ਡਬਲਯੂਐਮਐਸ ਸਿਸਟਮ ਨੂੰ ਲਾਗੂ ਕਰਦੇ ਸਮੇਂ ਵੱਖਰਾ ਗਣਿਤ: ਇੱਕ ਵੇਅਰਹਾਊਸ ਵਿੱਚ ਮਾਲ ਦੇ ਸਮੂਹਾਂ ਦਾ ਸਮੂਹ

ਲੇਖ ਦੱਸਦਾ ਹੈ ਕਿ ਕਿਵੇਂ ਲਾਗੂ ਕਰਨਾ ਹੈ WMS-ਸਿਸਟਮ, ਸਾਨੂੰ ਇੱਕ ਗੈਰ-ਸਟੈਂਡਰਡ ਕਲੱਸਟਰਿੰਗ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਨ ਦੀ ਜ਼ਰੂਰਤ ਦਾ ਸਾਹਮਣਾ ਕਰਨਾ ਪਿਆ ਅਤੇ ਅਸੀਂ ਇਸਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਕਿਹੜੇ ਐਲਗੋਰਿਦਮ ਦੀ ਵਰਤੋਂ ਕੀਤੀ। ਅਸੀਂ ਤੁਹਾਨੂੰ ਦੱਸਾਂਗੇ ਕਿ ਅਸੀਂ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਇੱਕ ਯੋਜਨਾਬੱਧ, ਵਿਗਿਆਨਕ ਪਹੁੰਚ ਕਿਵੇਂ ਲਾਗੂ ਕੀਤੀ, ਸਾਨੂੰ ਕਿਹੜੀਆਂ ਮੁਸ਼ਕਲਾਂ ਦਾ ਸਾਹਮਣਾ ਕਰਨਾ ਪਿਆ ਅਤੇ ਅਸੀਂ ਕਿਹੜੇ ਸਬਕ ਸਿੱਖੇ।

ਇਹ ਪ੍ਰਕਾਸ਼ਨ ਲੇਖਾਂ ਦੀ ਇੱਕ ਲੜੀ ਸ਼ੁਰੂ ਕਰਦਾ ਹੈ ਜਿਸ ਵਿੱਚ ਅਸੀਂ ਵੇਅਰਹਾਊਸ ਪ੍ਰਕਿਰਿਆਵਾਂ ਵਿੱਚ ਓਪਟੀਮਾਈਜੇਸ਼ਨ ਐਲਗੋਰਿਦਮ ਨੂੰ ਲਾਗੂ ਕਰਨ ਵਿੱਚ ਆਪਣੇ ਸਫਲ ਅਨੁਭਵ ਨੂੰ ਸਾਂਝਾ ਕਰਦੇ ਹਾਂ। ਲੇਖਾਂ ਦੀ ਲੜੀ ਦਾ ਉਦੇਸ਼ ਸਰੋਤਿਆਂ ਨੂੰ ਵੇਅਰਹਾਊਸ ਸੰਚਾਲਨ ਦੀਆਂ ਅਨੁਕੂਲਤਾ ਸਮੱਸਿਆਵਾਂ ਦੀਆਂ ਕਿਸਮਾਂ ਤੋਂ ਜਾਣੂ ਕਰਵਾਉਣਾ ਹੈ ਜੋ ਲਗਭਗ ਕਿਸੇ ਵੀ ਮੱਧਮ ਅਤੇ ਵੱਡੇ ਵੇਅਰਹਾਊਸ ਵਿੱਚ ਪੈਦਾ ਹੁੰਦੀਆਂ ਹਨ, ਨਾਲ ਹੀ ਅਜਿਹੀਆਂ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਵਿੱਚ ਸਾਡੇ ਤਜ਼ਰਬੇ ਅਤੇ ਰਸਤੇ ਵਿੱਚ ਆਈਆਂ ਮੁਸ਼ਕਲਾਂ ਬਾਰੇ ਦੱਸਣਾ ਹੈ। . ਲੇਖ ਉਹਨਾਂ ਲਈ ਲਾਭਦਾਇਕ ਹੋਣਗੇ ਜੋ ਵੇਅਰਹਾਊਸ ਲੌਜਿਸਟਿਕ ਉਦਯੋਗ ਵਿੱਚ ਕੰਮ ਕਰਦੇ ਹਨ, ਲਾਗੂ ਕਰਦੇ ਹਨ WMS-ਸਿਸਟਮ, ਅਤੇ ਨਾਲ ਹੀ ਪ੍ਰੋਗਰਾਮਰ ਜੋ ਕਾਰੋਬਾਰ ਵਿੱਚ ਗਣਿਤ ਦੀਆਂ ਐਪਲੀਕੇਸ਼ਨਾਂ ਅਤੇ ਇੱਕ ਐਂਟਰਪ੍ਰਾਈਜ਼ ਵਿੱਚ ਪ੍ਰਕਿਰਿਆਵਾਂ ਦੇ ਅਨੁਕੂਲਨ ਵਿੱਚ ਦਿਲਚਸਪੀ ਰੱਖਦੇ ਹਨ।

ਪ੍ਰਕਿਰਿਆਵਾਂ ਵਿੱਚ ਰੁਕਾਵਟ

2018 ਵਿੱਚ, ਅਸੀਂ ਲਾਗੂ ਕਰਨ ਲਈ ਇੱਕ ਪ੍ਰੋਜੈਕਟ ਪੂਰਾ ਕੀਤਾ WMS-ਚੇਲਾਇਬਿੰਸਕ ਵਿੱਚ ਕੰਪਨੀ "ਟ੍ਰੇਡਿੰਗ ਹਾਊਸ "ਐਲਡੀ" ਦੇ ਵੇਅਰਹਾਊਸ ਵਿੱਚ ਸਿਸਟਮ. ਅਸੀਂ 1 ਕਾਰਜ ਸਥਾਨਾਂ ਲਈ ਉਤਪਾਦ “3C-ਲੌਜਿਸਟਿਕਸ: ਵੇਅਰਹਾਊਸ ਮੈਨੇਜਮੈਂਟ 20” ਲਾਗੂ ਕੀਤਾ ਹੈ: ਆਪਰੇਟਰ WMS, ਸਟੋਰਕੀਪਰ, ਫੋਰਕਲਿਫਟ ਡਰਾਈਵਰ। ਔਸਤ ਵੇਅਰਹਾਊਸ ਲਗਭਗ 4 ਹਜ਼ਾਰ m2 ਹੈ, ਸੈੱਲਾਂ ਦੀ ਗਿਣਤੀ 5000 ਹੈ ਅਤੇ SKU ਦੀ ਗਿਣਤੀ 4500 ਹੈ। ਵੇਅਰਹਾਊਸ 1 ਕਿਲੋ ਤੋਂ 400 ਕਿਲੋਗ੍ਰਾਮ ਤੱਕ ਵੱਖ-ਵੱਖ ਆਕਾਰਾਂ ਦੇ ਸਾਡੇ ਆਪਣੇ ਉਤਪਾਦਨ ਦੇ ਬਾਲ ਵਾਲਵ ਸਟੋਰ ਕਰਦਾ ਹੈ। ਵੇਅਰਹਾਊਸ ਵਿੱਚ ਵਸਤੂਆਂ ਨੂੰ ਬੈਚਾਂ ਵਿੱਚ ਸਟੋਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਕਿਉਂਕਿ FIFO ਦੇ ਅਨੁਸਾਰ ਮਾਲ ਦੀ ਚੋਣ ਕਰਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।

