INTELLIGENT PLATFORM FOR INTEGRATED OPTIMISED MANAGEMENT OF COMPLEX TASKS ASSOCIATED WITH A FLEET OF VEHICLES (Q3192797)
Jump to navigation
Jump to search
Project Q3192797 in Spain
| Language | Label | Description | Also known as |
|---|---|---|---|
| English | INTELLIGENT PLATFORM FOR INTEGRATED OPTIMISED MANAGEMENT OF COMPLEX TASKS ASSOCIATED WITH A FLEET OF VEHICLES |
Project Q3192797 in Spain |
Statements
463,921.66 Euro
0 references
575,871.0 Euro
0 references
80.56 percent
0 references
4 May 2020
0 references
5 November 2021
0 references
QOSITCONSULTING, S.L.
0 references
41900
0 references
En el presente proyecto qosIT pretende desarrollar una solución tecnológica cuya finalidad sea el cálculo optimizado de la planificación integral de la operación de una flota de vehículos (camiones, trailers, coches, motos, bicis…) de empresas logísticas de todo tipo, desde larga distancia hasta última milla. Esta solución destacaría frente a las de la competencia por estar diseñada específicamente para empresas de gran volumen. Esto es, empresas con miles de nodos de reparto (50k, 75k o incluso más) que reparten miles de bultos o paquetes y con tamaños de flota de grandes dimensiones (decenas o incluso centenas)._x000D_ _x000D_ ESte tipo de problemas son conocidos como Very Large Vehicle Routing Problem y son ejemplos de problemas de optimización combinatoria. Estos problemas no admiten soluciones exactas eficientes (son denominados técnicamente NP –Hard) y en muchos casos se están resolviendo manualmente, dando lugar a soluciones de baja calidad, incluso soluciones no factibles, o soluciones que no satisfacen todas las restricciones impuestas._x000D_ _x000D_ Para resolver este tipo de problemas se emplearán técnicas y se desarrollarán algoritmos de Inteligencia Artificial, específicamente de Machine Learning para mejorar la eficiencia de los algoritmos, así como algoritmos de empaquetamiento 3D (3D Bin Packing Problem) para determinar si la mercancía que se asigna a al vehículo, su contenedor o depósito tiene cabida o no y qué posición se debe colocar cada bulto, conocidas sus dimensiones. La nueva solución se puede resumir en estos puntos:_x000D_ _x000D_ -Hacer un uso más eficiente de los recursos escasos de una empresa: flota, conductores y sus tiempos de trabajo._x000D_ -Reducir el numero de personas dedicadas a las tareas de planificación._x000D_ -Mejora del nivel de servicio ofrecido._x000D_ -Eliminación del riesgo empresarial que supone la automatización de este tipo de procesos de planificación._x000D_ -Aumento de la flexibilidad y la resiliencia del sistema logístico frente a crisis como la de Covid19. (Spanish)
0 references
In this project qosIT aims to develop a technological solution whose purpose is the optimised calculation of the integral planning of the operation of a fleet of vehicles (trucks, trailers, cars, motorcycles, bikes...) of logistics companies of all kinds, from long distance to last mile. This solution would stand out against those of competition because it is specifically designed for large companies. That is, companies with thousands of delivery nodes (50k, 75k or even more) that distribute thousands of packages or packages and with large fleet sizes (ten or even hundreds)._x000D_ _x000D_ ESte type of problems are known as Very Large Vehicle Routing Problem and are examples of combinatorial optimisation problems. These problems do not support efficient exact solutions (they are technically referred to as NP –Hard) and in many cases are being solved manually, leading to low-quality solutions, even unworkable solutions, or solutions that do not meet all the restrictions imposed._x000D_ _x000D_ To solve these types of problems, techniques and AI algorithms will be developed, specifically from Machine Learning to improve the efficiency of algorithms, as well as 3D packaging algorithms (3D Bin Packing Problem) to determine whether the merchandise that is assigned to the vehicle, its container or tank fits or not and which position should be placed each package, known its dimensions. The new solution can be summarised in these points:_x000D_ _x000D_ -Making more efficient use of a company’s scarce resources: fleet, drivers and their working times._x000D_ -Reducing the number of people dedicated to planning tasks._x000D_ -Improving the level of service offered._x000D_ -Elimination of the business risk involved in the automation of this type of planning processes._x000D_ -Increasing flexibility and resilience of the logistics system against crises like Covid19. (English)
12 October 2021
0.6879893910767099
0 references
Dans ce projet QOSIT vise à développer une solution technologique dont le but est le calcul optimisé de la planification intégrale de l’exploitation d’une flotte de véhicules (camions, remorques, voitures, motos, vélos...) d’entreprises logistiques de toutes sortes, de longue distance au dernier kilomètre. Cette solution se démarquerait de celles de la concurrence, car elle est spécifiquement conçue pour les grandes entreprises. C’est-à-dire que les entreprises avec des milliers de nœuds de livraison (50k, 75k ou plus) qui distribuent des milliers de paquets ou de paquets et avec de grandes tailles de flotte (dix, voire des centaines)._x000D_ _x000D_ Types de problèmes Este sont connus sous le nom de problème de routage de véhicules très gros et sont des exemples de problèmes d’optimisation combinatoire. Ces problèmes ne supportent pas des solutions exactes efficaces (ils sont techniquement appelés NP –Hard) et sont souvent résolus manuellement, conduisant à des solutions de faible qualité, même inapplicables, ou des solutions qui ne répondent pas à toutes les restrictions imposées._x000D_ _x000D_ Pour résoudre ces types de problèmes, techniques et algorithmes d’IA seront développés, en particulier à partir de Machine Learning pour améliorer l’efficacité des algorithmes, ainsi que des algorithmes d’emballage 3D (3D Bin Packing Problem) pour déterminer si la marchandise qui est assignée au véhicule, à son conteneur ou à son réservoir convient ou non et quelle position doit être placée chaque paquet, connu. La nouvelle solution peut être résumée dans ces points:_x000D_ _x000D_ -Pour une utilisation plus efficace des ressources limitées d’une entreprise: flotte, pilotes et temps de travail._x000D_ -Réduction du nombre de personnes dédiées à la planification des tâches._x000D_ -Améliorer le niveau de service offert._x000D_ -Élimination du risque commercial lié à l’automatisation de ce type de processus de planification._x000D_ -Accroître la flexibilité et la résilience du système logistique face à des crises telles que Covid19. (French)
