Опубликовано №4 (99) август 2020 г.

АВТОРЫ:  ЛЫЧКИНА Н.Н.

РУБРИКИ: Имитационное моделирование Информационные технологии в логистике и SCM Обзоры и аналитика Современные концепции и технологии в логистике и управлении цепями поставок

Аннотация 

В статье проводится анализ основных направлений и технологий искусственного интеллекта и их применения в цифровых цепях поставок, обозначены перспективы применения интеллектуальных информационных систем для улучшения межорганизационного взаимодействия и сотрудничества участников в интегрированных и сетевых структурах цепей поставок. Особое внимание уделяется исследованию возможностей современных мультиагентных технологий и интеллектуальных систем в управлении цепями поставок, ориентированных на межорганизационную координацию партнеров, управление конфликтами и достижение консенсуса между участниками сетевого сообщества, управление рисками в реальном времени, формирование динамически реконфигурируемых сетевых структур цепей поставок.

Электронная версия

Ключевые слова: управление цепями поставок искусственный интеллект AI управление знаниями мультиагентные системы цифровые двойники

Опубликовано №5 (88) октябрь 2018 г.

АВТОРЫ:  

НИКОЛАЕВСКИЙ Н. Н.

ГРИГОРЬЕВ М. Н.

РУБРИКИ:  Имитационное моделирование Информационные технологии в логистике и SCM

Аннотация 

Результаты интенсивного развития и распространения информационных технологий, в последнее время определяемые как процессы цифровизации, явились основой возникновения тенденций к значительным изменениям в экономике страны. При этом важно понимать, что процессы цифровой трансформации требуют соответствующей реакции для создания среды, способствующей развитию стратегически значимых отраслей, в том числе промышленного производства. Указанные обстоятельства определили целесообразность реализации на государственном уровне таких программ как «Цифровая экономика» и «Национальная технологическая инициатива», в рамках которых прорабатываются вопросы поддержки развития промышленности в условиях цифровизации.

Фокусируясь на процессах функционирования логистических систем и цепей поставок промышленных предприятий, важно отметить, что вследствие обстоятельств развития и распространения информационных технологий в рамках процессов цифровизации экономики открываются новые возможности обмена информацией между отдельными производственными, логистическими и вспомогательными системами и их элементами, а также производимой и обслуживаемой в рамках последних продукцией и внешней средой, что в общем итоге позволит формировать внушительные массивы данных. При этом результаты обработки соответствующей информации будут ложиться в основу принципов непрерывного улучшения процессов функционирования посредством самоорганизации и самостоятельного принятия решений активными компонентами указанных систем.

На начальных этапах исследования был проведен анализ научных работ отечественных и зарубежных авторов в области организации логистических систем в рамках современных концепций развития промышленного производства в условиях цифровизации, к которым в том числе относится концепция «Индустрия 4.0». При этом по результатам анализа отмечается, с одной стороны, значительное влияние рассматриваемых преобразований в будущем в части организации и функционирования логистических систем, а с другой стороны, недостаточная степень проработанности вопросов определения соответствующих характеристик процессов в рамках задач организационного проектирования. Данные обстоятельства определили актуальность проведения исследования, целью которого стала разработка инструментальных средств для обоснования характеристик логистического процесса в условиях цифровизации. Для этого была сформирована обобщенная структура цифровой логистической системы и определены требования к процессам функционирования. Принимая во внимание особенности указанной структуры и состав требований к процессам функционирования, был сделан вывод о целесообразности использования средств имитационного моделирования для решения задач организационного проектирования. При этом предлагается использовать традиционные парадигмы в реализации имитационных моделей, к которым относятся дискретно-событийное и агентное моделирование. Отдельно отмечается возможность применения подхода на стыке двух указанных парадигм, предполагающего использование их основных преимуществ, что выражается в использовании принципов дискретно-событийного моделирования для описания процессов функционирования систем, наделяемых в свою очередь характерными особенностями мульти-агентной среды. 

