CC BY
46
-►
Системный анализ и управление
УДК: 519.87
Т.Н. Каримов, Л.А. Симонова
интеллектуальная система поддержки принятия решения
для оперативного управления транспортными потоками
При осуществлении закупок и доставки материальных ресурсов перед производителями товаров стоит вопрос оперативного управления товаропотоками транспортного предприятия, который напрямую влияет на их конкурентоспособность [5]. Решение задачи оперативного управления товаропотоками можно представить в виде комплекса подзадач.
Анализ состояния исследований в Российской Федерации и за рубежом показал, что достаточно эффективно функционируют системы, решающие специализированные задачи, например, такие, как моделирование оптимального маршрута между двумя населенными пунктами («Навител Навигатор», «Бизнес ПРО», «proLOG» и т. д), а также геоинформационные системы (ГИС), позволяющие создавать и обновлять картографические данные. Кроме указанных систем имеются системы развоза товаров по потребителям внутри города (система «GWX Active X Control»), и по региону (система «Деловая карта», программа «TopLogistic», «ANTOR Logistics Master», «ИнтегПрог», «Бизнес Про», «Trans Trade»). Однако все эти и другие известные системы имеют, по мнению ведущих специалистов, достаточно существенные недостатки, заставляющие потенциальных потребителей, транспортные компании РФ осторожно относиться к приобретению существующих информационных логистических транспортных систем. Применяемые в этих системах математические модели, методы и алгоритмы обработки, хранения, передачи информации не соответствуют уровню решаемых практических задач. Поэтому необходима разработка моделей, алгоритмов и программного комплекса, которые должны устранить основные недостатки существующих информационно-транспортных систем, в т. ч.:
неприемлемую для производственных условий длительность оперативного определения оптимального грузопотока (нахождение компактных групп расположения получателей, поиск оптимальных маршрутов между получателями и развоза товаров);
отсутствие функциональной возможности оптимального разбиения всей зоны (некоторого региона России) на сектора развоза и оптимального закрепления этих секторов за логистическими (распределительными) центрами и складами;
достаточно большую трудоемкость и сложность внедрения и эксплуатации существующих логистических транспортных систем, связанных с необходимостью приобретения других дополнительных программных средств и различных баз данных, а также требованием высокого уровня квалификации как в области управления транспортировкой, так и в области информационных технологий;
неопределенность в вопросе оптимальности решения пользовательских задач, т. к. пользователям-заказчикам не раскрывается суть применения алгоритмов и методов и не дается обоснование выбора тех или иных методов.
Анализ имеющихся методов, показывает, что для разработки данного программного комплекса необходимо создание моделей на основе сочетания теории графов, алгоритмов кластеризации, методов динамического программирования с использованием базы прецедентов и формирования базы знаний. При этом создаваемые модели и методы должны базироваться на алгоритмах динамического разбиения территории на кластеры потребителей и формирования альтернативных маршрутов с целью учета реальных требований в виде следующих условий и ограничений.
По потребителям:
объем, вес и вид товара для каждого потребителя, а также необходимое время привоза;
специальные условия, влияющие на время выгрузки товара.
По автотранспортным средствам (АТС): вместимость, грузоподъемность, тип кузова и удобство загрузки/выгрузки товара;
средняя базовая норма расхода топлива и средняя расчетная скорость при езде по дорогам типа асфальт, щебень, грунт;
разрешение проезда АТС по тем или иным типам дорог и заезда в другие промежуточные склады и базы;
расчетное время выезда и необходимое время приезда в исходный пункт [8].
Для решения поставленных проблем разработана структура системы оперативного управления товаропотоками с элементами системы поддержки принятия решений, которая приведена на рис. 1.
Программный комплекс должен выполнять следующие функции:
формирования исходной информации по населенным пунктам и АТС;
кластеризации номенклатуры продукции и логической группировки АТС по ряду признаков;
моделирования минимальных маршрутов между соседними пунктами назначения;
кластеризации населенных пунктов на основе метода MST;
кластеризации АТС для обслуживания кластеров населенных пунктов;
Рис. 1. Структура системы оперативного управления товаропотоками с элементами системы поддержки принятия решений
моделирования альтернативных маршрутов для любого АТС внутри кластера;
моделирования оптимальных маршрутов на графе дорог;
анализа и отбора группы АТС для каждого кластера населенных пунктов на основе комплексной оценки;
формирования выходной информации (марш-
Рис. 2. Функциональная модель оптимизации грузопотоков
рутных листов с картой проезда).