4 December 2021
0 references
In diesem Projekt zielt QOSIT darauf ab, eine technologische Lösung zu entwickeln, deren Zweck die optimierte Berechnung der integralen Planung des Betriebs einer Flotte von Fahrzeugen (LKW, Anhänger, Autos, Motorräder, Fahrräder...) von Logistikunternehmen aller Art ist, von der Ferne bis zur letzten Meile. Diese Lösung würde sich von denen des Wettbewerbs abheben, da sie speziell für große Unternehmen konzipiert ist. Das heißt, Unternehmen mit Tausenden von Lieferknoten (50k, 75k oder sogar mehr), die Tausende von Paketen oder Paketen und mit großen Flottengrößen (zehn oder sogar Hunderte) verteilen._x000D_ _x000D_Este-Probleme sind als Very Large Vehicle Routing Problem bekannt und sind Beispiele für kombinatorische Optimierungsprobleme. Diese Probleme unterstützen keine effizienten exakten Lösungen (sie werden technisch als NP –Hard bezeichnet) und werden in vielen Fällen manuell gelöst, was zu Lösungen von geringer Qualität, auch zu undurchführbaren Lösungen oder Lösungen führt, die nicht alle auferlegten Einschränkungen erfüllen._x000D_ _x000D_ Um diese Arten von Problemen, Techniken und KI-Algorithmen zu lösen, werden speziell von Machine Learning zur Verbesserung der Effizienz von Algorithmen sowie 3D-Verpackungsalgorithmen (3D Bin Packing Problem) entwickelt, um festzustellen, ob die dem Fahrzeug zugeordnete Ware, sein Behälter oder Tank passt oder nicht und welche Position jedes Paket platziert werden sollte, seine bekannten Abmessungen. Die neue Lösung lässt sich in diesen Punkten zusammenfassen:_x000D_ _x000D_ -Ein effizienterer Einsatz der knappen Ressourcen eines Unternehmens: Fuhrpark, Treiber und ihre Arbeitszeiten._x000D_ -Verringerung der Anzahl der Personen, die sich für Planungsaufgaben einsetzen._x000D_ -Verbesserung des angebotenen Serviceniveaus._x000D_ -Beseitigung des mit der Automatisierung dieser Art von Planungsprozessen verbundenen Geschäftsrisikos._x000D_ -Verbesserung der Flexibilität und Widerstandsfähigkeit des Logistiksystems gegen Krisen wie Covid19. (German)
9 December 2021
0 references
In dit project wil QOSIT een technologische oplossing ontwikkelen met als doel de optimale berekening van de integrale planning van de exploitatie van een wagenpark (vrachtwagens, aanhangwagens, auto’s, motorfietsen, fietsen...) van alle soorten logistieke bedrijven, van lange afstand tot last mile. Deze oplossing zou in strijd zijn met die van de concurrentie, omdat zij specifiek is ontworpen voor grote ondernemingen. Dat wil zeggen, bedrijven met duizenden leveringsknooppunten (50k, 75k of meer) die duizenden pakketten of pakketten distribueren en met grote vlootgrootten (tien of zelfs honderden)._x000D_ _x000D_ Este type problemen staan bekend als Very Large Vehicle Routing Problem en zijn voorbeelden van combinatoriële optimalisatieproblemen. Deze problemen ondersteunen geen efficiënte exacte oplossingen (ze worden technisch aangeduid als NP-Hard) en worden in veel gevallen handmatig opgelost, wat leidt tot oplossingen van lage kwaliteit, zelfs onwerkbare oplossingen, of oplossingen die niet aan alle opgelegde beperkingen voldoen._x000D_ _x000D_ Om dit soort problemen op te lossen, zullen technieken en AI-algoritmen worden ontwikkeld, met name van Machine Learning om de efficiëntie van algoritmen te verbeteren, evenals 3D-verpakkingsalgoritmen (3D Bin Packing Problem) om te bepalen of de goederen die aan het voertuig zijn toegewezen, de container of tank passen of niet en welke positie elk pakket moet worden geplaatst, bekende afmetingen. De nieuwe oplossing kan worden samengevat in de volgende punten:_x000D_ _x000D_ -Een efficiënter gebruik maken van de schaarse middelen van een bedrijf: wagenpark, chauffeurs en hun werktijden._x000D_ -Vermindering van het aantal mensen dat zich toelegt op planningstaken._x000D_ -Verbetering van het dienstverleningsniveau._x000D_ -Eliminatie van het bedrijfsrisico dat betrokken is bij de automatisering van dit type planningsprocessen._x000D_ -Verhoging van de flexibiliteit en veerkracht van het logistieke systeem tegen crises zoals Covid19. (Dutch)
17 December 2021
0 references
In questo progetto QOSIT mira a sviluppare una soluzione tecnologica il cui scopo è il calcolo ottimizzato della pianificazione integrale del funzionamento di una flotta di veicoli (autocarri, rimorchi, automobili, moto, biciclette...) di aziende logistiche di ogni tipo, dalla lunga distanza all'ultimo miglio. Questa soluzione si distinguerebbe rispetto a quella della concorrenza perché è specificamente concepita per le grandi imprese. Cioè, aziende con migliaia di nodi di consegna (50k, 75k o anche più) che distribuiscono migliaia di pacchetti o pacchetti e con grandi dimensioni della flotta (dieci o addirittura centinaia)._x000D_ _x000D_ Tipo di problemi Este sono noti come problemi di routing veicoli molto grandi e sono esempi di problemi di ottimizzazione combinatoria. Questi problemi non supportano soluzioni esatte efficienti (sono tecnicamente indicate come NP-Hard) e in molti casi vengono risolte manualmente, portando a soluzioni di bassa qualità, anche inattuabili, o soluzioni che non soddisfano tutte le restrizioni imposte._x000D_ _x000D_ Per risolvere questi tipi di problemi, verranno sviluppate tecniche e algoritmi di IA, in particolare dal Machine Learning per migliorare l'efficienza degli algoritmi, così come gli algoritmi di imballaggio 3D (3D Bin Packing Problem) per determinare se la merce assegnata al veicolo, al suo contenitore o al suo serbatoio si adatta o meno e quale posizione dovrebbe essere posizionata ogni confezione, conosciuta. La nuova soluzione può essere riassunta in questi punti:_x000D_ _x000D_ -Sfruttare in modo più efficiente le scarse risorse di un'azienda: flotta, autisti e loro tempi di lavoro._x000D_ -Riduzione del numero di persone dedicate alle attività di pianificazione._x000D_ -Migliorare il livello di servizio offerto._x000D_ -Eliminazione del rischio aziendale connesso all'automazione di questo tipo di processi di pianificazione._x000D_ — Aumentare la flessibilità e la resilienza del sistema logistico contro le crisi come la Covid19. (Italian)
