1 |
1
원자재를 이용한 완제품이 소비자에 이르기까지 상기 완제품의 생산 및 유통에 기여하는 적어도 하나 이상의 상태(S) 또는 행동(A)이 가상의 체인-(Chain) 구조를 형성하고, 상태(S)에 따른 상기 원자재 또는 상기 원자재를 이용한 반재품 또는 상기 완제품의 재고량 또는 출하량 정보를 포함하는 현장보상값(R)를 생성하는 공급망을 최적화 하는 제조업 공급망 최적화 설계 시스템에 있어서,상기 상태(S) 또는 상기 행동(A) 간의 전이확률(P, Transition Probability)이 인 관계식을 만족하도록 상기 가상의 체인 구조를 구성하고 하기 수학식을 만족하는 상태가치함수()와 하기 수학식을 만족하는 행동가치함수() 및 하기 수학식을 만족하는 정책(policy, )을 포함하는 MDP(Markov Decision Process) Factor 생성하는 공급망구성부와, 상기 현장보상값를 입력받는 현장보상값수집부 및, 현재시점에서 상기 현장보상값수집부를 통하여 입력 받은 상기 현장보상값과 상기 MDP Factor를 기반으로 특정한 미래시점에서 모든 상태(S)의 상기 상태가치함수의 총합이 특정한 미래목표값에 수렴하도록 정책예측값과 미래가중치예측값와 MDP Factor예측값 및 현장보상값예측값를 포함하는 공급망예측제어정보를 산출하는 공급망학습부를 포함하는 공급망설계단; 및상기 공급망예측제어정보를 기반으로 상기 공급망을 제어하는 공급망제어단;을 포함하는 것을 특징으로 하는 마르코프 결정 프로세스와 기계학습 알고리즘을 이용한 제조업 기반의 공급 체인 최적화 설계 시스템:[수학식],,,상기 [수학식]에서 는 미래가중치(discount factor)이고,R는 현장보상값 이다
|
2 |
2
제1항에 있어서,상기 공급망설계단은 상기 현장보상값과 상기 MDP Factor과 상기 미래목표값 및 상기 공급망예측제어정보를 시계열적으로 저장하는 설계단저장부를 더 포함하는 것을 특징으로 하는 마르코프 결정 프로세스와 기계학습 알고리즘을 이용한 제조업 기반의 공급 체인 최적화 설계 시스템
|
3 |
3
제2항에 있어서, 상기 공급망설계단은 상기 설계단저장부에 시계열적으로 저장된 상기 현장보상값과 상기 현장보상값예측값을 비교하여 상기 MDP Factor과 상기 미래목표값 및 상기 공급망예측제어정보의 예측정확도를 산출하는 설계단평가부를 더 포함하는 것을 특징으로 하는 마르코프 결정 프로세스와 기계학습 알고리즘을 이용한 제조업 기반의 공급 체인 최적화 설계 시스템
|
4 |
4
제3항에 있어서,상기 설계단저장부는, 상기 현장보상값과 상기 MDP Factor과 상기 미래목표값와 상기 공급망예측제어정보 및 상기 예측정확도 중에 적어도 하나 이상을 표시하는 설계단저장부표시유닛을 더 포함하는 것을 특징으로 하는 마르코프 결정 프로세스와 기계학습 알고리즘을 이용한 제조업 기반의 공급 체인 최적화 설계 시스템
|
5 |
5
제1항에 있어서, 상기 공급망설계단는 관리자로부터 정보를 입력받는 설계단입력부;을 더 구비하여,상기 미래목표값과 상기 현장보상값과 상기 MDP Factor의 초기값(initial value)를 입력 받는 것을 특징으로 하는 마르코프 결정 프로세스와 기계학습 알고리즘을 이용한 제조업 기반의 공급 체인 최적화 설계 시스템
|
6 |
6
제5항에 있어서,상기 공급망학습부는 마르코프 결정 프로세스(Markov Decision Process) 또는 벨만 방정식(Bellman Equation)을 기반으로 정책예측값과 미래가중치예측값와 MDP Factor예측값 및 현장보상값예측값를 포함하는 공급망예측제어정보를 산출하는 학습부계산유닛과, 상기 정책예측값과 미래가중치예측값와 MDP Factor예측값 및 현장보상값예측값를 포함하는 공급망예측제어정보를 상기 관리자에게 표시하는 학습부표시유닛을 더 포함하는 것을 특징으로 하는 마르코프 결정 프로세스와 기계학습 알고리즘을 이용한 제조업 기반의 공급 체인 최적화 설계 시스템
|
7 |
7
제1항에 있어서, 상기 공급망구성부는 관리자로부터 상기 체인 구조를 입력받는 구성부입력유닛을 더 포함하는 것을 특징으로 하는 마르코프 결정 프로세스와 기계학습 알고리즘을 이용한 제조업 기반의 공급 체인 최적화 설계 시스템
|
8 |
8