ਵੇਅਰਹਾਊਸ ਪ੍ਰਕਿਰਿਆ ਆਟੋਮੇਸ਼ਨ ਸਕੀਮਾਂ ਨੂੰ ਡਿਜ਼ਾਈਨ ਕਰਦੇ ਸਮੇਂ, ਸਾਨੂੰ ਗੈਰ-ਅਨੁਕੂਲ ਵਸਤੂ ਸਟੋਰੇਜ ਦੀ ਮੌਜੂਦਾ ਸਮੱਸਿਆ ਦਾ ਸਾਹਮਣਾ ਕਰਨਾ ਪਿਆ। ਕ੍ਰੇਨਾਂ ਨੂੰ ਸਟੋਰ ਕਰਨ ਅਤੇ ਸਟੋਰ ਕਰਨ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਇਸ ਤਰ੍ਹਾਂ ਹਨ ਕਿ ਇੱਕ ਯੂਨਿਟ ਸਟੋਰੇਜ ਸੈੱਲ ਵਿੱਚ ਸਿਰਫ਼ ਇੱਕ ਬੈਚ ਦੀਆਂ ਚੀਜ਼ਾਂ ਸ਼ਾਮਲ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਉਤਪਾਦ ਰੋਜ਼ਾਨਾ ਵੇਅਰਹਾਊਸ 'ਤੇ ਪਹੁੰਚਦੇ ਹਨ ਅਤੇ ਹਰੇਕ ਆਮਦ ਦਾ ਇੱਕ ਵੱਖਰਾ ਬੈਚ ਹੁੰਦਾ ਹੈ। ਕੁੱਲ ਮਿਲਾ ਕੇ, ਵੇਅਰਹਾਊਸ ਦੀ ਕਾਰਵਾਈ ਦੇ 1 ਮਹੀਨੇ ਦੇ ਨਤੀਜੇ ਵਜੋਂ, 30 ਵੱਖਰੇ ਬੈਚ ਬਣਾਏ ਗਏ ਹਨ, ਇਸ ਤੱਥ ਦੇ ਬਾਵਜੂਦ ਕਿ ਹਰੇਕ ਨੂੰ ਇੱਕ ਵੱਖਰੇ ਸੈੱਲ ਵਿੱਚ ਸਟੋਰ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ. ਉਤਪਾਦਾਂ ਨੂੰ ਅਕਸਰ ਪੂਰੇ ਪੈਲੇਟਾਂ ਵਿੱਚ ਨਹੀਂ, ਸਗੋਂ ਟੁਕੜਿਆਂ ਵਿੱਚ ਚੁਣਿਆ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਨਤੀਜੇ ਵਜੋਂ, ਬਹੁਤ ਸਾਰੇ ਸੈੱਲਾਂ ਵਿੱਚ ਟੁਕੜੇ ਦੀ ਚੋਣ ਕਰਨ ਵਾਲੇ ਜ਼ੋਨ ਵਿੱਚ ਹੇਠ ਦਿੱਤੀ ਤਸਵੀਰ ਦੇਖੀ ਜਾਂਦੀ ਹੈ: 1 m3 ਤੋਂ ਵੱਧ ਵਾਲੀਅਮ ਵਾਲੇ ਸੈੱਲ ਵਿੱਚ ਕ੍ਰੇਨ ਦੇ ਕਈ ਟੁਕੜੇ ਹੁੰਦੇ ਹਨ ਜੋ ਸੈੱਲ ਵਾਲੀਅਮ ਦੇ 5-10% ਤੋਂ ਘੱਟ ਹੈ.

ਚਿੱਤਰ 1. ਇੱਕ ਸੈੱਲ ਵਿੱਚ ਸਾਮਾਨ ਦੇ ਕਈ ਟੁਕੜਿਆਂ ਦੀ ਫੋਟੋ

ਇਹ ਸਪੱਸ਼ਟ ਹੈ ਕਿ ਸਟੋਰੇਜ ਸਮਰੱਥਾ ਦੀ ਅਨੁਕੂਲ ਵਰਤੋਂ ਨਹੀਂ ਕੀਤੀ ਜਾ ਰਹੀ ਹੈ। ਤਬਾਹੀ ਦੇ ਪੈਮਾਨੇ ਦੀ ਕਲਪਨਾ ਕਰਨ ਲਈ, ਮੈਂ ਅੰਕੜੇ ਦੇ ਸਕਦਾ ਹਾਂ: ਔਸਤਨ, ਵੇਅਰਹਾਊਸ ਦੇ ਸੰਚਾਲਨ ਦੇ ਵੱਖ-ਵੱਖ ਅਵਧੀ ਦੇ ਦੌਰਾਨ "ਘੱਟੋ-ਘੱਟ" ਸੰਤੁਲਨ ਦੇ ਨਾਲ 1 m3 ਤੋਂ ਵੱਧ ਦੀ ਮਾਤਰਾ ਵਾਲੇ ਅਜਿਹੇ ਸੈੱਲਾਂ ਦੇ 100 ਤੋਂ 300 ਸੈੱਲ ਹੁੰਦੇ ਹਨ। ਕਿਉਂਕਿ ਵੇਅਰਹਾਊਸ ਮੁਕਾਬਲਤਨ ਛੋਟਾ ਹੈ, ਵੇਅਰਹਾਊਸ ਵਿਅਸਤ ਸੀਜ਼ਨਾਂ ਦੌਰਾਨ ਇਹ ਕਾਰਕ "ਅੜਚਨ" ਬਣ ਜਾਂਦਾ ਹੈ ਅਤੇ ਵੇਅਰਹਾਊਸ ਪ੍ਰਕਿਰਿਆਵਾਂ ਨੂੰ ਬਹੁਤ ਹੌਲੀ ਕਰ ਦਿੰਦਾ ਹੈ।

ਸਮੱਸਿਆ ਦਾ ਹੱਲ ਵਿਚਾਰ

ਇੱਕ ਵਿਚਾਰ ਪੈਦਾ ਹੋਇਆ: ਸਭ ਤੋਂ ਨੇੜਲੀਆਂ ਤਾਰੀਖਾਂ ਵਾਲੇ ਬਚੇ ਹੋਏ ਬੈਚਾਂ ਨੂੰ ਇੱਕ ਸਿੰਗਲ ਬੈਚ ਵਿੱਚ ਘਟਾ ਦਿੱਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ, ਅਤੇ ਇੱਕ ਏਕੀਕ੍ਰਿਤ ਬੈਚ ਵਾਲੇ ਅਜਿਹੇ ਬਚੇ ਹੋਏ ਹਿੱਸੇ ਨੂੰ ਇੱਕ ਸੈੱਲ ਵਿੱਚ ਸੰਕੁਚਿਤ ਰੂਪ ਵਿੱਚ ਇਕੱਠਾ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ, ਜਾਂ ਕਈਆਂ ਵਿੱਚ, ਜੇ ਇੱਕ ਵਿੱਚ ਅਨੁਕੂਲਿਤ ਕਰਨ ਲਈ ਲੋੜੀਂਦੀ ਜਗ੍ਹਾ ਨਹੀਂ ਹੈ। ਬਚੀ ਹੋਈ ਸਾਰੀ ਰਕਮ।