16 January 2022
0 references
Σε αυτό το έργο, η QOSIT στοχεύει στην ανάπτυξη μιας τεχνολογικής λύσης, σκοπός της οποίας είναι ο βελτιστοποιημένος υπολογισμός του ολοκληρωμένου σχεδιασμού της λειτουργίας ενός στόλου οχημάτων (φορτηγά, ρυμουλκούμενα, αυτοκίνητα, μοτοσικλέτες, ποδήλατα...) εταιρειών εφοδιαστικής κάθε είδους, από μεγάλες αποστάσεις έως και το τελευταίο μίλι. Η λύση αυτή θα ξεχωρίσει έναντι της λύσης του ανταγωνισμού, διότι είναι ειδικά σχεδιασμένη για μεγάλες επιχειρήσεις. Δηλαδή, εταιρείες με χιλιάδες κόμβους παράδοσης (50k, 75k ή και περισσότερο) που διανέμουν χιλιάδες πακέτα ή πακέτα και με μεγάλα μεγέθη στόλου (δέκα ή ακόμη και εκατοντάδες)._x000D_ _x000D_ Este είδος προβλημάτων είναι γνωστά ως πολύ μεγάλο πρόβλημα πορείας οχημάτων και είναι παραδείγματα προβλημάτων συνδυασμένης βελτιστοποίησης. Τα προβλήματα αυτά δεν υποστηρίζουν αποτελεσματικές ακριβείς λύσεις (αναφέρονται τεχνικά ως NP-Hard) και σε πολλές περιπτώσεις επιλύονται χειροκίνητα, οδηγώντας σε λύσεις χαμηλής ποιότητας, ακόμη και ανεφάρμοστες λύσεις, ή λύσεις που δεν πληρούν όλους τους περιορισμούς που επιβάλλονται._x000D_ _x000D_ Για την επίλυση αυτών των τύπων προβλημάτων, τεχνικών και αλγορίθμων τεχνητής νοημοσύνης θα αναπτυχθούν, συγκεκριμένα από τη Μηχανική Μάθηση για τη βελτίωση της αποτελεσματικότητας των αλγορίθμων, καθώς και των αλγορίθμων 3D συσκευασίας (3D Bin Packing Problem) για να καθοριστεί αν το εμπόρευμα που αποδίδεται στο όχημα, το δοχείο ή η δεξαμενή του ταιριάζει ή όχι και ποια θέση θα πρέπει να τοποθετηθεί κάθε πακέτο, γνωστές διαστάσεις του. Η νέα λύση μπορεί να συνοψιστεί σε αυτά τα σημεία:_x000D_ _x000D_ -Αξιοποιώντας αποτελεσματικότερη χρήση των σπάνιων πόρων μιας εταιρείας: στόλος, οδηγοί και οι χρόνοι εργασίας τους._x000D_ -Μείωση του αριθμού των ατόμων που αφιερώνονται σε εργασίες σχεδιασμού._x000D_ -Βελτίωση του επιπέδου της προσφερόμενης υπηρεσίας._x000D_ — Εξάλειψη του επιχειρηματικού κινδύνου που εμπλέκεται στην αυτοματοποίηση αυτού του τύπου διαδικασιών σχεδιασμού._x000D_ -Αύξηση της ευελιξίας και της ανθεκτικότητας του συστήματος εφοδιαστικής έναντι κρίσεων όπως η Covid19. (Greek)
18 August 2022
0 references
I dette projekt har QOSIT til formål at udvikle en teknologisk løsning, hvis formål er at optimere beregningen af den integrerede planlægning af driften af en flåde af køretøjer (lastbiler, trailere, biler, motorcykler, cykler osv.) af logistikvirksomheder af enhver art, fra lang afstand til sidste kilometer. Denne løsning ville være i strid med konkurrencereglerne, fordi den er specielt udformet til store virksomheder. Det vil sige virksomheder med tusindvis af leveringsknuder (50k, 75k eller endnu mere), der distribuerer tusindvis af pakker eller pakker og med store flådestørrelser (ti eller endda hundredvis)._x000D_ _x000D_ Este type problemer er kendt som Meget stort køretøj Routing Problem og er eksempler på kombinatoriske optimering problemer. Disse problemer understøtter ikke effektive nøjagtige løsninger (de kaldes teknisk NP-Hard) og løses i mange tilfælde manuelt, hvilket fører til løsninger af lav kvalitet, selv uigennemførlige løsninger, eller løsninger, der ikke opfylder alle de pålagte begrænsninger._x000D_ _x000D_ For at løse disse typer af problemer, teknikker og AI-algoritmer vil blive udviklet, specifikt fra Machine Learning for at forbedre effektiviteten af algoritmer, samt 3D-emballagealgoritmer (3D Bin Packing Problem) for at afgøre, om de varer, der er tildelt køretøjet, dets beholder eller tank passer eller ej, og hvilken position der skal placeres hver pakke, kendte dens dimensioner. Den nye løsning kan sammenfattes i disse punkter:_x000D_ _x000D_ — En mere effektiv udnyttelse af en virksomheds knappe ressourcer: flåde, chauffører og deres arbejdstider._x000D_ — Reducering af antallet af mennesker, der er dedikeret til planlægningsopgaver._x000D_ -Forbedring af det tilbudte serviceniveau._x000D_ — Afskaffelse af den forretningsrisiko, der er forbundet med automatiseringen af denne type planlægningsprocesser._x000D_ — Øge logistiksystemets fleksibilitet og modstandsdygtighed over for kriser som Covid19. (Danish)
18 August 2022
0 references
Tässä hankkeessa QOSIT-hankkeen tavoitteena on kehittää teknologinen ratkaisu, jonka tarkoituksena on optimoida kaikenlaisten logistiikkayritysten ajoneuvokannan (kuorma-autot, perävaunut, autot, moottoripyörät, pyörät jne.) kokonaisvaltaisen suunnittelun laskeminen pitkän matkan ja viimeisen mailin välillä. Tämä ratkaisu eroaisi kilpailukyvystä, koska se on suunniteltu erityisesti suurille yrityksille. Toisin sanoen yritykset, joilla on tuhansia toimitussolmuja (50k, 75k tai jopa enemmän), jotka jakelevat tuhansia paketteja tai paketteja ja joilla on suuri laivastokoko (kymmenen tai jopa satoja)._x000D_ _x000D_ Este-tyyppisiä ongelmia kutsutaan erittäin suuriksi ajoneuvojen reititysongelmaksi ja ovat esimerkkejä kombinatorisista optimointiongelmista. Nämä ongelmat eivät tue tehokkaita tarkkoja ratkaisuja (niitä kutsutaan teknisesti nimellä NP -Hard), ja monissa tapauksissa ne ratkaistaan manuaalisesti, mikä johtaa heikkolaatuisiin ratkaisuihin, jopa käyttökelvottomiin ratkaisuihin tai ratkaisuihin, jotka eivät täytä kaikkia asetettuja rajoituksia._x000D_ _x000D_ Tämäntyyppisten ongelmien, tekniikoiden ja AI-algoritmien ratkaisemiseksi kehitetään erityisesti Machine Learning -algoritmeja, jotka parantavat algoritmien tehokkuutta, sekä 3D-pakkausalgoritmeja (3D Bin Packing Problem) sen määrittämiseksi, sopiiko ajoneuvolle, sen säiliölle tai säiliölle annettu kauppatavara vai ei ja mikä sijainti olisi sijoitettava kuhunkin pakettiin, sen mitat. Uusi ratkaisu voidaan tiivistää seuraaviin kohtiin:_x000D_ _x000D_ -Yritysten niukkojen resurssien tehokkaampi käyttö: kalusto, kuljettajat ja heidän työaikansa._x000D_ – Suunnittelutehtäviin varattujen henkilöiden määrän vähentäminen._x000D_ -tarjotun palvelun tason parantaminen._x000D_ – Tällaisten suunnitteluprosessien automatisointiin liittyvän liiketoimintariskin poistaminen._x000D_ – Logistiikkajärjestelmän joustavuuden ja häiriönsietokyvyn lisääminen Covid19 kaltaisia kriisejä vastaan. (Finnish)
