Като доставчик на TSP (Trisodium Fospolse), бях свидетел на развиващия се пейзаж на индустрията и нарастващото търсене на ефективни решения. Проблемът с пътуващия продавач (TSP), макар и на пръв поглед да е несвързан на пръв поглед, споделя общо с нашия бизнес по отношение на оптимизация и ефективност. В този блог ще проуча как машинното обучение може да се използва за решаване на TSP и как тези концепции могат да бъдат приложени към нашия бизнес с TSP.
Разбиране на проблема с пътуващия продавач
Проблемът с пътуващия продавач е добре известен проблем с комбинаторната оптимизация. Целта е да се намери най -краткият възможен маршрут, който продавачът може да поеме, за да посети набор от градове точно веднъж и да се върне в началната точка. Математически, като се има предвид набор от (n) градове и разстоянията между всяка двойка градове, проблемът е да се намери пермутацията на (n) градовете, която свежда до минимум общото изминато разстояние.
Сложността на TSP нараства експоненциално с броя на градовете. За (n) градове има възможни маршрути ((n - 1)!/2). С увеличаването на (n) броят на възможните решения става астрономически. Например, за 10 града има 181440 възможни маршрута, а за 20 града има около (6 \ times10^{16}) възможни маршрути. Това прави изключително трудно да се намери оптималното решение с помощта на Brute - Force методи.
Традиционни подходи за решаване на TSP
Преди появата на машинно обучение бяха използвани няколко традиционни метода за решаване на TSP:
- Грута - търсене на сила: Както бе споменато по -рано, този метод включва проверка на всеки възможен маршрут и избор на този с най -кратко разстояние. Въпреки че гарантира оптималното решение, то е изчислително невъзможно за голям брой градове.
- Евристични алгоритми: Това са алгоритми, които намират добри решения бързо, но не гарантират оптималното решение. Примерите включват най -близкия алгоритъм за съсед, където продавачът винаги посещава най -близкия град, и алгоритъмът 2 - OPT, който итеративно подобрява даден маршрут чрез смяна на двойки ръбове.
- Динамично програмиране: Този подход разбива проблема на по -малки под -проблеми и ги рекурсивно ги рекурсивно. Въпреки това, той също има висока сложност и е ограничен до сравнително малки размери на проблемите.
Подходи за машинно обучение за решаване на TSP
Машинното обучение предлага нови и мощни начини за справяне с TSP. Ето някои от най -често срещаните техники за машинно обучение:
Невронни мрежи
Невронните мрежи, особено повтарящи се невронни мрежи (RNN) и техните варианти като дълги къси срочни мрежи за памет (LSTM), са използвани за решаване на TSP. Основната идея е да се обучи невронна мрежа, за да се предвиди оптималния маршрут, предвид приноса на координатите на градовете.
Един подход е да се използва модел на последователност - до - последователност. Входната последователност е списъкът на градовете, а изходната последователност е оптималният ред, в който да посетите градовете. Невронната мрежа се обучава на голям брой екземпляри на TSP и по време на обучение се научава да картографира входните градове до оптималния маршрут.
Друг подход е използването на графична невронна мрежа (GNN). Тъй като TSP може да бъде представен като графика, където градовете са възли, а разстоянията между тях са ръбове, GNN могат да се използват за научаване на структурата на графиката и намиране на оптималния път. GNNs са особено ефективни, защото могат да уловят връзките между различните градове в графиката.
Укрепване на укрепването
Укрепващото обучение е вид машинно обучение, при което агент се научава да взема последователност от решения, за да увеличи максимално кумулативна награда. В контекста на TSP агентът е продавачът, решенията са заповедта, в която да посети градовете, а наградата е отрицателното от изминатото общо разстояние (така че целта е да се увеличи максимално наградата, което означава минимизиране на разстоянието).
Агентът започва с произволна политика и взаимодейства със средата (екземпляра на TSP). На всяка стъпка той избира действие (посещава град) и въз основа на получената държава (новият набор от невидирани градове и настоящата позиция), той получава награда. След това агентът актуализира своята политика, използвайки алгоритми като Q - обучение или градиенти на политиката, за да подобри работата си във времето.
Прилагане на машинно обучение за доставки на TSP
Като доставчик на TSP можем да направим няколко паралела между TSP и нашите бизнес операции. Например, когато доставяме TSP продукти на множество клиенти, ние се сблъскваме с подобен проблем с оптимизацията, за да намерим най -ефективния път за доставка.
Използвайки техники за машинно обучение за решаване на TSP, можем да оптимизираме маршрутите си за доставка, да намалим транспортните разходи и да подобрим удовлетвореността на клиентите. Можем да обучим модел на машинно обучение относно исторически данни за доставка, включително местоположението на клиенти, условия на движение и времена на доставка. След това моделът може да предвиди оптималния маршрут за доставка за даден набор от клиенти.
В допълнение, машинното обучение може да се използва и за оптимизиране на нашето управление на запасите. Можем да използваме прогнозна анализа, за да прогнозираме търсенето на TSP продукти на различни места и съответно да коригираме нивата на инвентара си. Това може да ни помогне да намалим разходите за запаси и да гарантираме, че имаме достатъчно запаси, за да отговорим на търсенето на клиенти.
Нашите TSP продукти
В нашата компания ние предлагаме широка гама от висококачествени TSP продукти. Например имамеМаслото на прах сапта дългосрочно съхранение Голяма стойност, който е идеален за дългосрочно съхранение и има отлични свойства на задържане на вода. Ние също предоставямеНай -добрата цена TSP трисотриев фосфат безводен 97% хранителна степен 7601 - 54 - 9, който е продукт с храна - с високо ниво на чистота. И нашитеПирофосфат на натриева киселина CAS No.7758 - 16 - 9 хранителен клас SAPP NA2H2P2O7е популярен избор за различни приложения за храна.
Заключение
Машинното обучение предоставя мощни инструменти за решаване на проблема с пътуващия продавач, който има далеч - постигане на последици за нашия бизнес с TSP доставки. Използвайки тези техники, можем да оптимизираме нашите маршрути за доставка, да подобрим управлението на запасите и в крайна сметка да подобрим общата си ефективност на бизнеса.
Ако се интересувате от нашите TSP продукти или искате да обсъдите как можем да оптимизираме вашите TSP -свързани операции, моля, не се колебайте да се свържете с нас за поръчки и по -нататъшни дискусии.
ЛИТЕРАТУРА
- Applegate, DL, Bixby, Re, Chvátal, V., & Cook, WJ (2006). Проблемът на пътуващия продавач: изчислително проучване. Princeton University Press.
- Goodfellow, I., Bengio, Y., & Courville, A. (2016). Дълбоко обучение. MIT Press.
- Sutton, RS, & Barto, AG (2018). Учение за подсилване: Въведение. MIT Press.