Ici, nous allons discuter aujourd'hui sur 'Quelle solution de modélisation serait utilisée pour tester une série d'emplacements d'entrepôt spécifiés par le concepteur ? »
La résolution du modèle est souvent utilisée dans l'analyse de conception, où il est crucial pour les analystes de connaître le type de données d'entrée et le type de données de sortie. La nature de cette analyse déterminera quel modèle est nécessaire. L'utilisation de valeurs numériques dans un modèle est courante dans de nombreux domaines de l'industrie. Il existe différents types d'outils de modélisation disponibles pour cela, chacun ayant ses propres avantages et inconvénients.
Les deux outils de modélisation courants
Cet exemple examine l'utilisation de deux outils de modélisation courants, les automates cellulaires et la simulation Monte Carlo, pour tester une série d'emplacements d'entrepôt spécifiés par le concepteur. L'utilisation de ces deux méthodes fournit des informations précieuses sur les performances de différents modèles dans différentes circonstances.
Ces informations peuvent être utiles dans le monde réel en conduisant à de meilleures décisions concernant les prochaines étapes du processus de conception. Il est également utile pour la résolution de problèmes dans le processus de conception lui-même en mettant en évidence les problèmes que vous avez peut-être oubliés.
Que sont les automates cellulaires et comment fonctionnent-ils ?
Le modèle standard des automates cellulaires (AC) est un système simple d'unités en interaction appelées cellules qui sont capables de produire n'importe lequel d'un grand nombre d'états possibles, appelés motifs binaires. Chaque cellule est régie par un ensemble de règles qui déterminent les états qu'elle peut adopter et la probabilité de chacun. Les règles permettent également une évolution le long de la chronologie. Il existe de nombreuses manières différentes de structurer les règles, mais elles sont toutes équivalentes dans le sens où elles forment un système de génération de modèles.
Qu'est-ce que la simulation Monte Carlo et comment fonctionne-t-elle ?
La simulation Monte Carlo (MC) utilise des nombres aléatoires pour générer des événements aléatoires dans un modèle. La simulation est basée sur le principe du « et si » – les règles du modèle sont appliquées et des nombres aléatoires sont utilisés pour déterminer comment ils seront utilisés et quel sera le résultat. Ces événements se poursuivent jusqu'à ce que la logique du modèle ait été entièrement appliquée ou qu'ils atteignent une condition d'arrêt.
Les deux types de simulation différents mentionnés ci-dessus sont souvent confondus car ils peuvent tous deux utiliser le caractère aléatoire pour simuler un ensemble d'événements basé sur un ensemble de règles. Cependant, alors que la méthode MC ne connaît pas la structure qu'elle simule, un modèle CA sait précisément ce qu'il simule et ne peut pas prendre de décisions aléatoires.
La principale différence entre les modèles CA et MC est que si un modèle CA ne sait pas ce qui va se passer ensuite, un modèle MC le sait. Cela signifie qu'une machine pourrait être simulée par un modèle CA, mais pas par un modèle MC.
Cet exemple examinera comment les deux méthodes sont utilisées pour tester une série spécifique d'emplacements pour chaque type de modèle. Pour comparer les performances des différents types, les résultats de cette simulation nous aideront.
Le processus de modélisation
L'objectif de l'utilisation de ces deux modèles est de simuler des emplacements d'entrepôt pour tester leurs performances dans différentes conditions. Ces tests sont conçus pour examiner comment les emplacements physiques interagissent avec la conception et pour signaler les problèmes possibles dans la conception.
Le processus passera par plusieurs itérations de création de nouveaux modèles, de test, de modification des règles du modèle, de test à nouveau et de répétition jusqu'à ce qu'il n'y ait plus d'amélioration des performances.
Les différents modèles de cet exemple sont tous similaires en ce sens qu'ils consistent en un ensemble d'entrepôts placés au hasard en Australie. Les emplacements réels et la taille des entrepôts sont spécifiés par le concepteur, et ces emplacements seront appelés « emplacements de conception » ou simplement « conceptions ».
Pour chaque conception, nous discuterons des performances de chaque modèle dans deux scénarios : un où il y a un grand nombre d'entrepôts à considérer (l'objectif), et un autre où il y a un petit nombre d'entrepôts à considérer (la contrainte). Dans les deux scénarios, l'objectif principal est de prédire les performances de chaque conception dans différentes conditions.