18 August 2022
0 references
F’dan il-proġett, il-QOSIT għandu l-għan li jiżviluppa soluzzjoni teknoloġika li l-għan tagħha huwa l-kalkolu ottimizzat tal-ippjanar integrali tal-operat ta’ flotta ta’ vetturi (trakkijiet, trejlers, karozzi, muturi, roti...) ta’ kumpaniji tal-loġistika ta’ kull tip, minn distanza twila sal-aħħar mil. Din is-soluzzjoni tmur kontra dawk tal-kompetizzjoni għaliex hija mfassla speċifikament għall-kumpaniji l-kbar. Jiġifieri, kumpaniji b’eluf ta ‘nodi kunsinna (50k, 75k jew saħansitra aktar) li jqassmu eluf ta’ pakketti jew pakketti u ma ‘daqsijiet kbar tal-flotta (għaxar jew saħansitra mijiet)._x000D_ _x000D_ Tip ta ‘stabbiliment ta’ problemi huma magħrufa bħala Problema Routing Vettura Kbar Ħafna u huma eżempji ta ‘problemi ta’ ottimizzazzjoni kombinazzjoni. Dawn il-problemi ma jappoġġjawx soluzzjonijiet preċiżi effiċjenti (huma teknikament imsemmija bħala NP — Hard) u f’ħafna każijiet qed jiġu solvuti manwalment, li jwasslu għal soluzzjonijiet ta’ kwalità baxxa, anke soluzzjonijiet mhux fattibbli, jew soluzzjonijiet li ma jissodisfawx ir-restrizzjonijiet kollha imposti._x000D_ _x000D_ Biex jissolvew dawn it-tipi ta’ problemi, tekniki u algoritmi tal-IA se jiġu żviluppati, speċifikament minn Machine Learning biex tittejjeb l-effiċjenza tal-algoritmi, kif ukoll algoritmi ta’ ppakkjar 3D (Problema ta’ 3D Ippakkjar) biex jiġi ddeterminat jekk il-merkanzija li hija assenjata lill-vettura, il-kontejner jew it-tankijiet tagħha għandhiex titqiegħed f’pożizzjoni. Is-soluzzjoni l-ġdida tista’ titqassar f’dawn il-punti:_x000D_ _x000D_ -Nagħmlu użu aktar effiċjenti tar-riżorsi skarsi ta’ kumpanija: flotta, sewwieqa u l-ħinijiet tax-xogħol tagħhom._x000D_ -Tnaqqis tal-għadd ta’ persuni ddedikati għal kompiti ta’ ppjanar._x000D_ -Titjib tal-livell ta’ servizz offrut._x000D_ -Eliminazzjoni tar-riskju tan-negozju involut fl-awtomatizzazzjoni ta’ dan it-tip ta’ proċessi ta’ ppjanar._x000D_ -Żieda fil-flessibbiltà u r-reżiljenza tas-sistema loġistika kontra kriżijiet bħall-Covid19. (Maltese)
18 August 2022
0 references
Šajā projektā QOSIT mērķis ir izstrādāt tehnoloģisku risinājumu, kura mērķis ir optimizēt visu veidu loģistikas uzņēmumu transportlīdzekļu (kravas automobiļu, piekabju, automobiļu, motociklu, velosipēdu u. c.) autoparka plānošanu, sākot no tālsatiksmes līdz pēdējai jūdzei. Šis risinājums izceltos pret konkurences risinājumu, jo tas ir īpaši paredzēts lieliem uzņēmumiem. Tas ir, uzņēmumi ar tūkstošiem piegādes mezglu (50k, 75k vai pat vairāk), kas izplata tūkstošiem iepakojumu vai iepakojumu un ar lielu flotes izmēru (desmit vai pat simtiem)._x000D_ _x000D_ Este veida problēmas ir pazīstamas kā ļoti liela transportlīdzekļa maršruta problēma un ir kombinētās optimizācijas problēmu piemēri. Šīs problēmas neatbalsta efektīvus, precīzus risinājumus (tie tehniski tiek saukti par NP-Hard), un daudzos gadījumos tie tiek risināti manuāli, kā rezultātā tiek izstrādāti zemas kvalitātes risinājumi, pat nestrādājami risinājumi vai risinājumi, kas neatbilst visiem noteiktajiem ierobežojumiem._x000D_ _x000D_ Lai atrisinātu šāda veida problēmas, metodes un AI algoritmus, jo īpaši no Machine Learning, lai uzlabotu algoritmu efektivitāti, kā arī 3D iepakojuma algoritmus (3D Bin Packing Problem), lai noteiktu, vai prece, kas ir piešķirta transportlīdzeklim, tā tvertnei vai tvertnei, atbilst vai nav un kāda vieta būtu jānovieto katram iepakojumam, zināmajiem izmēriem. Jauno risinājumu var apkopot šajos punktos:_x000D_ _x000D_ -Efektīvāka uzņēmuma ierobežoto resursu izmantošana: flote, šoferi un to darba laiki._x000D_ — Samazinot to cilvēku skaitu, kas veltīti plānošanas uzdevumiem._x000D_ — Piedāvātā pakalpojuma līmeņa uzlabošana._x000D_ -Uzņēmuma riska mazināšana, kas saistīts ar šāda veida plānošanas procesu automatizāciju._x000D_ — Loģistikas sistēmas elastīguma un elastīguma palielināšana pret tādām krīzēm kā Covid-19. (Latvian)
18 August 2022
0 references
Cieľom projektu QOSIT je vyvinúť technologické riešenie, ktorého účelom je optimalizovaný výpočet integrálneho plánovania prevádzky vozového parku (nákladné vozidlá, prívesy, autá, motocykle, bicykle...) logistických spoločností všetkých druhov, od diaľky až po poslednú míľu. Toto riešenie by bolo v rozpore s konkurenciou, pretože je špeciálne navrhnuté pre veľké spoločnosti. To znamená, že spoločnosti s tisíckami dodacích uzlov (50k, 75k alebo dokonca viac), ktoré distribuujú tisíce balíkov alebo balíčkov a s veľkými veľkosťami vozového parku (desať alebo dokonca stovky)._x000D_ _x000D_ Este Typ problémov sú známe ako veľmi veľký problém smerovania vozidiel a sú príkladmi problémov s kombinovanou optimalizáciou. Tieto problémy nepodporujú efektívne presné riešenia (sú technicky označované ako NP – Hard) a v mnohých prípadoch sa riešia manuálne, čo vedie k nekvalitným riešeniam, dokonca aj nefunkčným riešeniam alebo riešeniam, ktoré nespĺňajú všetky uložené obmedzenia._x000D_ _x000D_ Na vyriešenie týchto typov problémov sa vyvinú techniky a algoritmy umelej inteligencie, a to najmä od strojového učenia na zlepšenie efektívnosti algoritmov, ako aj algoritmov 3D obalov (3D Bin Balenie Problm), aby sa zistilo, či tovar, ktorý je priradený k vozidlu, jeho kontajneru alebo nádrži, alebo nie, a ktoré miesto by malo byť umiestnené každé balenie, známe jeho rozmery. Nové riešenie možno zhrnúť v týchto bodoch:_x000D_ _x000D_ -Efektívnejšie využívanie obmedzených zdrojov spoločnosti: vozový park, vodiči a ich pracovné časy._x000D_ -Zníženie počtu ľudí venovaných plánovacím úlohám._x000D_ -Zlepšenie úrovne ponúkaných služieb._x000D_ -Odstránenie podnikateľského rizika spojeného s automatizáciou tohto typu plánovacích procesov._x000D_ – Zvyšovanie flexibility a odolnosti logistického systému proti krízam, ako je Covid19. (Slovak)
