基于模糊c-均值聚类的仓库装载作业——沙特国王大学学报

沙特国王大学学报基于模糊c-均值聚类的仓库装载作业Sezai Tokata，Kenan Karagulb，Yusuf Sahinc，Mr. J.，Erdal Aydemirda土耳其代尼兹利棉花堡大学计算机工程系b土耳其代尼兹利棉花堡大学后勤系c土耳其Burdur Mehmet Akif Ersoy大学工商管理系d土耳其伊斯帕尔塔苏莱曼·德米雷尔大学工业工程系阿提奇莱因福奥文章历史记录：收到2021年2021年7月3日修订2021年8月1日接受2021年8月9日网上发售保留字：关键绩效指标模糊聚类c-表示仓库A B S T R A C T绩效评估是评估公司战略的重要激励因素。绩效改进过程始于对现状的衡量。因此，公司使用各种度量数量来提高仓库管理的效率和生产力。最近，对关键绩效指标进行了许多研究。在这项研究中，人工智能辅助的关键性能指标是针对仓库的装载性能，并基于各种场景进行分析。在预处理阶段，以单价、月需求量、从仓库装载的产品数量、不能按时装载的需求量和不能按时装载的产品的平均延迟时间为五个输入。使用模糊c均值聚类算法对预处理阶段的输出进行聚类。然后，提出了一个关键性能指标的仓库装载操作使用模糊c-均值聚类结果。研究人员和工程师可以很容易地使用所提出的方案，以实现仓库装载管理的效率。版权所有©2021作者。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍物流管理是指通过公司和供应商以外的运营组织原材料向市场的成本效益流的过程，在材料和信息流的协调过程中满足客户的满意度（Lambert等人，1998年）。企业需要降低成本，提高客户服务质量，这包括从原材料到成品的过程物流管理系统的关键组成部分之一是仓库。在过去，仓库被认为是成本中心，不创造价值，只是作为生产者和消费者之间的缓冲库存可视性有限，供应链缺乏数据可视化，库存流动缓慢，*通讯作者。电子邮件地址：ysahin@mehmetakif.edu.tr（Y.Sahin）。沙特国王大学负责同行审查迫使公司持有超过必要的股票。随着世界各地生产中心的变化、电子商 务 的 增 加 以 及 客 户 的 需 求 ， 仓 库 运 营 发 生 了 一 系 列 变 化（Richards，2011）。仓库管理以前只被认为是保存产品和保护它们免受外部影响，已经发展到一个新的模式，集成了存储，物料处理，库存流动监控，生产和营销功能。因此，在准备产品并将其交付给 客 户 时 为 客 户 提 供 增 值 服 务 已 成 为 公 司 的 必 要 供 应 链 功 能（Sahin，2014）。随着信息技术的发展和仓库管理软件的增加，现代仓库管理系统应运而生仓库活动在降低运输和生产成本、平衡供需以及促进生产和销售过程方面非常重要，在以尽可能低的成本实现所需的客户服务水平方面发挥着至关重要的作用。在这项研究中，人工智能辅助的关键，https://doi.org/10.1016/j.jksuci.2021.08.0031319-1578/©2021作者。由爱思唯尔公司出版代表沙特国王大学这是一个在CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comS.托卡特湾Karagul，Y.Sahin等人沙特国王大学学报6378介绍了一种用于仓库装载性能分析的性能指标（KPI）如果不使用新的技术、流程和策略，管理层就没有机会以低成本使用大量高质量的数据。在这一点上，可以采取的最佳策略是绩效管理。绩效管理的基础是用各种指标衡量组织在某些领域的绩效，并通过评估结果有效利用资源（Bergeron，2018）。监测和评估供应链的绩效可以揭示稀缺性和实施之间的差异，并使公司能够确定潜在的挑战和变革领域。然而，众所周知，建立KPI或基准是非常困难的，并且对于供应链管理（SCM）的公司和专业人员来说，还没有几个现实的指导方针（Chae，2009）。