На основе структуры системы оперативного управления товаропотоками с элементами системы поддержки принятия решений разработаны математические модели и алгоритмы, создан программный комплекс, общая структура которого изображена на рис. 2.
Здесь на начальном этапе происходит формирование исходной информации по населенным пунктам и АТС, а также анализ портфеля заказов, где содержится информация о пунктах назначения товаров, сроках выполнения заказов и список доступных АТС. Результатом являются сформированные группы по номенклатуре продукции и кластеры АТС [6].
Для реализации функции кластеризации на основе модернизированного алгоритма MST необходимо моделирование полного графа дорог, который реализуется на основе алгоритма Дейк-стры и его модификаций. В ходе анализа графа дорог было выявлено, что алгоритм Дейкстры эффективно использовать при расчете минимальных маршрутов между товарополучателями (при графе до 25 000 вершин) при расчетах на относительно небольших территориях (например, некоторого региона РФ). В случае больших территорий необходима модернизация алгоритма Дейкстры [4].
Предлагается при графе до 150 000 вершин использовать в алгоритме применение коридора поиска минимального пути, а при графе до 950 000 вершин - разбиение территорий на искусственные кластеры.
Использование коридора позволяет не рассматривать и не загружать в оперативную память ЭВМ те вершины и ребра, которые явно не будут участвовать в вычислении оптимального маршрута.
В первом случае математическое преобразование графа будет выглядеть следующем образом:
G' := (V, E'), (1)
где V' = { V| W(V)}, W(V) - вершины в коридоре; E' = {EME)}, m(e) - ребра в коридоре.
Во втором случае математическое описание преобразования графа будет:
G:= {V, E} ^G' = {ю,у}, (2)
где ю - веса кластера, вершины нового графа; у -ребра графа, рассчитанные на пространственных данных.
В данном случае принимаем, что весом кластера является его географический центр.
Внутри кластера происходит предварительное построение маршрутов, проходящих через этот кластер, на основе алгоритма Дейкстры. Применительно к кластеру принимаем маршруты как возможные туннели через кластер. Количество таких туннелей для всей территории огромно, и для быстрого доступа используются современные решения в области хранилища данных на основе технологии nosql [7]. Для нахождения направления возможного минимального маршрута используем новый граф и переходим к формированию альтернативных вариантов маршрутов. Далее производится расчет всего альтернативного маршрута на основании данных по туннелям, проходящих через каждый кластер. Методом попарных сравнений получаем маршрут с минимальной длиной [3].
На основе описанной выше функции производим кластеризацию. В ходе анализа алгоритмов кластеризации выделен метод MST, который с помощью минимальных остовных деревьев выделяет кластеры произвольной формы, выбирает из нескольких оптимальных решений самое оптимальное. Для построения минимального остовного дерева используется алгоритм Круска-ла [2]. Однако для решения поставленной задачи был модернизирован метод MST, в который были введены корректирующие правила. Итог работы данной функции - сформированные кластеры потребителей которые являются входными данными для следующей функции [1].
На начальном этапе формирование групп АТС для обслуживания кластера потребителей производится на основе экспертной оценки [10]. На основе полученных данных формируются правила отбора группы АТС.
Например, правило для проверки возможности группы машин обслужить кластер будет выглядеть так: «Если масса группы машин больше массы кластера на 10 % или равна и объем группы машин больше или равен объему кластера, то группа предположительно может обслужить кластер».
В математическом виде правило имеет вид:
M <М <М и V < V (3)
кл — атс — недогруз кл — атс' w/
где мнедогруз = мкл + (мкл ■ 0,1) - масса д°пусти-мого недогруза АТС.
На основе полученных выше данных происходит формирование, выбор и оценка группы
АТС для обслуживания кластера на основе решения задачи динамического программирования. Пользователь может задать приоритет, по которому будет производиться отбор АТС с учетом всех факторов, например, по минимальному времени обслуживания кластера и расстоянию, минимальному недогрузу АТС и расходу топлива и т. д. Система на основе экспертной оценки выставит соответствующие веса для каждого условия. В итоге система выдает самую оптимальную группу АТС, учитывающую все факторы [9].