ਚਿੱਤਰ.2. ਸੈੱਲਾਂ ਵਿੱਚ ਰਹਿੰਦ-ਖੂੰਹਦ ਨੂੰ ਸੰਕੁਚਿਤ ਕਰਨ ਲਈ ਯੋਜਨਾ

ਇਹ ਤੁਹਾਨੂੰ ਕਬਜੇ ਵਾਲੇ ਵੇਅਰਹਾਊਸ ਸਪੇਸ ਨੂੰ ਮਹੱਤਵਪੂਰਨ ਤੌਰ 'ਤੇ ਘਟਾਉਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ ਜੋ ਕਿ ਰੱਖੇ ਜਾ ਰਹੇ ਨਵੇਂ ਮਾਲ ਲਈ ਵਰਤਿਆ ਜਾਵੇਗਾ। ਅਜਿਹੀ ਸਥਿਤੀ ਵਿੱਚ ਜਿੱਥੇ ਵੇਅਰਹਾਊਸ ਦੀ ਸਮਰੱਥਾ ਓਵਰਲੋਡ ਹੁੰਦੀ ਹੈ, ਅਜਿਹਾ ਉਪਾਅ ਬਹੁਤ ਜ਼ਰੂਰੀ ਹੈ, ਨਹੀਂ ਤਾਂ ਨਵੇਂ ਮਾਲ ਨੂੰ ਅਨੁਕੂਲਿਤ ਕਰਨ ਲਈ ਕਾਫ਼ੀ ਖਾਲੀ ਥਾਂ ਨਹੀਂ ਹੋ ਸਕਦੀ, ਜਿਸ ਨਾਲ ਵੇਅਰਹਾਊਸ ਪਲੇਸਮੈਂਟ ਅਤੇ ਮੁੜ ਭਰਨ ਦੀਆਂ ਪ੍ਰਕਿਰਿਆਵਾਂ ਵਿੱਚ ਰੁਕਾਵਟ ਆਵੇਗੀ। ਲਾਗੂ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ WMS-ਸਿਸਟਮ ਨੇ ਇਹ ਕਾਰਵਾਈ ਹੱਥੀਂ ਕੀਤੀ, ਜੋ ਕਿ ਬੇਅਸਰ ਸੀ, ਕਿਉਂਕਿ ਸੈੱਲਾਂ ਵਿੱਚ ਢੁਕਵੇਂ ਰਹਿੰਦ-ਖੂੰਹਦ ਦੀ ਖੋਜ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਾਫ਼ੀ ਲੰਬੀ ਸੀ। ਹੁਣ, ਇੱਕ WMS ਸਿਸਟਮ ਦੀ ਸ਼ੁਰੂਆਤ ਦੇ ਨਾਲ, ਅਸੀਂ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਸਵੈਚਲਿਤ ਕਰਨ, ਇਸਨੂੰ ਤੇਜ਼ ਕਰਨ ਅਤੇ ਇਸਨੂੰ ਬੁੱਧੀਮਾਨ ਬਣਾਉਣ ਦਾ ਫੈਸਲਾ ਕੀਤਾ ਹੈ।

ਅਜਿਹੀ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਨ ਦੀ ਪ੍ਰਕਿਰਿਆ ਨੂੰ 2 ਪੜਾਵਾਂ ਵਿੱਚ ਵੰਡਿਆ ਗਿਆ ਹੈ:

• ਪਹਿਲੇ ਪੜਾਅ 'ਤੇ ਅਸੀਂ ਸੰਕੁਚਨ ਲਈ ਮਿਤੀ ਦੇ ਨੇੜੇ ਬੈਚਾਂ ਦੇ ਸਮੂਹ ਲੱਭਦੇ ਹਾਂ;
• ਦੂਜੇ ਪੜਾਅ 'ਤੇ, ਬੈਚਾਂ ਦੇ ਹਰੇਕ ਸਮੂਹ ਲਈ ਅਸੀਂ ਸੈੱਲਾਂ ਵਿੱਚ ਬਾਕੀ ਬਚੀਆਂ ਚੀਜ਼ਾਂ ਦੀ ਸਭ ਤੋਂ ਸੰਖੇਪ ਪਲੇਸਮੈਂਟ ਦੀ ਗਣਨਾ ਕਰਦੇ ਹਾਂ।

ਮੌਜੂਦਾ ਲੇਖ ਵਿੱਚ ਅਸੀਂ ਐਲਗੋਰਿਦਮ ਦੇ ਪਹਿਲੇ ਪੜਾਅ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਤ ਕਰਾਂਗੇ, ਅਤੇ ਅਗਲੇ ਲੇਖ ਲਈ ਦੂਜੇ ਪੜਾਅ ਦੀ ਕਵਰੇਜ ਛੱਡਾਂਗੇ।

ਸਮੱਸਿਆ ਦੇ ਗਣਿਤਿਕ ਮਾਡਲ ਦੀ ਖੋਜ ਕਰੋ

ਇਸ ਤੋਂ ਪਹਿਲਾਂ ਕਿ ਅਸੀਂ ਕੋਡ ਲਿਖਣ ਲਈ ਬੈਠੀਏ ਅਤੇ ਆਪਣੇ ਪਹੀਏ ਨੂੰ ਮੁੜ ਖੋਜੀਏ, ਅਸੀਂ ਇਸ ਸਮੱਸਿਆ ਨੂੰ ਵਿਗਿਆਨਕ ਤੌਰ 'ਤੇ ਪਹੁੰਚਾਉਣ ਦਾ ਫੈਸਲਾ ਕੀਤਾ, ਅਰਥਾਤ: ਇਸਨੂੰ ਗਣਿਤਿਕ ਰੂਪ ਵਿੱਚ ਤਿਆਰ ਕਰੋ, ਇਸਨੂੰ ਇੱਕ ਮਸ਼ਹੂਰ ਡਿਸਕ੍ਰਿਟ ਓਪਟੀਮਾਈਜੇਸ਼ਨ ਸਮੱਸਿਆ ਤੱਕ ਘਟਾਓ ਅਤੇ ਇਸਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਪ੍ਰਭਾਵੀ ਮੌਜੂਦਾ ਐਲਗੋਰਿਦਮ ਦੀ ਵਰਤੋਂ ਕਰੋ, ਜਾਂ ਇਹਨਾਂ ਮੌਜੂਦਾ ਐਲਗੋਰਿਦਮਾਂ ਨੂੰ ਲਓ। ਇੱਕ ਅਧਾਰ ਵਜੋਂ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਹੱਲ ਕੀਤੀ ਜਾ ਰਹੀ ਵਿਹਾਰਕ ਸਮੱਸਿਆ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਵਿੱਚ ਸੋਧੋ।

ਕਿਉਂਕਿ ਇਹ ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ ਸਮੱਸਿਆ ਦੇ ਵਪਾਰਕ ਫਾਰਮੂਲੇ ਤੋਂ ਬਾਅਦ ਆਉਂਦਾ ਹੈ ਜਿਸ ਨਾਲ ਅਸੀਂ ਸੈੱਟਾਂ ਨਾਲ ਨਜਿੱਠ ਰਹੇ ਹਾਂ, ਅਸੀਂ ਸੈੱਟ ਥਿਊਰੀ ਦੇ ਰੂਪ ਵਿੱਚ ਅਜਿਹੀ ਸਮੱਸਿਆ ਨੂੰ ਤਿਆਰ ਕਰਾਂਗੇ।

ਆਓ - ਇੱਕ ਵੇਅਰਹਾਊਸ ਵਿੱਚ ਇੱਕ ਖਾਸ ਉਤਪਾਦ ਦੇ ਬਾਕੀ ਬਚੇ ਸਾਰੇ ਬੈਚਾਂ ਦਾ ਸੈੱਟ। ਚਲੋ - ਦਿਨ ਦੀ ਲਗਾਤਾਰ ਦਿੱਤੀ ਗਈ. ਚਲੋ - ਬੈਚਾਂ ਦਾ ਇੱਕ ਸਬਸੈੱਟ, ਜਿੱਥੇ ਸਬਸੈੱਟ ਵਿੱਚ ਬੈਚਾਂ ਦੇ ਸਾਰੇ ਜੋੜਿਆਂ ਲਈ ਮਿਤੀਆਂ ਵਿੱਚ ਅੰਤਰ ਇੱਕ ਸਥਿਰ ਤੋਂ ਵੱਧ ਨਹੀਂ ਹੁੰਦਾ ਹੈ . ਸਾਨੂੰ ਡਿਸਜੋਇੰਟ ਸਬਸੈੱਟਾਂ ਦੀ ਘੱਟੋ-ਘੱਟ ਗਿਣਤੀ ਲੱਭਣ ਦੀ ਲੋੜ ਹੈ , ਜਿਵੇਂ ਕਿ ਸਾਰੇ ਉਪ ਸਮੂਹ ਇਕੱਠੇ ਲਿਆ ਬਹੁਤ ਸਾਰੇ ਦੇਵੇਗਾ .