KPI允许改变商业环境中的行为，提高运营绩效，从而提高产出，在制造业等部门有应用（Vanany，2003; Zhu等人，2017;Amrina 和 Vilsi ， 2015;Závadsky'etal. ， 2019;Meier 等 人 ，2013 ） 、 银行业（Wu，2012 ）、教育（Montoneri等人，2012;Authoni和Suryani，2014）、健康（Sungkar等人，2011; Jiang等人 ， 2020; Berler 等 人 ， 2005 ） ， SCM （ Chae ， 2009;Akkawuttiwanich和Yenradee，2018; Andika等人，2013）、能量（Xiang等人， 2016年），建筑公司（Skibniewski和Ghosh，2009年）和物流公司（Chen等人， 2017年）。与许多领域一样，基于分类学研究和文学的研究对KPI的研究已经进行了成熟的研究。Domínguez等人（2019）进行了一项分类研究，揭示了KPI的一般特征，以提高对KPI管理的理解，或帮助用户决定最适合其需求的解决方案。Karl et al.（2018）研究了非财务KPI对建立供应链弹性的影响。为此，他们对2000年至2017年发表的57篇同行评审学术文章进行了文献综述。在文献中可以找到多标准决策方法用于KPI分类和优先级排序的研究。Kusrini等人（2019）使用AHP方法确定了皮革制造业可持续仓库的30个KPI的重要性权重。Kucukaltan等人，（2016）提出了一种综合决策支持模型，该模型结合了网络分析法（ANP）和利益相关者知情的平衡计分卡（BSC），用于识别和优先化物流行业的KPI。他们将绩效指标分为四个方面，即财务、内部控制、合作伙伴、学习和发展，并对绩效指标进行了优先排序。Gözaçan和Lafci（2020）概述了在物流行业实施全面质量管理（TQM）的KPI。本研究以物流企业为研究对象，运用层次分析法（AHP）和SMART目标设定法对物流企业的质量价值观进行了分析。Dev et al.（2019）提出了由大数据分析环境主导的离散事件模拟、模糊ANP和TOPSIS方法的组合，以帮助公司在整个供应链中以系统的实时方式找到KPI。Laosirihongthong等人（2018）开发了一种综合方法，包括Q排序、模糊AHP和整数规划方法，用于优先考虑与制造业、第三方物流服务提供商和零售业供应链中的仓库运营相关的一般性能指标。用模糊层次分析法对Q排序法划分的测量值进行加权，用整数规划法验证优先级。Torbacki和Kioska（2019）从三个领域的角度制定了KPI：工业4.0、物流4.0和产品配送到生产工厂和从生产工厂配送的可持续发展。最终，他们计算出通过使用DEMATEL技术确定参数在三个区域内的含义来确定参数之间的关系。还有一些研究使用问卷调查和结构化访谈来定义和分类KPI。Vlachos（2013）在水果合作社进行了半结构化访谈，以确定RFID的采用在多大程度上可以提高农业食品供应链的供应链绩效Khalifa和Khalid（2015）通过进行半结构化访谈，使用定性调查方法详细描述了制定一组战略KPI的完整过程，以监测和改善三级医疗医院的绩效，包括不同的服务。 Mahmodabadi等人（2019）使用半结构化问题来确定医院药房的KPI。这些指标包括三个方面，包括行政指标（满意度、教育、人员配备和部门管理）、临床指标（患者安全）和财务指标（收入、成本和财务利用）。Karim et al.（2020）使用文献回顾及半结构式问卷，将用作基准效率表现的基本仓库表现指标转化为一系列国际采纳的生产力衡量指标。他们进行了一项广泛的研究，使用定向内容分析和描述性分析来分析现有的仓库效率指标。Gardas等人（2019）通过文献调研和领域专家意见，确定了绿色供应链管理绩效指标。然后，他们使用解释结构模型（ISM）方法分析了农业部门GSCM的14个 Torabizadeh等人（2020）使用结构方程模型方法识别可持续仓库管理系统的关键绩效指标。当研究文献时，可以看到，已进行了许多研究，以确定业绩指标和衡量这些指标。确定这些研究中普遍使用问卷调查和多标准决策方法。在本研究中，一个基于模糊C-均值聚类（FCM）的KPI被设计来评估仓库装载性能，根据不同的场景。本文试图回答以下研究问题：新的关键绩效指标对仓库管理的装载绩效有何影响？在准时装货过程中有哪些不确定因素？模糊c-均值方法能否用来消除这些不确定性，建立一种新的KPI方法？使用创建的场景，建议的KPI是否能够有效地满足预期条件到实际条件？本文的组织结构如下：在材料和方法部分，给出了模糊逻辑的概念、模糊c均值聚类算法的结构以及基于模糊c均值聚类的考虑仓库在第3中，数据集，输出的预处理阶段，和模糊聚类阶段使用案例研究在各种情况下。