Формирование выходной информации включает:
маршрутный лист водителя (с картографической информацией, с нанесением всех важных поворотов и населенных пунктов для лучшего ориентирования водителя);
вся отчетная информация по средствам подсистемы сопряжения передается в соответствующие системы предприятия, где могут быть составлены отчеты по профилю каждой из систем.
Подистема сопряжения с другими системами дает возможность использовать данные из существующих информационных систем а
также в удобном виде осуществлять обратную связь.
Апробация разработанных методов и алгоритмов была проведена на конкретных примерах и показала, что можно сократить время работы алгоритмов в 7-10 раз. Например, длительность работы на 120 точках составляла 100 мин, после проведенных модификаций время работы составило 10 мин.
Применение системы принятия решений в программном комплексе позволит с учетом недостатков существующих информационных логистических транспортных систем обеспечить сокращение времени работы алгоритмов без снижения их качественных показателей, и применить их для построения оптимальных маршрутов на больших маршрутных графах на разных этапах с учетом вместимости, использования различных типов транспортных средств и загрузки. Предусмотренная база знаний на основе прецедентов поможет повысить качество формируемых моделей за счет выбора оптимальных вариантов по каждой задаче.
СПИСОК ЛИТЕРАТУРЫ
1. Нсйский, И.М. Классификация и сравнение методов кластеризации [Текст]/И.М. Нейский//Интеллек-туальные технологии и системы. Сб. учеб.-метод. работ и статей аспирантов и студентов.-М.: НОК «^А1М», 2006.-Вып. 8.-С. 130-142.
2. Емеличев, В.А. Многокритериальные задачи об остовах графа [Текст]/В.А. Емеличев, В.А. Перепели-ца//Докл. РАН.-1998.-№ 298.-С. 544-547.
3. Гилл, Ф. Практическая оптимизация [Текст]/Ф. Гилл, У Мюррей, М. Райт; пер. В.Ю.Лебедева.-М.: Мир, 1985.-С 287-288.
4. Загороднев, Д.И. Применение методов решения транспортной задачи для автоматического управления транспортными потоками предприятия [Текст]/ Д.И. Загороднев, Л.А. Симонова/Проектирование и исследование технических систем: Межвуз. науч. сб.-Набережные Челны: ИНЭКА, 2009. -Вып. 14. -С. 56-65.
5. Сергеев, В.И. Логистика: Информационные системы и технологии: Учебно-практическое пособие [Текст]/В.И. Сергеев, М.Н. Григорьев, С.А. Уваров.-Альфа-Пресс, 2008.-С. 6-10
6. Черноморов, Г.А. Теория принятия решений:
Учеб. пособие [Текст]/Г.А. Черноморов//Изв. вузов. Сер. Электромеханика, Новочеркасск: Юж.-Рос. ГТУ, 2002.-С. 262-266
7. Каримов, Т.Н. Разработка автоматизированной системы формирования геоинформационной базы данных для решения задач транспортной логистики [Текст]/Т.Н. Каримов//Образование и наука - производству: Сб. тр. Междунар. науч.-техн. и образоват. конф.-Набережные Челны: ИНЭКА, 2010.-С. 194-196.
8. Каримов, Т.Н. Построение адаптивно пассивных алгоритмов для решения задач информационной логистической транспортной системы [Текст]/Т.Н. Каримов, С.Н. Тимергалиев, А.Х. Хайруллин//Образова-ние и наука - производству: Сб. тр. Междунар. науч.-техн. и образоват. конф.-Набережные Челны: ИНЭКА, 2010.-С. 197-200.
9. Кини, Р.Л. Принятие решений при многих критериях: предпочтения и замещения [Текст]/Р.Л. Кини., Х. Райфа; пер. В.В.Подиновский.-М.: Радио и связь, 1981.-С. 272-276.
10. Луценко, Е.В. Интеллектуальные информационные системы: Учеб. пособие [Текст]/Е.В. Луценко. -Краснодар: КубГАУ, 2004.-С. 302-307.
