طراحی و پیاده‌سازی الگوریتم ترکیبی یادگیری عمیق تقویتی-تکاملی (DRL-EA) برای بهینه‌سازی پویای شبکه زنجیره تأمین هوشمند در مقیاس بزرگ

طراحی و پیاده‌سازی الگوریتم ترکیبی یادگیری عمیق تقویتی-تکاملی (DRL-EA) برای بهینه‌سازی پویای شبکه زنجیره تأمین هوشمند در مقیاس بزرگ

یلدا مسگر1

1) کارشناسی ارشد گرایش نرم افزار،دانشگاه آزاد اسلامی واحد آیت الله آملی

کد IOI مقاله : AAHD-ABEBBA
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
    چکیده شبکه‌های زنجیره تأمین مدرن با چالش‌های پیچیدگی پویا، مقیاس بزرگ و عدم قطعیت مواجه هستند که روش‌های بهینه‌سازی کلاسیک را ناکارآمد ساخته است. این مقاله یک الگوریتم ترکیبی نوین با عنوان یادگیری عمیق تقویتی-تکاملی (DRL-EA) بر پایه مدل ریاضی چندهدفه فازی (F-MOP) پیشنهاد می‌دهد. الگوریتم از دو واحد اصلی تشکیل شده است: واحد یادگیری عمیق تقویتی مبتنی بر PPO برای اکتشاف سریع فضای جستجو، و واحد الگوریتم تکاملی مبتنی بر MOEA/D بهبودیافته با عملگرهای تطبیقی برای بهره‌برداری دقیق. سنجش عملکرد روی داده‌های واقعی صنعت خودروسازی (شامل ۵۰۰۰ SKU و ۲۰۰ تامین‌کننده) نشان‌دهنده بهبود ۳۲٫۵٪ در معیار Hypervolume، کاهش ۴۱٪ در زمان همگرایی و قابلیت اطمینان بیش از ۹۵٪ در سناریوهای اختلال است. تحلیل حساسیت و مقایسه با NSGA-III، MOPSO و DRL پایه، برتری روش پیشنهادی را تأیید می‌کند.

کلمات کلیدی : زنجیره تأمین هوشمند یادگیری عمیق تقویتی الگوریتم تکاملی چندهدفه بهینه‌سازی چندهدفه فازی مقیاس بزرگ