Исследователи предложили constraint-aware генеративную модель для синтеза матриц коррес...
Исследователи предложили constraint-aware генеративную модель для синтеза матриц корреспонденций «источник–назначение» в иерархических логистических сетях. В отличие от подходов,… На реальной промышленной сети исполнения заказов и перевозок заявлено улучшение на 16% относительно базовых графовых нейросетей, операционная выполнимость — 87%, а также эффективная адаптация при холодном старте. Это означает, что при перестройке маршрутов, открытии нового хаба или резком изменении спроса можно быстрее получать правдоподобные сценарии потоков без накопления исторических наблюдений. Для российского производства практический интерес — в планировании мощностей, оценке реконфигурации складов и маршрутов, а также в оптимизации загрузки транспорта. Однако переносимость зависит от доступности собственных исторических данных, качества описания ограничений и возможности интеграции с существующими TMS/WMS. Пока неизвестно, насколько модель устойчива к неполным данным и насколько сложна её настройка под конкретную сеть. Источники: arXiv — Systems and Control (eess.SY)