Decomposition Lab
آزمایشگاه تجزیه بهینهسازی مقیاسبزرگ — مقایسه Benders، Dantzig–Wolfe، Column Generation، Lagrangian، PH و ADMM وقتی مدل یکپارچه حل نمیشود.
این صفحه دموی POC است، نه سامانه تحویلی. خدمت متناظر: بهینهسازی عملیاتی · هاب دموها.
دموی نمونه تعاملیبرای 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 چه مسئلهای را حل میکند؟
Decomposition Lab برای «انتخاب روش تجزیهمسئله بهینهسازی برای بنچمارک» است. مقایسه Benders، Dantzig–Wolfe، Column Generation، Lagrangian، PH و ADMM وقتی مدل یکپارچه حل نمیشود. این صفحه دموی POC است نه سامانه تحویلی.
ورودی و خروجی Decomposition Lab چیست؟
ورودی: ویژگی مدل ریاضی و اندازه نمونه. خروجی قابل نقلقول: پیشنهاد روش تجزیه. متریک Hub بدون حجم نمونه سازمان SLA نیست.
آیا Space عمومی Decomposition Lab جایگزین استقرار سازمانی است؟
خیر. Hugging Face برای ارزیابی است. شکست رایج: روش کند روی نمونه بزرگ. production یعنی on-prem یا VPC و کنترل دسترسی.
چطور پایلوت را شروع کنیم؟
فرم تماس خانه (سازمان، صنعت، شرح مسئله) را بفرستید. قیمت در صفحه دمو اعلام نمیشود.