Лопатін А. О., аспірант, Чорноморський Національний Університет ім. Петра Могили, Миколаїв, Україна

ORCID ID: 0000-0002-2707-9033
e-mail: areterik@gmail.com

Застосування методів теорії наближених множин та нейронних мереж для оптимізації управління ланцюгами постачання

Анотація. У статті визначено підгалузі штучного інтелекту, які підходять для програм управління ланцюгами постачання, та охарактеризовано інші підгалузі з точки зору їх корисності для підвищення ефективності управління ланцюгами постачання. Синтезовано літературу, що стосується застосування теорії наближених множин та нейронних мереж до ланцюгів постачання, щодо їх практичних наслідків та технічних переваг. Узагальнено тенденції досліджень теорії наближених множин та нейронних мереж та визначено потенційні сфери їх застосування в управлінні ланцюгами постачання, які ще не були досліджені. Обґрунтовано майбутні перспективи щодо розширення наявної літератури про штучний інтелект та невикористаних дослідницьких тем для штучного інтелекту, що стосуються управління ланцюгами постачання (машинне навчання, генетичні алгоритми та інше).

Ключові слова: штучний інтелект; управління ланцюгами постачання; теорія наближених множин; штучні нейронні мережі.

Література:

1. Nilsson, N. (1982). Principles of artificial intelligence. Los Altos, CA: Morgan Kaufmann Publishers, Inc. vol. 1. 476.
2. Russell, S. and Norvig, P. (1995). Artificial intelligence: a modern approach. Upper Saddle River, NJ: Prentice-Hall.
3. Luger, G. (2002). Artificial intelligence: structures and strategies for complex problem solving. 4th ed. Pearson Education Limited, England: Essex.
4. Min, Hokey (2010). Artificial intelligence in supply chain management: Theory and applications. International Journal of Logistics-research and Applications. 13-39. DOI: 10.1080/1367556090273.
5. Linde, H. & Schweizer, I. (2019). A White Paper on the Future of Artificial Intelligence. 1-10. DOI: 10.13140/RG.2.2.32564.19844.
6. Perrault, R., Shoham, Yo., Brynjolfsson, E., Clark, J., Etchemendy, J., Grosz, B., Lyons, T., Manyika, J., Mishra, S. and Juan Carlos Niebles (2019). The AI Index 2019 Annual Report, AI Index Steering Committee. Stanford, CA: Human-Centered AI Institute, Stanford University. 291.
7. Min, H. and Yu, W. (2008). Collaborative planning, forecasting and replenishment: demand planning in supply chain management. International Journal of Information Technology and Management, 7 (1), 4–20.
8. Bre, F. & Gimenez, J. & Fachinotti, V. (2017). Prediction of wind pressure coefficients on building surfaces using Artificial Neural Networks. Energy and Buildings, DOI: 10.1016/j.enbuild.2017.11.045.
9. McCulloch, W.S. & Pitts, W. (1943). A logical calculus of the idea imminent in nervous activity. Bulletin of Mathematical Biophysics, 5, 115-137. DOI: 10.1007/BF02478259
10. Pomerleau, D.A. (1993). Neural network perception for mobile robot guidance. Dordrecht, The Netherlands: Kluwer.
11. AlMana, A. & Aksoy, M. (2014). An Overview of Inductive Learning Algorithms. International Journal of Computer Applications, 88. DOI: 10.5120/15340-3675.
12. Gaafar, L. K. & Choueiki, M. H. (2000). A neural network for solving the lot-sizing problem. Kuwait: Omega, The International Journal of Management, 28, 175-184.
13. Rohde, J. (2004). Hierarchical supply chain planning using artificial neural networks to anticipate base-level outcomes. OR Spectrum, 26, 471-492. DOI: 10.1007/s00291-004-0170-x.
14. Pawlak, Z. (1982). Rough sets. International Journal of Computer and Information Science, 11, 341-356. DOI: 10.1007/BF01001956.
15. Roy, P. & Goswami, S. & Chakraborty, S. & Azar, A. & Dey, N. (2014). Image Segmentation Using Rough Set Theory: A Review. Hershey, PA, USA: International Journal of Rough Sets and Data Analysis, 1, 62-74. DOI: 10.4018/ijrsda.2014070105.
16. Qinghua, Zh., Qin, X. & Guoyin, W. (2016) A survey on rough set theory and its applications. China: CAAI Transactions on Intelligence Technology, 1, 4, 323-333. DOI: 10.1016/j.trit.2016.11.001.
17. Pawlak, Z. (1984). Rough classification. International Journal of Man-Machine Studies, 72, 469-483. DOI: 10.1016/0377-2217(94)90415-4.
18. Pawlak, Z. (1989). Knowledge, reasoning and classification – a rough set perspective. Bulletin of the European Association for Theoretical Computer Science, 38, 199-210.
19. Pawlak, Z. (1997). Rough set approach to knowledge-based decision support. European Journal of Operational Research, 293 (3), 1-10. DOI: doi.org/10.1016/S0377-2217(96)00382-7.
20. Li, G. D., Yamaguchi, D. & Nagai, M. (2007). Application of grey-based rough decision-making approach to supplier selection. Journal of Modelling in Management, 2 (2), 131-142. DOI: 10.1108/17465660710763416.
21. Zheng, P. & Lai, K. K. (2008). A rough set approach on supply chain dynamic performance measurement. Springer, Berlin, Heidelberg: Lecture Notes in Computer Science, 4953, 312-322. DOI: 10.1007/978-3-540-78582-8_32.
22. Гриценко В. І. Застосування інструментів Big Data для підвищення ефективності онлайн реклами. Економіко-математичне моделювання соціально-економічних систем. 2016. № 21. С. 5-21. URL: http://nbuv.gov.ua/UJRN/emmses_2016_21_3 (дата звернення:15.08.2020).
23. Зернюк О. В. Управління ланцюгами постачання. Економічний форум. – 2015. № 4. С. 251-258. URL: http://nbuv.gov.ua/UJRN/ecfor_2015_4_41 (дата звернення: 20.08.2020).
24. Мозолевська М. О., Ставицький О. В. Використання нейронних мереж для прогнозування у фінансовій сфері. Актуальні проблеми економіки та управління : збірник наукових праць молодих вчених. 2017. URL: https://ela.kpi.ua/handle/123456789/22609 (дата звернення: 20.08.2020).
25. Новікова О. В. Прогнозування внутрішнього валового продукту на основі апарату штучних нейронних мереж. Економіка і управління АПК. 2014. №1. С. 5–11.