Welke modelleringsoplossing zou worden gebruikt om een door de ontwerper gespecificeerde reeks magazijnlocaties te testen?

8 september 2021

Hier zullen we het vandaag hebben over 'Welke modelleringsoplossing zou worden gebruikt om een door de ontwerper gespecificeerde reeks magazijnlocaties te testen?'

Modelresolutie wordt vaak gebruikt bij ontwerpanalyses, waar het voor analisten cruciaal is om het invoergegevenstype en het uitvoergegevenstype te kennen. De aard van deze analyse zal bepalen welk model nodig is. Het gebruik van numerieke waarden in een model is in veel bedrijfstakken gebruikelijk. Hiervoor zijn verschillende soorten modelleertools beschikbaar, die elk hun eigen voor- en nadelen hebben.

De twee veelgebruikte modelleringstools

In dit voorbeeld wordt gekeken naar het gebruik van twee algemene modelleringstools, cellulaire automaten en Monte Carlo-simulatie, om een door de ontwerper gespecificeerde reeks magazijnlocaties te testen. Het gebruik van deze twee methoden geeft waardevol inzicht in hoe verschillende modellen presteren onder verschillende omstandigheden.

Deze informatie kan nuttig zijn in de echte wereld door te leiden tot betere beslissingen over de volgende stappen in het ontwerpproces. Het is ook handig voor het oplossen van problemen in het ontwerpproces zelf door problemen te benadrukken die u misschien bent vergeten.

Wat zijn cellulaire automaten en hoe werkt het?

Het standaardmodel van cellulaire automaten (CA) is een eenvoudig systeem van op elkaar inwerkende eenheden, cellen genaamd, die in staat zijn om een groot aantal mogelijke toestanden te produceren, ook wel bitpatronen genoemd. Elke cel wordt beheerst door een reeks regels die de toestanden bepalen die het kan aannemen en de waarschijnlijkheid van elk. De regels laten ook evolutie langs de tijdlijn toe. Er zijn veel verschillende manieren om de regels te structureren, maar ze zijn allemaal gelijkwaardig in die zin dat ze een systeem vormen voor het genereren van patronen.

Wat is Monte Carlo-simulatie en hoe werkt het?

Monte Carlo (MC)-simulatie gebruikt willekeurige getallen om willekeurige gebeurtenissen binnen een model te genereren. De simulatie is gebaseerd op het principe van "wat als" - de regels van het model worden toegepast en willekeurige getallen worden gebruikt om te bepalen hoe ze zullen worden gebruikt en wat de uitkomst zal zijn. Deze gebeurtenissen gaan door totdat de logica van het model volledig is toegepast of een stopconditie bereikt.

De twee verschillende simulatietypen die hierboven worden genoemd, worden vaak met elkaar verward omdat beide willekeur kunnen gebruiken om een reeks gebeurtenissen te simuleren op basis van een reeks regels. Hoewel de MC-methode zich niet bewust is van de structuur die het simuleert, weet een CA-model precies wat het simuleert en kan het geen willekeurige beslissingen nemen.

Het belangrijkste verschil tussen CA- en MC-modellen is dat een CA-model niet weet wat er gaat gebeuren, maar een MC-model wel. Dit betekent dat een machine kan worden gesimuleerd door een CA-model, maar niet door een MC-model.

In dit voorbeeld wordt bekeken hoe de twee methoden worden gebruikt om een specifieke reeks locaties voor elk modeltype te testen. Om de prestaties van de verschillende typen te vergelijken, zullen de resultaten van deze simulatie ons helpen.

Het modelleringsproces

Het doel van het gebruik van deze twee modellen is om magazijnlocaties te simuleren om hun prestaties onder verschillende omstandigheden te testen. Deze tests zijn bedoeld om te kijken naar de interactie van fysieke locaties met het ontwerp en om mogelijke problemen in het ontwerp aan te wijzen.

Het proces doorloopt verschillende iteraties van het maken van nieuwe modellen, het testen ervan, het wijzigen van de regels van het model, het opnieuw testen en herhalen totdat er geen verdere verbetering van de prestaties is.

De verschillende modellen voor dit voorbeeld lijken allemaal op elkaar omdat ze bestaan uit een set magazijnen die willekeurig in Australië zijn geplaatst. De werkelijke locaties en grootte van de magazijnen worden gespecificeerd door de ontwerper en deze locaties worden "ontwerplocaties" of eenvoudigweg "ontwerpen" genoemd.

Voor elk ontwerp zullen we bespreken hoe elk model presteert in twee scenario's: één waar er een groot aantal magazijnen is om te overwegen (het doel), en een andere waar er een klein aantal magazijnen is om te overwegen (de beperking). In beide scenario's is het primaire doel om de prestaties van elk ontwerp onder verschillende omstandigheden te voorspellen.

