Decomposition Lab
آزمایشگاه تجزیه بهینهسازی مقیاسبزرگ — مقایسه Benders، Dantzig–Wolfe، Column Generation، Lagrangian، PH و ADMM وقتی مدل یکپارچه حل نمیشود.
Interactive Sample Demoبرای مدیر: نتیجه کسبوکار
مدلهای یکپارچه برای شبکه بزرگ غیرقابل حل بودند؛ روش تجزیه با حدس انتخاب میشد.
۷ خانواده مسئله × ۷ روش؛ تا ۳× سریعتر تا جواب شدنی روی نمونههای ساختیافته.
- ۷ خانواده مسئله
- ۷ روش تجزیه
- ۳× time-to-feasible
- selector ویژگیمحور
«روایت OR تولیدی: پورتفولیوی الگوریتم، نه فقط یک فراخوان solver.»
مستندات عمومی
چه میکند؟
Decomposition Lab یکی از محصولات پورتفولیوی هوش مصنوعی آریا اِیآی است که برای تصمیمگیری عملیاتی سازمانهای ایرانی و بینالمللی طراحی شده. نسخه عمومی روی Hugging Face یک دموی نمونه است؛ نسخه تولید با یکپارچهسازی داده، SSO و audit trail استقرار مییابد.
مخاطب غیرفنی میتواند KPI قبل/بعد، کاربرد صنعت و مسیر پایلوت را ببیند؛ مخاطب فنی pipeline، متریک قابل بازتولید و لینک Space/Model/Dataset را دنبال میکند.
درخواست پایلوت از طریق فرم تماس سایت با ذکر علاقه به Decomposition Lab ثبت میشود تا محدوده داده، قیود و معیار موفقیت مشخص گردد.
چه کسی از آن استفاده میکند؟
مدیران عملیات، CISO، برنامهریزان تولید، لجستیک، مالی و تیمهای مهندسی که باید تصمیم را هم برای هیئتمدیره و هم برای اجرای فنی توضیح دهند.
خروجی دمو «نمونه تعاملی» است؛ آپلود زنده فایل سازمانی روی Space عمومی توصیه نمیشود.
کاربرد در صنایع
تولید و کارخانه
زمانبندی ماشین، WIP، انرژی و نگهداری برای کاهش تأخیر و هزینه تغییر خط. برنامه انرژی، زنجیره تأمین و زمانبندی که مدل یکجا در حافظه جا نمیشود.
لجستیک، انبار و توزیع
مسیریابی، موجودی، yard/dock و last-mile با قیود ظرفیت و SLA.
خردهفروشی و FMCG
قیمتگذاری پویا، موجودی چندکاناله و تخصیص سفارش با حاشیه سود.
انرژی، آب و محیط زیست
تخصیص منابع، کربن، نکسوس آب-انرژی-غذا و جمعآوری پسماند.
بهداشت، دارو و بیمارستان
زمانبندی OR، موجودی بالینی، spare parts و تخصیص سایت کارآزمایی.
حملونقل، بندر و هواپیمایی
جدول زمانی ترمینال، بازیابی اختلال پرواز و جریان کانتینر.
برای مهندس: Pipeline و معماری
Structured instance → method selector → Benders/DW/CG/LR/PH/ADMM vs monolithic → gap/cuts/time curves
معماری مرجع: Structured instance → method selector → Benders/DW/CG/LR/PH/ADMM vs monolithic → gap/cuts/time curves. اجزا روی CPU قابل اجرا هستند تا دمو و استقرار اولیه بدون GPU اجباری باشد.
خروجیها شامل امتیاز/برنامه، توضیحپذیری و ردپای تصمیم برای بازبینی انسانی است. آموزش و ارزیابی از corpus مستند پروژه پیروی میکند.
برای تولید: Docker، متغیر محیطی، و اتصال به سامانه موجود (ERP، SIEM، WMS، APS) طبق معماری هر repo انجام میشود.
پشته فنی
- Python
- OR-Tools / Pyomo / HiGHS
- NumPy
- SimPy
- Gradio
- Docker
متریکهای قابل بازتولید
| بنچمارک | جزئیات | نتیجه |
|---|---|---|
| Families | SC/routing/energy/... | 7 |
| Methods | incl. monolithic | 7 |
| Time-to-feasible | structured | 3× |
| PH consensus | scenarios | < 30 iter |
سوالات پرتکرار
Decomposition Lab چیست و چه مسئلهای را حل میکند؟
مقایسه Benders، Dantzig–Wolfe، Column Generation، Lagrangian، PH و ADMM وقتی مدل یکپارچه حل نمیشود.
آیا میتوان داده واقعی سازمان را در دمو عمومی وارد کرد؟
خیر. دمو عمومی برای نمونههای ازپیشمحاسبهشده یا داده ترکیبی است. داده production باید در استقرار on-prem یا VPC با کنترل دسترسی وارد شود.
آیا این محصول جایگزین سامانه فعلی میشود؟
نمونه اولیه (POC) برای نمایش قابلیت بهینهسازی است و جایگزین سیستم برنامهریزی تولید سازمانی نیست. متریکها روی داده ترکیبی/بنچمارک قابل بازتولید گزارش شدهاند. برای استقرار واقعی پایلوت on-prem توصیه میشود.
متریکهای صفحه از کجا آمدهاند؟
از README و eval_results هر پروژه روی Hugging Face / repo داخلی؛ اعداد بنچمارک ترکیبی را با داده سازمان خود در پایلوت بازسنجی کنید.
لینکهای Hugging Face
مدل مرتبط
درخواست پایلوت
برای استقرار on-prem، یکپارچهسازی با سامانههای موجود یا fine-tune روی داده سازمان خود تماس بگیرید.