حمل اثاثيه منزل حمل كالا در اصفهان
25.10.1400
چالش دوم توسط رويكردهايي براي يافتن خودكار نوع مناسب اكتشافي (متا) و پارامترها، از جمله كاليبراسيون خودكار، براي يك مشكل تصميم گيري DELS داده شده است. حتي سوالاتي كه در نگاه اول ساده به نظر مي رسند، مانند پارامترهاي مناسب در يك قانون توزيع تركيبي، نيازمند ابزارهايي از يادگيري ماشين، آمار يا بهينه سازي هستند. شبكه‌هاي عصبي و درخت‌هاي تصميم‌گيري استقرايي در Mo¨nch و همكاران استفاده شده‌اند.[68] براي مقابله با اين مشكل، در حالي كه دباس و فاولر [69] از شبيه سازي و آزمايشات طراحي شده براي ايجاد يك مدل سطح پاسخ از سيستم پايه و فرآيند ويفر فاب استفاده مي كنند. سپس از تكنيك هاي بهينه سازي براي انتخاب وزنه هاي مناسب در قانون توزيع تركيبي استفاده مي شود. پيكارد و همكاران [95] از يك مدل شبيه سازي يك ويفر فاب براي ارزيابي عملكرد استفاده مي كند قوانين اعزام برنامه نويسي ژنتيكي براي يافتن قوانين ارسال جديد استفاده مي شود. با اين حال، به نظر مي‌رسد كه كاربرد گسترده شبيه‌سازي‌هاي آفلاين مورد نياز براي ارزيابي عملكرد، ايجاد يك متامدل، يا تعيين داده‌هاي آموزشي، مانع از پذيرش گسترده اين روش‌ها در كاربردهاي دنياي واقعي مي‌شود.هنوز نياز به طراحي الگوريتم هاي برنامه ريزي و كنترل سلسله مراتبي توزيع شده براي DELS وجود دارد (ر.ك. [16]). فقدان دانش در مورد نحوه پياده سازي چنين الگوريتم هايي از نقطه نظر فناوري نرم افزار وجود دارد. به نظر مي رسد كه عامل هاي نرم افزاري و سيستم هاي چند عاملي مربوطه مناسب باشند. با اين حال، براي ارزيابي نهايي اين پيشنهاد، به مثال‌ها و مطالعات موردي بيشتري نياز است.هنوز يافتن رويكردها و روش‌هاي خاص براي توصيف قابليت‌هاي رويكردهاي راه‌حل به منظور انتخاب روش‌هاي پشتيباني تصميم مناسب براي يك موقعيت معين، دشوار است. در گذشته اغلب از سيستم هاي مبتني بر دانش براي كمك به تصميم گيرنده با الگوريتم مناسب استفاده مي شد. به نظر مي رسد كه چنين پايه هاي روشي كه با استفاده از فناوري پايگاه داده توسعه يافته اند (ر.ك. [91]) تمايلي به موفقيت ندارند. با اين حال، زماني كه يك روش راه‌حل مناسب براي يك مشكل برنامه‌ريزي يا كنترلي انتخاب مي‌شود، به وضوح مطلوب است كه راهنمايي داشته باشيم.