UDC 004.023, 330.45
DOI: https://doi.org/10.46783/smart-scm/2020-3-1
JEL Classification: С61, M15.
JEL Classification: С61, M15.
Received: 13 October 2020
-
Fedorov E. E. Doctor of Technical Science, Associate Professor, Professor of Department Robotics and Specialized Computer Systems, Cherkasy State Technological University
Ukraine - ORCID: 0000-0003-3841-7373
- Web of Science ResearcherID: AAO-6744-2020
- Scopus author id: 47161155900
- Scopus author id: 57205185819
- Scopus author id: 47161087200
-
Nikolyuk P. K. Doctor of Physics and Mathematics Sciences, Professor, Professor of Department Computer Sciences and Information Technologies, Vasil` Stus Donetsk National University
Ukraine - ORCID: 0000-0002-0286-297X
- Web of Science ResearcherID: H-3223-2017
- Scopus author id: -
-
Nechyporenko O. V. PhD, Associate Professor, Associate Professor of Department Robotics and Specialized Computer Systems, Cherkasy State Technological University
Ukraine - ORCID: 0000-0002-3954-3796
- Web of Science ResearcherID: -
- Scopus author id: -
-
Chioma E. V. Student of Department Computer Sciences and Information Technologies, Vasil` Stus Donetsk National University
Ukraine - ORCID: -
- Web of Science ResearcherID: -
- Scopus author id: -
Anotation: In the article, within the framework of intellectualization of the Lean Production technology, it is proposed to optimize the costs arising from the insufficient efficiency of placing goods in the warehouse by creating an optimization method based on the immune metaheuristics of the T-cell model, which allows solving the knapsack constrained optimization problem. The proposed metaheuristic method does not require specifying the probability of mutation, the number of mutations, the number of selected new cells and allows using only binary potential solutions, which makes discrete optimization possible and reduces computational complexity by preventing permanent transformations of real potential solutions into intermediate binary ones and vice versa. An immune metaheuristic algorithm based on the T-cell model has been created, intended for implementation on the GPU using the CUDA parallel information processing technology. The proposed optimization method based on immune metaheuristics can be used to intellectualize the Lean Production technology. The prospects for further researches are to test the proposed methods on a wider set of test databases.
Keywords: lean manufacturing, immune metaheuristics, T-cell model, conditional optimization, knapsack problem.
Анотація: У статті в рамках інтелектуалізації технології Lean Rroduction пропонується оптимізувати витрати, що виникають в результаті відсутності ефективності розміщення товарів на складі, шляхом створення методу оптимізації на основі імунної метаевристики моделі Т-клітин, що дозволяє вирішити проблему умовної оптимізації про рюкзак. Запропонований метаеврістичний метод не вимагає задання ймовірності мутації, кількості мутацій, кількості відібраних нових клітин і дозволяє використовувати тільки бінарні потенційні рішення, що робить можливою дискретну оптимізацію і знижує обчислювальну складність шляхом запобігання постійній трансформації фізичних потенційних рішень в проміжні бінарні і зворотні. Створено імунний алгоритм метаевристики на основі моделі T-клітин, призначений для впровадження на GPU за допомогою технології паралельної обробки інформації CUDA. Запропонований метод оптимізації на основі імунної метаевристики може бути використаний для інтелектуалізації технології Lean Rroduction. Перспективи подальших досліджень включають тестування запропонованих методів на більш широкому наборі тестових баз даних.
Ключові слова: ощадливе виробництво, імунна метаевристика, модель Т-клітин, умовна оптимізація, задача про рюкзак.
Аннотация: В статье в рамках интеллектуализации технологии Lean Рroduction предлагается оптимизация затрат, возникающих вследствие недостаточной эффективности размещения товаров на складе, посредством создания метода оптимизации на основе иммунной метаэвристики модели Т-клеток, который позволяет решать задачу условной оптимизации о рюкзаке. Предложенный метаэвристический метод не требует задания вероятности мутации, количества мутаций, количества отбираемых новых клеток и позволяет использовать только бинарные потенциальные решения, что делает возможной дискретную оптимизацию и снижает вычислительную сложность за счет предотвращения постоянных преобразований вещественных потенциальных решений в промежуточные бинарные и обратно. Создан иммунный метаэвристический алгоритм на основе модели Т-клеток, предназначенный для реализации на GPU посредством технологии параллельной обработки информации CUDA. Предложенный метод оптимизации на основе иммунной метаэвристики может использоваться для интеллектуализации технологии Lean Рroduction. Перспективы дальнейших исследований заключаются в тестировании предложенных методов на более широком наборе тестовых баз данных.
