Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightBulgular, XGBoost algoritmasının daha tutarlı tahmin performansı sunduğunu ve vekil model yaklaşımının simülasyonun hesaplama maliyetini önemli ölçüde azalttığını göstermektedir.
📌 3 Maddede Bu Makale
Özet
Artan sipariş çeşitliliği ve hızlı teslimat beklentileri, depo tasarım kararlarının tedarik zinciri performansı üzerindeki etkisini daha kritik hale getirmiştir. Bu çalışmada depo tasarım parametrelerinin sipariş toplama performansı üzerindeki etkisi, ayrık olay simülasyonu ve makine öğrenmesi tabanlı vekil model yaklaşımı ile incelenmiştir. Çalışma kapsamında paralel koridorlu depo yapısını temsil eden ayrık olay simülasyonu modeli Python programlama dili kullanılarak SimPy kütüphanesi ile modellenmiştir. Veri işleme ve analiz süreçlerinde NumPy ve Pandas kütüphanelerinden yararlanılmış, makine öğrenmesi modellerinin oluşturulmasında scikit-learn ve XGBoost altyapısı kullanılmıştır. Tüm modelleme ve deneysel çalışmalar tekrarlanabilirliği sağlamak amacıyla Google Colaboratory ortamında gerçekleştirilmiştir. Simülasyon modeli aracılığıyla oluşturulan 300 gözlemden elde edilen veri seti kullanılarak Random Forest ve XGBoost algoritmaları ile vekil modeller eğitilmiş ve tasarım uzayının hızlı analizine olanak sağlamak amacıyla 10.000 sentetik veri üretilmiştir. Model performansları ortalama mutlak hata ve belirleme katsayısı (R²) metrikleri ile değerlendirilmiştir. Bulgular, XGBoost algoritmasının daha tutarlı tahmin performansı sunduğunu ve vekil model yaklaşımının simülasyonun hesaplama maliyetini önemli ölçüde azalttığını göstermektedir. Sonuçlar, depo tasarımında fiziksel yerleşim kararları ile iş gücü kapasitesi ve talep yoğunluğu arasındaki dengenin tedarik zinciri performansı açısından belirleyici olduğunu ortaya koymaktadır.
Abstract
Increasing order variety and expectations for fast delivery have made the impact of warehouse design decisions on supply chain performance even more critical. This study examines the effect of warehouse design parameters on order picking performance using discrete event simulation and a machine learning-based surrogate model approach. Within the scope of the study, a discrete event simulation model representing a parallel aisle warehouse structure was modeled using the SimPy library in the Python programming language. The NumPy and Pandas libraries were used in data processing and analysis, while the scikit-learn and XGBoost frameworks were used to build machine learning models. All modeling and experimental work was performed in the Google Colaboratory environment to ensure repeatability. Surrogate models were trained using Random Forest and XGBoost algorithms watt a dataset obtained from 300 observations generated through the simulation model, and 10,000 synthetic data sets were generated to enable rapid analysis of the design space. Model performances were evaluated using the mean absolute error and coefficient of determination (R²) metrics. The findings show that the XGBoost algorithm offers more consistent prediction performance and that the proxy model approach significantly reduces the computational cost of the simulation. The results indicate that in warehouse design, the balance between physical layout decisions and labor capacity and demand intensity affects supply chain performance.