最后，对本文提出的方法进行了讨论，并给出了研究结论。2. 材料和方法2.1. 模糊逻辑Lutfi Asker Zadeh在他1965年发表的文章中介绍了模糊逻辑，作为基于软计算的许多形式之一，经过五年多的努力，他成功地在科学文献中被接受（Zadeh，1965）。模糊逻辑●●●●S.托卡特湾Karagul，Y.Sahin等人沙特国王大学学报6379ð Þ¼···Þ≤ÞP联系我们Pn阿鲁尔·阿莱姆形成了模糊集合论的基础：与接受元素是集合的元素或不是集合的元素的Aristotle集合论中的假设不同，由集合中现有元素的成员资格定义的隶属度使用If-Then规则结构进行模糊逻辑推理，可以获得输入和输出之间的非线性映射（Ross，2016）。另一方面，模糊思维在解决许多工业问题、半成品和成品以及科学研究中的重要性和作用，在现实生活中的应用也不容忽视。2.2. 模糊c均值聚类算法数据分析是通过分析、清理、转换和建模来评估数据的过程。它为处理大量数据提供了有用的软件工具，并且这种分析的应用不断增加（Ott和Longnecker，2020）。数据聚类是一种基本的数据分析技术，通常用于对数据进行分类或查找数据集元素之间的相似性和差异性它被用于许多不同的领域，如机器学习，数据挖掘，模式识别，图像分析和生物信息学（Rao和Vidyavathi，2010）。传统的聚类方法是基于亚里士多德的聚类理论将数据集中的每个点归为一个类与数据分类相比，数据聚类被认为是一个无监督的学习过程，不需要任何被称为训练数据的标记数据集，并且数据聚类算法的性能虽然数据分类提供了更好的性能，但它需要标记为训练数据的数据集。因此，有许多建议的算法来提高聚类性能。聚类被认为是对相似对象的分类，或者换句话说，将数据集精确地划分为簇，以便每个集中的数据共享一些共同的特征。层次、划分和混合模型方法是组织数据的三种主要聚类操作特定方法的实施方式的选择通常取决于所需的输出类型、该方法在某些数据类型下的已知性能、可用的硬件和软件设施以及数据集的大小（Rao和Vidyavathi，2010）。k-均值或硬c-均值聚类是应用于分析数据的分割方法。它将数据的观察视为基于位置和各种输入数据点之间的距离的对象。将对象划分为k组互斥聚类是以这样的方式完成的，即每个聚类中的对象尽可能彼此靠近，但尽可能远离其他聚类中的对象。在硬c均值算法中，每个聚类由其中心点（即重心）表征。通常用于聚类，这种距离信息并不代表空间距离。一般来说，寻找全局最优解的问题是一个起点选择问题，在该全局最优解中，对象彼此最接近，但距离其他聚类中的对象最远。为此，使用几次迭代，通常具有随机起点，导致解决方案，即全局最优值（Ramamoorty，2019）。在数据集中，在具有预定义初始值的期望数目的k个聚类中，k-均值聚类算法找到不同聚类的优选数目及其中心. 重心是其坐标为算法1. 的步骤的的k-均值聚类算法（Kanungo和Mount，2002年）步骤1）选择标量参数k（必须指定以选择首选的聚类数）。步骤2）初始选择：选择k个起始点作为聚类中心的初始预测。这些选择被视为起始聚类中心。步骤3）分类：取数据集中的每个点，并将其分配到中心点最接近它的聚类中。步骤4）重心计算：将数据集中的每个点分配到一个聚类后，计算新的聚类质心。步骤5）终止标准：然后将新的聚类重心视为新的初始值，并重复算法的步骤（3）和（4）这个过程一直持续到数据点不再改变或重心移动。在这5个步骤的最后，使用k-均值聚类算法获得聚类在实现聚类算法之前收集真实数据样本应优先考虑界定数据库中每个数据样本的特征（Kanungo和Mount，2002年）。这些属性的值形成特征向量（xi1;xi2;xi3; ;xiim;其中xiim是m维空间的值。与其他聚类算法一样，k均值聚类算法需要定义点之间的距离度量。在算法1的步骤（3）中使用该距离度量。距离的一个常见度量是欧几里得距离或曼哈顿距离。如果在特征向量中使用的不同特征具有不同的相对值和范围，则距离计算可能失真，并且因此在特征向量中可能需要缩放。Bezdek（1981）在讨论硬c-均值聚类方法和模糊集概念的基础上，首次提出了模糊c-均值聚类（FCM）方法。FCM是一种无监督的聚类算法，适用于各种各样的问题与特征分析，聚类和分类器设计。 FCM广泛用于模式识别、图像分析、医学诊断、形状分析和目标识别（Yong等人，2004年）。