednak najważniejszym z nich jest

kryterium kosztowe, a co za tym idzie sumaryczna długość tras odbiorów, gdyż

w opisywanym modelu rozpatrywana jest stawka kosztowa za km.

Wpierw ustanowione są wagi połączeń sieci na podstawie danych wejściowych

pomnożonych przez odpowiednie stałe, będące parametrami sieci. W ten sposób obliczana

jest macierz wszystkich połączeń (tspw.m).


Dodatkowo aby umożliwić szybsze wyznaczenie tras nie zawierających wszystkich

dostawców została wprowadzona zmienna ( , która przy każdorazowym

uruchomieniu sieci jest losowo wyznaczana, przy założeniu, że jest ona ze zbioru .

Długość nowej trasy, czyli liczba jej elementów jest mniejsza lub równa tej zmiennej. Takie

postępowanie zostało wprowadzone, gdyż samo wyznaczenie trasy trwa krótko, natomiast

sprawdzanie zajmuje więcej czasu, a zazwyczaj optymalna trasa nie zawiera wszystkich

elementów, dlatego też dzięki wprowadzeniu tej zmiennej szybciej system poda propozycję

trasy, która byłaby odpowiednia, czyli pozytywnie przeszłaby procedurę sprawdzenia

propozycji.

Procedura sprawdzania propozycji sieci odbywa się w następujący sposób:

(a) Sprawdzenie, czy pierwszy dostawca jest w wyznaczonej przez sieć trasie na

pierwszej pozycji, tj. czy trasa zaczyna się od przedsiębiorstwa produkcyjnego.

Za każdym razem trasa musi się zaczynać od przedsiębiorstwa, ponieważ

pobierane są opakowania transportowe, a następnie gdy ładowany jest towar

następuje rozładunek pojemników przeznaczonych dla tego dostawcy.

(b) Sprawdzenie, czy powtarzają się dostawcy (lub przedsiębiorstwo)

w wyznaczonej trasie (sprawdzenie1.m).

(c) Sprawdzenie, czy trasa nie zawiera więcej punktów odbioru niż jest to

potrzebne, czyli czy długość trasy jest mniejsza bądź równa zmiennej .

(d) Sprawdzenie, czy w otrzymanej trasie są tylko ci dostawcy, którzy powinni. Ta

czynność jest niezwykle istotna przy odbiorach przy wykorzystaniu więcej niż

jednego pojazdu, gdyż wtedy należy sprawdzić czy nowa trasa w całości

zawiera się w zbiorze możliwych odbiorów u dostawców, u których nie

przewidziano jeszcze odbioru (sprawdzenie.m).

(e) Sprawdza się czy istnieje ładunek, którym można uzupełnić pojazd. Podczas

tego sprawdzenia uwzględnia się ilość oraz ciężar tego ładunku. Opisywany

system nie pozwala na dzielenie ładunków i nie umożliwia odbioru części

ładunku przez jeden pojazd, a pozostałości przez inną (isladunek.m).

(f) Sprawdzana jest suma ładunków, tj. czy całkowity ładunek nie jest za duży

w stosunku do dopuszczalnego ciężaru, jaki pojazd może przewozić (gm) lub

czy liczba ładunków (palet) nie jest większa od ładowności pojazdu (pm).

W następnym etapie jako ostatni punkt trasy przypisywane jest przedsiębiorstwo

produkcyjne, tak aby wszystkie odebrane towary trafiły do przedsiębiorstwa produkcyjnego,

po czym zostaje obliczona sumaryczna odległość jaką ten pojazd pokona (tourdist2.m).

Każdorazowo cały proces jest powtarzany, dopóki wszystkie ładunki są przypisane do

odbioru przez poszczególne pojazdy lub tylko jeden dostawca zostanie w zbiorze możliwych

dostawców lub podjęto 5000 prób przypisania odbioru ładunków i sieć nie potrafiła podać

rozwiązania. Jeśli sieć zdołała podać rozwiązanie zostanie on przekazany do program.m i tam

jest on archiwizowany, jeśli rozwiązanie jest bardziej optymalne niż wszystkie wyznaczone

do tej pory rozwiązania. To porównanie bazuje przede wszystkim na liczbie potrzebnych

kilometrów do odbioru wszystkich ładunków.


Rys. 18 Procedura sprawdzania wyników pracy sieci neuronowej [oprac. własne].


Rys. 19 Schemat działania skryptów systemu hybrydowego [oprac. własne].

Rys. 20 Zależność między systemem ekspertowym SE 1

a innymi elementami systemu hybrydowego [oprac. własne].


Funkcja energii ma postać [zob. Kubiak N. 2013]

∑ ∑ ∑

∑ ∑ ∑

∑∑

∑∑ | |

∑∑ | |

∑∑ | |

∑∑

gdzie i to dowolne, dodatnie stałe, a zmienna jest wartością początkową

losowo wyznaczoną przez system. Dodatkowo musi spełniony być warunek:

Sieć neuronowa jest skonstruowana na wzór sieci Hopfielda rozwiązującej problem

komiwojażera, jednak występują istotne różnice między tymi sieciami. Przyjęte zostało

założenie, że sieć pogrupuje dostawców według kolejności odbiorów. W jednej grupie będą

dostawcy, których towary odbierze jeden i ten sam pojazd, który na końcu powróci do

zakładu produkcyjnego. Przede wszystkim ze względu na ograniczenia gabarytowe i wagowe

(wszystkie ładunki są paletowalne) może zaistnieć sytuacja, w której nie wszystkie towary

zostaną odebrane przez jeden środek transportu, co oznacza, że

1. w jednej grupie nie muszą wystąpić wszyscy dostawcy,

2. w jednej grupie może wystąpić tylko jeden dostawca,

3. trasa może okazać się dłuższa niż optymalna, gdyż powierzchnia ładunkowa jest

optymalizowana i trasa może być wydłużona celem wypełnienia powierzchni

załadunkowej, ale trasa ta nie może być dłuższa niż odległość drugiego dostawcy od

firmy produkcyjnej.

Walidacja sieci neuronowej

W pracy została zastosowana walidacja sieci neuronowej, a dokładniej różne definicje

macierzy wag połączeń. Niestety nie zostały znalezione analogiczne zastosowania sieci

Hopfielda w podobnej postaci, dlatego też przy różnym układzie parametrów systemu zostały

w tej pracy przeprowadzone różne próby.

Testowanie macierzy połączeń odbywało się każdorazowo podczas uruchamiania

skryptu program.m. W skrypcie tym zostały zdefiniowane różne wersje skryptu tspb.m,

w którym to skrypcie wywoływana jest odpowiednia funkcja tspw, która generuje

analizowaną macierz. W tabeli poniżej przedstawiono podstawowe różnice między

odpowiednimi wersjami i miejsca zdefiniowania poszczególnych wielkości w macierzach

składowych odpowiadających parametrom . Po wyznaczeniu tych macierzy

zostaną one powielane, tak aby powstała macierz o wymiarach równych kwadratowi


wymiarów macierzy składowych, czyli . Macierz wag powstaje poprzez pomnożenie

stałych przez powiększone macierze składowe, a następnie ich sumowanie.

Tab. 6. Lokalizacja wielkości wejściowych w macierzach składowych macierzy wag połączeń sieci w różnych

walidacjach sieci neuronowej [opr. własne].

Definicja sąsiedztwa miast

Każde miasto będzie przyporządkowane do grupy określonej odpowiednim

wskaźnikiem położeniowym. Ogólna koncepcja wywodzi się z koncepcji znajdowania

zwycięskiego regionu [zob. Choy 1995, s. 2633] oraz metody poszukiwania najbliższego

sąsiada, ponieważ można empirycznie zobaczyć, że w trasie optymalnej dane miasto

zazwyczaj jest połączone ze swoim sąsiadem [Kahng 1989, s. 516]. Również

w standardowym PSO (optymalizacja mrówkowa cząstek), jak i w artykule Joppa rozpatruje

się miasta leżące w sąsiedztwie [Khakmardan 2011, s. 1501; Joppe 1990, s. III – 961-2].

Biorąc pod uwagę spostrzeżenia zawarte w tych artykułach również w tej pracy dostawcy

będą podzieleni na grupy, będące zbiorami rozłącznymi i każdy dostawca będzie przypisany

tylko do jednej grupy. W testach do konkretnego dostawcy zostanie już przydzielony numer

grupy, tym niemniej proces przypisywania dostawcy do grupy zostanie poniżej

przedstawiony. Proces ten będzie przeprowadzany wraz z przyporządkowaniem do

określonego dostawcy odległości między dostawcami i nie będzie odbywać się podczas

każdorazowego uruchomienia systemu, tylko podczas aktualizacji programu, ponieważ

czynności te wymagają sytemu powiązanego z systemem GPS a wykonywać je będzie SE3.


Do określonego -tego dostawcy przyporządkowany będzie wektor odległości do

każdego z dostawców, przy czym będzie oznaczało odległość dostawcy do

przedsiębiorstwa produkcyjnego, a na początku współczynnik położeniowy będzie ustalony

jako zero .

