💻 computer science

Viable Supply Chain Network Design: Machine Learning-Derived Chance-Constrained Programming

Dit artikel stelt een door machine learning verbeterde kansgeconstreerde programmeerbenadering voor om een levensvatbaar, veerkrachtig en milieuvriendelijk twee-echelon toeleveringsketennetwerk te ontwerpen dat rekening houdt met verstoringen over de echelon heen, waarbij wordt aangetoond dat de resulterende impliciete formulering en de bijbehorende heuristieken in vergelijking met traditionele scenario-gebaseerde methoden computationeel efficiënte, hoogwaardige oplossingen bieden voor grootschalige instanties.

Oorspronkelijke auteurs: Mohammad Rohaninejad, Behdin Vahedi-Nouri, Elham Jelodari Mamaghani, Mehdi Foumani, Olga Battaia

Gepubliceerd 2026-06-10

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Mohammad Rohaninejad, Behdin Vahedi-Nouri, Elham Jelodari Mamaghani, Mehdi Foumani, Olga Battaia

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je de manager bent van een enorm, twee verdiepingen tellend leveringssysteem. Op de onderste verdieping heb je lokale winkels (de eerste etage) die klanten bedienen. Op de bovenste verdieping heb je grote magazijnen (de tweede etage) die de winkels van goederen voorzien. Je doel is om te beslissen waar je deze winkels en magazijnen bouwt, hoe je ze met elkaar verbindt en hoe je alles soepel laat verlopen, zelfs als er dingen misgaan.

Dit artikel behandelt een zeer specifiek probleem: Hoe ontwerp je dit netwerk zodat het niet alleen een ramp overleeft, maar er ook echt in floreert? De auteurs noemen dit "viabiliteit" (levensvatbaarheid). Ze stellen dat "veerkracht" (hebben van back-ups) niet genoeg is. Je hebt ook "wendheid" (het vermogen om snel te bewegen) en "duurzaamheid" (de vervuiling laag houden) nodig.

Hier is een uitsplitsing van hun oplossing met behulp van eenvoudige analogieën:

1. De drie pijlers van een "viabel" netwerk

De auteurs zeggen dat een goed netwerk drie superkrachten nodig heeft:

Resilience (Het back-upplan): Als een winkel sluit vanwege een stroomstoring, mogen klanten niet honger lijden. Ze hebben een back-upwinkel nodig om naar over te schakelen.
Agility (De noodploeg): Soms is een back-upwinkel te ver weg. In die gevallen heeft het netwerk "mobiele faciliteiten" nodig—denk aan deze als noodvoedselwagens die precies kunnen worden geparkeerd waar ze op dat moment nodig zijn.
Sustainability (De groene limiet): Het netwerk mag niet te veel vervuilen. De auteurs stellen een harde "snelheidslimiet" in op de totale hoeveelheid koolstofemissies die de vrachtwagens kunnen produceren.

2. Het probleem: Te veel "wat als"-scenario's

Het ontwerpen van dit netwerk is als het proberen op te lossen van een puzzel waarvan de stukjes steeds van vorm veranderen.

De scenario-gebaseerde aanpak (De "lijst"-methode): Een manier om dit op te lossen is door elke mogelijke ramp op te schrijven (bijv. "Winkel A valt uit," "Winkel B valt uit," "Beiden vallen uit," "Winkel A valt uit en het regent"). Vervolgens bereken je de kosten voor elke lijst.
- Het nadeel: Als je 100 winkels hebt, is het aantal mogelijke rampenlijsten zo enorm groot (zoals het aantal zandkorrels op een strand) dat zelfs de snelste supercomputers vastlopen bij het proberen te lezen van de lijst. Het duurt te lang.
De impliciete aanpak (De "regel"-methode): De auteurs probeerden een slimmere manier. In plaats van elke ramp te lijsten, bouwden ze een set regels (een "back-up hiërarchie"). "Als Winkel A uitvalt, ga naar Winkel B. Als Winkel B uitvalt, ga naar Winkel C." Dit is veel sneller te berekenen.

3. Het geheime wapen: Machine Learning als een "glazen bol"

Het lastige deel zijn de mobiele faciliteiten (de noodwagens). Je kunt niet simpelweg zeggen: "We zullen 5 wagens hebben." Je moet vragen: "Wat is de kans dat we op exact hetzelfde moment meer dan 5 wagens nodig hebben?"