在FCM方法中，由于模糊逻辑中的隶属度，数据集中的每个点都可以是具有一定程度的多个集合的成员集合概念这个属性自然允许获得具有不同聚类中心的点的关系，这在硬k均值聚类中无法获得（Ross，2016）。FCM聚类算法是从模糊隶属度的一种自然解释出发的也就是说，模糊逻辑中的隶属度概念本质上具有聚类特征，在这方面，利用模糊逻辑理论进行聚类是非常有用的。因此，在这项研究中，它被决定集中在聚类与模糊逻辑。FCM算法的步骤在结构上类似于k-均值聚类算法，并且可以给出为：算法2.FCM算法的步骤（Ross，2016）步骤0.a）首先，确定聚类的数目（c）（2cn和c<步骤0.b）然后分配U 0商矩阵的初始值。这个算法中的每一步都将被标记为r（r 0; 1; 2）。步骤1）c个中心向量。计算每个步骤的v ij通过计算每个坐标的平均值获得，分配给聚类的样本点k-均值聚类算法的步骤可以给出如下。vij¼n mxk¼1伊克吉k¼1ik（接下页）S.托卡特湾Karagul，Y.Sahin等人沙特国王大学学报6380ð Þð þ- þÞ1/4i1/4i1/4ivutX2IJ第1IJCl¼.！P¼步骤2）计算大小为cxn的距离矩阵D仓库在本节中解释工艺流程图D¼. 下午。X-v21= 2对于KPI计算，图中给出。1.一、在图1中，单价（UP）、月需求量（MD）、步骤3）在每个r步计算划分矩阵UrR1伊日河R2j1dik=djkm-1如果（U k）的值1Uk）对于任何新获得的Uk1小于指定值，则终止算法。否则，更新集群中心，所有事务从步骤1继续。FCM算法将 从 仓 库 装 载 的 产 品 的 数 量 （ PQL ） 、 不 能 按 时 装 载 的 需 求（ADD）和不能按时装载的产品的平均延迟时间（ADT）作为输入数据输入到数据准备块中。在预处理阶段的输出处，使用Eq.（1），后期产品的成本（CDP），根据总成本（NCDP）使用等式（1）对每个产品进行归一化的CDP值（2）Eq.以及使用等式（3）根据最大延迟时间（NVADT）的平均延迟时间的归一化值。（4）如下获得在算法3中示出了在研究范围内的计算。算法3. FCM编码PLAADDiMDið1ÞNCDPi¼ADDi×UnitPricei2[nInputs，nInputSamples ] = size（inputs）;%群集数nC = nClusters;%模糊化参数m =模糊化;%生成输入到聚类的随机关联，NCDPCDPi中文（简体）NVADTADTA最大值ADTð3Þð4Þ值[ 0，1 ]n = rand（nInput，nC）; nTotal = sum（n，2）;RandomAssociationValues =（n./nTotal）;%初始成员矩阵U =随机关联值;%群集C = zeros（nC，nInputSamples）;%辅助参数t = 0;return 1;while currentError > error参见图 1，在第一计算过程结束时获得的PLA、NCDP和NVADT的矢量值被给出作为模糊c均值聚类算法的输入。图1中的第二层（功能）是模糊聚类步骤。模糊聚类层的输出将是表示中心值的C矩阵和表示模糊集的U矩阵。KPI计算过程在图1中的第三块中给出。在该块中，首先，使用等式（1）计算三个中心点到原点的距离。（5）（8）计算如下：vutX32U0 = U;%计算i = 1：1：nC时簇的质心直流1/4第1页C1jð5Þ对于j = 1：1：nInputSamplesC（i，j）=（sum（inputs（i，j）.* (U(：，i）.^ m）/（sum（U（：，i）.^ m））; end端%计算输入和质心之间不相似，使用直流2¼3C2j第1页vuX32ð6Þ%欧几里德距离distanceFromCluster = zeros（nInputs，nC）;对于k = 1：1：nC直流3¼t第1页C3jð7Þ距离= sum（inputs - C（k，：））.^ 2），2）; distanceFromCluster（：，k）= sqrt（distance）; end%更新成员资格矩阵值den = sum（（1./ distanceFromCluster）.^（1/（m-1），2）;对于z = 1：1：nCnum =（（1./ distanceFromCluster（：，z））.^（1/（m-1）。int n =端currentError =（sqrt（（U-U0）.