Multi-Objective Constrained Deep Q-Networks for Supplier Selection and Order Allocation in Sustainable Supply Chains
تقدم هذه الورقة ParetoShield-Q، وهو إطار عمل للتعلم العميق لـ Q مقيد متعدد الأهداف، يعمل على تحسين اختيار الموردين المستدام وتخصيص الطلبات من خلال دمج التكييف التفضيلي، وإدارة مخاطر ذيل التوزيع، وأوراكل الجدوى ضمن عملية قرار ماركوف، ويتم التحقق من صحته من خلال تحليل كمي مكثف على مجموعات بيانات الطلب والموردين العامة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في كل مرة يقرر فيها مدير المتجر أي مورد يتصل به للحصول على شحنة وكيفية عدد الصناديق التي يطلبها، فإنه يحل لغزاً أصبح أكثر تعقيداً من مجرد البحث عن أقل سعر. في العالم الحديث، تتردد أصداء قرار واحد عبر شبكة من الأهداف المتنافسة: الحفاظ على انخفاض التكاليف، وضمان وصول المنتجات في الوقت المحدد، وتقليل البصمة الكربونية للرحلة، والاستعداد لاحتمال فشل أحد الموردين فجأة. لا يمكن اتخاذ هذه الخيارات بمعزل عن بعضها البعض؛ فطلب كميات كبيرة من مصدر رخيص ولكن غير موثوق قد يوفر المال اليوم ولكنه قد يتسبب في نقص في الغد، بينما قد يؤدي الإفراط في الحذر إلى هدر الموارد. يكمن التحدي في اتخاذ سلسلة من هذه القرارات يوماً بعد يوم، حيث تغير نتيجة خيار ما الخيارات المتاحة للخيار التالي، كل ذلك مع الموازنة بين قواعد صارمة تتعلق بالميزانية، والسعة، والقيود البيئية.
لطال de يحاول الباحثون المساعدة في هذا الأمر باستخدام نماذج حاسوبية تصنف الموردين أو تحسب الطلب الأمثل لأسبوع واحد. ومع ذلك، غالباً ما تواجه هذه الأساليب التقليدية صعوبة عندما يكون المستقبل غير مؤكد أو عندما تتعارض الأهداف بطرق معقدة. يقدم بحث جديد نهجاً مختلفاً، يعامل اختيار المورد ليس كقائمة ثابتة يتم التحقق منها، بل كعملية مستمرة وديناميكية من التكيف. فقد طور الباحثون نظاماً يتعلم من الأنماط الماضية لاتخاذ قرارات في الوقت الفعلي، موازناً بين الحاجة إلى السرعة والتكلفة والموثوقية دون كسر قواعد سلسلة التوريد.
جوهر هذا النظام الجديد هو برنامج حاسوبي مصمم ليعمل مثل مدير مشتريات متمرس لا ينسى درساً أبداً. فبدلاً من النظر فقط إلى ملصق السعر، يأخذ البرنامج صورة كاملة للموقف: كمية المخزون الموجود حالياً في المستودع، وما قد يفعله الطقس أو حركة المرور بأوقات التسليم، وكمية ثاني أكسيد الكربون التي ستنتجها عملية النقل. ثم يقوم بمحاكاة آلاف الاحتمالات المستقبلية لمعرفة أي مزيج من الموردين وأحجام الطلبات سيؤدي إلى أفضل نتيجة إجمالية. تم بناء النظام للتعامل مع نوع محدد من الصعوبات: حقيقة أنه لا يمكنك طلب نصف حمولة شاحنة أو تقسيم شحنة بطريقة تنتهك عقداً. إنه يضمن أن كل قرار يتخذه ممكن مادياً وصالح قانونياً قبل إرساله إلى المورد.
لاختبار هذه الفكرة، أنشأ الباحثون محاكاة واقعية باستخدام بيانات من العالم الحقيقي. لقد أخذوا سجلات المبيعات اليومية الفعلية لآلاف المنتجات عبر عشرة متاجر مختلفة ودمجوها مع قاعدة بيانات لتفاصيل الموردين، مثل تكاليف الشحن، ومعدلات العيوب، وأوقات الإنتاج. لم يكتفوا بسؤال الكمبيوتر عن الخيار الأرخص فحسب؛ بل أعطوه مجموعة من الأولويات التي يمكن تعديلها، مثل قرص التحكم. في يوم ما، قد يُطلب من النظام التركيز على تقليل انبعاثات الكربون، وفي اليوم التالي، التركيز على إيصال المنتجات إلى الرف بأسرع ما يمكن. كان على البرنامج أن يتعلم كيفية تغيير استراتيجيته فوراً لتلبية هذه الأهداف المتغيرة مع البقاء ضمن ميزانية صارمة وتجنب النقص.