Ключевые слова: бережливое производство, иммунная метаэвристика, модель Т-клеток, условная оптимизация, задача о рюкзаке
List of references
- Cluster Policy of Innovative Development of the National Economy: Integration and Infrastructure Aspects : monograph / under the editorship of professor Svitlana Smerichevska. Poznań: Wydawnictwo naukowe WSPIA, 2020. 380 p.
- Talbi El-G. Metaheuristics: from design to implementation / El-G. Talbi. – Hoboken, New Jersey: Wiley & Sons, 2009. – 618 p
- Engelbrecht A.P. Computational Intelligence: an introduction / A.P. Engelbrecht. – Chichester, West Sussex: Wiley & Sons, 2007. – 630 p.
- Yang X.-S. Nature-inspired Algorithms and Applied Optimization / X.-S. Yang. – Charm: Springer, 2018. – 330 pp
- Blum C. Hybrid Metaheuristics. Powerful Tools for Optimization / C. Blum, G. R. Raidl. – Charm: Springer, 2016. – 157 p.
- Glover F. Handbook of Metaheuristics / F. Glover, G.A. Kochenberger. – Dordrecht: Kluwer Academic Publishers, 2003. – 570 p
- Yang X.-S. Optimization Techniques and Applications with Examples / X.-S. Yang. – Hoboken, New Jersey: Wiley & Sons, 2018. – 364 p.
- Martí R., Handbook of Heuristics / R. Martí, P.M. Pardalos, M.G.C. Resende. – Charm: Springer, 2018. – 1289 p
- Gendreau M. Handbook of Metaheuristics / M. Gendreau, J.-Y. Potvin. – New York: Springer, 2010. – 640 p.
- Doerner K.F. Metaheuristics. Progress in Complex Systems Optimization / K.F. Doerner, M. Gendreau, P. Greistorfer, W. Gutjahr, R.F. Hartl, M. Reimann. – New York: Springer, 2007. – 408 p.
- Bozorg‐Haddad O. Meta-heuristic and Evolutionary Algorithms for Engineering Optimization / O. Bozorg‐Haddad, M. Solgi, H. Loaiciga. – Hoboken, New Jersey: Wiley & Sons, 2017. – 293 p
- Chopard B. An Introduction to Metaheuristics for Optimization / B. Chopard, M. Tomassini. – New York: Springer, 2018. – 230 p
- Radosavljević J. Metaheuristic Optimization in Power Engineering / J. Radosavljević. – New York: The Institution of Engineering and Technology, 2018. – 536 p
- Grygor O. Optimization method based on the synthesis of clonal selection and annealing simulation algorithms / Grygor O., Fedorov E., Utkina T., Lukashenko A., Rudakov K., Harder D., Lukashenko V. // Radio Electronics, Computer Science, Control. – 2019. – № 2. – P. 90-99
- Fedorov E. Method for parametric identification of Gaussian mixture model based on clonal selection algorithm / Fedorov E., Lukashenko V.., Utkina T., Lukashenko A., Rudakov K. // CEUR Workshop Proceedings – 2019. – Vol. 2353. – P. 41-55
- Alba E., Nakib A., Siarry P. Metaheuristics for Dynamic Optimization. – Berlin: Springer-Verlag, 2013. – 398 p.
- Du K.-L. Search and Optimization by Metaheuristics. Techniques and Algorithms Inspired by Nature / K.-L. Du, M.N.S Swamy. – Charm: Springer, 2016. – 434 p
- Nakib A. Metaheuristics for Medicine and Biology / Nakib A., Talbi El-G. – Berlin: Springer-Verlag, 2017. – 211 p.
- Subbotin S. Diagnostic Rule Mining Based on Artificial Immune System for a Case of Uneven Distribution of Classes in Sample / S. Subbotin, A. Oliinyk, V. Levashenko, E. Zaitseva // Communications. – Vol.3. – 2016. – P.3-11
- Brownlee J. Clever Algorithms: Nature-Inspired Programming Recipes / J. Brownlee. – Melbourne: Brownlee, 2011. – 436 p.
HOW TO QUOTE THIS ARTICLE:
Eugene Fedorov, Peter Nikolyuk, Olga Nechporenko, Esta Chioma. (2020) “Intellectualization of a method for solving a logistics problem to optimize costs within the framework of Lean Production technology”. Intellectualization of logistics and Supply Chain Management. [Online], vol.3, pp.7-17, available at: https://smart-scm.org/en/journal-3-2020/fedorov-eugene-nikolyuk-peter-nechporenko-olga-chioma-esta-intellectualization-of-a-method-for-solving-a-logistics-problem-to-optimize-costs-within-the-framework-of-lean-production-technology/ (Accessed 13 October 2020). DOI: https://doi.org/10.46783/smart-scm/2020-3-1