Het berekenen van deze waarschijnlijkheid is wiskundig gezien onmogelijk om perfect in een redelijke tijd te doen. Het is als proberen te voorspellen precies hoeveel mensen er op een willekeurige dinsdag op een feestje zullen verschijnen.

De oplossing: De auteurs gebruikten Machine Learning om te fungeren als een "glazen bol".

Ze draalden duizenden simulaties om te zien wat er gebeurt wanneer verschillende winkels uitvallen.
Ze leerden een computer (met behulp van algoritmen zoals Logistische Regressie) om patronen te herkennen: "Oh, wanneer 3 winkels in dit specifieke patroon uitvallen, hebben we altijd meer dan 5 wagens nodig. Dat is een slecht patroon."
Ze vertaalden dit geleerde naar een simpele wiskundige regel (een "lineaire snede").
Nu hoeft de computer, in plaats van complexe kansberekeningen uit te voeren, alleen maar de regel te controleren: "Ziet dit plan eruit als de 'slechte patronen' die de computer heeft geleerd? Zo ja, wijs het af. Zo nee, accepteer het."

Dit stelde hen in staat om het probleem 95% van de tijd op te lossen (het betrouwbaarheidsniveau dat ze wilden) zonder vast te lopen in de wiskunde.

4. De "Fix-and-Relax" strategie

Zelfs met de machine learning-truc blijft het probleem enorm voor grote steden met honderden winkels. Het allemaal tegelijk oplossen is als het proberen te eten van een hele olifant in één hap.

De auteurs ontwikkelden een "Fix-and-Relax" strategie:

Stap 1: Los het probleem op voor slechts de eerste paar winkels (de "eerste hap").
Stap 2: Zodra je hebt besloten waar die winkels komen, "bevries" je die beslissing.
Stap 3: Ontspan de regels voor de rest van het netwerk (doe alsof de andere winkels flexibel zijn) en los de volgende batch op.
Stap 4: Herhaal dit totdat het hele netwerk is ontworpen.

Ze testten twee versies hiervan: één die het netwerk laag voor laag opbouwt (etage-gebaseerd) en één die het opbouwt per back-up niveau (back-up-gebaseerd). Beiden waren ongelooflijk snel en vonden kwalitatief hoogwaardige oplossingen.

5. De grote ontdekking: Werk samen, werk niet alleen

Het artikel vergeleek twee manieren van plannen:

Hiërarchisch: De magazijnbaas beslist waar de magazijnen komen, legt die beslissing vast, en vertelt de winkelbaas vervolgens: "Oké, nu bepaal jij waar de winkels komen."
Geïntegreerd: Iedereen zit in dezelfde kamer en beslist het hele netwerk in één keer.

Het resultaat: De Geïntegreerde aanpak was aanzienlijk beter (bespaarde gemiddeld ongeveer 12% aan kosten). Het bewees dat als de verschillende niveaus van de toeleveringsketen niet samenwerken en samen plannen, het hele systeem inefficiënt en duurder wordt.

Samenvatting

Het artikel presenteert een nieuwe manier om toeleveringsketens te ontwerpen die taai, wendbaar en groen zijn. Ze combineerden wiskundige optimalisatie met machine learning om de onzekerheid van rampen aan te pakken. Ze ontdekten dat door slimme "regels" te gebruiken in plaats van eindeloze lijsten, en door alle delen van het netwerk samen te laten plannen in plaats van apart, bedrijven toeleveringsketens kunnen bouwen die verstoringen overleven zonder de bank of de planeet te breken.

Technische Samenvatting: Levensvatbaar Ontwerp van een Toeleveringsketennetwerk: Machine Learning-gebaseerde Kansgebonden Programmering

Probleemdefinitie
Dit onderzoek behandelt het ontwerp van een Levensvatbaar Twee-Echelon Toeleveringsketennetwerkontwerp (VTE-SCNDP) onder omstandigheden van faciliteitsstoringen. In tegenstelling tot traditionele modellen die de echelonen van de toeleveringsketen geïsoleerd behandelen of zich uitsluitend op veerkracht richten, integreert dit onderzoek drie kernzuilen van levensvatbaarheid:

Veerkracht (Resilience): Bereikt door mechanismen voor back-up herassignatie, waarbij klanten worden omgeleid naar alternatieve faciliteiten als hun primaire toewijzing faalt.
Wendbaarheid (Agility): Gemodelleerd via de inzet van mobiele faciliteiten die snel kunnen worden opgezet om getroffen klanten te bedienen wanneer reguliere faciliteiten niet beschikbaar zijn of wanneer de reactietijd drempelwaarden overschrijdt.
Duurzaamheid (Sustainability): Afgedwongen door een harde beperking op de totale verwachte transportemissies.