^2））; t = t +1;结束时2.3. 拟议的基于FCM的关键绩效指标KPI的样本数据集和计算步骤是为衡量KJS.托卡特湾Karagul，Y.Sahin等人沙特国王大学学报6381XXX2dcV½dc1dc2dc3然后，对于N个产品，每个模糊聚类中的产品的数量使用Eqs.（9）（12）可以得到：Nnc1¼Ui191/1Nnc2¼Ui2101/1Nnc3¼Ui3111/1[2019- 01-25] 2019-01 -25 00：01：00ncV向量元素除以乘积的数量（N）作为等式中的ncN。（十三）：S.托卡特湾Karagul，Y.Sahin等人沙特国王大学学报6382¼N.þNNFig. 1. KPI计算过程流程图。ncN¼hnc1nc2nc3i13PQL、ADD和ADT数据是随机的，并得出表2作为本文的实例数据仓库损失性能标度值（Ax），使用等式通过使ncN和dcV向量的内积Ax¼dcVncN14V在此阶段，必须定义所检查仓库的最大（maxS）和最小（minS）性能值，以表示仓库系统的性能。对于minS值，假设仓库在没有任何延迟的情况下以全性能运行。在这种情况下，minS将始终取值0（minS0）。但是，maxS值是特定于所考虑的存储库的参数，必须为相关存储库专门获取。为此，为了计算研究范围内的maxS，试图获得具有最差可能性能的仓库的工作条件。maxS值可以根据实际仓库系统中仓库的动态进行瞬时调整。在这项研究中，为了计算maxS，假设来自消费者的产品请求可以在该月平均延迟30天的情况下在用所获得的在0和100之间的[minS，maxS]值缩放Ax的值之后，使用等式（1）来缩放仓库损失性能尺度AxN（15）如下所示3.2. 处理用于计算的数据集表3显示了默认数据集的计算结果。该数据集将在以下章节中用作场景1（原始数据集）。C和U矩阵是情景1（S1）的FCM输出，如表4所示。对于U矩阵，粗体表1基本数据集（Zhu等人， 2017年）。产品名称单价1月份需求-1981202-2250119-3194322-4350100歼-5200103歼-610098歼-730280歼-828620歼-910050歼-1023018AxN¼ 圆型ΔAx-minSΔ × ΔmaxA-minAΔminA最大S-最小Sð15Þ表2用于分析的默认数据集。在本节中，将解释基于FCM算法的模型的步骤，该模型支持根据仓库装载的延迟计算KPI值。当通过工业应用阶段时，将产生应用程序的扇区中使用的仓库的maxS值，并使用等式获得KPI（16）对于本系统将采用与实仓相兼容的方法进行系统改造。下一节将讨论有关此拟议KPI模型的方案以及与这些方案相关的产出3. 结果3.1. 定义数据集产品名称、产品价格和需求量来自Zenkova和Kabanova（2018）进行的研究，并在表1中进行了一些安排。然后，表2也用于KPI设计。1月份的需求数据和产品的价格数据是2018年12月20日电话：+86-510 - 8888888电话：+86-10 - 230 18 16 2 9表3PLA、NCDP、NVADT和NADT的计算值。1月份需求添加解放军ADTNCDPNVADT标准化ADT（NADT）12022020.16811211760.15341.000011900.0000000.00000.0000322470.146059700.12650.4167100100.1000724500.31960.583310300.0000000.00000.000098310.0000000.00000.0000280800.0000000.00000.00002000.0000000.00000.00005010.02001010000.13040.83331820.1111920700.27000.7500Σ结果，通过从数字100中减去所获得的AxN值，等式100中的KPI可以被计算。（16）提供全面的数据，专业人士姓名-1管道单价982501月份需求PQL1202 1000119 119添加2020ADT120预定时期为的整个仓库是获得-3194322275475如下所示：-435010090107歼-520010310300KPI¼100 -AxNð16Þ歼-6歼-7100309828067200318031S.托卡特湾Karagul，Y.Sahin等人沙特国王大学学报6383表4场景1的C和U矩阵。表5列出了九种不同设想的定义。