Contrôle par Réseaux de Neurones de l'Inventaire Périssable avec des Produits à Durée de Conservation Fixe et Raffinement Flou des Commandes sous Demande Incertaine Variant dans le Temps

De nombreux algorithmes de contrôle ont été appliqués pour gérer le flux de produits dans les chaînes d'approvisionnement. Cependant, à l'ère de la mondialisation florissante, même une petite perturbation peut être fatale pour certaines entreprises. D'autre part, l'impact environnemental croissant d'une industrie rapide impose des limitations sur l'utilisation de l'énergie et la génération de déchets. Par conséquent, en tenant compte des perspectives mentionnées, il est nécessaire d'explorer les directions de recherche concernant la périssabilité des produits ainsi que différents modèles de demande et leur caractère incertain. Cette étude vise à proposer une approche de contrôle robuste qui combine réseaux de neurones et réglage optimal du contrôleur en tenant compte à la fois de différents modèles de demande et de logique floue. Tout d'abord, la prévision de la demande est générée, après quoi les paramètres du contrôleur neural sont optimisés, tenant compte des différents modèles de demande et d'incertitude. Dans le cadre de la vérification du contrôleur désigné, la sensibilité aux variations des paramètres a été déterminée en utilisant la méthode OAT. Il s'avère que l'approche proposée peut offrir des réductions significatives des déchets par rapport à la méthode POUT bien connue tout en maintenant des niveaux de stock bas, un taux de remplissage élevé et une sensibilité inférieure aux variations des paramètres dans la plupart des cas considérés. L'efficacité de cette approche est vérifiée en utilisant un ensemble de données d'un détaillant mondial. Les résultats de simulation montrent que l'approche proposée peut améliorer efficacement le contrôle des inventaires périssables incertains.