A logistics-driven approach to ensuring the competitiveness of Ukrainian business tourism

Abstract

In the article, within the framework of intellectualization of the Lean Production technology, it is proposed to optimize the costs arising from the insufficient efficiency of placing goods in the warehouse by creating an optimization method based on the immune metaheuristics of the T-cell model, which allows solving the knapsack constrained optimization problem. The proposed metaheuristic method does not require specifying the probability of mutation, the number of mutations, the number of selected new cells and allows using only binary potential solutions, which makes discrete optimization possible and reduces computational complexity by preventing permanent transformations of real potential solutions into intermediate binary ones and vice versa. An immune metaheuristic algorithm based on the T-cell model has been created, intended for implementation on the GPU using the CUDA parallel information processing technology. The proposed optimization method based on immune metaheuristics can be used to intellectualize the Lean Production technology. The prospects for further researches are to test the proposed methods on a wider set of test databases.

Keywords

lean manufacturing, immune metaheuristics, T-cell model, conditional optimization, knapsack problem

Анотація

У статті в рамках інтелектуалізації технології Lean Rroduction пропонується оптимізувати витрати, що виникають в результаті відсутності ефективності розміщення товарів на складі, шляхом створення методу оптимізації на основі імунної метаевристики моделі Т-клітин, що дозволяє вирішити проблему умовної оптимізації про рюкзак. Запропонований метаеврістичний метод не вимагає задання ймовірності мутації, кількості мутацій, кількості відібраних нових клітин і дозволяє використовувати тільки бінарні потенційні рішення, що робить можливою дискретну оптимізацію і знижує обчислювальну складність шляхом запобігання постійній трансформації фізичних потенційних рішень в проміжні бінарні і зворотні. Створено імунний алгоритм метаевристики на основі моделі T-клітин, призначений для впровадження на GPU за допомогою технології паралельної обробки інформації CUDA. Запропонований метод оптимізації на основі імунної метаевристики може бути використаний для інтелектуалізації технології Lean Rroduction. Перспективи подальших досліджень включають тестування запропонованих методів на більш широкому наборі тестових баз даних.

Ключові слова

ощадливе виробництво, імунна метаевристика, модель Т-клітин, умовна оптимізація, задача про рюкзак

Back to Table of Contents No 3 (2020)

Fedorov E. E. Doctor of Technical Science, Associate Professor, Professor of Department Robotics and Specialized Computer Systems, Cherkasy State Technological University (Ukraine)

• ORCID – 0000-0003-3841-7373
• Researcher ID – AAO-6744-2020
• Scopus author id: 47161087200, 47161155900, 57205185819

Nikolyuk P. K., Doctor of Physics and Mathematics Sciences, Professor, Professor of Department Computer Sciences and Information Technologies, Vasil` Stus Donetsk National University (Ukraine)

• ORCID – 0000-0002-0286-297X
• Researcher ID – H-3223-2017
• Scopus author id:  –

Nechyporenko O. V., PhD, Associate Professor, Associate Professor of Department Robotics and Specialized Computer Systems, Cherkasy State Technological University (Ukraine)

• ORCID – 0000-0002-3954-3796
• Researcher ID –
• Scopus author id: –

Chioma E. V., Student of Department Computer Sciences and Information Technologies, Vasil` Stus Donetsk National University (Ukraine)

• ORCID – 0000-0002-0286-297X
• Researcher ID –
• Scopus author id: –

1. Cluster Policy of Innovative Development of the National Economy: Integration and Infrastructure Aspects : monograph / under the editorship of professor Svitlana Smerichevska. Poznań: Wydawnictwo naukowe WSPIA, 2020. 380 p.
2. Talbi El-G. Metaheuristics: from design to implementation / El-G. Talbi. – Hoboken, New Jersey: Wiley & Sons, 2009. – 618 p.
3. Engelbrecht A.P. Computational Intelligence: an introduction / A.P. Engelbrecht. – Chichester, West Sussex: Wiley & Sons, 2007. – 630 p.
4. Yang X.-S. Nature-inspired Algorithms and Applied Optimization / X.-S. Yang. – Charm: Springer, 2018. – 330 pp.
5. Blum C. Hybrid Metaheuristics. Powerful Tools for Optimization / C. Blum, G. R. Raidl. – Charm: Springer, 2016. – 157 p.
6. Glover F. Handbook of Metaheuristics / F. Glover, G.A. Kochenberger. – Dordrecht: Kluwer Academic Publishers, 2003. – 570 p.
7. Yang X.-S. Optimization Techniques and Applications with Examples / X.-S. Yang. – Hoboken, New Jersey: Wiley & Sons, 2018. – 364 p.
8. Martí R., Handbook of Heuristics / R. Martí, P.M. Pardalos, M.G.C. Resende. – Charm: Springer, 2018. – 1289 p.
9. Gendreau M. Handbook of Metaheuristics / M. Gendreau, J.-Y. Potvin. – New York: Springer, 2010. – 640 p.
10. Doerner K.F. Metaheuristics. Progress in Complex Systems Optimization / K.F. Doerner, M. Gendreau, P. Greistorfer, W. Gutjahr, R.F. Hartl, M. Reimann. – New York: Springer, 2007. – 408 p.
11. Bozorg‐Haddad O. Meta-heuristic and Evolutionary Algorithms for Engineering Optimization / O. Bozorg‐Haddad, M. Solgi, H. Loaiciga. – Hoboken, New Jersey: Wiley & Sons, 2017. – 293 p.
12. Chopard B. An Introduction to Metaheuristics for Optimization / B. Chopard, M. Tomassini. – New York: Springer, 2018. – 230 p.
13. Radosavljević J. Metaheuristic Optimization in Power Engineering / J. Radosavljević. – New York: The Institution of Engineering and Technology, 2018. – 536 p.
14. Grygor O. Optimization method based on the synthesis of clonal selection and annealing simulation algorithms / Grygor O., Fedorov E., Utkina T., Lukashenko A., Rudakov K., Harder D., Lukashenko V. // Radio Electronics, Computer Science, Control. – 2019. – № 2. – P. 90-99
15. Fedorov E. Method for parametric identification of Gaussian mixture model based on clonal selection algorithm / Fedorov E., Lukashenko V.., Utkina T., Lukashenko A., Rudakov K. // CEUR Workshop Proceedings – 2019. – Vol. 2353. – P. 41-55
16. Alba E., Nakib A., Siarry P. Metaheuristics for Dynamic Optimization. – Berlin: Springer-Verlag, 2013. – 398 p.
17. Du K.-L. Search and Optimization by Metaheuristics. Techniques and Algorithms Inspired by Nature / K.-L. Du, M.N.S Swamy. – Charm: Springer, 2016. – 434 p.
18. Nakib A. Metaheuristics for Medicine and Biology / Nakib A., Talbi El-G. – Berlin: Springer-Verlag, 2017. – 211 p.
19. Subbotin S. Diagnostic Rule Mining Based on Artificial Immune System for a Case of Uneven Distribution of Classes in Sample / S. Subbotin, A. Oliinyk, V. Levashenko, E. Zaitseva // Communications. – Vol.3. – 2016. – P.3-11.
20. Brownlee J. Clever Algorithms: Nature-Inspired Programming Recipes / J. Brownlee. – Melbourne: Brownlee, 2011. – 436 p.