Utilisation of the artificial neural network in the strategy for the allocation of storage space

• Autorzy: Janke Piotr , Jończyk Paweł

Identyfikatory

DOI

10.29119/1641-3466.2020.145.15

• Języki publikacji: EN

Abstrakty

EN

Purpose: The main goal of the article is to develop a method that automatically allocates the warehouse zones of the product range of the studied enterprise for the selected machine learning algorithm. Design/methodology/approach: The problem of the studied issue is presented in the context of a specific company. The research used the double ABC method for the initial classification of zones. Input data were prepared according to the developed methodology. Selected machine learning algorithms were tested for the same data. Findings: Machine learning methods can be used to classify storage zones in that specific warehouse. Especially Boosted Trees and Neural Networks gives small errors at training stage witch our methodology. There may be differences in errors at the stage of learning the algorithm and the stage of implementing it with completely new data. Originality/value: Machine learning is a new solution that is increasingly used in various areas of logistics. The article draws attention to some problems in implementing this solution for enterprises.

Słowa kluczowe

EN

logistics; machine learning; artificial intelligence; neural networks

PL

logistyka; uczenie maszynowe; sztuczna inteligencja; sieci neuronowe

• Wydawca: Wydawnictwo Politechniki Śląskiej
• Czasopismo: Zeszyty Naukowe. Organizacja i Zarządzanie / Politechnika Śląska
• Rocznik: 2020
• Tom: z. 145
• Strony: 197--209
• Opis fizyczny: Bibliogr. 14 poz.

Twórcy

autor

Janke Piotr

• Silesian University of Technology, Faculty of Organization and Management

autor

Jończyk Paweł

Bibliografia

• 1. Breiman, L. (2001). Random Forests, Machine Learning, 45, 5-32.
• 2. Breiman, L. et al. (1984). Classification and Regression Trees. Belmont, CA: Wadsworth International Group.
• 3. Bril, J., Łukasik, Z. (2013). Metody zarządzania zapasami. Autobusy Technika, Eksploatacja, Systemy Transportowe, 3, 64-65.
• 4. Cichosz, P. (2000). Systemy uczące się. Warszawa, WNT.
• 5. Duch, W., Korbicz, J., Rutkowski, L., Tadeusiewicz, R. (2000). Biocybernetyka i inżynieria biomedyczna 2000 – Sieci neuronowe. Tom 6.
• 6. Krzyżaniak, S., Niemczyk, A. (2013). Organizacja i monitorowanie procesów magazynowych. Poznań: Instytut Logistyki i Magazynowania.
• 7. Li, M.L. (2009). Goods classification based on distribution center environmental Factors. International Journal of Production Economics, 2/119.
• 8. Lorenc, A. (2013). Koncepcja wykorzystania sieci neuronowych do klasyfikacji produktów i ich rozmieszczenia w magazynie. In: J. Feliks, M. Karkul (eds.). Wybrane zagadnienia logistyki. Tom II. Kraków: Wydawnictwa AGH.
• 9. Lorenc, A.K. (2013). Metody klasyfikacji i rozmieszczenia produktów w magazynie – przegląd praktycznych rozwiązań. Logistyka, 3, 3832-4.
• 10. Migut, G. (2010). Skoring w banku – modele statystyczne czy data mining? Miesięcznik Finansowy Bank, 9.
• 11. Morzy, M. (2013). Eksploracja danych – przegląd dostępnych metod i dziedzin zastosowań. Poznań: Instytut Informatyki Politechniki Poznańskiej.
• 12. Płoński, P., Zaremba, K. (2014). Visualizing Random Forest with Self-Organising Map. Lecture Notes in Computer Science, 8468, 63-71.
• 13. Słowiński, B. (2009). Inżynieria zarządzania procesami logistycznymi. Koszalin: Wydawnictwo Uczelniane Politechniki Koszalińskiej.
• 14. Tadeusiewicz, R. (1993). Sieci neuronowe. Warszawa, Akademicka Oficyna Wydawnicza.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2020).