1. Dana będzie liczba grup sąsiedztwa . Liczba ta wyznaczona będzie indywidualnie

dla przedsiębiorstwa.

2. Drugim etapem będzie wyznaczenie promienia okręgu sąsiedztwa zawierającego

wszystkich dostawców, gdzie środkiem będzie przedsiębiorstwo produkcyjne.

Promieniem będzie największa odległość od dostawcy do przedsiębiorstwa.

3. Następnie wyznaczone zostaną obszary sąsiedztwa. Utworzone będą one na

podstawie wielokąta foremnego, którego środkiem będzie położenie

przedsiębiorstwa produkcyjnego. Obszar wewnątrz tego wielokąta będzie

wyznaczał brak sąsiedztwa z przedsiębiorstwem produkcyjnym, zatem wielokąt

będzie zbudowany na podstawie promienia okręgu sąsiedztwa wpisanego

w wielokąt. Dodatkowe założenie zostało poczynione, polegające na tym, że pasy

sąsiedztwa będą wyznaczone przez dwusieczne kąta wewnętrznego wielokąta

foremnego. Jeśli odległość od przedsiębiorstwa będzie wyznaczała promień

okręgu wpisanego w wielokąt, wtedy wielkość boku wielokąta wyznacza ze

wzoru

.

4. Lokalizacja -tego dostawcy będzie wyznaczona na podstawie dwóch parametrów –

odległości dostawcy od przedsiębiorstwa produkcyjnego oraz kąta wodzącego

. Kąt ten będzie wyznaczony przy pomocy współrzędnych geograficznych

oraz , a dokładniej przy pomocy różnicy między współrzędnymi przedsiębiorstwa

, a dostawcami. Dzięki temu położenie przedsiębiorstwa produkcyjnego

będzie nowym punktem początkowym układu współrzędnych. Nowe współrzędne

dostawcy będą równe

.

Dzięki takiemu postępowaniu uwzględniona zostanie odległość od

przedsiębiorstwa, która jest wyznaczana nie tylko na podstawie współrzędnych

geograficznych, ale również przy uwzględnieniu dróg transportowych.

5. Kąt środkowy wielokąta wyznaczony zostanie zgodnie ze wzorem

.

6. Pierwszym wierzchołkiem wielokąta będzie punkt , znajdujący się na osi

i mający współrzędne

,

gdzie , to promień okręgu opisanego na wielokącie:


,

a wzór pierwszej prostej to .

7. Drugi wierzchołek wielokąta będzie leżał na prostej nachylonej do osi o kąt

i przechodzącej przez początek układu współrzędnych, zatem wzór prostej to

.

8. Następnie nastąpi sprawdzenie, czy dostawca znajduje się pomiędzy tymi prostymi,

czyli czy

i jeśli tak to .

9. Trzeci wierzchołek wielokąta będzie leżał na prostej nachylonej o kąt od prostej

i przechodzącej przez początek układu współrzędnych, zatem wzór prostej to

.

Rys. 21 Ilustracja grup sąsiedztwa [oprac. własne].

10. Jeśli dostawca znajduje się między tymi dwiema prostymi

to , czyli zostanie przypisana odpowiednia grupa sąsiedztwa.

11. Następne wierzchołki i proste są wyznaczane analogicznie. Zatem uogólniając, jeśli

,


to , , gdy jest parzyste, a dla nieparzystego

, .

12. W przypadku, gdy lub , to wtedy przyjmowane

będzie jako ograniczenie oraz . Zatem jeśli

, to dla parzystego lub dla

nieparzystego oraz analogicznie, gdy lub , to wtedy

przyjmowane będzie jako ograniczenie oraz . Podobnie

gdy , zostanie przyjęte .

System ekspertowy SE2 w ogólności będzie służył do powtórnej weryfikacji

otrzymanych wyników w celu stwierdzenia, czy pojazdy odbierające ładunki na

wyznaczonych trasach będą w dostatecznym stopniu wypełnione. Jeśli nie byłyby

dostatecznie wypełnione, to ze względów ekonomicznych korzystne mogłoby być odbieranie

tych towarów w dotychczasowy sposób, np. przy pomocy punktu konsolidacyjnego.

Opisywany system jest zaimplementowany w postaci prostej funkcji, jednak taka architektura

systemu hybrydowego została w pracy zaproponowana, aby umożliwić zastosowanie wielu

ulepszeń, opisanych w następnym rozdziale, a wprowadzenie i zaprogramowanie ich będzie

możliwe właśnie w tej części systemu hybrydowego.

4.2 Analiza wyników działania sieci

Przeprowadzono 169 prób, przy czym przy każdorazowym uruchomieniu sieci dane

zostały wykorzystane dla 6 sieci (patrz Walidacja sieci neuronowej), zatem łącznie wykonano

1014 testów. Dodatkowo, aby uniknąć przypadkowych odpowiedzi sieci, były one

uruchamiane 5 razy z tym samym układem parametrów i zmiennych. Stąd zmiana

parametrów i zmiennych nastąpiła około 30 - krotnie. Takie postępowanie okazało się

słuszne, gdyż niejednokrotnie raz sieć wyznaczała optimum globalne, po czym przy następnej

próbie osiągnięte zostało tylko minimum lokalne.

Podstawowe wnioski z tych danych są następujące:

Definicje sieci drugiej i szóstej powinny być zmienione, gdyż pierwsza nie dała

żadnej odpowiedzi, a druga tylko w czternastu próbach.

Tylko w niecałych 80% prób system wyznaczył grupy dostawców wraz

z kolejnością odbiorów.

Sieci pierwsza, czwarta i piąta dawały najwięcej odpowiedzi.

Sieć trzecia dała odpowiedź w połowie prób.

Średnio najszybciej rozwiązanie stabilne uzyskała sieć pierwsza i piąta.

Sieć szósta potrzebowała średnio najwięcej prób, aby znaleźć stabilne

rozwiązanie.

Poniżej przedstawione zostały wykresy ukazujące procent udzielanych odpowiedzi

oraz szybkość uzyskania rozwiązania stabilnego przez sieć, jeśli ta stabilność została


osiągnięta. Rozwiązanie stabilne to minimum lokalne lub globalne. Dodatkowo

zamieszczone zostały wykresy dotyczące czasu działania poszczególnych sieci

w przypadkach uzyskania rozwiązania dla (liczba prób to 150). Dla

przeprowadzono 19 prób i niestety czas działania sieci przyjmował tylko 3 możliwe

wartości (1, 2 lub 3) dlatego też wykres dla czterech dostawców nie zostanie

przedstawiony. Ponadto dla takiej ilości dostawców sieć druga, trzecia i szósta nie

zaproponowała żadnego rozwiązania. Następnie przedstawione zostały wykresy, które

ukazują uzyskanie optymalnych globalnie rozwiązań.

Dodatkowe ogólne ciekawe zjawisko zostało zaobserwowane polegający na tym, że

każda z sieci oprócz drugiej, która nie dała żadnej odpowiedzi, chociaż raz znalazła

rozwiązanie za pierwszym razem.

Z wykresów tych wynika że najlepszą siecią jest sieć pierwsza i piąta, ponieważ

najszybciej odpowiedziały na dane wejściowe i co za tym idzie najkrócej pracowały.

Również liczba optymalnych odpowiedzi uzyskanych przez sieć jest najwyższa dla obu

sieci. Sieć czwarta uzyskała równie ciekawe wyniki.

Rys. 22 Procent udzielonych przez odpowiednie sieci odpowiedzi [oprac. własne].


Rys. 23 Średnia liczba pętli jaką potrzebowała sieć, aby osiągnięto stan stabilny [oprac. własne].

Rys. 24 Średni czas działania sieci potrzebny do uzyskania rozwiązania stabilnego [oprac. własne].


Rys. 25 Maksymalny czas działania sieci potrzebny do uzyskania rozwiązania stabilnego [oprac. własne].

Rys. 26 Procentowy udział optymalnych globalnie odpowiedzi

wśród wszystkich otrzymanych odpowiedzi sieci [oprac. własne]


Rys. 27 Liczba optymalnych globalnie odpowiedzi

wśród wszystkich otrzymanych odpowiedzi sieci [oprac. własne]

Kilka prób odnosiło się do wskaźnika położeniowego. Wyzerowanie parametru

odpowiedzialnego za optymalizację tego wskaźnika nie pogarszało jakości odpowiedzi sieci,

jednak czas pracy sieci zmniejszył się aż o połowę. To wskazuje na możliwy brak

konieczności rozpatrywania tego wskaźnika.

W kilku przeprowadzonych próbach wyłączona została funkcja isladunek, aby

sprawdzić czy jest ona potrzebna. Po jej wyłączeniu bardzo rzadko sieci generowały

rozwiązanie, które było globalnie optymalne, jednak czas pracy był znacznie skrócony z 6 do

1 s. Nawet czterdziestokrotne zwiększenie parametru odpowiedzialnego za długość trasy,

wyzerowanie dwóch parametrów jak i zwiększenie o 10 liczby wywołań sieci nie ulepszyło

znacząco sytuacji. Oznacza to, iż funkcja ta jest czasochłonna, jednak jej zastosowanie jest

warunkiem koniecznym do otrzymania optymalnego rozwiązania, ale niestety nie

dostatecznym.