ਦੂਜੇ ਸ਼ਬਦਾਂ ਵਿੱਚ, ਸਾਨੂੰ ਸਮਾਨ ਪਾਰਟੀਆਂ ਦੇ ਸਮੂਹਾਂ ਜਾਂ ਕਲੱਸਟਰਾਂ ਨੂੰ ਲੱਭਣ ਦੀ ਲੋੜ ਹੈ, ਜਿੱਥੇ ਸਮਾਨਤਾ ਮਾਪਦੰਡ ਸਥਿਰਤਾ ਦੁਆਰਾ ਨਿਰਧਾਰਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ . ਇਹ ਕੰਮ ਸਾਨੂੰ ਜਾਣੀ-ਪਛਾਣੀ ਕਲੱਸਟਰਿੰਗ ਸਮੱਸਿਆ ਦੀ ਯਾਦ ਦਿਵਾਉਂਦਾ ਹੈ। ਇਹ ਦੱਸਣਾ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿ ਵਿਚਾਰ ਅਧੀਨ ਸਮੱਸਿਆ ਕਲੱਸਟਰਿੰਗ ਸਮੱਸਿਆ ਤੋਂ ਵੱਖਰੀ ਹੈ ਕਿਉਂਕਿ ਸਾਡੀ ਸਮੱਸਿਆ ਵਿੱਚ ਕਲੱਸਟਰ ਤੱਤਾਂ ਦੀ ਸਮਾਨਤਾ ਦੇ ਮਾਪਦੰਡ ਲਈ ਇੱਕ ਸਖਤ ਪਰਿਭਾਸ਼ਿਤ ਸ਼ਰਤ ਹੈ, ਸਥਿਰਤਾ ਦੁਆਰਾ ਨਿਰਧਾਰਤ , ਪਰ ਕਲੱਸਟਰਿੰਗ ਸਮੱਸਿਆ ਵਿੱਚ ਅਜਿਹੀ ਕੋਈ ਸਥਿਤੀ ਨਹੀਂ ਹੈ। ਕਲੱਸਟਰਿੰਗ ਸਮੱਸਿਆ ਦਾ ਬਿਆਨ ਅਤੇ ਇਸ ਸਮੱਸਿਆ ਬਾਰੇ ਜਾਣਕਾਰੀ ਪ੍ਰਾਪਤ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ ਇੱਥੇ.

ਇਸ ਲਈ, ਅਸੀਂ ਸਮੱਸਿਆ ਨੂੰ ਤਿਆਰ ਕਰਨ ਅਤੇ ਸਮਾਨ ਰੂਪ ਨਾਲ ਇੱਕ ਕਲਾਸੀਕਲ ਸਮੱਸਿਆ ਦਾ ਪਤਾ ਲਗਾਉਣ ਵਿੱਚ ਕਾਮਯਾਬ ਰਹੇ। ਹੁਣ ਇਸ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਜਾਣੇ-ਪਛਾਣੇ ਐਲਗੋਰਿਥਮਾਂ 'ਤੇ ਵਿਚਾਰ ਕਰਨ ਦੀ ਜ਼ਰੂਰਤ ਹੈ, ਤਾਂ ਜੋ ਪਹੀਏ ਨੂੰ ਦੁਬਾਰਾ ਨਾ ਬਣਾਇਆ ਜਾ ਸਕੇ, ਪਰ ਸਭ ਤੋਂ ਵਧੀਆ ਅਭਿਆਸਾਂ ਨੂੰ ਅਪਣਾਉਣ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਲਾਗੂ ਕਰਨ ਲਈ. ਕਲੱਸਟਰਿੰਗ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ, ਅਸੀਂ ਸਭ ਤੋਂ ਵੱਧ ਪ੍ਰਸਿੱਧ ਐਲਗੋਰਿਦਮਾਂ 'ਤੇ ਵਿਚਾਰ ਕੀਤਾ, ਅਰਥਾਤ: - ਮਤਲਬ - ਮਤਲਬ, ਜੁੜੇ ਹੋਏ ਹਿੱਸਿਆਂ ਦੀ ਪਛਾਣ ਕਰਨ ਲਈ ਐਲਗੋਰਿਦਮ, ਘੱਟੋ-ਘੱਟ ਫੈਲਣ ਵਾਲੇ ਟ੍ਰੀ ਐਲਗੋਰਿਦਮ। ਅਜਿਹੇ ਐਲਗੋਰਿਦਮ ਦਾ ਵੇਰਵਾ ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਲੱਭਿਆ ਜਾ ਸਕਦਾ ਹੈ ਇੱਥੇ.

ਸਾਡੀ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ, ਕਲੱਸਟਰਿੰਗ ਐਲਗੋਰਿਦਮ - ਮਤਲਬ ਅਤੇ - ਮਤਲਬ ਬਿਲਕੁਲ ਲਾਗੂ ਨਹੀਂ ਹੁੰਦਾ, ਕਿਉਂਕਿ ਕਲੱਸਟਰਾਂ ਦੀ ਗਿਣਤੀ ਪਹਿਲਾਂ ਤੋਂ ਨਹੀਂ ਜਾਣੀ ਜਾਂਦੀ ਅਤੇ ਅਜਿਹੇ ਐਲਗੋਰਿਦਮ ਲਗਾਤਾਰ ਦਿਨਾਂ ਦੀ ਪਾਬੰਦੀ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਨਹੀਂ ਰੱਖਦੇ। ਅਜਿਹੇ ਐਲਗੋਰਿਦਮ ਨੂੰ ਸ਼ੁਰੂ ਵਿੱਚ ਵਿਚਾਰ ਤੋਂ ਰੱਦ ਕਰ ਦਿੱਤਾ ਗਿਆ ਸੀ।
ਸਾਡੀ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ, ਜੁੜੇ ਹੋਏ ਹਿੱਸਿਆਂ ਦੀ ਪਛਾਣ ਕਰਨ ਲਈ ਐਲਗੋਰਿਦਮ ਅਤੇ ਘੱਟੋ-ਘੱਟ ਫੈਲਣ ਵਾਲੇ ਟ੍ਰੀ ਐਲਗੋਰਿਦਮ ਵਧੇਰੇ ਢੁਕਵੇਂ ਹਨ, ਪਰ, ਜਿਵੇਂ ਕਿ ਇਹ ਸਾਹਮਣੇ ਆਇਆ ਹੈ, ਉਹਨਾਂ ਨੂੰ ਹੱਲ ਕੀਤੀ ਜਾ ਰਹੀ ਸਮੱਸਿਆ ਲਈ "ਹੈੱਡ-ਆਨ" ਲਾਗੂ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਅਤੇ ਇੱਕ ਵਧੀਆ ਹੱਲ ਪ੍ਰਾਪਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਇਸਦੀ ਵਿਆਖਿਆ ਕਰਨ ਲਈ, ਆਓ ਆਪਣੀ ਸਮੱਸਿਆ ਦੇ ਸਬੰਧ ਵਿੱਚ ਅਜਿਹੇ ਐਲਗੋਰਿਦਮ ਦੇ ਸੰਚਾਲਨ ਦੇ ਤਰਕ 'ਤੇ ਵਿਚਾਰ ਕਰੀਏ।