然后，使用FCM算法的每个场景的C和U矩阵的输出分别总结在表6-8表9总结了上述所有场景的性能指标、Ax和KPI值。4. 讨论在本研究中，为了模拟不同情况下的KPI这些场景表示场景-K 0的仓库性能的最差情况和场景-I 0的最佳情况。其他场景表示与这两个端点之间的不同情况相对应的性能水平。仿真研究分析了所提出的方法是否准确地测量端点和中间states. 获得KPI值，其中所提出的方法在计划的情景中产生了预期的结果。表9详细显示了该位置。 当场景被检验时-表5场景的定义场景定义K0仓库已关闭。因此，该月必须装货的订单都无法完成。零单位装载和30天延迟。仓库以最高效率运转.仓库的订单没有一个是不能按时完成的。所有订单K1与原始数据（S1）不同，SKU 1/SKU 2/SKU 3延迟0s数量和次数增加。SKU3产品的时间所有其他订单的状态都是固定的。I1不同于原始数据集（S1）SKU 1/SKU 3/SKU 40 s晚减少了数量和时间其余产品的一切都是固定的。K2延迟量（12个单位）和时间（12天）对仓库中的所有订单都是平等的。S1原始数据集。它是用作参考数据集的数据集。S2与S1不同，准时装载交付的数量增加了1（1 -1）。当月的1000 -1号机准时装载。S3与S1不同的是，准时装载交付的数量增加了2个（100 -1和100 -2）。该月的1001和1002都按时加载。S4与S1不同，所有无法装载的产品的订单数量延迟30天。数字表示具有最大值的聚类。由于软聚类技术与FCM一起使用，因此项目对所有聚类具有一定程度的隶属度。这些矩阵是属于KPI计算过程的块的输入，如图所示。1.一、因此，从表9中给出的KPI和Ax值可以理解，基于FCM方法的KPI产生系统可接受的逻辑结果。为了提供准时装载的仓库，找到了系统的最大和最小Ax值，使用基于FCM的KPI的这些值获得0-100范围内的可缩放KPI。为Ax设置的下限和上限可以用作广义参数，并且利用该结构提出的KPI适用于许多不同的部门。因此，可以很容易地说，提出的KPI的基础上的FCM方法与场景工作良好，理论上是可推广的。5. 结论本文针对某仓库的装载性能设计了一个人工智能辅助的KPI指标，并基于不同的场景进行了分析工程研究的基本哲学可以表达为科学知识对技术的应用正在提出不同的度量标准来衡量仓库流程的有效性和效率。这些开发的措施是用来间接衡量客户满意度的水平考虑到这一点，所提出的KPI与模糊c-均值方法相结合，可以直接影响仓库管理的客户服务质量，这是非常关键的经济维度，在应用方面非常重要由于建议的KPI可以用来直接衡量对客户满意度的影响，可以说，它带来了工业和科学的角度。因此，所提出的系统可以直接使用的研究人员和工程师，以获得性能增益仓库装载人。表6基于FCM方法的场景K0、I0、K1的函数输出。场景场景场景C矩阵C矩阵C矩阵1.000.171.000000.150.140.611.000.041.000000.830.310.991.000.121.000000.180.020.10U矩阵U矩阵U矩阵0.00000.99970.00030000.93990.04310.01700.04390.00120.95490000.00001.00000.00000.00160.00230.99610000.35810.01280.62910.99610.00030.00360000.97490.00210.02300.00060.00050.98900000.01210.00050.98740.00010.99940.00050000.01810.00080.98110.00110.99310.00580000.01500.00010.98490.95080.00050.04870000.01040.00060.98800.00010.99940.00050000.99450.00090.00460.00030.000040.99930000.99990.00000.0001S.