Скачать статью (бесплатно)

Купить номер

Ключевые слова: 

• цифровая логистика

• имитационное моделирование

• киберфизическая логистическая система
• дискретнособытийное моделирование

• мультиагентные системы

Опубликовано №2 (67) апрель 2015 г.

АВТОР: Морозова Ю.А.

РУБРИКА Аналитика в логистике и SCM Информационные технологии в логистике и SCM 

Аннотация

 Постоянные изменения спроса на ресурсы на рынках затрудняют планирование и управление потоками материалов. В современной практике для решения этой проблемы применяются мультиагентные системы. В статье рассматриваются модели, технологии, типовая архитектура мультиагентной системы, проведен анализ реализованных проектов и описаны перспективы развития мультиагентных систем в логистике

Ключевые слова: мультиагентные системы интеллектуальные информационные технологии логистика цепь поставок адаптивное планирование

Введение

В условиях ускорения научно-технического прогресса и усиления конкуренции на рынках спрос на ресурсы постоянно изменяется, что затрудняет управление в логистических системах. Системы логистики, централизованные и оптимизированные под поставку товаров на поток, не могут справиться с постоянно изменяющимися внешними и внутренними потоками материалов, в результате чего увеличиваются потери от издержек. Современная логистическая система должна быть гибкой и постоянно подстраиваться под изменяющиеся условия для того, чтобы качественно и эффективно удовлетворять потребительский спрос. Логистическая  система должна своевременно идентифицировать новые потребности и возможности в среде для оперативной реконфигурации производственных, кадровых, финансовых и других ресурсов. Необходимость заново идентифицировать потребности и возможности может быть вызвана появлением нового заказа, для выполнения которого недостаточно собственных ресурсов предприятия, выходом из строя имеющегося оборудования  и др. Неопределенность, распределенный характер процессов принятия решения, незапланированные события - все это снижает эффективность существующих систем, не способных адаптироваться к  изменениям в среде [20].

Одним из решений проблемы является создание интеллектуальных агентов, способных оперативно планировать и перепланировать распределение ресурсов в соответствии с динамически изменяющимися требованиями рынка.

Под интеллектуальными агентами понимаются программные объекты, которые могут взаимодействовать друг с другом, обмениваясь сообщениями, анализировать полученные сообщения, принимать решения в условиях неопределенности и отсутствия информации. Одной из особенностей агента является его способность к обучению, основанная на применении баз знаний в определенной сфере деятельности, содержащих модели принятия решений, оптимизации, алгоритмы анализа, обучения [8].

Модели и технологии мультиагентных систем в логистике

Мультиагентная система состоит из взаимодействующих интеллектуальных агентов, каждый из которых преследует свои цели. В общем случае деятельность агента можно свести к поиску решения некой задачи (например, выполнение заказа, поставка сырья, перевозка груза и др.) и переговорам с другими агентами по поводу реализации возможного варианта решения (см. Рисунок 1). Если переговоры не закончились успехом, агент ищет другой вариант решения.

Рисунок 1 – Деятельность агента

Методологические и технологические вопросы создания мультиагентных систем прорабатывались в работах [5, 9, 11, 15].

Одной из моделей, получивших применение в мультиагентных системах, является Business-to-Business (B2B)-сеть [13, 14], в узлах которой находятся предприятия (организации), которые кооперируются для выполнения заказов (см. Рисунок 2). Сеть является открытой, и в определенный момент времени некая организация может присоединиться к ней или покинуть ее. При поступлении нового заказа в один из узлов сети решаются задачи декомпозиции заказа на множество частично упорядоченных подзаказов, назначения каждому подзаказу исполнителя из числа ответственных узлов сети и составления расписания выполнения подзаказов. Распределение подзаказов осуществляется на основе аукциона, проводимого на множестве непосредственных соседей планирующего узла. Если среди этих соседей не находится ни одного потенциального исполнителя, то агент планирующего узла посылает запрос на поиск необходимого сервиса в масштабе всей сети.