ਗ੍ਰਾਫ 'ਤੇ ਗੌਰ ਕਰੋ , ਜਿਸ ਵਿੱਚ ਸਿਰਲੇਖ ਪਾਰਟੀਆਂ ਦਾ ਸੈੱਟ ਹੈ , ਅਤੇ ਸਿਰਿਆਂ ਦੇ ਵਿਚਕਾਰ ਦਾ ਕਿਨਾਰਾ и ਬੈਚਾਂ ਵਿਚਕਾਰ ਦਿਨਾਂ ਦੇ ਅੰਤਰ ਦੇ ਬਰਾਬਰ ਭਾਰ ਹੈ и . ਜੁੜੇ ਹੋਏ ਹਿੱਸਿਆਂ ਦੀ ਪਛਾਣ ਕਰਨ ਲਈ ਐਲਗੋਰਿਦਮ ਵਿੱਚ, ਇਨਪੁਟ ਪੈਰਾਮੀਟਰ ਨਿਰਧਾਰਤ ਕੀਤਾ ਗਿਆ ਹੈ ਕਿੱਥੇ , ਅਤੇ ਗ੍ਰਾਫ ਵਿੱਚ ਸਾਰੇ ਕਿਨਾਰਿਆਂ ਨੂੰ ਹਟਾ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ ਜਿਸ ਲਈ ਭਾਰ ਜ਼ਿਆਦਾ ਹੁੰਦਾ ਹੈ . ਵਸਤੂਆਂ ਦੇ ਸਿਰਫ਼ ਨਜ਼ਦੀਕੀ ਜੋੜੇ ਹੀ ਜੁੜੇ ਰਹਿੰਦੇ ਹਨ। ਐਲਗੋਰਿਦਮ ਦਾ ਬਿੰਦੂ ਅਜਿਹੇ ਮੁੱਲ ਨੂੰ ਚੁਣਨਾ ਹੈ , ਜਿਸ ਵਿੱਚ ਗ੍ਰਾਫ ਕਈ ਜੁੜੇ ਹੋਏ ਹਿੱਸਿਆਂ ਵਿੱਚ "ਵੱਖ-ਵੱਖ ਹੋ ਜਾਂਦਾ ਹੈ", ਜਿੱਥੇ ਇਹਨਾਂ ਹਿੱਸਿਆਂ ਨਾਲ ਸਬੰਧਤ ਧਿਰਾਂ ਸਾਡੇ ਸਮਾਨਤਾ ਮਾਪਦੰਡ ਨੂੰ ਸੰਤੁਸ਼ਟ ਕਰਨਗੀਆਂ, ਸਥਿਰ ਦੁਆਰਾ ਨਿਰਧਾਰਤ . ਨਤੀਜੇ ਵਜੋਂ ਭਾਗ ਕਲੱਸਟਰ ਹਨ।

ਘੱਟੋ-ਘੱਟ ਸਪੈਨਿੰਗ ਟ੍ਰੀ ਐਲਗੋਰਿਦਮ ਪਹਿਲਾਂ ਇੱਕ ਗ੍ਰਾਫ 'ਤੇ ਬਣਾਉਂਦਾ ਹੈ ਘੱਟੋ-ਘੱਟ ਸਪੈਨਿੰਗ ਟ੍ਰੀ, ਅਤੇ ਫਿਰ ਕ੍ਰਮਵਾਰ ਸਭ ਤੋਂ ਵੱਧ ਭਾਰ ਵਾਲੇ ਕਿਨਾਰਿਆਂ ਨੂੰ ਹਟਾਉਂਦਾ ਹੈ ਜਦੋਂ ਤੱਕ ਕਿ ਗ੍ਰਾਫ ਕਈ ਜੁੜੇ ਹੋਏ ਹਿੱਸਿਆਂ ਵਿੱਚ "ਵੱਖ-ਵੱਖ ਨਹੀਂ ਡਿੱਗਦਾ" ਹੈ, ਜਿੱਥੇ ਇਹਨਾਂ ਭਾਗਾਂ ਨਾਲ ਸਬੰਧਤ ਧਿਰਾਂ ਸਾਡੇ ਸਮਾਨਤਾ ਮਾਪਦੰਡ ਨੂੰ ਵੀ ਪੂਰਾ ਕਰਨਗੀਆਂ। ਨਤੀਜੇ ਵਜੋਂ ਭਾਗ ਕਲੱਸਟਰ ਹੋਣਗੇ।

ਵਿਚਾਰ ਅਧੀਨ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਅਜਿਹੇ ਐਲਗੋਰਿਦਮ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਸਮੇਂ, ਚਿੱਤਰ 3 ਦੇ ਰੂਪ ਵਿੱਚ ਇੱਕ ਸਥਿਤੀ ਪੈਦਾ ਹੋ ਸਕਦੀ ਹੈ।

ਚਿੱਤਰ 3. ਹੱਲ ਕੀਤੀ ਜਾ ਰਹੀ ਸਮੱਸਿਆ ਲਈ ਕਲੱਸਟਰਿੰਗ ਐਲਗੋਰਿਦਮ ਦੀ ਵਰਤੋਂ

ਮੰਨ ਲਓ ਕਿ ਬੈਚ ਦਿਨਾਂ ਵਿੱਚ ਅੰਤਰ ਲਈ ਸਾਡਾ ਸਥਿਰ 20 ਦਿਨ ਹੈ। ਗ੍ਰਾਫ਼ ਵਿਜ਼ੂਅਲ ਧਾਰਨਾ ਦੀ ਸੌਖ ਲਈ ਸਥਾਨਿਕ ਰੂਪ ਵਿੱਚ ਦਰਸਾਇਆ ਗਿਆ ਸੀ। ਦੋਵੇਂ ਐਲਗੋਰਿਥਮਾਂ ਨੇ ਇੱਕ 3-ਕਲੱਸਟਰ ਹੱਲ ਤਿਆਰ ਕੀਤਾ, ਜਿਸ ਨੂੰ ਇੱਕ ਦੂਜੇ ਨਾਲ ਵੱਖਰੇ ਕਲੱਸਟਰਾਂ ਵਿੱਚ ਰੱਖੇ ਗਏ ਬੈਚਾਂ ਨੂੰ ਜੋੜ ਕੇ ਆਸਾਨੀ ਨਾਲ ਸੁਧਾਰਿਆ ਜਾ ਸਕਦਾ ਹੈ! ਇਹ ਸਪੱਸ਼ਟ ਹੈ ਕਿ ਅਜਿਹੇ ਐਲਗੋਰਿਦਮ ਨੂੰ ਹੱਲ ਕੀਤੀ ਜਾ ਰਹੀ ਸਮੱਸਿਆ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੇ ਅਨੁਸਾਰ ਸੋਧਣ ਦੀ ਜ਼ਰੂਰਤ ਹੈ, ਅਤੇ ਸਾਡੀ ਸਮੱਸਿਆ ਦੇ ਹੱਲ ਲਈ ਇਸਦੇ ਸ਼ੁੱਧ ਰੂਪ ਵਿੱਚ ਉਹਨਾਂ ਦੀ ਵਰਤੋਂ ਮਾੜੇ ਨਤੀਜੇ ਦੇਵੇਗੀ।

ਇਸ ਲਈ, ਇਸ ਤੋਂ ਪਹਿਲਾਂ ਕਿ ਅਸੀਂ ਆਪਣੇ ਕੰਮ ਲਈ ਸੰਸ਼ੋਧਿਤ ਗ੍ਰਾਫ ਐਲਗੋਰਿਦਮ ਲਈ ਕੋਡ ਲਿਖਣਾ ਸ਼ੁਰੂ ਕਰਦੇ ਹਾਂ ਅਤੇ ਆਪਣੀ ਖੁਦ ਦੀ ਸਾਈਕਲ ਨੂੰ ਮੁੜ ਖੋਜਣਾ ਸ਼ੁਰੂ ਕਰਦੇ ਹਾਂ (ਜਿਨ੍ਹਾਂ ਦੇ ਸਿਲੂਏਟ ਵਿੱਚ ਅਸੀਂ ਪਹਿਲਾਂ ਹੀ ਵਰਗ ਪਹੀਏ ਦੀ ਰੂਪਰੇਖਾ ਨੂੰ ਸਮਝ ਸਕਦੇ ਹਾਂ), ਅਸੀਂ ਫਿਰ, ਵਿਗਿਆਨਕ ਤੌਰ 'ਤੇ ਅਜਿਹੀ ਸਮੱਸਿਆ ਨਾਲ ਸੰਪਰਕ ਕਰਨ ਦਾ ਫੈਸਲਾ ਕੀਤਾ, ਅਰਥਾਤ: ਇਸ ਨੂੰ ਇੱਕ ਹੋਰ ਵੱਖਰੀ ਸਮੱਸਿਆ ਓਪਟੀਮਾਈਜੇਸ਼ਨ ਤੱਕ ਘਟਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ, ਇਸ ਉਮੀਦ ਵਿੱਚ ਕਿ ਇਸਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਮੌਜੂਦਾ ਐਲਗੋਰਿਦਮ ਸੋਧਾਂ ਤੋਂ ਬਿਨਾਂ ਲਾਗੂ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ।

