Описание

Введение

Цель исследования: Основной целью исследования, представленного в статье, является разработка метода интеллектуальной поддержки принятия логистических решений, который позволяет комплексно решать задачи, связанные с распределением заказов по территориальным зонам, определением необходимых ресурсов и назначением логистических средств для выполнения заказов. Актуальность: В условиях современного бизнеса, где компании, такие как Яндекс, Google и Uber, сталкиваются с необходимостью оперативного управления логистическими процессами, важно иметь эффективные инструменты для принятия решений. Исследование предлагает новый подход, который может значительно улучшить качество логистических решений.

Методология

Описание методов: В исследовании используется метод генетической кластеризации для разбиения территории на зоны, а также модифицированный метод Г. Куна для назначения логистических средств. Для оценки соответствия логистических средств и заказов разработана каскадная нечеткая продукционная модель. Обоснование выбора методов: Генетическая кластеризация выбрана из-за ее способности адаптироваться к различным условиям и учитывать геопространственные особенности, а модифицированный метод Г. Куна позволяет гибко оценивать соответствие логистических средств и заказов.

Основные результаты

Ключевые находки: В результате исследования разработан метод, который позволяет эффективно распределять заказы по зонам и назначать логистические средства. Программные средства, реализующие данный метод, показали улучшение качества логистических решений. Статистическая значимость: Сравнительная оценка показала, что использование предложенного метода позволяет сократить время подъезда логистических средств к заказам в среднем на 34,1%.

Обсуждение и интерпретация

Анализ результатов: Авторы интерпретируют свои результаты как значительное улучшение качества логистических решений за счет использования генетической кластеризации и нечеткой оценки. Сравнение с предыдущими исследованиями: В отличие от традиционных методов, таких как диаграммы Вороного, предложенный подход менее затратен и более адаптивен к изменениям.

Заключение

Основные выводы: Метод интеллектуальной поддержки принятия логистических решений позволяет значительно улучшить качество логистических процессов. Практическая значимость: Результаты могут быть использованы в крупных логистических компаниях для повышения эффективности управления заказами. Ограничения исследования: Основные ограничения связаны с необходимостью дальнейшей адаптации метода к специфическим условиям различных компаний. Рекомендации для будущих исследований: Будущие исследования могут быть направлены на интеграцию предложенного метода с другими системами управления логистикой.

Ключевые слова и термины

Ключевые термины: интеллектуальная поддержка, логистические решения, генетическая кластеризация, нечеткая продукционная модель, метод Г. Куна.

Библиография

Ссылки на ключевые источники: Миркин Б.Г. Методы кластер-анализа для поддержки принятия решений. Гладков Л.А., Курейчик В.В., Курейчик В.М. Генетические алгоритмы. Рязанов А.В., Борисов В.В. Интеллектуальный способ зонального разбиения территории для поддержки логистических решений.