Рисунок 2 – B2B-сеть

В сетях потребностей и возможностей (ПВ-сети) на виртуальном рынке взаимодействуют конкурирующие и кооперирующие агенты потребностей и возможностей (см. Рисунок 3). В качестве потребностей могут выступать потребности в товаре, сырье, перевозке, складском размещении и т.п., в качестве возможностей – предложения соответствующих товаров и услуг. Задача состоит в том, чтобы каждый агент потребности нашел соответствующего агента возможности [12, 20].

Рисунок 3 – ПВ-сеть

При реализации мультиагентных решений в логистике используются такие технологии, как электронные карты, мобильные устройства, GPS, телематические датчики, RFID-метки.

Архитектура мультиагентных систем в логистике

На рисунке 4 представлена типовая архитектура мультиагентной системы, характерная для сферы логистики.

Рисунок 4 – Типовая архитектура мультиагентной системы в логистике

Ядром мультиагентной системы является мультиагентная платформа, включающая набор компонентов, реализующих среду взаимодействия агентов и позволяющих сохранять данные о результатах работы системы в базе данных, обеспечивать интерфейс для пользователя, поддерживать распределенные вычисления. На основе мультиагентной платформы создаются агенты различных типов. Основные классы агентов, характерные для мультиагентных систем в логистике, представлены в таблице 1 [21].

Таблица 1 – Основные классы агентов мультиагентных систем в логистике

Для формирования шаблонов сценариев выполнения задач, которые определяют поведение агентов, используется конструктор онтологий, позволяющий описывать в виде онтологий цепочки операций, бизнес-процессы компании, выполнение которых должны отслеживать агенты.

Системы-планировщики обеспечивают планирование расписаний, загрузку и сохранение расписаний в базе данных, визуализацию результатов планирования с помощью таблиц, графиков, диаграмм Гантта. В перспективе предполагается создание мультиагентных систем, представляющих собой сети взаимодействующих планировщиков, каждый из которых отвечает за свой сервис, но выполняет поставленные задачи в тесной координации с другими сервисами.

Средства интеграции обеспечивают выполнение дополнительных функций и взаимодействие с другими информационными системами пользователя (учетными, аналитическими). Так, например, для отображения координат местонахождения наблюдаемого объекта, визуализации перемещения мобильных ресурсов, прокладывания маршрутов, оценки расстояний между точками могут использоваться электронные карты Google Map, Map Info, Yandex Карты и другие.

Интерфейс системы, как правило, реализуется в виде web-приложения, доступного через мобильные устройства. Это обеспечивает оперативный доступ пользователя к системе, позволяя ему своевременно реагировать на изменения ситуации, незапланированные события, осуществлять подтверждение выполнения операций, ввод информации.

Для фиксирования событий в режиме реального времени мультиагентные системы широко используют различного рода датчики, счетчики, радары и т.п. Для определения местоположения мобильных объектов используются GPS-датчики. Телематические датчики позволяют получать информацию о работе мобильного объекта (например, информацию работе двигателя, расходе топлива и т.д.). RFID-метки (Radio Frequency IDentification, радиочастотная идентификация) используются для идентификации объекта на коротких расстояниях, например, на складе, на полке в торговом зале, в кузове грузовика, на борту самолета и т.д. [18].

В мультиагентную систему в режиме реального времени поступает большое количество данных, которые должны анализироваться агентами децентрализовано, что вызывает проблему хранения и обработки больших данных. Решение этой проблемы предлагает технология облачных решений, обеспечивающая масштабируемые динамически адаптируемые инфраструктуры для высокопроизводительных вычислений [10].

Реализованные проекты мультиагентных систем

В настоящее время в России и за рубежом реализуются проекты по созданию мультиагентных систем [2, 6, 7].

