Детальная информация

В  данной  работе  представлены  современные  склады,  как  часть логистической  системы,  описаны  ключевые  метрики  эффективности  и направления  для их оптимизации.  Выбрана  среда  для  разработки имитационной модели. Описаны классификации нейронных сетей, подходы к их обучению, выбран метод обучения. Рассчитаны технико-эксплуатационные показатели, необходимые в  качестве  исходных  данных для  работы имитационной  модели.  Разработан алгоритм  заполнения  входящих  и исходящих грузопотоков. Выбрана база данных, для работы имитационной модели.  Разработана  имитационная  модель  складского  комплекса. Определено  место  действия  нейронной  сети  в  имитационной  модели, передаваемые  наблюдения,  разработана  система  оценивания  результатов. Обоснован выбор библиотеки для обучения нейронной сети, описан алгоритм последовательности  обучения.  Проведены  эксперименты  базового  и оптимизированного с помощью нейронной сети сценариев. Проведен анализ получившихся результатов, сделан вывод о работоспособности технологии, определены положительные эффекты.

This  paper presents  modern  warehouses  as  part  of  the  logistics  system, describes  key  performance  metrics  and  directions  for  their  optimization.  The environment  for  developing  the  simulation  model  has  been  selected.  The classifications of neural networks, approaches to their training are described, and the training method chosen. The technical and operational indicators required as input data for the operation of the simulation model are calculated. An algorithm for filling incoming and outgoing cargo flows has been developed. A database has been selected for the simulation model to operate. A simulation model of a warehouse complex has been developed. The place of action of the neural network in the simulation model was determined, the transmitted observations were determined, and a system for evaluating the results was developed. The choice of library for training a neural network is justified, and the algorithm for the training sequence is described. Experiments were carried out with basic and neural network-optimized scenarios. An analysis of the results was carried out, a conclusion was made about the efficiency of the technology, and positive effects were identified.