МЕТОД ДИНАМІЧНОГО УПРАВЛІННЯ БУФЕРОМ ЗАПАСІВ НА ОСНОВІ М’ЯКИХ ОБЧИСЛЕНЬ
DOI:
https://doi.org/10.24025/2306-4412.1.2023.265372Ключові слова:
теорія обмежень, штучна нейронна мережа, системи нечіткого виведення, технологія CUDAАнотація
У роботі пропонується метод динамічного управління буфером запасів на основі м’яких обчислень. Новизна дослідження полягає в тому, що для динамічного управління буфером запасів було створено метод на основі нечіткої логіки та штучної нейронної мережі, дві моделі штучної нейро-нечіткої мережі динамічного управління буфером запасів, вибрано три критерії оцінки ефективності запропонованих моделей, ідентифіковано параметри запропонованих моделей на основі методу зворотного поширення в пакетному режимі, орієнтовані на технологію паралельної обробки інформації. Запропоновані моделі та процедури їх параметричної ідентифікації дозволяють підвищити швидкодію, точність і надійність прийняття рішення. Запропонований метод динамічного управління буфером запасів на основі м’яких обчислень може використовуватись у різних інтелектуальних системах.
Посилання
U. P. Nagarkatte and N. Oley, Theory of Constraints and Thinking Processes for Creative Thinkers: Creative Problem Solving. Boca Raton, Fl: CRC Press, 2018.
B. Sproull, Theory of Constraints, Lean, and Six Sigma Improvement Methodology: Making the Case for Integration. London: CRC Press, 2019.
J. F. Cox, and J. G. Schleher, Theory of Constraints Handbook. New York, NY: McGraw-Hill, 2010.
E. M. Goldratt, "My saga to improve production", Selected Readings Constraints Management. Falls Church, VA: APICS, 1996, pp. 43-48.
E. M. Goldratt, Production: The TOC Way. MA: North River Press, 2003.
S. N. Sivanandam, S. Sumathi, and S. N. Deepa, Introduction to Neural Networks using Matlab 6.0. New Delhi: The McGraw-Hill Comp., Inc., 2006.
S. Haykin, Neural Networks and Learning Machines. Upper Saddle River, New Jersey: Pearson Education, Inc., 2009.
K.-L. Du, and K. M. S. Swamy, Neural Networks and Statistical Learning. London: Springer-Verlag, 2014.
E. Fedorov, O. Nechyporenko, and T. Utkina, "Forecast method for natural language constructions based on a modified gated recursive block", CEUR Workshop Proceedings, vol. 2604, pp. 199-214, 2020.
Z. Zhang, Z. Tang, and C. Vairappan, "A novel learning method for Elman neural network using local search", Neural Information Processing – Letters and Reviews, vol. 11, no. 8, pp. 181-188, 2007.
R. Dey, and F. M. Salem, "Gate-variants of gated recurrent unit (GRU) neural networks", Circuits, Systems, and Neural Networks (CSANN) LAB, Department of Electrical and Computer Engineering Michigan State University, East Lansing, USA, Tech. Report. MI 48824-1226, arXiv: 1701.05923, 2017.
K. Cho, B. van Merrienboer, C. Gulcehre, F. Bougares, H. Schwenk, and Y. Bengio, "Learning phrase representations using RNN encoder-decoder for statistical machine translation", in Proc. Conf. on Empirical Methods in Natural Language Processing (EMNLP), 2014, pp. 1724-1734.
H. Jaeger, W. Maass, and J. C. Prıncipe, "Special issue on echo state networks and liquid state machines", Neural Networks, vol. 20, no. 3, pp. 287-289, 2007.
A. H. S. Hamdany, R. R. O. Al-Nima, and L. H. Albak, "Translating cuneiform symbols using artificial neural network", TELKOMNIKA Telecommunication, Computing, Electronics and Control, vol. 19, no. 2, pp. 438-443, 2021.
A. Rotshtein, S. Shtovba, and I. Mostav, "Fuzzy rule based innovation projects estimation", in Proc. Joint 9th IFSA World Congress and 20th NAFIPS Int. Conf., 2001, pp. 122-126.
G. P. Reddya, Y. Deepika, K. S. Prasad, and Dr. G. K. Kumar, "Fuzzy logics associated with neural networks in the real time for better world", in Proc. Int. Conf. on Advancements in Aeromechanical Materials for Manufacturing (ICAAMM), 2017, pp. 8507-8516.
V. T. Yen, Y. N. Wang, and P. V. Cuong, "Recurrent fuzzy wavelet neural networks based on robust adaptive sliding mode control for industrial robot manipulators", Neural Computing and Applications, vol. 31, no. 11, pp. 6925-6958, 2019.
H. Das, B. Naik, and H. S. Behera, "Medical disease analysis using neuro-fuzzy with feature extraction model for classification", Informatics in Medicine Unlocked, vol. 18, no. 100288, pp. 1-12, 2020.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
URN
Ліцензія
Авторське право (c) 2023 Євген Євгенович Федоров, Ольга Володимирівна Нечипоренко
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial 4.0 International License.
Автори, які публікуються в цьому збірнику, погоджуються з наступними умовами:
Автори залишають за собою право на авторство своєї роботи та передають збірнику право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License CC BY-NC, яка дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи в цьому збірнику.
Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи в тому вигляді, в якому її опубліковано цим збірником (наприклад, розміщувати роботу в електронному сховищі установи або публікувати в складі монографії), за умови збереження посилання на першу публікацію роботи в цьому збірнику.
Політика збірника наукових праць дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
