| Project/Area Number |
23K04294
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (C)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 25010:Social systems engineering-related
|
|---|
| Research Institution | Waseda University |
|---|
Principal Investigator |
大森 峻一 早稲田大学, 理工学術院, 准教授 (30649348)
|
|---|
| Project Period (FY) |
2023-04-01 – 2027-03-31
|
| Project Status |
Granted (Fiscal Year 2023)
|
| Budget Amount *help |
¥4,680,000 (Direct Cost: ¥3,600,000、Indirect Cost: ¥1,080,000)
Fiscal Year 2026: ¥1,300,000 (Direct Cost: ¥1,000,000、Indirect Cost: ¥300,000)
Fiscal Year 2025: ¥1,040,000 (Direct Cost: ¥800,000、Indirect Cost: ¥240,000)
Fiscal Year 2024: ¥1,040,000 (Direct Cost: ¥800,000、Indirect Cost: ¥240,000)
Fiscal Year 2023: ¥1,300,000 (Direct Cost: ¥1,000,000、Indirect Cost: ¥300,000)
|
|---|
| Keywords | サプライチェーン・マネジメント / レジリエンス / 途絶 / 機械学習 / 最適化 / サプライチェーンマネジメント |
|---|
| Outline of Research at the Start |
不確実性がかつてないほど高い昨今、平時の効率性だけでなく、有事でも生産能力を維持できる様に、サプライチェーンのレジリエンスを高めることは重要である。従来は自然災害の様な局所的範囲の途絶を想定していたが、コロナ禍では世界の様々な場所で同時多発的に途絶が発生した。この新しいリスクへの対応は、個々の要素が途絶する可能性だけでなく、その組合せも考慮する必要があり、容易ではない。本研究では、同時多発的な途絶が発生する状況にて、サプライチェーンのレジリエンスを高めるための意思決定ツールを開発する。機械学習と最適化を融合し、各途絶シナリオの影響と対策を高速に導出する方法を提案し、実データによる検証を行う。
|
| Outline of Annual Research Achievements |
本研究では、LTOという新たな最適化手法を適用することで、これまで困難であった同時多発的な途絶事象に対してレジリエントなSCを設計するための新たな方法を確立する。これらを実現するため、①課題1:最適化モデルの構築、②最適解の特徴量を学習するアルゴリズム開発、③特徴量から最適解をデコーディングするアルゴリズム開発という研究プロセスを想定している。
初年度は、①最適化モデルの構築を行った。予備的な調査から、入力情報はSCのネットワーク・部品表（BOM）・生産/在庫/物流単価・対象製品の需要と価格・生産/物流キャパシティを想定している。また決定変数は途絶前後に分かれており、途絶前の決定変数は各工場における生産ラインの開閉有無と在庫配置、途絶後の決定変数は各工場の生産量および各要素間の物流量を想定している。目的関数は、生産ライン開設費、在庫費用、生産費用、物流費用、機会損失費用からなる総コストの最悪期待値の最小化を行った。
また、最適化モデル構築と共に、データセットの整備も行った。実務家からのヒアリングや文献調査から、自社やTier1のサプライヤの持つサプライチェーン上のデータのみならず、Tier2以降のサプライチェーン上のデータから途絶事象を検知し、関係する影響を予測し、それに対応できるアルゴリズムを開発すべきであるとの知見に至った。これに基づき、検証対象となる業界のデータベースからサプライネットワークを抽出した。また、関連するデータについても、実務家にヒアリングを行い、おおよその範囲を特定する準備をしている。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
当初の計画通り、概ね順調に進展している。当初想定していたよりも、大規模なサプライチェーンネットワークを対象とすることになったため、その整備に時間がかかっているが、コアとなる情報は入手できたため、概ね問題ない。
|
| Strategy for Future Research Activity |
次年度は、初年度に開発したモデルを用いた最適解の特徴量を学習するアルゴリズムを開発する。本研究では、途絶シナリオは生産/物流キャパシティの低下の組み合わせを想定している。これらの組み合わせのサンプリングし、途絶後の決定変数を最適化する問題を解く。この問題の最適解から、スラックがない制約条件の集合（妥当不等式）を抽出し特徴量ベクトルを作成する。そして、入力情報と特徴量の関係を学習する。学習アルゴリズムは複数のアルゴリズムを適用し、パフォーマンスの良いものを採用する。
|