Nasuwa się zatem pytanie, dlaczego skoro istniało rozwiązanie żadna z sieci nie

wyznaczyła go aż w ponad 20% przypadków. Aby odpowiedzieć na to pytanie należy

przeanalizować sytuacje, w których ten przypadek wystąpił. Działo się tak przykładowo, gdy

suma wszystkich ładunków była mniejsza niż maksymalna ładowność, lecz ciężar tych

ładunków stanowił pewne ograniczenie i wymuszał dyspozycję wszystkich odbiorów przez

dwa pojazdy. Odpowiedź uzyskano dopiero, kiedy zmniejszono maksymalną liczbę palet,

którą może ciężarówka przewieźć. To zjawisko zostało zaobserwowane dla różnych układów

parametrów oraz różnych odległości między dostawcami. Wydaje się, że aby udoskonalić sieć

neuronową pod tym względem należy przeprowadzić dalsze testy i rozpatrzyć możliwość

ulepszenia funkcji isladunek, która jak zostało już wspomniane jest ważna dla działania całej

sieci i która wskazywałaby na liczbę potrzebnych pojazdów transportowych.

Taka optymalizacja wiązałaby się jednak ze zmianą koncepcji systemu, ponieważ

w ten sposób pewne wstępne informacje przekazywane by były do sieci neuronowej przez


system ekspertowy SE 1. Jednak jeśli pozwoli to na uzyskanie rozwiązania należy ten aspekt

rozpatrzyć.

5. Podsumowanie i kierunki dalszych badań

5.1 Dostosowanie aplikacji do ogólnej koncepcji systemu

i możliwe ulepszenia

Przedstawiony w niniejszej pracy model aplikacyjny jest tylko pewnym uproszczeniem.

Wyniki testów wskazują potrzebę przeprowadzenia dalszych prób oraz potrzebę ulepszenia

sposobu wyznaczania optymalnego rozwiązania. Prawie połowa otrzymanych wyników było

rozwiązaniami optymalnymi dla większości sieci, co wskazuje na bardzo dużą atrakcyjność

i użyteczność systemu. Jednakże zdarzały się przypadki braku odpowiedzi sieci, co powinno

stanowić pierwszy punkt wyjścia do dalszych badań.

Takiej wersji systemu nie należy przedstawiać żadnemu podmiotowi gospodarczemu,

gdyż nie jest on dostosowany i uniwersalny, jak również wymaga środowiska Matlab, aby

mógł funkcjonować. Ponadto plik wynikowy jest w postaci pliku tekstowego, więc forma ta

jest mało atrakcyjna.

Aby był on w pełni funkcjonalny i aby można było przedstawić go przedsiębiorstwu

produkcyjnemu powinny być wprowadzone do niego pewne uogólnienia zgodnie z ogólną

koncepcją systemu oraz wymagana jest odpowiednia licencja firmy Mathworks (lub ze

względów finansowych można rozpatrzyć implementację tego rozwiązania w innym

środowisku programistycznym).

Ponadto system ten powinien być dostosowany do realiów przedsiębiorstwa, tzn.

powinien uwzględniać sytuacje, które mogą wystąpić. Przykładowo powinien być

uwzględniony przypadek, iż od jakiegoś zadeklarowanego w sieci dostawcy nie jest

przewidziany odbiór. Dzięki takiemu zabiegowi system stanie się bardziej realistyczny, gdyż

taka sytuacja może przecież zaistnieć.

Następnie powinno być zaniechane założenie o jednorodności opakowań

transportowych, tak samo jak warunek o paletowalności wszystkich przesyłek. Dzięki temu

będzie można uwzględnić zróżnicowane (wcześniej zadeklarowane) pojemniki lub kartony.

W takiej sytuacji w systemie byłyby wtedy przyporządkowane opakowania wraz z ich

unikalnymi identyfikatorami a do pozycji materiałowej przypisane by były możliwe do

zastosowania opakowania do wysyłki, w jakie można by było zapakować wysyłany towar, jak

również informację o możliwości paletowania przesyłki. Dodatkowo mogłaby być również

uwzględniana wysokość towarów. Dzięki takim zmianom w systemie, stanie się on

praktycznie uniwersalny dla każdego przedsiębiorstwa niezależnie od gałęzi gospodarki

w jakiej będzie miał zastosowanie.

5. Podsumowanie i kierunki dalszych badań oraz aplikacji Strona | 75

W przestawionej wyżej sytuacji dostawca dostarczałby wtedy przedsiębiorstwu dane

wysyłki takie jak:

Identyfikator wysyłanego towaru.

Ilość wysyłanej pozycji materiałowej.

Typ pojemnika w jakim dany detal będzie wysyłany.

Na podstawie tych danych system będzie obliczał miejsce zajmowane przez taką wysyłkę, jak

również wielkość wolnej przestrzeni ładunkowej, która mogłaby być jeszcze dodatkowo

wykorzystana.

Możliwość zróżnicowania elementów sieci będących danymi wejściowymi jest

istotna, ponieważ można wtedy w łatwy sposób dostosować to oprogramowanie do

indywidualnych potrzeb przedsiębiorstwa. Ciekawe wydaje się rozpatrzenie możliwości

pakowania grup materiałowych w różne opakowania transportowe. Takie rozwiązanie jest

korzystne jeśli system ekspertowy będzie zbierał informacje nt. pojemników, które są

w transporcie, które są u dostawcy i u odbiorcy, jak również jakie pojemniki mogą być

wysłane. Dzięki takiemu podejściu system stanie się systemem zarządzającym całym

obiegiem pojemników, jak również pozwoli w sytuacjach kryzysowych, takich jak

zapotrzebowanie sezonowe na pojemniki, wysłać inne pojemniki, które mogą być

wykorzystane. System może również sprawdzić czy pojemniki są użytkowane w sposób

zgodny z ich przeznaczeniem, czyli przykładowo czy nie są przetrzymywane przez

dostawców lub czy liczba pojemników, która jest w obiegu jest wystarczająca. Dodatkowo

system może zbierać informacje o uszkodzeniach pojemników. Takie postępowanie pozwoli

wykryć nieprawidłowości w procesach logistycznych związanych z pojemnikami w całym

łańcuchu logistycznym. Dzięki tej analizie system może zaproponować zakup nowych

pojemników, może wskazać miejsca, gdzie są one uszkadzane, jak również może pomóc

w tworzeniu dokumentacji podczas wysyłki pojemników.

Istnieje ponadto możliwość zmniejszenia ilości poczynionych założeń, dzięki czemu

może go zastosować większa ilość przedsiębiorstw, gdyż większa liczba możliwych sytuacji

jest przez system rozpatrywana. W pierwszej kolejności można zaniechać założenia, że towar

od jednego dostawcy mieści się na jednym środku transportu, dzięki temu można dzielić

przesyłki od dostawców. Oczywiście takie podejście jest korzystne dla dostawców ciężkich

ładunków przez co można zmniejszyć liczbę potrzebnych pojazdów do odbioru towaru

poprzez uzupełnienie powierzchni ładunkami lekkimi od innego dostawcy. Z drugiej strony

istnieją przypadki, kiedy od dostawcy jest jednak ładunek do odbioru, którego ilość lub

wymiary są większe niż maksymalne wartości, którymi oznakowany jest pojazd dostawczy.

Przedstawione rozwiązanie może być również korzystne dla mniejszych

przedsiębiorstw, kiedy system ten zostanie rozbudowany w taki sposób, że będzie można

rozpatrywać więcej przedsiębiorstw produkcyjnych jako punkty końcowe i początkowe.

Przykładowo w klastrach firmy mogą wspólnie negocjować z przewoźnikiem, dzięki czemu

mogą uzyskać bardziej korzystne cenowo warunki współpracy. W takiej sytuacji od jednego

przedsiębiorcy będą wysyłane opakowania do dostawców, którzy mają przewidziany


transport dostarczający wyroby do innego przedsiębiorstwa produkcyjnego. Analogicznie

można uwzględnić przypadek, kiedy od jednego dostawcy będą ładunki przeznaczone dla

kilku odbiorców. Ze względu na optymalizację czasu transportu takie podejście powinno być

dokładnie przeanalizowane pod kątem znaczącego wpływu na czas transportu.

Jednym ze sposobów na uniknięcie powyżej przedstawionego zagrożenie jest

rozpatrzenie różnych rodzajów środków transportu. Dzięki zróżnicowanemu rozwiązaniu

można uniknąć sytuacji, w której pojazd pokonuje bardzo długą drogę, aby odebrać towar od

dostawców, którzy są daleko od siebie rozlokowani. Istnieje możliwość, iż dzięki

zastosowaniu pojazdów o mniejszej ładowności mniejsze będą koszty transportu a będzie on

szybszy. Takie rozwiązanie zoptymalizuje czas transportu dzięki wyborowi odpowiedniego

środka transportu, jak również poprzez mniejszą liczbę dostawców, jakich pojazd musi

odwiedzić na swojej trasie.