托卡特湾Karagul，Y.Sahin等人沙特国王大学学报6384表7基于FCM方法的情景I1、K2、1的函数输出情景-C矩阵C矩阵C矩阵0.280.050.200.080.091.000.01030.00120.00570.010.030.060.210.071.000.01000.20600.79400.070.350.950.630.141.000.24900.05900.2610U矩阵U矩阵U矩阵0.00030.99960.00010.97820.02140.00030.00230.98980.00790.00160.99830.00010.97880.02110.00010.99980.00010.00010.00100.99890.00010.99710.00280.00020.03330.05870.90800.24300.75410.00290.80380.19480.00140.01420.90890.07690.00170.99820.00010.96810.03180.00010.99980.00010.00010.99390.00570.00040.81990.18000.00010.00110.00020.99870.97610.02370.00020.95000.04990.00010.16190.00320.83490.00160.99820.00020.00010.00010.99980.99980.00010.00010.00070.00040.99890.00120.99870.00010.00050.99800.00150.00070.00040.99890.00010.00010.99980.00010.99960.0003表8基于FCM方法的情景2、3、4的函数输出0.080.270.860.080.310.870.700.041.000.010.000.010.000.000.000.870.121.000.250.070.320.300.030.200.990.121.00U矩阵U矩阵U矩阵0.00001.00000.00000.00001.00000.00000.08650.88490.02860.00001.00000.00000.00001.00000.00000.00000.00060.99940.09460.02730.87810.00001.00000.00000.00010.99960.00030.97790.00350.01860.98850.00310.00740.00870.81620.17510.00001.00000.00000.00001.00000.00000.00000.00001.00000.00020.00020.99960.00040.00270.99690.99970.00030.00000.00410.29200.70390.00020.01480.98500.99980.00020.00000.00001.00000.00000.00001.00000.00000.00020.00700.99280.99380.00130.00490.99510.00160.00330.00250.05860.93891.00000.00000.00001.00000.00000.00000.99980.00020.0000表9基于FCM方法的KPI情景分析场景KPIAx解释预期条件实际情况场景014.1860仓库关闭00场景1000全性能100100场景645.1405悲观情景减少正确/可接受情景773.2021良好状态减少正确/可接受场景2610.4674状况不佳减少正确/可接受情景1694.3427原始数据集参考值参考值设想272 3.9177情景375 3.4898良好状态良好状态增加增加正确/可接受正确/可接受情景-45 13.4201糟糕的情况减少正确/可接受- 是的模糊逻辑方法易于理解，易于实现，并且可以很容易地编码和开发用于解决工业问题。因此，本研究的新版本可以很容易地用不同的输入参数或预处理操作生成，从而可以指导不同观点的发展。竞争利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。确认作者感谢TUBITAK 1507- 7180837研究项目对本研究的引用Akkawuttiwanich，P.，Yenradee，P.，2018.管理SCOR绩效指标的模糊QFD方法。Comput. 印第安纳Eng. 122，189-201.Amrina，E.，Vilsi，A.L.，2015.水泥工业可持续制造评价的关键绩效指标。Proc. CIRP26（1），19-23。Andika，D.，Anggraeni，S.K.，Sirajuddin，S.，2013.