Het netwerk bestaat uit twee echelonen waarbij het eerste echelon zowel dient als dienstverlener aan eindgebruikers als klant aan het tweede echelon. Storingen worden aangenomen onafhankelijk te voorkomen op beide niveaus. Het doel is om de verwachte totale kosten te minimaliseren, bestaande uit vaste vestigingskosten, transportkosten en boetes voor onvervulde vraag, terwijl de voldoening aan de vraag over beide echelonen heen wordt gewaarborgd onder onzekerheid.

Methodologie
Het artikel stelt twee verschillende Mixed-Integer Programming (MIP) formuleringen en een reeks oplossingsalgoritmen voor:

Scenario-gebaseerde Formulering (SBF):
- Lijst expliciet alle mogelijke storingsscenario's op.
- Minimaliseert de verwachte kosten over deze scenario's.
- Hoewel accuraat, lijdt het aan een exponentiële groei van de probleemomvang, wat het computationeel onhandelbaar maakt voor grootschalige instanties.
Impliciete Formulering (IF):
- Vermijdt expliciete scenario-enumeratie door back-up relaties te modelleren. Klanten worden vooraf toegewezen aan sequenties van back-up faciliteiten op basis van prioriteit en nabijheid.
- Integratie van Machine Learning: Een belangrijke innovatie is de afhandeling van de vereiste voor kansgebonden programmering voor de capaciteit van mobiele faciliteiten. De beperking dat de waarschijnlijkheid dat de capaciteit van een mobiele faciliteit wordt overschreden kleiner moet zijn dan 5% (d.w.z. 95% serviceniveausvertrouwen) is computationeel onhandelbaar vanwege het gebrek aan een gesloten vorm Cumulative Distribution Function (CDF) voor de som van onafhankelijke Bernoulli-storingen.
- Oplossing: De auteurs vervangen deze onhandelbare beperking door geleerde lineaire sneden (learned linear cuts). Ze genereren een dataset van cliëntallocatiepatronen, labelen deze op basis van of ze voldoen aan de 95% capaciteitsdrempel, en trainen lineaire classificaties (Logistische Regressie, L1-geregulariseerde LR, SGD, Perceptron en LR met $C=0.1$ ). De best presterende classifier wordt in de MIP ingebed als een lineaire beperking om het serviceniveau af te dwingen.
Oplossingsalgoritmen:
- Fix-and-Relax Heuristieken: Twee heuristieken zijn ontwikkeld om de IF voor grootschalige problemen op te lossen:
  - Backup-gebaseerde Fix-and-Relax (BBFR): Decomponeert het probleem op basis van back-up niveaus ( $R_1 + R_2$ iteraties), waarbij één niveau tegelijk wordt geoptimaliseerd terwijl vorige niveaus worden vastgezet en toekomstige niveaus worden versoepeld.
  - Echelon-gebaseerde Fix-and-Relax (EBFR): Decomponeert het probleem per echelon, waarbij het eerste echelon volledig wordt opgelost voordat de beslissingen ervan worden vastgezet om het tweede echelon op te lossen.
- Sample Average Approximation (SAA): Toegepast op de SBF om de verwachte waarde te benaderen voor middelgrote instanties door een subset van scenario's te samplen.
- Post-optimaliteit Aanpassing: Een correctie-algoritme wordt toegepast op de IF-oplossingen om rekening te houden met de lichte onderschatting van kosten veroorzaakt door het probabilistische karakter van de kansgebonden beperkingen (schendingen in de <5% staart worden achteraf bestraft).