أظهرت نتائج هذه المحاكاة أن النظام الجديد، الذي يسميه المؤلفون ParetoShield-Q، تفوق على عدة أساليب راسخة مستخدمة في الصناعة والأوساط الأكاديمية. فعند مقارنته بنماذج حاسوبية أخرى، تمكن من تلبية 96.7 في المائة من طلب العملاء، وهي نسبة أعلى من معظم منافسيه. كما حافظ على عدد القرارات المخالفة للقواعد، مثل طلب كمية تفوق قدرة المورد، عند مستوى الصفر. وبينما يمكن لطريقة رياضية تقليدية أن تجد تكلفة إجمالية أقل قليلاً، إلا أنها غالباً ما تفشل في التكيف بسرعة عندما تتغير الحالة أو تتبدل الأولويات. في المقابل، حافظ النظام الجديد على أداء عالٍ عبر جميع الأهداف المختلفة، من توفير المال إلى تقليل الأثر البيئي، دون الحاجة إلى إعادة تدريبه لكل سيناريو جديد.
كانت واحدة من أهم النتائج هي كيفية تعامل النظام مع المشاكل غير المتوقعة. فقد اختبر الباحثون النموذج من خلال محاكاة اضطرابات شديدة، مثل سيناريو يصبح فيه 40 في المائة من الموردين غير متاحين أو غير موثوقين فجأة. في هذه الظروف الصعبة، نجح النظام الجديد في تلبية 86.5 في المائة من الطلب، بينما انخفضت معدلات التلبية لدى الأساليب الأخرى إلى 69 في المائة. يشير هذا إلى أن قدرة النظام على التطلع إلى الأمام والنظر في "مخاطر الذيل" (tail risk) -أي احتمال وقوع أحداث نادرة ولكن كارثية- تساعده في بناء سلسلة توريد أكثر مرونة. فهو لا يكتفي برد الفعل تجاه المشكلة، بل يتوقع احتمال وقوعها ويعدل طلباته للتحوط ضد الصدمة.
كشفت الدراسة أيضاً أن النظام فعال بما يكفي للاستخدام في الوقت الفعلي. فمع نمو عدد الموردين المحتملين من حفنة صغيرة إلى ثمانين مورداً، ظل الوقت الذي يستغرقه النظام لاتخاذ قرار تحت ثانية واحدة. هذه السرعة أمر بالغ الأهمية لأن مديري سلاسل التوريد غالباً ما يحتاجون لاتخاذ مئات القرارات يومياً. وأشار الباحثون إلى أن النظام يحقق هذه السرعة من خلال طريقة بحث ذكية تستبعد الخيارات المستحيلة بسرعة قبل قضاء الوقت في حساب الخيار الأفضل. إنه يشبه الملاح الذي يعرف الطرق المغلقة قبل حتى بدء الرحلة، مما يضمن أن المسار النهائي قابل للسير دائماً.
على الرغم من هذه النتائج الواعدة، يوضح الباحثون بحذر حدود عملهم. فالنتائج تأتي من محاكاة تعتمد على بيانات عامة، وليس من تجربة حية في مستودع شركة حقيقية. كانت البيانات التي استخدموها للطلب حقيقية، لكن التفاصيل المتعلقة بانبعاثات الموردين واحتمالات الاضطراب تم إنشاؤها لأجل التجربة. وهذا يعني أنه بينما أثبت النظام قدرته على العمل بشكل جيد في بيئة محكومة، فإن أداءه في الواقع الفوضوي وغير المتوقع للتجارة العالمية يحتاج إلى التحقق باستخدام بيانات تجارية فعلية. لا تدعي الدراسة أنها حلت مشكلة التوريد المستدام للأبد، لكنها تقدم أداة قوية تتعلم، وتتكيف، وتحترم القيود الصارمة للعالم المادي.
في نهاية المطاف، يمثل هذا العمل تحولاً في كيفية تفكيرنا في سلاسل التوريد. فهو ينتقل من فكرة الخطة الثابتة التي توضع في بداية الشهر نحو عملية ديناميكية تتطور مع كل معلومة جديدة. ومن خلال الجمع بين القدرة على التعلم من البيانات والالتزام الصارم بقواعد الجدوى، يوفر النظام وسيلة للتنقل عبر المقايضات المعقدة للتجارة الحديثة. إنه يظهر أنه من الممكن تصميم عملية صنع قرار تكون ذكية بما يكفي لإيجاد التوازن الأمثل بين التكلفة والسرعة والاستدامة، ومنضبطة بما يكفي لضمان إمكانية تنفيذ كل قرار بالفعل. ومع مواجهة سلاسل التوريد ضغوطاً متزايدة لتكون أكثر رفقاً بالبيئة وأكثر موثوقية، توفر أدوات مثل هذه لمحة عن كيفية مساعدة التكنولوجيا للمديرين في اتخاذ الخيارات الصحيحة، طلباً تلو الآخر.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.