.png){kind=icon}
返回
An Explainable Artificial Intelligence Algorithm for Optimal Decision Making from a Business Analytics Perspective
.png){kind=icon}
PRE
AI
DOI：10.3390/math14030526.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
前馈神经网络（FFNN）能够有效识别影响生产系统性能的关键因素，从而支持更优决策和成本降低。本研究利用FFNN比较两种库存策略的成本绩效：固定时间批量法和固定规模批量法。所提出的算法包含三个人工神经元，分别代表三种可能结果：固定规模批量表现更优、固定时间批量表现更优以及成本无显著差异。训练网络的参数用于评估输入对预测这些结果的重要性。此外，采用可解释人工智能算法Shapley加性解释（SHAP）来解释FFNN的输出结果。研究中还包含两种库存条件：缺货销售和延期交货。分析表明，缺货销售策略的关键驱动因素是模块化可用性和需求波动程度。在延期交货策略下，需求波动、库存持有成本和独立可用性具有最强影响。结果表明，当需求灵活性较低而模块化可用性较高时，固定规模批量支持准时制方法；然而，当需求更加波动且模块化可用性下降时，结果显示固定时间批量提供更具成本效益的替代方案。这些发现为生产控制决策提供了实践指导，特别是在汽车冲压等大批量离散制造场景中。
Keyword:
neural networks
machine learning
production system analysis
batch production systems
cost optimization
期刊
IF:
2.2
论文数:
3.1K
被引数:
3.6W
机构
引用论文
Failure mode and effects analysis of RC members based on machine-learning-based SHapley Additive exPlanations (SHAP) approach基于机器学习的SHapley加法解释 (SHAP) 方法的RC构件失效模式和影响分析
PREAI
分享收藏分享收藏A Deep Reinforcement Learning-Based Dynamic Replenishment Approach for Multi-Echelon Inventory Considering Cost Optimization基于深度强化学习的考虑成本优化的多级库存动态补货方法.png)
ELECTRONICS
OAAI
ELECTRONICSIF2.6
OAAI分享收藏
查看更多内容