ਇੱਕ ਸਮਾਨ ਕਲਾਸੀਕਲ ਸਮੱਸਿਆ ਲਈ ਇੱਕ ਹੋਰ ਖੋਜ ਸਫਲ ਰਹੀ ਹੈ! ਅਸੀਂ ਇੱਕ ਵੱਖਰੀ ਓਪਟੀਮਾਈਜੇਸ਼ਨ ਸਮੱਸਿਆ ਦਾ ਪਤਾ ਲਗਾਉਣ ਵਿੱਚ ਕਾਮਯਾਬ ਹੋਏ, ਜਿਸਦਾ ਫਾਰਮੂਲੇਸ਼ਨ ਸਾਡੀ ਸਮੱਸਿਆ ਦੇ ਰੂਪ ਵਿੱਚ 1 ਵਿੱਚ 1 ਨਾਲ ਮੇਲ ਖਾਂਦਾ ਹੈ। ਇਹ ਕੰਮ ਨਿਕਲਿਆ ਕਵਰਿੰਗ ਸਮੱਸਿਆ ਸੈੱਟ ਕਰੋ. ਆਉ ਅਸੀਂ ਸਾਡੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੇ ਸਬੰਧ ਵਿੱਚ ਸਮੱਸਿਆ ਦਾ ਸੂਤਰ ਪੇਸ਼ ਕਰੀਏ।

ਇੱਕ ਸੀਮਿਤ ਸੈੱਟ ਹੈ ਅਤੇ ਪਰਿਵਾਰ ਪਾਰਟੀਆਂ ਦੇ ਇਸ ਦੇ ਸਾਰੇ ਵੱਖ-ਵੱਖ ਉਪ-ਸੈਟਾਂ ਦਾ, ਜਿਵੇਂ ਕਿ ਹਰੇਕ ਸਬਸੈੱਟ ਦੀਆਂ ਪਾਰਟੀਆਂ ਦੇ ਸਾਰੇ ਜੋੜਿਆਂ ਲਈ ਮਿਤੀਆਂ ਵਿੱਚ ਅੰਤਰ ਪਰਿਵਾਰ ਤੋਂ ਸਥਿਰਾਂ ਤੋਂ ਵੱਧ ਨਹੀਂ ਹੈ . ਢੱਕਣ ਨੂੰ ਪਰਿਵਾਰ ਕਿਹਾ ਜਾਂਦਾ ਹੈ ਘੱਟੋ-ਘੱਟ ਸ਼ਕਤੀ, ਜਿਸ ਦੇ ਤੱਤ ਨਾਲ ਸਬੰਧਤ ਹਨ , ਜਿਵੇਂ ਕਿ ਸੈੱਟਾਂ ਦਾ ਮੇਲ ਪਰਿਵਾਰ ਤੋਂ ਸਾਰੀਆਂ ਪਾਰਟੀਆਂ ਦਾ ਸੈੱਟ ਦੇਣਾ ਚਾਹੀਦਾ ਹੈ .

ਇਸ ਸਮੱਸਿਆ ਦਾ ਵਿਸਥਾਰਪੂਰਵਕ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਇੱਥੇ и ਇੱਥੇ. ਕਵਰਿੰਗ ਸਮੱਸਿਆ ਅਤੇ ਇਸ ਦੀਆਂ ਸੋਧਾਂ ਦੀ ਵਿਹਾਰਕ ਵਰਤੋਂ ਲਈ ਹੋਰ ਵਿਕਲਪ ਲੱਭੇ ਜਾ ਸਕਦੇ ਹਨ ਇੱਥੇ.

ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਐਲਗੋਰਿਦਮ

ਅਸੀਂ ਹੱਲ ਕੀਤੀ ਜਾਣ ਵਾਲੀ ਸਮੱਸਿਆ ਦੇ ਗਣਿਤਿਕ ਮਾਡਲ 'ਤੇ ਫੈਸਲਾ ਕੀਤਾ ਹੈ। ਹੁਣ ਇਸ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਐਲਗੋਰਿਦਮ ਨੂੰ ਵੇਖੀਏ। ਸਬਸੈੱਟ ਪਰਿਵਾਰ ਤੋਂ ਹੇਠ ਲਿਖੀ ਵਿਧੀ ਦੁਆਰਾ ਆਸਾਨੀ ਨਾਲ ਲੱਭਿਆ ਜਾ ਸਕਦਾ ਹੈ।

1. ਇੱਕ ਸੈੱਟ ਤੋਂ ਬੈਚਾਂ ਦਾ ਪ੍ਰਬੰਧ ਕਰੋ ਉਹਨਾਂ ਦੀਆਂ ਤਾਰੀਖਾਂ ਦੇ ਘਟਦੇ ਕ੍ਰਮ ਵਿੱਚ।
2. ਘੱਟੋ-ਘੱਟ ਅਤੇ ਅਧਿਕਤਮ ਬੈਚ ਮਿਤੀਆਂ ਲੱਭੋ।
3. ਹਰ ਦਿਨ ਲਈ ਘੱਟੋ-ਘੱਟ ਮਿਤੀ ਤੋਂ ਵੱਧ ਤੋਂ ਵੱਧ, ਉਹਨਾਂ ਸਾਰੇ ਬੈਚਾਂ ਨੂੰ ਲੱਭੋ ਜਿਨ੍ਹਾਂ ਦੀਆਂ ਮਿਤੀਆਂ ਤੋਂ ਵੱਖਰੀਆਂ ਹਨ ਤੋਂ ਵੱਧ ਨਹੀਂ (ਇਸ ਲਈ ਮੁੱਲ ਬਰਾਬਰ ਨੰਬਰ ਲੈਣਾ ਬਿਹਤਰ ਹੈ)।