De magazijnen die in het model worden gebruikt, worden als volgt op een specifieke locatie geplaatst:

Deze regels zullen worden gebruikt om elk model te testen, aangezien er enig bewijs is dat ze de beste resultaten opleveren. In dit voorbeeld wordt de 'Euclidische' regel beschouwd. Het is de meest nauwkeurige optie. Eerder werd besproken hoe slechts één regelset zou worden gebruikt, maar desgewenst zou ook een andere kunnen worden getest. De andere regels kunnen desgewenst worden getest en eventuele verschillen tussen hun resultaten en de resultaten van de Euclidische regel kunnen ook worden overwogen.

Het volgende voorbeeld laat zien hoe elke methode wordt gebruikt om vier verschillende magazijnlay-outs te simuleren:

Zoals u kunt zien aan de hand van de bovenstaande voorbeelden, leveren de verschillende simulaties zeer verschillende resultaten op. Dit zal een veel completere analyse van elk model mogelijk maken dan wanneer er slechts één simulatie zou worden uitgevoerd.

De resultaten

De laatste set modellen zal worden gebruikt om verder te onderzoeken. Dit is bedoeld om de voordelen van elk modeltype te identificeren en een beter inzicht te geven in hoe u betere beslissingen kunt nemen in het ontwerpproces.

De drie belangrijkste stappen voor het identificeren van de beste modelleringsoplossing zijn:

1) bepaal het invoergegevenstype,

2) bepaal het type outputgegevens dat door de ontwerpanalyse wordt verwacht,

3) identificeren welk model nodig is. Ik geef er de voorkeur aan om voor deze analyse klantendistributie te gebruiken, omdat de resultaten gemakkelijk door mensen kunnen worden begrepen.

Vaak gestelde vraag

Wat is de beslissing van het bedrijf om modellering te gebruiken als een oplossing voor het testen van magazijnlocaties?

Deze modelleringsoplossing is draagbaar, kan worden geïmplementeerd in bestaande systemen en kan op activiteiten gebaseerde magazijnlocaties creëren. Bovendien maakt de gebruikte software optimalisatie mogelijk voor elke adresseerbare klantlocatie op de kaart.

Wat zijn enkele van de beperkingen van het modelleren van magazijnlocatiestrategieën?

Er zijn veel beperkingen aan het modelleren van magazijnlocatiestrategieën. Bedrijven kunnen problemen ondervinden bij het gebruik van hun eerdere gegevens om prognoses te maken over nieuwe sites, omdat gegevens in de loop van de tijd veranderen.

Wat is een andere oplossing voor magazijnmodellering dan degene die door het bedrijf wordt voorgesteld?

Een andere oplossing voor het in kaart brengen van magazijnen kan een locatiespecifieke database gebruiken, die gegevens verzamelt en bijwerkt wanneer er nieuwe leveringsvensters ontstaan. Met een dergelijke oplossing kan de gebruiker een algemeen model maken voor alle locaties op basis van de algemene modellen die nodig zijn voor strategische planning.

Wat is de beslissing van het bedrijf om modellering te gebruiken als een oplossing voor het testen van magazijnlocaties?

Het bedrijf heeft besloten om modellering te gebruiken voor het testen van zijn magazijnlocaties omdat het verschillende voordelen biedt, zoals het creëren van veel locaties op basis van de zakelijke behoefte, en een draagbaar, locatiegebaseerd magazijnmodel kan worden geïmplementeerd in bestaande systemen.

Wat zijn enkele beperkingen van locatiegebaseerde magazijnmodelstrategieën?

De beperkingen van locatiegebaseerde magazijnmodelstrategieën zijn:

bedrijven kunnen mogelijk niet optimaliseren voor adresseerbare klantlocaties op de kaart.
het model is mogelijk niet draagbaar

Bovendien kunnen bedrijven problemen ondervinden bij het gebruik van hun eerdere gegevens om prognoses te maken over nieuwe sites, omdat gegevens in de loop van de tijd veranderen.

Conclusie:

Dit bericht is geschreven om lezers te helpen deze twee modellen beter te begrijpen. Als je geïnteresseerd bent om erachter te komen welke modelleringsoplossing zou worden gebruikt om een door de ontwerper gespecificeerde reeks magazijnlocaties te testen??

Het antwoord is Monte Carlo-simulatie. Met Monte Carlo-simulatie kunnen gebruikers simulaties uitvoeren op verschillende magazijnlay-outs voordat ze uiteindelijk degene kiezen die hen helpt hun risicoblootstelling te minimaliseren. Dit simulatieproces wordt meestal uitgevoerd met behulp van computersoftware voor logistieke modellering of engineering-optimalisatiepakketten.

U kunt ook lezen:

1. Hoeveel verdient een logistiek medewerker afvalbeheer?