供应商绩效指标和层次分析法（AHP）是供应商绩效评估的基础。 Jurnal Teknik Industri Untirta 1（2），128-132.情景2情景3情景4C矩阵C矩阵C矩阵S.托卡特湾Karagul，Y.Sahin等人沙特国王大学学报6385Authoni，A.，Suryani，E.，2014. Purwarupa Performance Dashboard绩效仪表板数据分析评估关键绩效指标（KPI）研究：PT X.In：Prosiding Seminar NasionalManajemen Teknologi XXI，Program Studi MMT-ITS.Bergeron，B.P.，2018.医疗绩效管理：从关键绩效指标到平衡计分卡。美国哥伦比亚大学出版社.Berler，A.，Pavlopoulos，S.，Koutsouris，D.，2005.在区域卫生保健当局一级使用主要业绩指标作为知识管理工具。IEEETrans. Inf Technol. Biomed. 9（2），184-192。Bezdek，J.C.，一九八一年用模糊目标函数算法进行模式识别普莱纳姆出版社，纽约。Chae，B.K.，2009.制定供应链关键绩效指标：行业视角。供应链管理：Int.J.14（6），422-428。陈先生，P.S.，黄正英，字子荣，字子荣，Yu，C.C.，洪正正，2017.根据详细的案例研究，对仓库运营系统的关键绩效指标进行检查。 J. INF. 最佳。Sci. 38（2），367-389。Dev，N.K.，香卡河，古普塔河，巴西-地董，J.，2019年。考虑大数据架构的供应链实时关键绩效指标多准则评价。Comput. Ind. Eng. 128，1076-1087。Domínguez，E.，Pérez，B.，Rubio，AL.，萨帕塔，文学硕士，2019.关键绩效指标管理分类法。Comput. 立场 接口64，24-40。加达斯湾，劳特河，Jagtap，A. H.，Narkhede，B.，2019年。农工业绿色供应链管理关键绩效指标探讨。J.模型。管 理 。14（1），260-283。Gözaçan，N.，Lafci，哥伦比亚，2020.物流企业关键绩效指标评价。后勤人员。坚持住。运输11（1），24-32。江，S.，施，H.，林伟，Liu，H.C.，2020.医院绩效管理中关键绩效指标识别的大群体语言Z-DEMATEL方法。应用软件计算86，105900。Kanungo，T.，芒特，D.M.，2002.一种有效的k-means聚类算法的分析与实现。IEEETrans.模式肛门。马赫内特尔 24（7），881-892。Karim，N.H.拉赫曼，国家安全局，Hanafiah，R.M.，Hamid，S.A.，伊斯梅尔，A.，Muda，M.S.，2020.修订仓库生产力衡量指标：基于比率的基准。海事业务修订版23页，DOI：10.1108/MABR-03- 2020-0018。卡尔，匿名戒酒会，Micheluzzi，J.，莱特，L.R.，佩雷拉，C.R.，2018.供应链弹性和关键绩效指标：系统性文献综述。生产28，e20180020。Khalifa，M.，Khalid，P.，2015.发展策略性医疗照护关键绩效指标：以一家三级医疗照护医院为例。程序计算Sci. 63，459- 466。Kucukaltan，B.，Irani，Z.，Aktas，E.，2016年。物流行业关键绩效指标识别和优先级排序的决策支持模型。Comput. Hum.行为举止。65，346-358。Kusrini，E.，艾哈迈德，A.，Murniati，W.，2019.设计可持续仓库的关键绩效指标：皮革 制 造 商 的案例研究598，012042。Lambert，D. M.，斯托克，J.R.，Ellram，L.M.，1998.物流管理基础。伦敦麦格劳希尔Laosirihongthong，T.，Adebanjo，D.，Samaranayake，P.，苏布拉马尼安，Boon-itt，S.，2018年在现代供应链中优先考虑仓库绩效指标。Int. J. Prod. 绩效管理。 67（9），1703-1726。Mahmodabadi，A.D.，Langarizadeh，M.，Mehrjardi，M.H.M.，Emadi，S.，2019.医院药房数字仪表板管理关键绩效指标的开发。伊朗 J. Pharm. 第18（4），