Les entrepôts utilisés dans le modèle seront placés dans un emplacement spécifique comme suit :
Ces règles seront utilisées pour tester chaque modèle car il existe des preuves suggérant qu'ils produisent les meilleurs résultats. Cet exemple considère la règle 'euclidienne'. C'est l'option la plus précise. Il a été expliqué précédemment comment un seul ensemble de règles serait utilisé, mais un autre pourrait également être testé si vous le souhaitez. Les autres règles pourraient être testées si désiré, et toute différence entre leurs résultats et les résultats de la règle euclidienne pourrait également être prise en compte.
L'exemple suivant montre comment chaque méthode est utilisée pour simuler quatre configurations d'entrepôt différentes :
Comme vous pouvez le voir dans les exemples ci-dessus, les différentes simulations produisent des résultats très différents. Cela permettra une analyse beaucoup plus complète de chaque modèle que si une seule simulation était exécutée.
Les résultats
L'ensemble final de modèles sera utilisé pour approfondir l'étude. Cela permet d'identifier les avantages de chaque type de modèle et de mieux comprendre comment prendre de meilleures décisions dans le processus de conception.
Les trois étapes principales pour identifier la meilleure solution de modélisation sont :
1) déterminer le type de données d'entrée,
2) déterminer le type de données de sortie attendu par l'analyse de conception,
ainsi que
3) identifier quel modèle est nécessaire. Je préfère utiliser la distribution client pour cette analyse car les résultats peuvent être facilement compris par les êtres humains.
FAQ
Quelle est la décision de l'entreprise d'utiliser la modélisation comme solution pour tester les emplacements des entrepôts ?
Cette solution de modélisation est portable, peut être implémentée dans des systèmes existants et créer des emplacements d'entrepôt basés sur les activités. De plus, le logiciel utilisé permettra d'optimiser tout emplacement client adressable sur la carte.
Quelles sont certaines des limites de la modélisation des stratégies de localisation des entrepôts ?
Il existe de nombreuses limites à la modélisation des stratégies de localisation des entrepôts. Les entreprises peuvent rencontrer des difficultés lorsqu'elles utilisent leurs données précédentes pour faire des projections sur de nouveaux sites, car les données changent avec le temps.
Quelle est une autre solution de modélisation d'entrepôt en plus de celle proposée par l'entreprise ?
Une autre solution de cartographie d'entrepôt peut utiliser une base de données spécifique à l'emplacement, qui collecte et met à jour les données au fur et à mesure que de nouvelles fenêtres de livraison se produisent. En utilisant une telle solution, l'utilisateur peut créer un modèle généralisé pour tous les emplacements sur la base des modèles généraux requis pour la planification stratégique.
Quelle est la décision de l'entreprise d'utiliser la modélisation comme solution pour tester les emplacements des entrepôts ?
L'entreprise a décidé d'utiliser la modélisation pour tester ses emplacements d'entrepôt, car elle offre différents avantages, tels que la création de nombreux emplacements en fonction des besoins de l'entreprise, un modèle d'entrepôt portable basé sur l'emplacement peut être mis en œuvre dans les systèmes existants.
Quelles sont les limites des stratégies de modèle d'entrepôt basé sur la localisation ?
Les limites associées aux stratégies de modèle d'entrepôt basé sur l'emplacement sont :
- les entreprises pourraient ne pas être en mesure d'optimiser les emplacements des clients adressables sur la carte.
- le modèle peut ne pas être portable
De plus, les entreprises peuvent rencontrer des difficultés lorsqu'elles utilisent leurs données précédentes pour faire des projections sur de nouveaux sites, car les données changent avec le temps.
Conclusion:
Cet article a été écrit pour aider les lecteurs à mieux comprendre ces deux modèles. Si vous êtes intéressé à découvrir quelle solution de modélisation serait utilisée pour tester une série d'emplacements d'entrepôt spécifiés par le concepteur?
La réponse est la simulation de Monte Carlo. La simulation Monte Carlo permet aux utilisateurs d'exécuter des simulations sur différentes configurations d'entrepôt avant de finalement choisir celle qui les aidera à minimiser leur exposition aux risques. Ce processus de simulation est généralement entrepris à l'aide de logiciels informatiques pour la modélisation logistique ou les packages d'optimisation technique.
Vous pouvez également lire:
1. Combien gagne un représentant logistique de la gestion des déchets
2. Quelle est l'économie de la répétition dans la gestion de la logistique et du transport
3. Qu'est-ce qu'un système de gestion d'entrepôt