Wówczas system ekspertowy SE 2 może zarchiwizować wszystkie możliwości

odbioru przy pomocy różnego typu pojazdów transportowych oraz zanalizować te

możliwości, aby zaproponować optymalne rozwiązanie w kontekście najkrótszego czasu lub

najkrótszej drogi czy najbardziej korzystnym finansowo. Dodatkowo system ten może

wyjaśnić pod jakim kątem takie rozwiązanie jest korzystne.

Powyższa uwaga jest o tyle istotna, iż nie zawsze najkrótsza droga będzie

najważniejsza dla przedsiębiorstwa, gdyż niekiedy ważniejszy będzie czas przejazdu. Z tego

właśnie powodu warto by było rozważyć różne możliwości grupowania dostawców, nie tylko

ze względu na ich położenie geograficzne, ale również na czas przejazdu między dostawcami

i/lub przedsiębiorstwem. W ten sposób uwzględniona będzie infrastruktura połączeń

pomiędzy dostawcami. Sieć neuronowa sama w sobie nie będzie zmieniona, tylko zmieni się

wstępne grupowanie dostawców.

Istnieje oczywiście możliwość modyfikacji sieci Hopfielda przykładowo poprzez

uwzględnienie czasu przejazdu między dostawcami. W rozważanej sytuacji na wejściu do

systemu podawana będzie macierz czasu przejazdu między dostawcami i/lub

przedsiębiorstwem, zamiast macierzy z odległościami. W takim przypadku sieć będzie

analogiczna do tej, która była przedstawiana powyżej. Różnica będzie widoczna w członie

funkcji energii, odpowiedzialnym za długość optymalnej ścieżki, gdyż współczynnik przy tej

sumie musi być różny i wyznaczony na podstawie przeprowadzonych w dalszym etapie

testów. Sumaryczna macierz połączeń również będzie inna, gdyż jej składniki będą zawierały

elementy z nowej macierzy. Takie rozwiązanie pozwoli na lepsze dostosowanie systemu do

potrzeb przedsiębiorstwa, które podejmie decyzję o wdrożeniu.

Podobny efekt można uzyskać, gdy współczynniki używane przez sieć Hopfielda będą

indywidualnie dostosowywane do potrzeb przedsiębiorstwa. Oczywiście menadżer nie będzie

się znał na sieciach neuronowych, więc nie będzie on zmieniał żadnych współczynników,

jednak dzięki zastosowaniu dodatkowego modułu w systemie ekspertowym będzie możliwe

zaprogramowanie

i ustalenie priorytetów w ustalaniu tras odbioru, a dzięki temu rozwiązanie to stanie się bardzo


elastyczne i atrakcyjne. Takie rozwiązanie wiąże się z zaprojektowaniem odpowiednio

dostosowanej procedury prowadzenia dialogu z użytkownikiem.

Dodatkowo istnieje możliwość rozbudowy modułu sprawdzającego oraz dostosowanie

go do innych kryteriów, np. koncentracji na lepszej optymalizacji czasu transportu a nie na

pokonanej odległości. Dzięki odpowiedniej procedurze dialogu z użytkownikiem kontrola

zmian priorytetów będzie możliwa po implementacji rozwiązania i nie będzie wiązała się

z aktualizacją całego oprogramowania. Ponadto dzięki możliwości stałej kontroli i analizie

możliwych tras przez menadżera może on nabrać zaufania do rozwiązań proponowanych

przez system. Taki scenariusz jest możliwy dzięki zastosowaniu systemu ekspertowego,

ponieważ to on umożliwia dialog, jak również posiada procedurę objaśniającą, która pozwala

przedstawić i uzasadnić, kiedy jaka sytuacja jest bardziej korzystna.

Aby uatrakcyjnić rozwiązanie można wprowadzić moduł objaśniający, który mógłby

być zaimplementowany w SE 2 i który tłumaczyłby dlaczego takie rozwiązanie zastało

zaproponowane przez system i dlaczego jest ono korzystne (przykładowo jak bardzo zwiększa

się długość trasy przejazdu ciężarówki, gdy dodatkowy odbiór u innego dostawcy jest

rozpatrywany oraz jak bardzo nowe podejście jest korzystne w porównaniu

z dotychczasowym sposobem odbioru towarów, jaki będzie orientacyjny czas przejazdu

pojazdu, o ile się on skróci, jeśli pewien punkt odbioru zostanie zaniechany).

Z tej perspektywy również sama funkcja isladunek może być zmieniona tak, aby

uwzględniała czas przejazdu i odległość, jaką ciężarówka musi pokonać, aby odebrać towar,

który uzupełniłby powierzchnię załadunkową. Może przecież zaistnieć sytuacja, iż istnieje

ładunek, którym można by było uzupełnić ciężarówkę, ale po prostu jest on za daleko.

Ponadto dzięki wprowadzeniu ciągłej analizy wyników sieci można aktualizować

parametry sieci w sposób dynamiczny i nie wymagający interwencji w kod źródłowy. Taka

sytuacja będzie realna, jeśli co pewien czas nastąpi automatyczna aktualizacja, a sieć

neuronowa będzie uruchamiana z archiwalnymi danymi wejściowymi, ale przy podwójnie

zwiększonej liczbie prób i dzięki temu system będzie mógł przeanalizować swoje

dotychczasowe wyniki w celu optymalizacji liczby powtórzeń wywołań sieci. Dodatkowo

w następnym etapie zmieniane będą losowo parametry sieci, a otrzymane wyniki porównane,

dzięki czemu optymalizacja tych parametrów będzie możliwa. Przy następnych kilkunastu

wywołaniach systemu obydwa układy parametrów będą używane i po pewnym czasie ten

układ, który daje lepsze wyniki będzie standardowym układem parametrów.

Usprawnić można również etap, w którym następuje wymiana wiadomości

z kierowcą, który przewozi towar, gdyż można zastosować przykładowo lokalizator w postaci

smartfona zawierającego system GPS do monitorowania lokalizacji pojazdu transportowego

na trasie oraz zapisywania zaistniałych zmian trasy. Pozwoli to na reagowanie na

jakiekolwiek opóźnienia w czasie przewozu oraz wczesne informowanie np. o wypadku,

kolizji lub zatorów (korków) ulicznych. Taka informacja będzie mogła być przekazywana do

osoby z ramienia spedycji odpowiedzialnej za monitorowanie transportu, jak również do

przedsiębiorstwa w celu ponownego uruchomienia systemu i wyznaczenia nowej trasy


odbioru, aby detale, które są jeszcze do odbioru były szybko i sprawnie przetransportowane.

Ponadto informacja na temat opóźnień będzie mogła być przekazywana do dalszych punktów

odbioru, aby cały łańcuch dostaw wraz z jego procesami mógł szybko i sprawnie reagować

również na różne sytuacje losowe. Lokalizatory GPS są już stosowane przez część firm

transportowych jako standardowe elementy wyposażenia ciężarówek, dzięki czemu

umożliwiają stałą kontrolę położenia każdego z pojazdów przez przedsiębiorstwo, które

zleciło przewóz towaru.

Procedura grupowania dostawców zastosowana w pracy również może być zmieniona.

Zdaniem autorki metody grupowania, opisane przykładowo w [Rutkowski 2009] mogą być

ciekawą propozycją. Ich zastosowanie może zapewnić lepsze lub szybsze rozwiązanie.

Jednakże należy przeprowadzić testy i sprawdzić, czy faktycznie spowoduje to korzystniejsze

działanie całego systemu hybrydowego.

Kolejnym elementem, jaki podlega ulepszeniu jest rozpatrzenie możliwości

zastosowania bazy danych dla danych wejściowych do systemu i ulepszenie strony graficznej,

aby cały system był bardziej przyjazny dla użytkownika. Podczas rozbudowy systemu zmiana

sposobu dostarczania i sczytywania danych musi być zmieniona, gdyż przedstawiony model

jest tylko i wyłącznie pewnym uproszczeniem i z tego względu ten aspekt podczas rozbudowy

systemu powinien być uwzględniony.

Wyniki pracy systemu mogą być różne dla różnych firm zainteresowanych

wprowadzeniem przedstawionego systemu, ale tylko przy wprowadzeniu go lub symulacji

rozwiązania istnieje możliwość sprawdzenia opłacalności w/w modelu. Powinno być

poczynione dodatkowe rozeznanie na rynku usług transportowych, aby można było się

dowiedzieć jaka jest realna stawka za 1 km trasy, jaki można by było wynegocjować z firmą

spedycyjną. Prawdopodobnie dla poszczególnych przedsiębiorstw stawka ta będzie różna

i będzie uzależniona od dotychczasowej współpracy. Takie rozpoznanie umożliwi lepszą

analizę rzeczywistej opłacalności zastosowania opisanego modelu dla przedsiębiorstwa –

wtedy okaże się czy w ogóle takie rozwiązanie jest korzystne dla konkretnego podmiotu

gospodarczego.