Ряд проектов выполнен российской научно-производственной компанией «Разумные решения» (г. Самара) [1, 21]:

• Smart Airport - система управления наземными сервисами аэропорта. Система моделирует работу наземных сервисов в аэропорту, включая поставку продуктов питания на борт самолета, подачу трапа, доставку пассажиров и багажа, заправку самолета и ряд других сервисов.
• Smart Truck - система управления грузоперевозками для транспортно-экспедиционных компаний. Система обеспечивает интеллектуальную поддержку работы диспетчеров, включая адаптивное распределение, планирование и оптимизацию заказов, согласование исполнения заказов через Интернет или сотовые телефоны водителей, мониторинг местоположения ресурсов на электронной карте.  Также реализован портал заказчика, предоставляющий возможность клиенту транспортной компании вводить заявки и осуществлять мониторинг их выполнения на электронной карте, и портал перевозчика, предоставляющий возможность сторонним перевозчикам принимать участие в торгах на заявки, невыгодные для выполнения посредством собственного автопарка.
• Smart Factory - система внутрицехового планирования. Система обеспечивает адаптивное  оперативное планирование ресурсов цеха, включая рабочих, станки, материалы, позволяющая гибко изменять план в случае непредвиденных событий.
• Smart Aerospace - система планирования грузопотоков Международной космической станции. Система позволяет рассчитывать объемы и планировать поставки грузов на станцию по их типам, строить планы их размещения на станции, планировать деятельность экипажа станции, создавать программы полета станции.
• Smart Railways – система планирования движения поездов. Система позволяет автоматически на основании суточного графика движения строить расписания движения поездов по блок-участкам, выполнять автоматический пересчет графиков движения по блок-участкам и станционным путям в реальном времени с учетом приоритетов поездов, закрытия перегонов и задержек движения. 

В 2015 году в Германии планируется запуск в опытную эксплуатацию Smart Supply Chains — системы интеллектуального управления цепочками поставки для национальной сети транснационального производителя напитков.

Компанией Magenta Technologies (Лондон, Великобритания) реализованы следующие проекты [4, 16]:

• ·         Система планирования и управления заказами в реальном времени для логистической компании Gist (Лондон, Великобритания). Система планирования позволяет автоматически составлять расписания выполнения заказов, с учетом сложных перекрестных стыковок, ограничений совместимости товаров, транспортных средств и местоположений, смен прицепов, в соответствии с требованиями транспортировки. Расписания отображаются на диаграмме Гантта с возможностью ручной корректировки. Система планирования интегрирована с онлайн-системой, в которой клиенты формируют свои заказы. В модуле администрирования реализованы возможности управления конфигурацией системы, включая информацию о сети, маршрутах, местоположениях, клиентах и др.
• ·         Система управления танкерным флотом для компании Tankers International (Лондон, Великобритания). Система позволяет оценивать потенциальные грузы на рынке, автоматически находить суда, соответствующие техническим требованиям перевозки, вычислять доходность путешествия. Планирование осуществляется в режиме реального времени, и в случае непредвиденных изменений расписание оперативно корректируется.
• ·         Система динамического планирования перевозок пациентов для Национальной службы здравоохранения (National Healthcare Service, Лондон, Великобритания). Система позволяет медицинским работникам делать заказы  транспортировки пациентов, с возможностью отмены заказа. Автоматическое динамическое планирование в реальном времени обеспечивает эффективное выполнение операций по транспортировке.
• ·         Система управления перевозками для компании Corporate Solutions Logistics (Лондон, Великобритания),  поставщика решений для логистики в сфере транспорта, складирования, здравоохранения, безопасности и других ключевых областей системы поставок. Система предоставляет инструмент поддержки принятия решений при составлении расписаний и защищенную среду обмена информацией с клиентами и субподрядчиками.