18 August 2022
0 references
Sa tionscadal seo tá sé mar aidhm ag qosIT réiteach teicneolaíochta a fhorbairt a bhfuil sé mar chuspóir aige ríomh optamaithe a dhéanamh ar phleanáil lárnach oibriú flít feithiclí (trucailí, leantóirí, gluaisteáin, gluaisrothair, rothair...) cuideachtaí loighistice de gach cineál, ó achar fada go dtí an míle deireanach. Sheasfadh an réiteach sin amach i gcoinne na hiomaíochta toisc go bhfuil sé deartha go sonrach do chuideachtaí móra. Is é sin, cuideachtaí a bhfuil na mílte nóid seachadta (50k, 75k nó fiú níos mó) a dháileadh na mílte pacáistí nó pacáistí agus le méideanna cabhlaigh mór (deich nó fiú céadta)._x000D_ _x000D_ Este cineál fadhbanna ar a dtugtar an-mhór Fadhb Routing Feithiclí agus is samplaí de fhadhbanna leas iomlán a bhaint combinatorial. Ní thacaíonn na fadhbanna seo le réitigh bheachta éifeachtúla (tagraítear orthu go teicniúil mar NP –Hard) agus in a lán cásanna, tá siad á réiteach de láimh, as a dtiocfaidh réitigh ar chaighdeán íseal, réitigh neamh-inoibrithe fiú, nó réitigh nach gcomhlíonann na srianta go léir a fhorchuirtear._x000D_ _x000D_ Forbrófar na cineálacha fadhbanna, teicnící agus algartaim IS seo, go sonrach ó mheaisínfhoghlaim chun éifeachtúlacht algartaim a fheabhsú, chomh maith le halgartaim phacáistithe 3D (3D Fadhb Pacála Bin) chun a chinneadh cibé an n-oireann nó nach n-oireann an t-earraí a shanntar don fheithicil, a choimeádán nó a umar nó nach n-oireann agus ar cheart gach pacáiste a chur, ar a dtugtar a thoisí. Is féidir an réiteach nua a achoimriú sna pointí seo: _x000D_ _x000D_ Úsáid níos éifeachtaí a bhaint as acmhainní gann cuideachta: flít, tiománaithe agus a n-amanna oibre._x000D_ -Laghdú ar líon na ndaoine atá tiomanta do thascanna pleanála._x000D_ -Feabhas a chur ar leibhéal na seirbhíse a thairgtear._x000D_ -Deireadh a chur leis an riosca gnó a bhaineann le huathoibriú an chineáil seo próiseas pleanála._x000D_ -Méadú ar sholúbthacht agus athléimneacht an chórais lóistíochta i gcoinne géarchéimeanna ar nós Covid19. (Irish)
18 August 2022
0 references
V tomto projektu se QOSIT zaměřuje na vývoj technologického řešení, jehož účelem je optimalizovaný výpočet uceleného plánování provozu vozového parku (vozidel, přívěsů, automobilů, motocyklů, kol...) logistických společností všeho druhu, od dlouhé vzdálenosti až po poslední míli. Toto řešení by vyčnívalo proti konkurenčním řešením, protože je určeno speciálně pro velké společnosti. To znamená, že společnosti s tisíci doručovacích uzlů (50k, 75k nebo více), které distribuují tisíce balíčků nebo balíčků a mají velké velikosti vozového parku (deset nebo dokonce stovky)._x000D_ _x000D_ Typ Este jsou známé jako Very Large Vehicle Routing Problem a jsou příklady problémů s kombinatorickou optimalizací. Tyto problémy nepodporují efektivní přesná řešení (technicky se označují jako NP-Hard) a v mnoha případech jsou řešeny ručně, což vede k nekvalitním řešením, dokonce i nepoužitelným řešením, nebo řešením, která nesplňují všechna uložená omezení._x000D_ _x000D_ Pro řešení těchto typů problémů, technik a algoritmů umělé inteligence budou vyvinuty, konkrétně od strojového učení ke zlepšení efektivity algoritmů, stejně jako algoritmů 3D balení (3D Bin Packing Problem), aby se zjistilo, zda zboží, které je přiřazeno k vozidlu, jeho kontejneru nebo nádrži, či nikoli, a jaká pozice by měla být umístěna každý balíček, známý jeho rozměry. Nové řešení lze shrnout v těchto bodech:_x000D_ _x000D_ -Zefektivnění využívání omezených zdrojů společnosti: vozový park, řidiči a jejich pracovní doba._x000D_ -Snížení počtu osob věnovaných plánovacím úkolům._x000D_ -Zlepšení úrovně nabízených služeb._x000D_ -Odstranění podnikatelského rizika spojeného s automatizací tohoto typu plánovacích procesů._x000D_ -Zvýšení flexibility a odolnosti logistického systému proti krizím, jako je Covid19. (Czech)
18 August 2022
0 references
Neste projeto QOSIT visa desenvolver uma solução tecnológica cujo objetivo é o cálculo otimizado do planejamento integral da operação de uma frota de veículos (camiões, reboques, carros, motocicletas, bicicletas...) de empresas de logística de todos os tipos, de longa distância a última milha. Esta solução destacar-se-ia contra as da concorrência, uma vez que é especificamente concebida para grandes empresas. Ou seja, empresas com milhares de nós de entrega (50k, 75k ou mais) que distribuem milhares de pacotes ou pacotes e com grandes tamanhos de frota (dez ou mesmo centenas)._x000D_ _x000D_ Este tipo de problemas são conhecidos como Problemas de roteamento de veículos muito grandes e são exemplos de problemas de otimização combinatória. Esses problemas não suportam soluções exatas eficientes (são tecnicamente referidos como NP-Hard) e, em muitos casos, estão sendo resolvidos manualmente, levando a soluções de baixa qualidade, mesmo soluções impraticáveis, ou soluções que não atendem a todas as restrições impostas._x000D_ _x000D_ Para resolver esses tipos de problemas, técnicas e algoritmos de IA serão desenvolvidos, especificamente a partir de Machine Learning para melhorar a eficiência dos algoritmos, bem como algoritmos de embalagem 3D (3D Bin Packing Problem) para determinar se a mercadoria que é atribuída ao veículo, seu recipiente ou tanque se encaixa ou não e qual posição deve ser colocada cada pacote, conhecido suas dimensões. A nova solução pode ser resumida nestes pontos:_x000D_ _x000D_ -Fazer uma utilização mais eficiente dos escassos recursos de uma empresa: frota, condutores e seus tempos de trabalho._x000D_ -Reduzir o número de pessoas dedicadas a tarefas de planejamento._x000D_ -Melhorar o nível de serviço oferecido._x000D_ -Eliminação do risco comercial envolvido na automação deste tipo de processos de planejamento._x000D_ — Aumentar a flexibilidade e a resiliência do sistema logístico contra crises como a Covid19. (Portuguese)