Poniżej przedstawiono funkcje poszczególnych systemów, po wprowadzeniu

powyższych zmian.


Rys. 28 Funkcje poszczególnych systemów ekspertowych

po ulepszeniu systemu hybrydowego[oprac. własne].

5.2 Walidacja modelu systemu

Analogicznie jak w przypadku inteligentnego systemu zaopatrzeniowego, system

hybrydowy po wprowadzeniu pewnych zmian można również zastosować dla firmy

dystrybucyjnej. Zamiast trasy załadunku system poda trasę rozładunków towarów

przeznaczonych dla różnych odbiorców. Uzyskany w ten sposób system będzie inteligentnym

systemem dystrybucyjnym.

Takie rozwiązania pomimo wielu zbieżności posiada elementy w swej istocie zupełnie

odmiennie. Poniżej zostaną przedstawione podstawowe różnice między poszczególnymi

systemami.

Przewożony towar w systemie dystrybucyjnym będzie jednolity, ponieważ wyroby

gotowe jednego producenta (lub dystrybutora) zazwyczaj są jednego rodzaju, czyli

uproszczenie które zostało wprowadzone w modelu aplikacyjnym będzie w tym przypadku

normą. Ze względu na jednolite gabaryty wysyłanego towaru oraz fakt, że zazwyczaj jest on

już spakowany i odpowiednio zabezpieczony w kartonie, można bez straty na ogólności

zagadnienia założyć, że przedsiębiorstwo dystrybucyjne nie będzie używało innych

pojemników transportowych.


Załadunek

opakowań

Dostawca

opakowań

Rozładunek towarów

u każdego odbiorcy

Przedsiębiorstwo

dystrybucyjne

Odbiorca 4

Odbiorca 1

Pakowanie towaru

przed wysyłką oraz

ustalanie priorytetów

odbiorów

Tworzenie

dokumentów

przewozowych

Odbiorca 2

Pakowanie towaru

przed wysyłką oraz

ustalanie priorytetów

odbiorów

Tworzenie

dokumentów

przewozowych

Rozładunek towarów

u każdego odbiorcy

Odbiorca 3

Odbiorca 5

Odbiorca 6

Rys. 29 Model systemu dystrybucyjnego [oprac. własne].

Z tego względu też nie będzie istniała potrzeba odbierania pojemników od odbiorców

za każdym razem, kiedy towar będzie dostarczony. Oznacza to, że dostarczenie towarów

będzie się kończyło na ostatnim odbiorcy. Zatem trasa transportu towarów nie będzie

tworzyła zamkniętej pętli, tylko otwartą i zaczynać się będzie od przedsiębiorstwa

dystrybucyjnego, a kończyć się, jak to zostało już wspomniane, na ostatnim odbiorcy.


Istnieje jednak możliwość zamknięcia tej pętli. Stanie się tak w przypadku

konieczności zaopatrzenia firmy dystrybucyjnej w kartony, które mogą być składane i dzięki

temu zajmują o wiele mniej miejsca niż w przypadku systemu zaopatrzeniowego. Wtedy

firma dostarczająca kartony, będzie podawana do systemu jako dodatkowy punkt

rozładunkowy, który ma być obsłużony przez któryś z pojazdów transportowych. Taki pojazd

dodatkowo będzie musiał po odbiorze kartonów pojechać do firmy dystrybucyjnej, która

również będzie podana jako następujący punkt rozładunkowy, po odebraniu kartonów (co

oznacza, że nie koniecznie pętla zostanie zamknięta, ale istnieje taka możliwość). Te

założenia będą wyrażone w warunkach brzegowych systemu oraz w priorytetach podawanych

przez przedsiębiorstwo.

Dodatkowo, w przeciwieństwie do modelu zaopatrzeniowego, będzie istniała

możliwość nadawania priorytetów poszczególnym dostawom. Dzięki temu użytkownik

będzie mógł przekazać systemowi, które dostawy powinny być zrealizowane w pierwszej

kolejności. Jeśli z jakiegoś powodu jakaś dostawa jest krytyczna i pilnie potrzebna, to wtedy

może być ona zrealizowana w tym systemie, bez konieczności wynajmowania dodatkowego

transportu. Priorytety te zostaną również wyrażone w warunkach brzegowych. W przypadku

systemu zaopatrzeniowego ustalanie priorytetów nie jest wymagane, ponieważ w jednym

terminie pojazd dojedzie do przedsiębiorstwa.

Jeśli chodzi o zajmowaną powierzchnię ładunkową przez dostarczane towary, to taką

informację będzie posiadała firma dystrybucyjna w momencie szykowania towaru do wysyłki

lub wcześniej bazując na dotychczasowym doświadczeniu. Zatem nie odbiorca, tylko firma

dystrybucyjna będzie dostarczała te informacje systemowi. Oznacza to również, że nie jest

potrzebny dodatkowy dzień na weryfikacje tych danych i nie będzie konieczne sprawdzenie,

czy ilość wysyłanego towaru jest poprawna. Zatem te dwa czynniki, które były ważne

w przypadku systemu zaopatrzeniowego, przestają być istotne w systemie dystrybucyjnym.

Tu tak naprawdę wystarczy dzień wcześniej podać wszystkie istotne informacje do systemu

i dzień wcześniej zostanie przekazana informacja przewoźnikowi o trasie – jak ona będzie

dokładnie wyglądać. Ten jeden dzień jest kwestią umowną z przewoźnikiem i on powinien się

zdeklarować ile czasu potrzebuje na to, aby zorganizować załadunek i wszystkie dostawy.

Dodatkowo opisywany system będzie wyposażony w moduł tworzący dokumentację

przewozową. Wszystkie dane potrzebne do wypełnienia tych dokumentów są wprowadzane

przez użytkownika do systemu (tj. wielkość przesyłki wraz z wagą) albo już są w tym

systemie zawarte (np. dane odbiorcy). Takie rozwiązanie ułatwi pracę użytkownikowi

i podniesie atrakcyjność systemu. Oczywiście funkcjonalność systemu w postaci deklaracji

i obsługi okien czasowych zostanie zachowana.

Dzięki połączeniu oby tych systemów istnieje możliwość stworzenia kompleksowego

systemu zarządzania logistyką zaopatrzeniowo – dystrybucyjną. Takie rozwiązanie oznacza

przede wszystkim dla przedsiębiorstwa zakup kompleksowego oprogramowania

w atrakcyjnej cenie, które bardzo usprawni odbiór towarów od dostawców, zapewnieni

ciągłość przewozów i wyeliminuje zbędne opóźnienia. Dodatkowo ważnym atutem systemu


jest fakt, iż odbiorca końcowy, czy przedsiębiorstwo dystrybucyjne z góry będzie znało

koszty transportu, mimo iż trasy odbiorów będą się zmieniać dynamicznie, ponieważ system

ekspertowy poda liczbę kilometrów, a dzięki ustalonej stawce za kilometr, opłata za transport,

będąca iloczynem liczby kilometrów i właśnie stawki za kilometr, będzie znana i podawana

przez system. Dzięki temu weryfikacja faktur wystawianych przez przewoźnika nie będzie

sprawiać dużego problemu osobom do tego wyznaczonym. Ponadto system usprawni

i ujednolici dokumentację przewozową dla wysyłanych towarów, a dzięki temu zmniejszeniu

ulegnie czas potrzebny na ich wypisanie. Dodatkowo system pozwoli w sposób czytelny

przekazywać informację do działu finansowego o wysyłanych wyrobach, co z kolei może

w bardzo korzystny sposób wpłynąć na fakturowanie odbiorców. Reasumując powyższe

rozwiązanie pozwoli zaoszczędzić czas i pieniądze, co jest sprawą kluczową

w funkcjonowaniu przedsiębiorstwa.

Spis tabel i rysunków

Tabela 1. Porównanie programów sztucznej inteligencji z tradycyjnymi programami.

Tabela 2. Porównanie własności systemów informatycznych.

Tabela 3. Stałe parametry systemu wraz z ich opisem.

Tabela 4. Zmienne dane wejściowe systemu wraz z opisem.

Tabela 5. Nazwy skryptów i funkcji zastosowanych w implementacji sieci neuronowej wraz

z ich opisem.

Tabela 6. Lokalizacja wielkości wejściowych w macierzach składowych macierzy wag

połączeń sieci w różnych walidacjach sieci.

Rys. 1 Porównanie ekspertyzy naturalnej z ekspertyzą sztuczną.

Rys. 2 Główne elementy systemu ekspertowego.

Rys. 3 Model biologiczny neuronu.

Rys. 4 Cybernetyczny model neuronu.

Rys. 5 Model sztucznej sieci neuronowej.

Rys. 6 Model sztucznego neuronu.

Rys. 7 Schemat sieci Hopfielda.