Компанией Nutech Solutions была разработана мультиагентная система для Air Liquide America LP (Хьюстон, США), позволившая уменьшить издержки производства и распространения. Система использует стратегию, основанную на закономерностях в поведении муравьев (ant-based strategy), для управления маршрутами доставки промышленных и медицинских газов, поддерживает адаптивное планирование производства в изменяющихся условиях, отвечая на непредвиденные события и запросы потребителей [3, 6].

Опыт реализации проектов показывает, что при внедрении мультиагентной системы планирования эффективность работы организации растет посредством увеличения загрузки оборудования (транспорта), повышения качества сервиса за счет оперативности выполнения операций, снижения издержек за счет выполнения операций более экономичным способом (оптимизация маршрутов движения транспорта, рациональное распределение заказов и т.п.).

Перспективы развития мультиагентных систем в логистике

Как можно увидеть из тематики реализованных проектов, в настоящее время наибольшее количество решений предложено в сфере транспортной логистики. Вопросы использования мультиагентных систем в складской логистике, логистике распределительных центров, розничной торговли пока остаются не до конца проработанными.

Одним из перспективных направлений развития мультиагентных систем в логистике является создание систем, обеспечивающих движение потоков интеллектуальных посылок [8]. Каждая такая посылка содержит агента, который встроен в чип, имплантированный в упаковочный материал. В чипе содержится информация о месте назначения посылки, ожидаемом времени прибытия, маршруте, условиях хранения и эксплуатации, весе, размерах. При получении заказов на поставку поставщик посылает поток интеллектуальных посылок в Центр Всемирной сети логистики (Global Logistic Network). В каждом Центре Всемирной сети логистики будут функционировать собственные агенты, способные общаться с прибывающими к ним интеллектуальными агентами. Для каждой интеллектуальной посылки ведутся переговоры по поводу путей ее следования по сети без участия поставщика. По мере прохождения пути информация о местонахождении посылки оперативно посылается на сервер, и движение посылки можно отследить через Интернет.

Большой потенциал развития мультиагентных систем в складской логистике и логистике розничной торговли связан с использованием RFID-технологий. RFID-метка содержит всю необходимую информацию о товаре, включая его цену, условия хранения, условия транспортировки, вес, гарантийный срок и т.д. С помощью RFID-ридеров, которыми оснащено складское оборудование, информация о товаре может считываться и корректироваться по мере его передвижения. Некоторые идеи систем, основанных на интеллектуальном кодировании товаров изложены в работе [8]. В подобных системах могут быть реализованы следующие функции:

• ·         интеллектуальное распределение товаров по полкам на складах и магазинах розничной торговли с возможностью определить и доложить недостающий товар и организовать складирование товаров, различающихся по размеру или количеству;
• ·         поиск товара по информации, считанной с RFID-метки;
• ·         автоматическое определение товаров погруженных на транспортное средство с возможностью передать эту информацию далее по системе;
• ·         автоматическое выявление условий хранения для каждого товара;
• ·         автоматическая рассортировка товаров в соответствии с информацией, записанной в их RFID-метках;
• ·         автоматический расчет цены товаров, размещенных на конвейере или в корзине и запись их на счет покупателя.