ਸੈੱਟਾਂ ਦਾ ਇੱਕ ਪਰਿਵਾਰ ਬਣਾਉਣ ਲਈ ਵਿਧੀ ਦਾ ਤਰਕ ਤੇ ਦਿਨ ਚਿੱਤਰ 4 ਵਿੱਚ ਪੇਸ਼ ਕੀਤੇ ਗਏ ਹਨ।

ਚਿੱਤਰ.4. ਪਾਰਟੀਆਂ ਦੇ ਉਪ ਸਮੂਹਾਂ ਦਾ ਗਠਨ

ਇਹ ਵਿਧੀ ਹਰ ਕਿਸੇ ਲਈ ਜ਼ਰੂਰੀ ਨਹੀਂ ਹੈ ਹੋਰ ਸਾਰੇ ਬੈਚਾਂ ਵਿੱਚ ਜਾਓ ਅਤੇ ਉਹਨਾਂ ਦੀਆਂ ਮਿਤੀਆਂ ਵਿੱਚ, ਜਾਂ ਮੌਜੂਦਾ ਮੁੱਲ ਤੋਂ ਅੰਤਰ ਦੀ ਜਾਂਚ ਕਰੋ ਖੱਬੇ ਜਾਂ ਸੱਜੇ ਚਲੇ ਜਾਓ ਜਦੋਂ ਤੱਕ ਤੁਹਾਨੂੰ ਕੋਈ ਅਜਿਹਾ ਬੈਚ ਨਹੀਂ ਮਿਲਦਾ ਜਿਸਦੀ ਮਿਤੀ ਇਸ ਤੋਂ ਵੱਖਰੀ ਹੈ ਸਥਿਰ ਦੇ ਅੱਧੇ ਤੋਂ ਵੱਧ ਮੁੱਲ ਦੁਆਰਾ। ਬਾਅਦ ਦੇ ਸਾਰੇ ਤੱਤ, ਜਦੋਂ ਸੱਜੇ ਅਤੇ ਖੱਬੇ ਦੋਨਾਂ ਨੂੰ ਹਿਲਾਉਂਦੇ ਹਨ, ਸਾਡੇ ਲਈ ਦਿਲਚਸਪ ਨਹੀਂ ਹੋਣਗੇ, ਕਿਉਂਕਿ ਉਹਨਾਂ ਲਈ ਦਿਨਾਂ ਵਿੱਚ ਅੰਤਰ ਸਿਰਫ ਵਧੇਗਾ, ਕਿਉਂਕਿ ਐਰੇ ਵਿੱਚ ਤੱਤ ਸ਼ੁਰੂ ਵਿੱਚ ਆਰਡਰ ਕੀਤੇ ਗਏ ਸਨ। ਇਹ ਪਹੁੰਚ ਮਹੱਤਵਪੂਰਨ ਤੌਰ 'ਤੇ ਸਮੇਂ ਦੀ ਬਚਤ ਕਰੇਗੀ ਜਦੋਂ ਪਾਰਟੀਆਂ ਦੀ ਸੰਖਿਆ ਅਤੇ ਉਨ੍ਹਾਂ ਦੀਆਂ ਤਾਰੀਖਾਂ ਦਾ ਫੈਲਾਅ ਕਾਫ਼ੀ ਵੱਡਾ ਹੁੰਦਾ ਹੈ।

ਸੈੱਟ ਕਵਰ ਕਰਨ ਦੀ ਸਮੱਸਿਆ ਹੈ -ਮੁਸ਼ਕਲ, ਜਿਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਇਸ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਕੋਈ ਤੇਜ਼ (ਇਨਪੁਟ ਡੇਟਾ ਦੇ ਬਹੁਪਦ ਦੇ ਬਰਾਬਰ ਓਪਰੇਟਿੰਗ ਸਮੇਂ ਦੇ ਨਾਲ) ਅਤੇ ਸਹੀ ਐਲਗੋਰਿਦਮ ਨਹੀਂ ਹੈ। ਇਸ ਲਈ, ਸੈੱਟ ਕਵਰਿੰਗ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ, ਇੱਕ ਤੇਜ਼ ਲਾਲਚੀ ਐਲਗੋਰਿਦਮ ਚੁਣਿਆ ਗਿਆ ਸੀ, ਜੋ ਕਿ ਬੇਸ਼ਕ, ਸਹੀ ਨਹੀਂ ਹੈ, ਪਰ ਇਸਦੇ ਹੇਠਾਂ ਦਿੱਤੇ ਫਾਇਦੇ ਹਨ:

• ਛੋਟੇ ਆਕਾਰ ਦੀਆਂ ਸਮੱਸਿਆਵਾਂ ਲਈ (ਅਤੇ ਇਹ ਬਿਲਕੁਲ ਸਾਡਾ ਮਾਮਲਾ ਹੈ), ਇਹ ਉਹਨਾਂ ਹੱਲਾਂ ਦੀ ਗਣਨਾ ਕਰਦਾ ਹੈ ਜੋ ਸਰਵੋਤਮ ਦੇ ਕਾਫ਼ੀ ਨੇੜੇ ਹਨ। ਜਿਵੇਂ ਕਿ ਸਮੱਸਿਆ ਦਾ ਆਕਾਰ ਵਧਦਾ ਹੈ, ਹੱਲ ਦੀ ਗੁਣਵੱਤਾ ਵਿਗੜਦੀ ਜਾਂਦੀ ਹੈ, ਪਰ ਫਿਰ ਵੀ ਕਾਫ਼ੀ ਹੌਲੀ;
• ਲਾਗੂ ਕਰਨ ਲਈ ਬਹੁਤ ਹੀ ਆਸਾਨ;
• ਤੇਜ਼, ਕਿਉਂਕਿ ਇਸਦੇ ਚੱਲ ਰਹੇ ਸਮੇਂ ਦਾ ਅਨੁਮਾਨ ਹੈ .

ਲਾਲਚੀ ਐਲਗੋਰਿਦਮ ਹੇਠਾਂ ਦਿੱਤੇ ਨਿਯਮ ਦੇ ਅਧਾਰ 'ਤੇ ਸੈੱਟਾਂ ਦੀ ਚੋਣ ਕਰਦਾ ਹੈ: ਹਰੇਕ ਪੜਾਅ 'ਤੇ, ਇੱਕ ਸੈੱਟ ਚੁਣਿਆ ਜਾਂਦਾ ਹੈ ਜੋ ਅਜੇ ਤੱਕ ਕਵਰ ਨਾ ਕੀਤੇ ਗਏ ਤੱਤਾਂ ਦੀ ਅਧਿਕਤਮ ਸੰਖਿਆ ਨੂੰ ਕਵਰ ਕਰਦਾ ਹੈ। ਐਲਗੋਰਿਦਮ ਅਤੇ ਇਸਦੇ ਸੂਡੋਕੋਡ ਦਾ ਵਿਸਤ੍ਰਿਤ ਵੇਰਵਾ ਪਾਇਆ ਜਾ ਸਕਦਾ ਹੈ ਇੱਥੇ.

ਹੋਰ ਜਾਣੇ-ਪਛਾਣੇ ਐਲਗੋਰਿਦਮ, ਜਿਵੇਂ ਕਿ ਸੰਭਾਵੀ ਲਾਲਚੀ ਐਲਗੋਰਿਦਮ, ਕੀਟੀ ਕਲੋਨੀ ਐਲਗੋਰਿਦਮ, ਆਦਿ ਨਾਲ ਹੱਲ ਕੀਤੇ ਜਾ ਰਹੇ ਸਮੱਸਿਆ ਦੇ ਟੈਸਟ ਡੇਟਾ 'ਤੇ ਅਜਿਹੇ ਲਾਲਚੀ ਐਲਗੋਰਿਦਮ ਦੀ ਸ਼ੁੱਧਤਾ ਦੀ ਤੁਲਨਾ ਨਹੀਂ ਕੀਤੀ ਗਈ ਹੈ। ਤਿਆਰ ਕੀਤੇ ਬੇਤਰਤੀਬੇ ਡੇਟਾ 'ਤੇ ਅਜਿਹੇ ਐਲਗੋਰਿਦਮ ਦੀ ਤੁਲਨਾ ਕਰਨ ਦੇ ਨਤੀਜੇ ਲੱਭੇ ਜਾ ਸਕਦੇ ਹਨ ਕੰਮ ਉੱਤੇ.