18 August 2022
0 references
Selles projektis on QOSITi eesmärk töötada välja tehnoloogiline lahendus, mille eesmärk on optimeerida igat liiki logistikaettevõtete sõidukite (veokid, haagised, autod, mootorrattad, jalgrattad jne) käitamise integreeritud planeerimise optimeeritud arvutused pikast kuni viimase miilini. See lahendus eristub konkurentsist, sest see on mõeldud spetsiaalselt suurtele ettevõtetele. See tähendab ettevõtteid, kellel on tuhandeid tarnesõlmi (50k, 75k või isegi rohkem), mis jaotavad tuhandeid pakette või pakette ja millel on suured sõidukipargi suurused (kümme või isegi sadu)._x000D_ _x000D_ Este tüüpi probleemid on tuntud kui väga suured sõidukimarsruutide probleemid ja on näited kombinatorisatsiooni optimeerimise probleemidest. Need probleemid ei toeta tõhusaid täpseid lahendusi (neid nimetatakse tehniliselt NP-Hardiks) ja paljudel juhtudel lahendatakse neid käsitsi, mis viib madala kvaliteediga lahendusteni, isegi mittetoimivate lahendusteni, või lahendusteni, mis ei vasta kõigile kehtestatud piirangutele._x000D_ _x000D_ Selliste probleemide lahendamiseks töötatakse välja tehnikad ja tehisintellekti algoritmid, eriti alates Machine Learning’ist algoritmide tõhususe parandamiseks, samuti 3D-pakendi algoritmide (3D Bin pakkimisprobleem) kindlaksmääramiseks, kas sõidukile määratud kaup, selle konteiner või paak sobib või mitte, ning milline asend tuleks paigutada iga pakendi, tuntud mõõtmetega. Uue lahenduse võib kokku võtta järgmistes punktides:_x000D_ _x000D_ – Ettevõtte nappide ressursside tõhusam kasutamine: sõidukipark, autojuhid ja nende tööaeg._x000D_ -Põhjendamise ülesannetega tegelevate inimeste arvu vähendamine._x000D_ -Pakutava teenuse taseme parandamine._x000D_ – Seda liiki planeerimisprotsesside automatiseerimisega seotud äririski vähendamine._x000D_ – logistikasüsteemi paindlikkuse ja vastupidavuse suurendamine selliste kriiside korral nagu Covid19. (Estonian)
18 August 2022
0 references
Ebben a projektben a QOSIT célja egy olyan technológiai megoldás kifejlesztése, amelynek célja a logisztikai cégek járműállománya (teherautók, pótkocsik, autók, motorkerékpárok, kerékpárok stb.) üzemeltetésének integrált tervezésének optimalizált kiszámítása mindenféle logisztikai cégnél, a távolságtól az utolsó mérföldig. Ez a megoldás kiemelkedik a verseny ellen, mivel kifejezetten a nagyvállalatok számára készült. Vagyis a több ezer szállítási csomóponttal (50k, 75k vagy még több) rendelkező vállalatok, amelyek több ezer csomagot vagy csomagot osztanak szét, és nagy flottamérettel rendelkeznek (tíz vagy akár száz)._x000D_ _x000D_ Este típusú problémák nagyon nagy járműútválasztási problémaként ismertek, és példák a kombinatorikus optimalizálási problémákra. Ezek a problémák nem támogatják a hatékony és pontos megoldásokat (ezeket technikailag NP-Hard-nak nevezik), és sok esetben manuálisan oldódnak meg, ami alacsony minőségű megoldásokhoz, még nem működőképes megoldásokhoz, vagy olyan megoldásokhoz vezet, amelyek nem felelnek meg az összes előírt korlátozásnak._x000D_ _x000D_ Az ilyen típusú problémák, technikák és mesterségesintelligencia-algoritmusok megoldására kerül kidolgozásra, különösen a Machine Learning-től az algoritmusok hatékonyságának javítása érdekében, valamint a 3D csomagolási algoritmusokat (3D Bin Packing Problem) annak meghatározására, hogy a járműhöz rendelt áru, annak konténere vagy tartálya illeszkedjen-e vagy sem, és melyik pozíciót kell elhelyezni minden egyes csomag esetében, ismert méreteket. Az új megoldás a következő pontokban foglalható össze:_x000D_ _x000D_ – A vállalat szűkös erőforrásainak hatékonyabb felhasználása: flotta, járművezetők és munkaidejük._x000D_ -A tervezési feladatokkal foglalkozó emberek számának csökkentése._x000D_ -A kínált szolgáltatás szintjének javítása._x000D_ -Az ilyen típusú tervezési folyamatok automatizálásával járó üzleti kockázat megszüntetése._x000D_ -A logisztikai rendszer rugalmasságának és ellenálló képességének növelése a Covid19-hez hasonló válságokkal szemben. (Hungarian)
18 August 2022
0 references
В този проект QOSIT има за цел да разработи технологично решение, чиято цел е оптимизираното изчисляване на цялостното планиране на експлоатацията на автопарк от превозни средства (камиони, ремаркета, автомобили, мотоциклети, велосипеди...) на логистични компании от всякакъв вид, от дълги разстояния до последната миля. Това решение би се отличавало с тези на конкуренцията, тъй като е специално предназначено за големи предприятия. Т.е. компании с хиляди възли за доставка (50k, 75k или дори повече), които разпространяват хиляди пакети или пакети и с големи размери на автопарка (десет или дори стотици)._x000D_ _x000D_ Este тип проблеми са известни като Много голям проблем с маршрутизирането на превозните средства и са примери за проблеми с комбинаторната оптимизация. Тези проблеми не поддържат ефективни точни решения (те са технически наричани NP –Hard) и в много случаи се решават ръчно, което води до решения с ниско качество, дори неработещи решения, или решения, които не отговарят на всички наложени ограничения._x000D_ _x000D_ За решаване на тези видове проблеми ще бъдат разработени техники и алгоритми на ИИ, по-специално от машинното обучение за подобряване на ефективността на алгоритмите, както и 3D алгоритмите за опаковане (3D Bin Packing Problem), за да се определи дали стоката, която е възложена на превозното средство, контейнера или резервоарите му се вписва или не и коя позиция следва да бъде поставена всяка опаковка, известните му размери. Новото решение може да бъде обобщено в следните точки:_x000D_ _x000D_ — Осъществяване на по-ефективно използване на оскъдните ресурси на дружеството: автопарк, шофьори и тяхното работно време._x000D_ -Намаляване на броя на хората, ангажирани с планирането на задачи._x000D_ -Подобряване на нивото на предлаганите услуги._x000D_ -Премахване на бизнес риска, свързан с автоматизацията на този вид процеси на планиране._x000D_ -Повишаване на гъвкавостта и устойчивостта на логистичната система срещу кризи като Covid19. (Bulgarian)