제7항에 있어서,상기 공급망구성부는 공급자재고관리(VMI, Vendor Managed Inventory)와 즉시대응체제(QR, Quick Response)와 협력적 예약보충시스템(CPFR, Collaborative Planning, Forecasting and Replenishment)와 연속상품보충(CRP, Continuous Replenishment Program) 및 효율적소비자반응시스템(ECR, Efficient Consumer Response)을 포함하는 제조업기본SCM체인구조를 저장하는 제조업기본SCM저장부를 더 구비하여, 상기 관리자가 제조업기본SCM체인구조중 적어도 하나를 선택할 수 있는 것을 특징으로 하는 마르코프 결정 프로세스와 기계학습 알고리즘을 이용한 제조업 기반의 공급 체인 최적화 설계 시스템
|
9 |
9
원자재를 이용한 완제품이 소비자에 이르기까지 상기 완제품의 생산 및 유통에 기여하는 적어도 하나 이상의 상태(S) 또는 행동(A)이 가상의 체인(Chain) 구조를 형성하고, 상태(S)에 따른 상기 원자재 또는 상기 원자재를 이용한 반재품 또는 상기 완제품의 재고량 또는 출하량 정보를 포함하는 현장보상값을 생성하는 공급망을 최적화 하는 제조업 공급망 최적화 설계 방법에 있어서, 공급망구성부가, 상기 상태(S) 또는 행동(A)간의 전이확률(P, Transition Probability)이 인 관계식을 만족하도록 상기 체인 구조를 구성하는 단계(S01);공급망구성부가, 하기의 수학식을 만족하는 상태가치함수()와 하기의 수학식을 만족하는 행동가치함수() 및 하기의 수학식을 만족하는 정책(policy, )을 포함하는 MDP(Markov Decision Process) Factor 생성하는 단계(S02);공급망학습부가, 현재시점에서 입력 받은 상기 현장보상값과 상기 MDP Factor를 기반으로 특정한 미래시점에서 모든 상태(S)의 상기 상태가치함수의 총합이 특정한 미래목표값에 수렴하도록 정책예측값과 미래가중치예측값와 MDP Factor예측값 및 현장보상값예측값를 포함하는 공급망예측제어정보를 산출하는 단계(S03); 및공급망제어단은, 상기 공급망예측제어정보를 기반으로 공급망제어부가 상기 공급망을 제어하는 단계(S04);를 포함하는 것을 특징으로 하는 마르코프 결정 프로세스와 기계학습 알고리즘을 이용한 제조업 기반의 공급 체인 최적화 설계 방법:[수학식],,,상기 [수학식]에서 는 미래가중치(discount factor)이고,R는 현장보상값 이다
|
10 |
10
제9항에 있어서,상기 S03단계와 상기 S04단계 사이에, 상기 현장보상값과 상기 MDP Factor과 상기 미래목표값 및 상기 공급망예측제어정보가 설계단저장부에 시계열적으로 저장되는 단계(S05);를 더 포함하는 것을 특징으로 하는 마르코프 결정 프로세스와 기계학습 알고리즘을 이용한 제조업 기반의 공급 체인 최적화 설계 방법
|
11 |
11
제10항에 있어서,상기 S04단계 이후에,설계단평가부는, 상기 설계단저장부에 시계열적으로 저장된 상기 현장보상값 상기 현장보상값예측값을 비교하여 상기 MDP Factor과 상기 미래목표값 및 상기 공급망예측제어정보의 예측정확도를 산출하는 단계(S06);를 더 포함하는 것을 특징으로 하는 마르코프 결정 프로세스와 기계학습 알고리즘을 이용한 제조업 기반의 공급 체인 최적화 설계 방법
|
12 |
12
제11항에 있어서,상기 S02 단계와 상기 S03단계 사이에,설계단저장부표시유닛은, 상기 현장보상값과 상기 MDP Factor과 상기 미래목표값와 상기 공급망예측제어정보 및 상기 예측정확도 중에 적어도 하나 이상을 표시하는 단계(S07);를 더 포함하는 것을 특징으로 하는 마르코프 결정 프로세스와 기계학습 알고리즘을 이용한 제조업 기반의 공급 체인 최적화 설계 방법
|
13 |
13
제9항에 있어서, 상기 S02단계와 상기 S03단계 사이에,설계부입력단을 통하여, 관리자로부터 상기 미래목표값과 상기 현장보상값과 상기 MDP Factor의 초기값(initial value)를 입력 받는 단계(S08);를 더 포함하는 것을 특징으로 하는 마르코프 결정 프로세스와 기계학습 알고리즘을 이용한 제조업 기반의 공급 체인 최적화 설계 방법
|
14 |
14
제13항에 있어서,상기 S03단계는,마르코프 결정 프로세스(Markov Decision Process) 또는 벨만 방정식(Bellman Equation)을 이용하여 정책예측값과 미래가중치예측값와 MDP Factor예측값 및 현장보상값예측값를 포함하는 공급망예측제어정보를 산출하는 것을 특징으로 하는 마르코프 결정 프로세스와 기계학습 알고리즘을 이용한 제조업 기반의 공급 체인 최적화 설계 방법
|
15 |
15
제9항에 있어서,상기 S01단계는 관리자로부터 상기 체인 구조를 입력받는 단계(S10);를 더 포함하는 것을 특징으로 하는 마르코프 결정 프로세스와 기계학습 알고리즘을 이용한 제조업 기반의 공급 체인 최적화 설계 방법
|