より使いやすい新しいSCMOPT zeroシリーズにリニューアル

SCMOPTパンフレット.pdf          ケーススタディ

サプライチェーン最適化のメリットやAI×最適化技術を使用したシステムの必要性はこちらをご覧ください．

＊＊＊＊

SCMOPTの最適化部分は弊社で販売している各種最適化ソルバー（一部ソルバーは有料オプション）をメインに専用解法なども組み合わせたアルゴリズムを使っています．ソルバーの性能（ベンチマーク結果）はソルバーページをご参考ください．

＊＊＊＊

概要

また，生産ロット最適化システムOPTLOTと組合せることで，生産ロットや在庫なども考慮した中期〜短期の生産計画作成が可能です．

スケジューラーなどその他システム（方法）との違い

ルールベースのヒューリスティックス（ディスパッチングルール）を使用したスケジューラーを用いたスケジュール作成，現状のルールをシミュレーションで再現して改善点を見つける方法，過去のデータ（パターン）をAIで学習してスケジュールを作成する方法，深層強化学習を用いた最適化，数理最適化(MIP)や制約最適化(CP)ソルバーを用いた最適化，メタヒューリスティックスを用いた最適化など現実のスケジューリング問題を解くための様々な方法が提案されています．

• 現状のルールのシミュレーションやAIで過去のパターン学習することで行うスケジュールを改善は，多くの場合，現状と同等の解を算出するだけになるため，改善の効果が薄いと考えられます．
• 市販されている多くの生産スケジューラーで採用されているディスパッチングルールは，近視眼的な改善を行うアルゴリズムであるため，出てくるスケジュールが極端に悪く，場合によっては意図しないことが起こる（改善しようとしたら悪化してしまうこと→解説ビデオ参考）こともあります．
• 深層強化学習を用いたスケジューリング最適化は，基本的にはシミュレーションベースの近似解法と考えられ，ベンチーマーク問題例での実験結果もあまり良くありません．動的な環境における最適化に強いという利点がありますが，多くの場合，他の最適化手法の結果を部分固定し，解き直す流スケジューリング手法で対応可能です．
• MIPソルバーやCPソルバーは解ける場合はこれ以上良い解はないため使うべきですが，問題規模が大きくなると（種類よっては小さい問題も）解けない，非常に時間がかかる危険性があります．制限時間内で最良解を探索する手法も考えられますが，その場合には，実行可能解が得られない可能性があります．
• メタヒューリスティックスは，大規模問題も比較的短時間で，良い解を求めることができる点から，現状，スケジューリング問題を解くのに一番実用的な方法であると考えられています．OPTSEQはメタヒューリスティックスアルゴリズムソルバーを使っています．

考慮可能制約

機械や人などの再生可能資源，お金や資材など消費すると再生不可能資源，段取り，作業の途中中断，作業中断中の資源の占有や非占有，並列作業，作業モードの選択，作業間の任意の時間制約などを考慮しながら，納期遅れ最小化スケジューリングや前詰め・後ろ詰め混合スケジューリングが解けるスケジューリング最適化システムです．　

• 現状の再現ではなく，膨大な組み合わせの中からより良い実行可能なスケジュールを探し出します．

• 近視眼的な改善ではなく，全体の目的と制約を考慮し，バランスのとれた最適な答えを自動で計算します．

メリット

• 需要変動に応じて最適な生産スケジュールを迅速に作成することができます．
• 機械の稼働率を上げることが可能です．
• 過剰な作り置き在庫を減らすことができます．
• 納期遅れ減少により顧客満足度向上に繋がります．

デモ，無料相談

サプライチェーン最適化，数理最適化やAI需要予測などに関する様々なご相談を無料受付中です．お気軽にご相談ください．

*説明には，一部オプション機能やカスタマイズ必要な機能も含まれています．詳細はお問い合わせください．

*ユーザ側で行うモデリングは，プログラミング知識は不要ですが，一定のAIや数理最適化に関する知識が必要であるため，初心者のシステムの単独利用はおすすめしておりません．是非，まず，無料相談でご相談ください．