18 August 2022
0 references
Šiame projekte QOSIT siekia sukurti technologinį sprendimą, kurio tikslas – optimizuoti visų rūšių logistikos įmonių transporto priemonių (sunkvežimių, priekabų, automobilių, motociklų, dviračių ir kt.) parko eksploatavimo skaičiavimą nuo ilgo atstumo iki paskutinės mylios. Šis sprendimas būtų nesuderinamas su konkurencijos principais, nes jis skirtas būtent didelėms įmonėms. Tai reiškia, kad įmonės, turinčios tūkstančius pristatymo mazgų (50k, 75k ar net daugiau), kurios platina tūkstančius pakuočių ar pakuočių ir su dideliais parkų dydžiais (dešimt ar net šimtai)._x000D_ _x000D_ Este tipo problemų yra žinomos kaip labai didelės transporto priemonės maršruto problemos ir yra derinimo optimizavimo problemų pavyzdžiai. Šios problemos nepalaiko efektyvių tikslių sprendimų (jie techniškai vadinami NP – „Hard“) ir daugeliu atvejų yra sprendžiami rankiniu būdu, todėl atsiranda žemos kokybės sprendimai, net neveiksmingi sprendimai arba sprendimai, kurie neatitinka visų nustatytų apribojimų._x000D_ _000D_ Siekiant išspręsti šių tipų problemas, bus sukurti metodai ir AI algoritmai, ypač nuo mašinų mokymosi, siekiant pagerinti algoritmų efektyvumą, taip pat 3D pakavimo algoritmai (3D dėžės pakavimo problema), siekiant nustatyti, ar transporto priemonei, jos konteineriui ar rezervuarui priskirtos prekės tinka, ar ne, ir kuri padėtis turėtų būti pateikta kiekvienoje pakuotėje, žinomi jos matmenys. Naują sprendimą galima apibendrinti šiuose punktuose:_x000D_ _x000D_ – Efektyviau naudoti ribotus įmonės išteklius: laivynas, vairuotojai ir jų darbo laikas._x000D_ -Sumažinti žmonių, skirtų planuoti užduotis, skaičių._x000D_ -Siūlomų paslaugų lygio gerinimas._x000D_ -Verslo rizikos, susijusios su tokio tipo planavimo procesų automatizavimu, panaikinimas._x000D_ – Logistikos sistemos lankstumo ir atsparumo didinimas tokioms krizėms kaip Covid19. (Lithuanian)
18 August 2022
0 references
U ovom projektu QOSIT ima za cilj razviti tehnološko rješenje čija je svrha optimiziran izračun integralnog planiranja rada voznog parka vozila (kamioni, prikolice, automobili, motocikli, bicikli...) logističkih tvrtki svih vrsta, od velike udaljenosti do posljednjeg kilometra. To bi se rješenje izdvojilo protiv rješenja tržišnog natjecanja jer je posebno osmišljeno za velika poduzeća. To jest, tvrtke s tisućama dostavnih čvorova (50k, 75k ili čak više) koje distribuiraju tisuće paketa ili paketa i velikih veličina voznog parka (deset ili čak stotina)._x000D_ _x000D_ Este tip problema su poznati kao vrlo veliki problem usmjeravanja vozila i primjeri su kombinatornih problema optimizacije. Ti problemi ne podržavaju učinkovita točna rješenja (tehnički se nazivaju NP-Hard) i u mnogim se slučajevima rješavaju ručno, što dovodi do nekvalitetnih rješenja, čak i neispravnih rješenja, ili rješenja koja ne zadovoljavaju sva nametnuta ograničenja._x000D_ _x000D_ Za rješavanje tih vrsta problema, tehnika i algoritama umjetne inteligencije razvijat će se posebno od strojnog učenja do poboljšanja učinkovitosti algoritama, kao i 3D algoritma pakiranja (3D Bin Packing Problem) kako bi se utvrdilo je li roba dodijeljena vozilu, spremniku ili spremniku ili ne i koji bi položaj trebao biti postavljen svaki paket, poznate njegove dimenzije. Novo rješenje može se sažeti u ovim točkama:_x000D_ _x000D_ -Učinkovitije korištenje oskudnih resursa tvrtke: flota, vozači i njihovo radno vrijeme._x000D_ -Smanjenje broja ljudi posvećenih zadacima planiranja._x000D_ -Poboljšanje razine ponuđene usluge._x000D_ -Uklanjanje poslovnog rizika uključenog u automatizaciju ove vrste procesa planiranja._x000D_ -Povećanje fleksibilnosti i otpornosti logističkog sustava na krize kao što je Covid19. (Croatian)
18 August 2022
0 references
I detta projekt syftar QOSIT till att utveckla en teknisk lösning vars syfte är att optimera beräkningen av den integrerade planeringen av driften av en fordonspark (lastbilar, släpvagnar, bilar, motorcyklar, cyklar...) av logistikföretag av alla slag, från långa avstånd till sista kilometern. Denna lösning skulle stå emot konkurrens, eftersom den är särskilt utformad för stora företag. Det vill säga företag med tusentals leveransnoder (50k, 75k eller ännu fler) som distribuerar tusentals paket eller paket och med stora flottstorlekar (tio eller till och med hundratals)._x000D_ _x000D_ Este typ av problem är kända som Very Large Vehicle Routing Problem och är exempel på kombinatoriska optimeringsproblem. Dessa problem stöder inte effektiva exakta lösningar (de kallas tekniskt NP-Hard) och i många fall löses manuellt, vilket leder till lösningar av låg kvalitet, även oanvändbara lösningar, eller lösningar som inte uppfyller alla de begränsningar som införts._x000D_ _x000D_ För att lösa dessa typer av problem kommer tekniker och AI-algoritmer att utvecklas, särskilt från Machine Learning för att förbättra algoritmernas effektivitet, samt 3D-förpackningsalgoritmer (3D Bin Packing Problem) för att avgöra om de varor som tilldelas fordonet, dess behållare eller tank passar eller inte och vilken position som ska placeras varje paket, kända dess dimensioner. Den nya lösningen kan sammanfattas i dessa punkter:_x000D_ _x000D_ -Att effektivisera användningen av ett företags knappa resurser: vagnpark, förare och deras arbetstider._x000D_ – Minska antalet personer som ägnar sig åt planeringsuppgifter._x000D_ -Förbättra den servicenivå som erbjuds._x000D_ -Elimination av den affärsrisk som är involverad i automatiseringen av denna typ av planeringsprocesser._x000D_ – Öka logistiksystemets flexibilitet och motståndskraft mot kriser som Covid19. (Swedish)