Литература

1. Andreev M., Rzevski G., Skobelev P., Shveykin P., Tsarev A., Tugashev A. Adaptive Planning for Supply Chain Networks. Lecture Notes in Computer Science, Volume 4659, Holonic and Multi-Agent Systems for Manufacturing. Third International Conference on Industrial Applications of Holonic and Multi-Agent Systems, HoloMAS 2007, Regensburg, Germany. Springer, ISBN 978-3-540-74478-8, pp 215-225.
2. Flavien B., Pinson S. Using intelligent agents for Transportation Regulation Support System design // Transportation Research. Part C. — 2010. — Vol. 18. — Р. 140–156.
3. Harper C., Davis L. Evolutionary Computation at American Air Liquide. In: Evolutionary Computation in Practice. Studies in Computational Intelligence, vol. 88. Springer, Heidelberg. 2008. pp. 313-317.
4. Himoff, J., Rzevski, G., Skobelev, P., Magenta Technology: Multi-Agent Logistics i-Scheduler for Road Transportation. International Conference on Autonomous Agents: Proceedings of the Fifth International Joint Conference on Autonomous Agents and Multi-Agent Systems, Hakodate, Japan, 2006. ISBN 1-59593-303-4, pp 1541-1521.
5. Ivaschenko A., Lednev A. Auction Model of P2P Interaction in Multi-Agent Software. Proceedings of International Conference on Agents and Artificial Intelligence, ICAART 2013. – pp. 431-434.
6. Leitao P., Vrba P. Resent Developments and Future Trends of Industrial Agents. Holonic and Multi-Agent Systems for Manufacturing. Proceedings of the Fifth International Conference on Industrial Applications of Holonic and Multi-Agent Systems, HoloMAS 2011, Toulouse, France. Springer, ISBN 978-3-642-23180-3, 2011. pp. 15-28.
7. Nair A.,Vidal J.M. Supply Network Topology and Robustness against Disruptions: An investigation using Multi-agent Model. International Journal of Production Research. 2011. 49 (5). pp. 1391-1404.
8. Rzevski G., Skobelev P. Managing complexity. WIT Press, London—Boston. 2014.
9. Shoham Y.,  Leyton-Brown K. Multiagent Systems. Algorithmic, Game-Theoretic, and Logical Foundations. CambridgeUniversity Press. 2008. p. 496.
10. Talia D. Cloud Computing and Software Agents:Towards Cloud Intelligent Services // CEUR Workshop Proceedings. — 2011. — Vol. 741.
11. Аксенов К. А., Неволина А. Л., Аксенова О. П., Камельский В. Д. Разработка модели логистики на основе интеграции концептуального, объектно-ориентированного, мультиагентного и имитационного моделирования, интеллектуальных систем  // Инженерный вестник Дона. 2013. №1. С.3-9.
12. Виттих В.А., Скобелев П.О. Метод сопряженных взаимодействий для управления распределением ресурсов в реальном масштабе времени // Автометрия, 2009. Т. 45, № 2 - С. 84-86.
13. Городецкий В. И. Самоорганизация и многоагентные системы. II. Приложения и технология разработки. Известия РАН. Теория и системы управления, 2012, № 3, с. 102–123.
14. Городецкий. В.И. Самоорганизация и многоагентные системы. I. Модели многоагентной самоорганизации. Известия РАН. Теория и системы управления, 2012, № 2, с. 92–120.
15. Грачинина Н.О. Мультиагентная система для распределения заказов // Управление большими системами: сборник трудов. 2010. № 30-1. с.549-566.
16. Материалы сайта компании «Magenta Technology» [Электронный ресурс]. 2015. URL: http://magenta-technology.com (дата обращения: 20.02.2015).
17. Материалы сайта компании «Multiagent Technology» [Электронный ресурс]. 2015. URL: http://www.multiagenttechnology.com (дата обращения: 20.02.2015).
18. Материалы сайта НПК «Разумные решения» [Электронный ресурс]. 2015. URL: http://www.smartsolutions-123.ru (дата обращения: 20.02.2015).
19. Розенберг И.Н., Цветков В.Я. Применение мультиагентных систем в интеллектуальных логистических системах // Международный журнал экспериментального образования. 2012. №6. С.107-109.
20. Скобелев П.О. Открытые мультиагентные системы для оперативной обработки информации в процессах принятия решений // Автометрия. - 2002. - №6. - С. 45-61.
21. Шпилевой  В.Ф.,  Скобелев  П.О.,  Симонова  Е.В.,  Царев  А.В.,  Кожевников  С.С.,  Кольбова Э.В.,  Майоров  И.В.,  Шепилов Я.Ю. Разработка мультиагентной системы «Smart Factory» для оперативного управления ресурсами в режиме реального времени  // Управление в социально-экономических системах. – 2013. - №6(67). – с.91-98.