Rys. 8 Wizualizacja podziału przestrzeni danych.

Rys. 9 Model systemu zaopatrzeniowego.

Rys. 10 Zastosowanie inteligentnego systemu hybrydowego w logistyce zaopatrzenia.

Rys. 11 Przebieg procesu ustalania trasy odbioru towarów.

Rys. 12 Model sieci neuronowej SSN łączącej odbiory od różnych dostawców.

Rys. 13 Model systemu eksperckiego SE 1, sprawdzającego wyrywkowo, czy znalezione

przez SSN rozwiązanie jest globalnym optimum.

Rys. 14 Model systemu eksperckiego SE 2, sprawdzającego, czy wykorzystanie powierzchni

poszczególnego pojazdu jest wystarczające oraz obliczający liczbę potrzebnych

pojazdów do obsługi wyznaczonych tras.

Rys. 15 Model systemu hybrydowego.

Rys. 16 Przebieg pracy systemu.


Rys. 17 Procedura wywołań funkcji i odpowiadających im skryptów.

Rys. 18 Procedura sprawdzania wyników pracy sieci neuronowej.

Rys. 19 Schemat działania skryptów systemu hybrydowego.

Rys. 20 Zależność między systemem ekspertowym SE 1 a innymi elementami systemu

hybrydowego.

Rys. 21 Ilustracja grup sąsiedztwa.

Rys. 22 Procent udzielonych przez odpowiednie sieci odpowiedzi.

Rys. 23 Średnia liczba pętli jaką potrzebowała sieć, aby osiągnięto stan stabilny.

Rys. 24 Średni czas działania sieci potrzebny do uzyskania rozwiązania stabilnego.

Rys. 25 Maksymalny czas działania sieci potrzebny do uzyskania rozwiązania stabilnego.

Rys. 26 Procentowy udział optymalnych globalnie odpowiedzi wśród wszystkich

otrzymanych odpowiedzi sieci.

Rys. 27 Liczba optymalnych globalnie odpowiedzi wśród wszystkich otrzymanych

odpowiedzi sieci.

Rys. 28 Funkcje poszczególnych systemów ekspertowych po ulepszeniu systemu

hybrydowego.

Rys. 29 Model systemu dystrybucyjnego.

Literatura

Abdi, H., Valentin, D., Edelman, B. [1999]: Neural Networks. Newbury Park (CA, USA):

Sage (Sage University Series).

Abdi, H. [1994]: Les Réseaux de Neurones, PUG.

Abe, Shigeo [1993]: Global convergence and suppression of spurious states of the Hopfield

neural networks, IEEE Transactions on Circuits and Systems I: Fundamental Theory and

Applications, 40 (4).

Agre P. E. [1997]: Computation and human experience, Cambridge University Press.

Allen M.K., Helferich O.K. [1990]: Putting expert systems to work in logistics, Council of

Logistics Management, Oak Brook, IL.

Ameljańczyk A [1978]: Rozwiązania dominujące i niezdominowane zadań optymalizacji

wielokryterialnej, Przegląd Statystyczny, t. 25 z. 3.

Bach M. [2006]: Wybrane zagadnienia związane z automatycznym tłumaczeniem zadań

wyszukiwania danych sformułowanych w języku polskim na język formalny SQL [w] Grzech

A. (red.), Inżynieria wiedzy i systemy ekspertowe Tom 1, Oficyna Wydawnicza Politechniki

Wrocławskiej.

Baczyński D., Bielecki S., Parol M., Piotrowski P., Wasilewski J. [2008]: Sztuczna

inteligencja w praktyce, Labolatorium, Oficyna Wydawnicza Politechniki Warszawskiej.

Bank, S.I, Avramovic, Z.Z. [2002]: Hopfield network in solving travelling salesman problem

in navigation, Neural Network Applications in Electrical Engineering, NEUREL '02.

Baraniecka A. [2004]: ECR - Efficient Consumer Response. Łańcuch dostaw zorientowany na

klienta, Instytut Logistyki i Magazynowania.

Barzykowski J. (opr.) [2004]: Współczesna metrologia zagadnienia wybrane, Wydawnictwa

Naukowo – Techniczne.

Blaik P. [2010]: Rozwój logistyki w kierunku zintegrowanej koncepcji zarządzania

[w] Kempny D. (red.), Logistyka w naukach o zarządzaniu. Księga poświęcona pamięci

profesora Mariana Sołtysika, Wydawnictwo Uniwersytetu Ekonomicznego w Katowicach.

Bednarek J. [2006]: Multimedia w kształceniu, Wydawnictwo Naukowe PWN/MIKOM.

Bendkowski J., Radziejowska G. [2005]: Logistyka zaopatrzenia w przedsiębiorstwie,

Wydawnictwo Politechniki Śląskiej.


Bieniok H. [2010]: Czas jako kategoria logistyczna [w] Kempny D. (red.), Logistyka

w naukach o zarządzaniu. Księga poświęcona pamięci profesora Mariana Sołtysika, Wyd.

Uniwersytetu Ekonomicznego w Katowicach.

Brach J. [2010]: Internacjonalizacja w obszarze zaopatrzenia polityki taborowej polskich

przedsiębiorstw międzynarodowego drogowego transportu ładunków do 1989 roku

[w] Rymarczyk J. (red.), Ekonomia 12. Problemy globalizacji, Wydawnictwo Uniwersytetu

Ekonomicznego we Wrocławiu.

Bubnicki Z. [1993]: Podstawy informatycznych systemów zarządzania, Wydawnictwo

Politechniki Wrocławskiej.

Bubnicki Z. [2005]: Teoria i algorytmy sterowania, Wydawnictwo Naukowe PWN.

Choy, Clifford Sze-Tsan; Siu, Wan-Chi [1995]: New approach for solving the travelling

salesman problem using self-organizing learning, IEEE International Conference on Neural

Networks - Conference Proceedings Jan 1, Vol. 5

Chwiałkowska E. [1991]: Sztuczna inteligencja w systemach eksperckich, Zakład Nauczania

Informatyki „MIKOM”.

Ciesielski M. (red.) [2005]: Rynek usług logistycznych, Dilfin.

Coyle J. J., Bardi E. J., Langley C. J. Jr. [2007]: Zarządzanie logistyczne, Polskie

Wydawnictwo Ekonomiczne.

Dietrich A. [2000]: Resolver: narzędzie do budowy systemów eksperckich [w] Bubnicki Z.,

Grzech A. (red.), Inżynieria wiedzy o systemy eksperckie Tom 2, Oficyna Wydawnicza

Politechniki Wrocławskiej.

Domínguez E., Jerez J., Llopis L., Morante A. [2004]: RealNet: a neural network architecture

for real-time systems scheduling, Neural Computing & Applications, Volume 13, Issue 4.

Dołhasz M., Fudański J., Kosała M., Smutek H. [2009]: Podstawy zarządzania. Koncepcje -

strategie – zastosowania, Wydawnictwo Naukowe PWN.

Dudek D., Kulej-Dudek E. [2010]: Realizacja systemu oceny efektywności procesów

logistycznych na bazie sztucznych sieci neuronowych [w] Nowicki A., Chomiak-Orsa I.,

Sroka H. (red.), Informatyka ekonomiczna 17. Systemy informacyjne w zarządzaniu. Przegląd

naukowo-dydaktyczny, Wydawnictwo Uniwersytetu Ekonomicznego we Wrocławiu.

Dudziński Z., Jak sporządzić instrukcję magazynową [2003]: Wydanie II uaktualnione,

Wydawnictwo Ośrodek Doradztwa i Doskonalenia Kadr Sp. z o.o..

Fertsch M. [2000]: Neural scheduler [w] ICSC 2000 intelligent systems and applications,

University of Wollongong, Australia.

Literatura Strona | 87

Fertsch M., Pawlewski P. [2009]: Changes Simulation in the Organization of Production –

Case Study [w] Rossetti M. D., Hill R. R., Johansson B., Dunkin A., Ingalls R. G. [Eds.],

Proceedings of the 2009 Winter Simulation Conference.

Fijałkowski J. [2003]: Transport wewnętrzny w systemach logistycznych. Wybrane

zagadnienia, Oficyna Wydawnicza Politechniki Warszawskiej.

Flasiński M. [2011]: Wstęp do sztucznej inteligencji, Wydawnictwo Naukowe PWN.

Frąś J. [2008]: Kompleksowe zarządzanie jakością a przedsiębiorstwo przyszłości, Studia

i Prace Wydziału Nauk Ekonomicznych i Zarządzania, Uniwersytet Szczeciński.

Frąś J. [2011]: Zarządzanie informacją elementem budowy przewagi konkurencyjnej e-

przedsiębiorstwa, Studia i Prace Wydziału Nauk Ekonomicznych i Zarządzania, Uniwersytet

Szczeciński.

Golińska P. (red.) [2010]: Nowoczesne rozwiązania technologiczne w logistyce, Politechnika

Poznańska.