18 August 2022
0 references
În acest proiect, QOSIT își propune să dezvolte o soluție tehnologică al cărei scop este calcularea optimizată a planificării integrale a funcționării unei flote de vehicule (camioane, remorci, mașini, motociclete, biciclete...) a companiilor logistice de toate tipurile, de la distanță până la ultima milă. Această soluție s-ar opune concurenței, deoarece este concepută special pentru întreprinderile mari. Adică, companiile cu mii de noduri de livrare (50k, 75k sau chiar mai mult) care distribuie mii de pachete sau pachete și cu dimensiuni mari ale flotei (zece sau chiar sute)._x000D_ _x000D_ Este tipul de probleme sunt cunoscute sub numele de probleme de rutare a vehiculelor foarte mari și sunt exemple de probleme de optimizare combinată. Aceste probleme nu susțin soluții exacte eficiente (acestea sunt denumite din punct de vedere tehnic NP-Hard) și, în multe cazuri, sunt rezolvate manual, ceea ce duce la soluții de calitate scăzută, chiar soluții inaplicabile, sau soluții care nu îndeplinesc toate restricțiile impuse._x000D_ _x000D_ Pentru a rezolva aceste tipuri de probleme, vor fi dezvoltate tehnici și algoritmi de IA, în special de la Machine Learning pentru a îmbunătăți eficiența algoritmilor, precum și algoritmi de ambalare 3D (problemă de ambalare 3D Bin) pentru a determina dacă marfa care este atribuită vehiculului, containerului sau rezervorului său se potrivește sau nu și care poziție ar trebui plasată fiecare pachet, cunoscut dimensiunile acestuia. Noua soluție poate fi rezumată în aceste puncte:_x000D_ _x000D_ -Utilizarea mai eficientă a resurselor limitate ale unei companii: flota, șoferii și timpul lor de lucru._x000D_ -Reducerea numărului de persoane dedicate planificării sarcinilor._x000D_ -Îmbunătățirea nivelului serviciilor oferite._x000D_ -Eliminarea riscului de afaceri implicat în automatizarea acestui tip de procese de planificare._x000D_ -Creșterea flexibilității și rezilienței sistemului logistic împotriva crizelor precum Covid19. (Romanian)
18 August 2022
0 references
Cilj projekta QOSIT je razviti tehnološko rešitev, katere namen je optimiziran izračun celostnega načrtovanja obratovanja voznega parka (tovornjakov, priklopnikov, avtomobilov, motornih koles, koles...) logističnih podjetij vseh vrst, od daleč do zadnje milje. Ta rešitev bi bila v primerjavi s konkurenčnimi rešitvami, ker je zasnovana posebej za velika podjetja. To pomeni, podjetja s tisoči dostavnih vozlišč (50k, 75k ali še več), ki distribuirajo na tisoče paketov ali paketov in z velikimi velikostmi voznega parka (deset ali celo na stotine)._x000D_ _x000D_ Este vrsta težav so znani kot zelo velika vozila usmerjanje Problem in so primeri kombinatorialne optimizacije težav. Te težave ne podpirajo učinkovitih natančnih rešitev (tehnično se imenujejo NP-Hard) in se v mnogih primerih rešujejo ročno, kar vodi do nizko kakovostnih rešitev, celo neuporabljivih rešitev ali rešitev, ki ne izpolnjujejo vseh naloženih omejitev._x000D_ _x000D_ Za reševanje teh težav bodo razvite tehnike in algoritmi umetne inteligence, zlasti iz strojnega učenja za izboljšanje učinkovitosti algoritmov, pa tudi 3D embalažnih algoritmov (3D Bin Packing Problem) za določitev, ali je blago, ki je dodeljeno vozilu, njegovi posodi ali rezervoarju ali ne, in kateri položaj je treba namestiti vsak paket, znane njegove dimenzije. Novo rešitev je mogoče povzeti v teh točkah:_x000D_ _x000D_ -Učinkovitejša uporaba omejenih virov podjetja: vozni park, vozniki in njihov delovni čas._x000D_ -Zmanjšanje števila ljudi, namenjenih nalogam načrtovanja._x000D_ -Izboljšanje ravni ponujene storitve._x000D_ -Odprava poslovnega tveganja, povezanega z avtomatizacijo tovrstnih postopkov načrtovanja._x000D_ -Povečanje prožnosti in odpornosti logističnega sistema proti krizam, kot je COVID-19. (Slovenian)
18 August 2022
0 references
W tym projekcie QOSIT ma na celu opracowanie rozwiązania technologicznego, którego celem jest zoptymalizowane obliczenie zintegrowanego planowania eksploatacji floty pojazdów (ciężarówek, przyczep, samochodów, motocykli, rowerów...) wszelkiego rodzaju firm logistycznych, od dużej odległości do ostatniej mili. Rozwiązanie to wyróżniałoby się w porównaniu z konkurencją, ponieważ zostało zaprojektowane specjalnie dla dużych przedsiębiorstw. Oznacza to, że firmy z tysiącami węzłów dostawowych (50k, 75k lub nawet więcej), które dystrybuują tysiące paczek lub pakietów i o dużych rozmiarach floty (dziesięć lub nawet setki)._x000D_ _x000D_ Este typ problemów są znane jako Bardzo duży problem z Routingiem pojazdów i są przykładami problemów z optymalizacją kombinacyjną. Problemy te nie wspierają skutecznych precyzyjnych rozwiązań (są technicznie określane jako NP-Hard) i w wielu przypadkach są rozwiązywane ręcznie, co prowadzi do rozwiązań niskiej jakości, nawet niewykonalnych, lub rozwiązań, które nie spełniają wszystkich nałożonych ograniczeń._x000D_ _x000D_ Aby rozwiązać tego rodzaju problemy, techniki i algorytmy AI zostaną opracowane, w szczególności od uczenia maszynowego w celu poprawy wydajności algorytmów, a także algorytmów pakowania 3D (3D Bin Packing Problem) w celu określenia, czy towar, który jest przypisany do pojazdu, jego kontenera lub zbiornika pasuje, czy też nie i jaka pozycja powinna być umieszczona dla każdego opakowania, znane jego wymiary. Nowe rozwiązanie można podsumować w tych punktach:_x000D_ _x000D_ -Dzięki bardziej efektywnemu wykorzystaniu ograniczonych zasobów firmy: flota, kierowcy i ich czas pracy._x000D_ -Zmniejszenie liczby osób zajmujących się planowaniem zadań._x000D_ -Poprawa poziomu oferowanej usługi._x000D_ -Eliminacja ryzyka biznesowego związanego z automatyzacją tego typu procesów planowania._x000D_ -Zwiększenie elastyczności i odporności systemu logistycznego na kryzysy takie jak Covid19. (Polish)
18 August 2022
0 references
Camas
0 references
20 December 2023
0 references
Identifiers
IDI-20201074
0 references