Belangrijkste Bijdragen

Conceptuele Integratie: Het artikel operationaliseert het concept van "levensvatbaarheid" door gelijktijdig veerkracht, wendbaarheid (via mobiele faciliteiten) en milieu-duurzaamheid te modelleren binnen een multi-echelon netwerkontwerpframework.
Cross-Echelon Modellering: In tegenstelling tot eerdere studies die beperkt zijn tot enkelvoudige echelonen of enkelvoudige verstoringen, legt dit model cross-echelon verstoringen vast, waarbij erkend wordt dat fouten in de ene echelon doorwerken naar de andere.
Machine Learning voor Optimalisatie: De studie pioniert het gebruik van geleerde lineaire sneden afgeleid van classificatiealgoritmen om onhandelbare kansgebonden beperkingen te vervangen door data-gedreven lineaire benaderingen, waardoor de kloof tussen probabilistische serviceniveaus en computationele hanteerbaarheid wordt overbrugd.
Algoritmische Ontwikkeling: De introductie van op maat gemaakte Fix-and-Relax heuristieken specifiek voor levensvatbare multi-echelon problemen en de toepassing van SAA op levensvatbare scenario's.

Resultaten
Computationele experimenten werden uitgevoerd op 12 willekeurig gegenereerde datasets variërend van kleine tot grote schaal (tot 375 knooppunten).

Vergelijking van Formuleringen: De Impliciete Formulering (IF) presteerde consequent beter dan de Scenario-gebaseerde Formulering (SBF) wat betreft rekentijd en schaalbaarheid. Terwijl SBF faalde om instanties groter dan 80 knooppunten binnen de tijdslimiet op te lossen, loste IF instanties tot 300 knooppunten op. De IF-oplossingen lagen binnen 0,7% tot 3,69% van de best bekende oplossingen (na post-optimaliteit correctie).
Prestaties van Heuristieken: Zowel de BBFR als de EBFR heuristieken bleken zeer effectief. EBFR leverde over het algemeen de hoogste kwaliteit oplossingen (vaak 0,00% RPD1) met redelijke rekentijden, waarmee het SAA op grootschalige instanties overtrof.
Effectiviteit van Machine Learning: De getrainde classifiers (met name Logistische Regressie met $C=0.1$ ) bereikten een hoge nauwkeurigheid (tot 95,1%) in het onderscheiden van haalbare toewijzingspatronen van niet-haalbare patronen, wat de vervanging van de kansgebonden beperking door geleerde lineaire sneden valideert.
Geïntegreerde versus Hiërarchische Optimalisatie: Een vergelijkende analyse toonde aan dat geïntegreerde optimalisatie (gelijktijdige besluitvorming over de echelonen) aanzienlijk betere resultaten oplevert dan hiërarchische optimalisatie (het sequentieel optimaliseren van de echelonen). De geïntegreerde aanpak verminderde de kosten met gemiddeld 12,26% vergeleken met de hiërarchische aanpak.
Sensitiviteit: De voorgestelde methoden vertoonden robuustheid onder variërende faalkansen, hoewel er prestatievermindering werd waargenomen in SAA wanneer de faalkansen boven de 0,7 stegen.

Betekenis en Claims
De auteurs stellen dat dit onderzoek de eerste toepassing is van fix-and-relax heuristieken en machine learning-gebaseerde constraint learning voor levensvatbaar multi-echelon toeleveringsketenontwerp onder verstoringen. De betekenis van het werk ligt in:

Schaalbaarheid: Het bieden van een computationeel efficiënt alternatief (IF + Heuristieken) voor exacte scenario-gebaseerde methoden voor grootschalige, complexe toeleveringsketens.
Praktische Levensvatbaarheid: Het aantonen dat het integreren van veerkracht, wendbaarheid en duurzaamheid niet alleen theoretisch mogelijk is, maar ook computationeel hanteerbaar, wat een pad biedt voor langetermijnoverleving van het netwerk.
Strategisch Inzicht: Het benadrukken van het cruciale belang van geïntegreerde besluitvorming over de echelonen van de toeleveringsketen. De resultaten suggereren dat gefragmenteerde optimalisatie leidt tot suboptimale netwerkontwerpen, terwijl gecoördineerde planning de systeemprestaties en kostenefficiëntie aanzienlijk verbetert.
Methodologische Vooruitgang: Het succesvol verkleinen van de kloof tussen theorie en praktijk door complexe probabilistische beperkingen te vervangen door data-gedreven lineaire benaderingen, waardoor geavanceerde optimalisatiemodellen toepasbaar worden op reële uitdagingen in de toeleveringsketen.