Golińska P., Fertsch M. [2011]: Production flow control in the automotive industry – quick

scan approach, International Journal of Production Research, Vol. 49, No. 14.

Gołembska E. (red. nauk.) [2010]: Kompendium wiedzy o logistyce Nowe wydanie,

Wydawnictwo Naukowe PWN.

Gołuchowski J., Filipczyk B. (red.) [2010]: Wiedza i komunikacja w innowacyjnych

organizacjach Systemy ekspertowe - wczoraj, dziś, jutro, Wydawnictwo Uniwersytetu

Ekonomicznego w Katowicach.

Goto A., Kawamura M. [2008]: Solution Method Using Correlated Noise for TSP, ICONIP

2007, Part I, LNCS 4984.

Griffin R. W. [2004]: Podstawy zarządzania organizacjami, PWN.

Gomółka Z., Orłowski C. [2010]: Knowledge Management in creating Hybrid Systems for

Environmental Protection, Cybernetics and Systems: An International Journal, 31:5.

Grzegorczyk W. [2011]: Strategie marketingowe przedsiębiorstw na rynku

międzynarodowym, Wydawnictwo Uniwersytetu Łódzkiego.

Guo, P., Zhu, L., Liu, Z., He, Y. [2012]: An ant colony algorithm for solving the sky

luminance model parameters, Lecture Notes in Computer Science (including subseries

Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics) 7473 LNCS.

Gutenbaum J. [1978]: Modelowanie matematyczne systemów, Wydawnictwo Naukowe PWN.


Haykin S. [1994]: Neural networks, a comprehensive foundation, Macmillan College

Publishing Company.

Herz J., Krogh A., Palmer R.G. [1989]: Wstęp do teorii obliczeń neuronowych, Wyd. II,

WNT, X.

Hong Qu, Zhang Yi, XiaoLin Xiang [2005]: Theoretical Analysis and Parameter Setting of

Hopfield Neural Networks, Lecture Notes in Computer Science, Volume 3496, Issue I.

Hopfield J. J. [1982]: Neural networks and physical systems with emergent collective

computational abilities, Proc. of National Academic Science, Vo1.79.

Hopfield J. J. [1984]: Neurons with graded response have collective computational properties

like those of two-state neuron, Proc. of National Academic Science, Biophysics.

Hopfield J. J., Tank D. W. [1985]: Neural computation of decisions in optimization problems,

Biological Cybernetic, 52.

Izumida, Masanori, Murakami, Kenji, Aibara, Tsunehiro [1992]: Analysis of neural network

energy functions using standard forms, Systems and Computers in Japan 23 (8).

Jacyna M. [2009]: Wybrane zagadnienia modelowania systemów transportowych, Oficyna

Wydawnicza Politechniki Warszawskiej.

Januszewski A. [2008]: Funkcjonalność informatycznych systemów zarządzania, t. 1

Zintegrowane systemy transakcyjne, Wydawnictwo Naukowe PWN/MIKOM.

Jastriebow A., Kułakowski A. [2006]: Sztuczne sieci neuronowe w układach decyzyjnych z

niepełną informacją [w] Grzech A. (red.), Inżynieria wiedzy i systemy ekspertowe Tom 1,

Oficyna Wydawnicza Politechniki Wrocławskiej.

Jelonek D. [2010]: Rola technologii informacyjnej w transformacji procesów biznesowych

w przedsiębiorstwie [w] Nowicki A., Chomiak-Orsa I., Sroka H. (red.), Informatyka

ekonomiczna 17. Systemy informacyjne w zarządzaniu. Przegląd naukowo-dydaktyczny,

Wydawnictwo Uniwersytetu Ekonomicznego we Wrocławiu.

Joppe, Aart, Cardon, Helmut R.A., Bioch, Jan C. [1990]: A neural network for solving the

travelling salesman problem on the basis of city adjacency in the tour, IJCNN. International

Joint Conference on Neural Networks.

Kahng A. B. [1989]: Traveling Salesman Heuristics and Embedding Dimension in the

Hopfield Model, Neural Networks.

Kashmiri S. [1991]: The Travelling Salesman Problem and the Hopfield Neural Network,

Conference Proceedings - IEEE SOUTHEASTCON 2.


Khakmardan, S., Poostchi, H., Akbarzadeh, M.-R. [2011]: Solving Traveling Salesman

problem by a hybrid combination of PSO and Extremal Optimization, Proceedings of the

International Joint Conference on Neural Networks, Jan 1.

Kirejczyk E. [2008]: Zrozumieć zarządzanie, Wydawnictwo Naukowe PWN.

Knosola R. i zespół [2007]: Zastosowania metod sztucznej inteligencji w inżynierii produkcji,

Wydawnictwo Naukowo-Techniczne.

Kopańska-Bródka D. (red.) [2010]: Metody badań operacyjnych w praktyce, Wydawnictwo

Uniwersytetu Ekonomicznego w Katowicach.

Korbicz J., Obumowicz A., Uciński D. [1994]: Sztuczne sieci neuronowe. Podstawy

i Zastosowania, Akademicka Oficyna Wydawnicza PLJ.

Kowalczuk Z., Orłowski C. [2004]: Design of Knowladge-based Systems in Environmental

Engineering, Cybernetics and Systems: An International Journal, 35:5-6.

Kowalski M., Józefczyk J. [2006]: Wykorzystanie systemu Mozart/Oz do rozwiązywania

wybranych problemów szeregowania zadań z ruchomymi realizatorami [w] Grzech A. (red.),

Inżynieria wiedzy i systemy ekspertowe Tom 1, Oficyna Wydawnicza Politechniki

Wrocławskiej.

Krzyżaniak S., Cyplik P. [2008]: Zapasy i magazynowanie, Tom I Zapasy, Wydanictwo

Instytut Logistyki i Magazynowania.

Krzyśko M., Wołyński W., Górecki T., Skorzybut M. [2008]: Systemy uczące się

Rozpoznawanie wzorców analiza skupień i redukcja wymiarowości, Wydawnictwa Naukowo-

Techniczne.

Kubiak B. F. [1994]: Analiza systemów informacyjnych, Wydawnictwo Uniwersytetu

Gdańskiego.

Kubiak M. [2006]: Wpływ eurosystemu logistycznego na gospodarowanie i funkcjonowanie

logistyki przedsiębiorstwa w Polsce, Praca dyplomowa, Poznań (nie opublikowana).

Kubiak N., Stachowiak A. [2013]: Framework of Optimization Methodology with Use of an

Intelligent Hybrid Transport System Based on Hopfield Network and Travelling Salesman

Problem [w] Advances in Intelligent Systems and Computing, Vol. 2017, Springer.

Kubiak N., Stachowiak A. [2013’]: Framework of optimization of transport process with use

of intelligent hybrid system [w] Lecture Notes in Mechanical Engineering, Advances in

Sustainable and Competitive Manufacturing Systems, Springer.

Kubicki J., Kuriata A. [2000]: Problemy logistyczne w modelowaniu systemów

transportowych, Wydawnictwo Komunikacji i Łączności.


Kulczycki P., Hryniewicz O., Kacprzyk J. (red.) [2007]: Techniki informacyjne w badaniach

systemowych, Wydawnictwa Naukowo-Techniczne.

Kusiak J., Danielewska-Tułecka A., Oprocha P. [2009]: Optymalizacja Wybrane metody

z przykładami zastosowań, Wydawnictwo Naukowe PWN.

Kwiatkowska A. M. [2007]: Systemy wspomagania decyzji Jak korzystać z WIEDZY

i informacji, Wydawnictwo Naukowe PWN/MIKOM.

Lange W. [1975]: Cell number and cell density in the cerebellar cortex of Man and Rother

mammals, Cell Tissue Res., 157(1).

Lenart A. [2010]: Uwarunkowania pozyskiwania zintegrowanych systemów informatycznych

zarządzania [w] Nowicki A., Chomiak-Orsa I., Sroka H. (red.), Informatyka ekonomiczna 17.

Systemy informacyjne w zarządzaniu. Przegląd naukowo-dydaktyczny, Wydawnictwo

Uniwersytetu Ekonomicznego we Wrocławiu.

Liberadzki B., Mindur L. [2006]: Uwarunkowania rozwoju systemu transportowego Polski,

Wydawnictwo Instytutu Technologii Eksploatacji – PIB.

Łukasiewicz T. [2006]: Przyszłość systemów wspomagania decyzji [w] Grzech A. (red.),

Inżynieria wiedzy i systemy ekspertowe Tom 1, Oficyna Wydawnicza Politechniki

Wrocławskiej.

Mandziuk J. [2000]: Sieci neuronowe Hopfielda, Akademicka Oficyna Wydawnicza Exit.

Mendel T. [2009]: Metodyka pisania prac doktorskich, Wydawnictwo Uniwersytetu

Ekonomicznego.

Michalik K. [2006]: Neuronix Symulator sztucznych sieci neuronowych Podręcznik

użytkownika [z] Zintegrowany Pakiet Sztucznej Inteligencji AITECHSPHINX 4.5, AITECH

Artificial Intelligence Laboratory.