ਐਲਗੋਰਿਦਮ ਨੂੰ ਲਾਗੂ ਕਰਨਾ ਅਤੇ ਲਾਗੂ ਕਰਨਾ

ਇਹ ਐਲਗੋਰਿਦਮ ਭਾਸ਼ਾ ਵਿੱਚ ਲਾਗੂ ਕੀਤਾ ਗਿਆ ਸੀ 1 ਹਜ਼ਾਰ ਅਤੇ ਇੱਕ ਬਾਹਰੀ ਪ੍ਰੋਸੈਸਿੰਗ ਵਿੱਚ ਸ਼ਾਮਲ ਕੀਤਾ ਗਿਆ ਸੀ ਜਿਸਨੂੰ "ਰੇਸੀਡਿਊ ਕੰਪਰੈਸ਼ਨ" ਕਿਹਾ ਜਾਂਦਾ ਸੀ ਜਿਸ ਨਾਲ ਜੁੜਿਆ ਹੋਇਆ ਸੀ WMS- ਸਿਸਟਮ. ਅਸੀਂ ਭਾਸ਼ਾ ਵਿੱਚ ਐਲਗੋਰਿਦਮ ਲਾਗੂ ਨਹੀਂ ਕੀਤਾ ਸੀ ++ ਅਤੇ ਇਸਨੂੰ ਬਾਹਰੀ ਮੂਲ ਭਾਗ ਤੋਂ ਵਰਤੋ, ਜੋ ਕਿ ਵਧੇਰੇ ਸਹੀ ਹੋਵੇਗਾ, ਕਿਉਂਕਿ ਕੋਡ ਦੀ ਗਤੀ ਘੱਟ ਹੈ C ++ ਵਾਰ ਅਤੇ ਕੁਝ ਉਦਾਹਰਣਾਂ ਵਿੱਚ ਸਮਾਨ ਕੋਡ ਦੀ ਗਤੀ ਨਾਲੋਂ ਵੀ ਦਸ ਗੁਣਾ ਤੇਜ਼ 1 ਹਜ਼ਾਰ. ਜੀਭ 'ਤੇ 1 ਹਜ਼ਾਰ ਐਲਗੋਰਿਦਮ ਨੂੰ ਵਿਕਾਸ ਦੇ ਸਮੇਂ ਨੂੰ ਬਚਾਉਣ ਅਤੇ ਗਾਹਕ ਦੇ ਉਤਪਾਦਨ ਅਧਾਰ 'ਤੇ ਡੀਬੱਗਿੰਗ ਦੀ ਸੌਖ ਲਈ ਲਾਗੂ ਕੀਤਾ ਗਿਆ ਸੀ। ਐਲਗੋਰਿਦਮ ਦਾ ਨਤੀਜਾ ਚਿੱਤਰ 5 ਵਿੱਚ ਪੇਸ਼ ਕੀਤਾ ਗਿਆ ਹੈ।

ਚਿੱਤਰ.5. ਰਹਿੰਦ-ਖੂੰਹਦ ਨੂੰ "ਸੰਕੁਚਿਤ" ਕਰਨ ਲਈ ਪ੍ਰਕਿਰਿਆ ਕੀਤੀ ਜਾ ਰਹੀ ਹੈ

ਚਿੱਤਰ 5 ਦਿਖਾਉਂਦਾ ਹੈ ਕਿ ਨਿਰਧਾਰਤ ਵੇਅਰਹਾਊਸ ਵਿੱਚ, ਸਟੋਰੇਜ ਸੈੱਲਾਂ ਵਿੱਚ ਮਾਲ ਦੇ ਮੌਜੂਦਾ ਸੰਤੁਲਨ ਨੂੰ ਕਲੱਸਟਰਾਂ ਵਿੱਚ ਵੰਡਿਆ ਗਿਆ ਹੈ, ਜਿਸ ਵਿੱਚ ਮਾਲ ਦੇ ਬੈਚਾਂ ਦੀਆਂ ਤਾਰੀਖਾਂ ਇੱਕ ਦੂਜੇ ਤੋਂ 30 ਦਿਨਾਂ ਤੋਂ ਵੱਧ ਨਹੀਂ ਹੁੰਦੀਆਂ ਹਨ। ਕਿਉਂਕਿ ਗਾਹਕ ਵੇਅਰਹਾਊਸ ਵਿੱਚ ਮੈਟਲ ਬਾਲ ਵਾਲਵ ਪੈਦਾ ਕਰਦਾ ਹੈ ਅਤੇ ਸਟੋਰ ਕਰਦਾ ਹੈ, ਜਿਸਦੀ ਸ਼ੈਲਫ ਲਾਈਫ ਸਾਲਾਂ ਵਿੱਚ ਗਿਣੀ ਜਾਂਦੀ ਹੈ, ਇਸ ਤਰ੍ਹਾਂ ਦੀ ਤਾਰੀਖ ਦੇ ਅੰਤਰ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਨੋਟ ਕਰੋ ਕਿ ਅਜਿਹੀ ਪ੍ਰੋਸੈਸਿੰਗ ਵਰਤਮਾਨ ਵਿੱਚ ਉਤਪਾਦਨ ਅਤੇ ਓਪਰੇਟਰਾਂ ਵਿੱਚ ਯੋਜਨਾਬੱਧ ਢੰਗ ਨਾਲ ਵਰਤੀ ਜਾਂਦੀ ਹੈ WMS ਪਾਰਟੀ ਕਲੱਸਟਰਿੰਗ ਦੀ ਚੰਗੀ ਗੁਣਵੱਤਾ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ।

ਸਿੱਟੇ ਅਤੇ ਨਿਰੰਤਰਤਾ

ਅਜਿਹੀ ਵਿਹਾਰਕ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਨ ਤੋਂ ਜੋ ਮੁੱਖ ਅਨੁਭਵ ਅਸੀਂ ਪ੍ਰਾਪਤ ਕੀਤਾ ਹੈ, ਉਹ ਪੈਰਾਡਾਈਮ: ਗਣਿਤ ਦੀ ਵਰਤੋਂ ਦੀ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ ਦੀ ਪੁਸ਼ਟੀ ਹੈ। ਸਮੱਸਿਆ ਦਾ ਬਿਆਨ ਮਸ਼ਹੂਰ ਚਟਾਈ. ਮਾਡਲ ਮਸ਼ਹੂਰ ਐਲਗੋਰਿਦਮ ਐਲਗੋਰਿਦਮ ਸਮੱਸਿਆ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੇ ਹੋਏ। ਡਿਸਕ੍ਰਿਟ ਓਪਟੀਮਾਈਜੇਸ਼ਨ ਲਗਭਗ 300 ਸਾਲਾਂ ਤੋਂ ਵੱਧ ਹੈ, ਅਤੇ ਇਸ ਸਮੇਂ ਦੌਰਾਨ ਲੋਕਾਂ ਨੇ ਬਹੁਤ ਸਾਰੀਆਂ ਸਮੱਸਿਆਵਾਂ 'ਤੇ ਵਿਚਾਰ ਕਰਨ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਵਿੱਚ ਬਹੁਤ ਸਾਰਾ ਤਜਰਬਾ ਇਕੱਠਾ ਕੀਤਾ ਹੈ। ਸਭ ਤੋਂ ਪਹਿਲਾਂ, ਇਸ ਤਜਰਬੇ ਵੱਲ ਮੁੜਨ ਲਈ ਵਧੇਰੇ ਸਲਾਹ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ, ਅਤੇ ਕੇਵਲ ਤਦ ਹੀ ਆਪਣੇ ਚੱਕਰ ਨੂੰ ਮੁੜ ਖੋਜਣਾ ਸ਼ੁਰੂ ਕਰੋ.

ਅਗਲੇ ਲੇਖ ਵਿੱਚ ਅਸੀਂ ਓਪਟੀਮਾਈਜੇਸ਼ਨ ਐਲਗੋਰਿਦਮ ਬਾਰੇ ਕਹਾਣੀ ਨੂੰ ਜਾਰੀ ਰੱਖਾਂਗੇ ਅਤੇ ਸਭ ਤੋਂ ਦਿਲਚਸਪ ਅਤੇ ਬਹੁਤ ਜ਼ਿਆਦਾ ਗੁੰਝਲਦਾਰ ਦੇਖਾਂਗੇ: ਸੈੱਲ ਰਹਿੰਦ-ਖੂੰਹਦ ਦੇ ਅਨੁਕੂਲ "ਕੰਪਰੈਸ਼ਨ" ਲਈ ਇੱਕ ਐਲਗੋਰਿਦਮ, ਜੋ ਕਿ ਬੈਚ ਕਲੱਸਟਰਿੰਗ ਐਲਗੋਰਿਦਮ ਤੋਂ ਪ੍ਰਾਪਤ ਡੇਟਾ ਨੂੰ ਇਨਪੁਟ ਵਜੋਂ ਵਰਤਦਾ ਹੈ।

ਲੇਖ ਤਿਆਰ ਕੀਤਾ
ਰੋਮਨ ਸ਼ਾਂਗਿਨ, ਪ੍ਰੋਜੈਕਟ ਵਿਭਾਗ ਦੇ ਪ੍ਰੋਗਰਾਮਰ,
ਪਹਿਲੀ BIT ਕੰਪਨੀ, ਚੇਲਾਇਬਿੰਸਕ

ਸਰੋਤ: www.habr.com