مکانیزم تعیین میزان سفارشات عاملهای یادگیرنده زنجیره تامین در محیط نامعین

رقابت مفهومی کاملا شناخته شده در دنیای پیچیده امروز ی است؛ کاهش قیمت تمام شده، افزا یش سطح خدمت رسانی به مشتر یان، برآوردن سر یع نیازهای مشتر یان، افزایش کیفیت محصول و خدمات ارا یه شده به مشتر یان از جمله موارد ی است که به منظور باقی ماندن در صحنه رقابت، برا ی هر محصول و هر خدمت ارا یه شده الزامی است . ضروری است کلیه عناصر و اجزا ی درگیر در چرخه تولید محصول یا خدمت یا به عبارت بهتر اجزای زنجیره تامین محصول به شیوه ای موثر با یکدیگر در ارتباط بوده و مکانیز مهای مناسبی را به منظور کاهش هزینه ها و افزا یش کیفیت محصول خود بکار برند . یکی از ا ین مکانیزم ها که از اهمیت بالایی برخوردار است، سیستم سفار شدهی در طول زنجیره تامین است ، چراکه ا ین س یستم علاوه بر تاثیرگذاری مستقیم بر هزینه های موجودی زنجیره تامین، بر روابط با مشتر یان زنجیره و ارا یه خدمات به موقع به مشتر یان نیز اثرگذار است . در ا ین مقاله یک مکانیزم یادگیرنده بر پایه مدل یادگیری تشدیدی به منظور تعیین میزان سفارشات اجزا ی زنجیره تامین در شرایط نامعین محیطی - همانگونه که در واقع نیز چنین است - به نحوی که علاوه بر کاهش هزینه های موجودی، اثر شلاقی را نیز به حداقل برساند ارا یه شده است . مدل سازی زنجیره تامین بر پایه عاملهای هوشمند انجام شده و یک الگوریتم سفارشدهی بر پایه یادگیری تشدیدی که قابلیت یادگیری از تجربیات گذشته و اصلاح عملکرد خود را دا را میباشد، پیشنهاد شده و اجزا ی آن تشر یح گردیده است. مدل ارا یه شده این امکان را ایجاد خواهد نمود تا یک سیاست سفارش دهی در طول زن جیره تامین که هدف آن بهینه کردن هزینه کل زنجیره تامین است، تعیین شود.