طراحی شبکه زنجیره تأمین خون با در نظر گرفتن عدم قطعیت تقاضا و موجودی بانک خون به وسیله روش های تحلیل داده[پايان نامه فارسي]

یاسمن سعادت طلب

این پژوهش طراحی شبکه زنجیره تأمین خون به وسیله روش های علم داده است که روش بهینه سازی تصمیم گیری برای زنجیره تأمین خون را بهبود بخشیده است. مسئله تخصیص موجودی با توجه به ماهیت تصادفی تقاضا و شرایط عدم قطعیت در پیش بینی تقاضا در زنجیره تأمین خون مورد مطالعه قرار می گیرد. در این پژوهش با هدف اثربخشی بهتر مدیریت زنجیره تأمین خون، از کاربردهای یادگیری ماشین بهره گرفته شده است. زنجیره تأمین مورد بررسی، شامل چهار بیمارستان و یک بانک خون مرکزی است. مدل های یادگیری ماشین برای بهینه سازی و حداقل سازی هزینه های زنجیره تأمین خون، که شامل هزینه های نگهداری موجودی، هزینه های حمل و نقل، هزینه واحدهای خون منقضی شده و هزینه های کمبود مرتبط با تصمیمات پیش بینی شده استفاده می کنیم. مدل های یادگیری ماشین به کار گرفته شده در این پژوهش از مدل یادگیری عمیق که شامل شبکه عصبی پرسپترون چند لایه (MLP) وگرادیان افزایی با عملکرد بالا (LGBM) به همراه بررسی توابع زیان است. یعنی اجزای هزینه های مدلسازی مرتبط و امکان سنجی راه حل های پیش بینی شده را در زنجیره تأمین خون اجرا کردیم که در آن میزان دقت پاسخگویی بیمارستان ها به تقاضای خون بررسی شد. نتایج این مطالعه موردی با استفاده از داده های شبیه سازی شده نشان می دهد که مدل یادگیری عمیق استفاده شده با تابع زیان میانگین قدر مطلق خطا که یکی از مدل های گرادیان افزایی با عملکرد بالا (LGBM) است، راه حل هایی مطلوب و با سرعت و دقت بالاتری نسبت به مدل های بهینه سازی تصادفی ارائه می کند. بنابراین با کمک روش های یادگیری ماشین در بهینه سازی محدود، می توان تصمیمات با کارایی و اثربخشی بهتری اتخاذ کرد همچنان که این روش ها زمان و هزینه محاسباتی کمتری را لحاظ می کنند. سازمان های مرتبط با زنجیره تأمین خون با سرعت بالاتر و دقت بیشتری در شرایط اضطراری که پیش بینی تقاضا دارای عدم قطعیت می باشد، این توانایی را دارند که تصمیمات بهینه را اتخاذ کنند. طراحی شبکه زنجیره تأمین خون با در نظر گرفتن عدم قطعیت تقاضا و موجودی بانک خون به وسیله روش های یادگیری ماشین، توانسته است کارایی این زنجیره را با سرعت و دقت بهتر انجام دهد.واژه‌های كليدی: زنجیره تأمین خون، مدیریت موجودی، موجودی فسادپذیر، پیش بینی تقاضا، یادگیری ماشین.