Mulawka J. J. [1996]: Systemy ekspertowe, Wydawnictwo Naukowo-Techniczne.

Oleński J. [2003]: Ekonomia informacji. Metody, Polskie Wydawnictwo Ekonomiczne.

Osowski St. [2006]: Sieci neuronowe do przetwarzania informacji, Oficyna Wydawnicza

Politechniki Warszawskiej.

Orłowski C., Szczerbicki E. [2002]: Evaluation of Information Technology Projects,

Cybernetics and Systems: An International Journal, 33:6.

Orłowski C. [2002’]: Soft Modeling Support for managing Knowledge-based Information

Technology Projects, Cybernetics and Systems: An International Journal, 33:4.


Orłowski C., Ziółkowski A., Czarnecki A. [2010]: Validation of an agent and ontologybased

Information Technology Assessment System, Cybernetics and Systems: An International

Journal, 41:1.

Orłowski C., Szczerbicki E. [2012]: Hybrid Model Of Evolution of Information Technology

(IT) Support Organization, Cybernetics and Systems: An International Journal, 43:4.

Pacholski L. [1998]: Fuzzy Logic Application in Ergonomic Renewal of Multiagent

Manufacturing, Cybernetics and Systems: An International Journal, 29:7.

Pacholski L. [2006]: Ergonomic Issues of the Neural Integrated Human-Computer

Interaction, Cybernetics and Systems: An International Journal, 37:2-3.

Pacholski L., Cempel W., Pawleski P. [2009]: Reengineering. Reformowanie procesów

biznesowych i produkcyjnych w przedsiębiorstwie. Wyd. Politechniki Poznańskiej. Poznań.

Pacholski L. [2012]: Systemy ekspertowe i sztuczna inteligencja, Wydawnictwo Politechniki

Poznańskiej, Poznań.

Pająk E. [2006]: Zarządzanie produkcją: produkt, technologia, organizacja, Wydawnictwo

Naukowe PWN.

Papageorgiou G., Likas A., Stafylopatis A. [1998]: Improved exploration in Hopfield network

state-space through parameter perturbation driven by simulated annealing, European Journal

of Operational Research, 108 (2).

Pawłyszyn I., Maćkowiak* N., Stachowiak A., Jańczak T. [2010]: Elements of artificial

intelligence applied in warehousing [w] Fertsch M., Grzybowska K. (red.), Logistics in the

enterprises – selected aspects, Wydawnictwo Politechniki Poznańskiej.

Pawłyszyn I., Maćkowiak* N., Stachowiak A. [2010’]: The concept of use of artificial neural

networks in process of selection of JIT-suppliers [w] Pawłowski E. (red.), Operations and

Logistics Management, Wydawnictwo Politechniki Poznańskiej.

Pawłyszyn I., Maćkowiak* N., Stachowiak A., Jańczak T. [2011]: An expert system as a tool

for optimization of warehousing process [w] Conference Proceeding of ICPR21, Stuttgart.

Pawłyszyn I., Maćkowiak* N., Stachowiak A., Pacholski L. [2011’]: Completation Of Items In

High Storage Warehouse With The Expert System, Logistyka i Transport, Issue 2(13).

Perzyńska J. [2010]: Budowa prognoz kombinatorycznych z wykorzystaniem sztucznych sieci

neuronowych [w] Dittmann P., Szabela-Pasierbińska E. (red.), Prognozowanie w zarządzaniu

firmą, Wydawnictwo Uniwersytetu Ekonomicznego we Wrocławiu.

* Nazwisko panieńskie autorki pracy


Peng M., Gupta N. K., Armitage A. F. [1996]: An investigation into the improvement of local

minima of the Hopfield network, Neural Networks, 9 (7).

Piasecka-Głuszak A. [2011]: Logistyka w wydawnictwie, Biblioteka Analiz.

Pilarczyk B. (red.) [2006]: Mruka H. (red.), Kompendium wiedzy o marketingu,


Platt J. C., Barr A. H. [1988]: Neural information processing systems, New York: American

Institute of Physics.

Pokojski J. [2005]: Systemy doradcze w projektowaniu maszyn, Wydawnictwa Naukowo-

Techniczne.

Pomykalski A. [2008]: Zarządzanie i planowanie marketingowe, Wydawnictwo Naukowe

PWN.

Porter M. E. [1985]: Competitive Adnvantage, Free Press.

Rong Y. [1997]: Solving Large Travelling Salesman Problems with Small Populations,

Genetic Algorithms in Engineering Systems: Innovations and Applications.

Rutkowska D., Piliński M., Rutkowski L. [1999] Sieci neuronowe, algorytmy genetyczne

i systemy rozmyte, Wydawnictwo Naukowe PWN.

Rutkowski L. [2009]: Metody i techniki sztucznej inteligencji, inteligencja obliczeniowa,

Wyd. 2 zm., Wydawnictwo Naukowe PWN.

Rybarczyk A. (praca zbiorowa pod red.) [2008]: Sztuczne sieci neuronowe labolatorium,

Wydawnictwo Politechniki Poznańskiej.

Shapiro R.D., Heskett J. L. [1985]: Logistics Strategy-Cases and Concepts, West Pub. Co.

Skowronek Cz. [2010]: Procesy logistyczne w kształtowaniu ekonomiki przedsiębiorstw

[w] Kempny D. (red.), Logistyka w naukach o zarządzaniu. Księga poświęcona pamięci

profesora Mariana Sołtysika, Wydawnictwo Uniwersytetu Ekonomicznego w Katowicach.

Sławińska M. (red.) [2008]: Kompendium wiedzy o handlu, Wydawnictwo Naukowe PWN.

Stajniak M., Hajdul M., Foltyński M., Krupa A. [2007]: Transport i spedycja. Podręcznik do

kształcenia w zawodzie technik logistyk, Biblioteka Logistyka.

Tadeusiewicz R. [2001] Wprowadzenie do sieci neuronowych, Statsoft Polska.

Surma J. [2009]: Business Intelligence Systemy wspomagania decyzji biznesowych,



Szczerbicki E., Reidsema C., Modelling Design [1999] Planning In Concerrent Engineering,

Intelligent Processing and Manufacturing of Materials, IPMM '99,Vol. 2.

Tadeusiewicz R. [1993]: Sieci neuronowe, Akademicka Oficyna Wydawnicza RM.

Tang, H., Tan, K.C., Yi, Z. [2007]: Parameter settings of Hopfield networks applied to

traveling salesman problems, Studies in Computational Intelligence 53 , pp. 99-116.

Tarczyński G. [2011]: Algorytm Kohonena w analizie danych ekonomicznych, Wydawnictwo

Uniwersytetu Ekonomicznego we Wrocławiu.

Winkler W., Wiszniewski A. [2004]: Automatyka zabezpieczeniowa w systemach

elektroenergetycznych, Wydawnictwa Naukowo-Techniczne.

Wierzbicki T. (red.) [1986]: Informatyka w zarządzaniu, Wydawnictwo Naukowe PWN.

Xue-song Yan, Han-min Liu, Jia Yan and Qing-hua Wu [2007]: A Fast Evolutionary

Algorithm for Traveling Salesman Problem, Third International Conference on Natural

Computation ICNC 2007.

Yoo-Shin Kim, Seon-geun Cha, Ja-myeong Kim [1997]: A Generalized Model of Statistical

Hopfield Neural Network to Solve TSP, International Conference on Information,

Communications and Signal Processing ICICS ’97.

Yoshiyuki, Usami [1994]: Solving traveling salesman problem by real space renormalization

technique, IEEE International Conference on Neural Networks - Conference Proceedings 7 ,

pp. 4529-4534.

Zhu, J.-F., Li, Q.-Y. [2009]: Solving the Travelling Salesman Problem by the Program of Ant

Colony Algorithm, Proceedings - 2009 International Conference on Computational

Intelligence and Software Engineering, CiSE 2009 , art. no. 5366235.

Zieliński J. S. (red.) [2000]: Inteligentne systemy w zarządzaniu, Wydawnictwo Naukowe

PWN.

Źródła internetowe3

Strony internetowe:

http://www.mathworks.com

http://www.mathworks.com/matlabcentral/fileexchange

http://www.mathworks.com/matlabcentral/fileexchange/1491-m-files-for-neural-networks

http://www.utdallas.edu/~herve

3 wszystkie zasoby internetowe zweryfikowano z datą dostępu – 30.06.2013

http://www.mathworks.com/

http://www.mathworks.com/matlabcentral/fileexchange

http://www.mathworks.com/matlabcentral/fileexchange/1491-m-files-for-neural-networks

http://www.utdallas.edu/~herve


www.pudn.com

Fora internetowe

http://www.matlab.pl/

http://www.elektroda.pl/rtvforum/topic2142857.html

http://www.pudn.com/

http://www.matlab.pl/

http://www.elektroda.pl/rtvforum/topic2142857.html

Inteligentny system hybrydowy -...

Documents

Transcript of Inteligentny system hybrydowy -...