CC BY
19УДК 004.89, 656.078 doi:10.18720/SPBPU/2/id23-67
Хасанов Дмитрий Салимович,
младший научный сотрудник
МУЛЬТИАГЕНТНОЕ МОДЕЛИРОВАНИЕ ПРИ ПРОГНОЗИРОВАНИИ УПРАВЛЕНИЯ ТРАНСПОРТНЫМИ СЕТЯМИ
Россия, Санкт-Петербург, Санкт-Петербургский Федеральный исследовательский центр Российской академии наук, dkhasanovsuai@yandex .ru
Аннотация. В данной статье рассматривается мультиагентное управление логистическими сетями, в том числе транспортными и водными сетями. За счет большого охвата, модульной структуры и большого количества компонентов требуются усовершенствование системы контроля и управления. Обсуждается возможность многоагентного управления, в котором несколько агентов контролируют части сети. В качестве потенциальной методологии предлагается модельное прогнозирующее управление (MPC) в многоагентной среде. Рассмотрим структуру моделирования транспортной системы на подсистемы.
Ключевые слова: система интеллектуальной поддержки принятия решений, логистическая система, комплексная логистическая технология, база знаний, мультиагентная платформа, интеллектуальный агент, управление.
Dmitry S. Khasanov,
Junior Researcher
MULTI-AGENT MODELING IN TRANSPORT NETWORK MANAGEMENT FORECASTING
St. Petersburg Federal Research Center of the Russian Academy of Sciences, St. Petersburg, Russia, dkhasanovsuai@yandex.ru
Abstract. This article deals with multi-agent management of logistics networks, including transportation and water networks. Due to the large coverage, modular structure and large number of components, improvements in control and management are required. The possibility of multi-agent control, in which several agents control parts of the network, is discussed. Model predictive control (MPC) in a multi-agent environment is proposed as a potential methodology. Consider the structure of modeling a transportation system into subsystems.
Keywords: intelligent decision support system, logistics system, integrated logistics technology, knowledge base, multi-agent platform, intelligent agent, management.
Введение
Логистические сети, такие как сети электроснабжения, транспортные сети и сети водоснабжения, обычно имеют большие размеры, состоят из множества подсистем, имеют много исполнительных механизмов и датчиков и поэтому демонстрируют сложную динамику. Цели управления транспортными сетями включают избежание перегруженности звеньев, максимизацию пропускной способности, минимизацию затрат на управляющие воздействия и т. д. В подходе одноагентного управления для управления системой используется один агент [1]. Агент собирает информацию из измерений системы, чтобы определить, какие действия необходимо предпринять. Однако транспортные сети, которые мы рассматриваем, трудно контролировать одним агентом, поскольку этот агент должен собирать информацию со всех датчиков и обрабатывать ее напрямую, чтобы обеспечить входные данные для всех исполнительных механизмов. Это сложно не только из-за технических проблем, таких как задержки связи и вычислительные требования, но и из-за практических проблем, таких как недоступность информации от одной подсистемы к другой и ограниченный доступ к управлению. Для транспортных сетей необходимо использовать многоагентный (или распределенный) подход к управлению [2], при котором несколько агентов управления, каждый из которых обладает лишь ограниченными навыками сбора и обработки информации и, более того, ограниченными возможностями действий, управляют подсистемами (например, подсетями), из которых состоит общая сеть. Поскольку подсистемы, которыми они управляют, являются частью общей сети, действия, предпринимаемые одним агентом, влияют на действия других агентов. Поэтому задача разработки многоагентного управления заключается в том, чтобы заставить агентов работать вместе так, чтобы общая производительность сети была более эффективна [3].
Мультиагентное управление в целом не является чем-то новым. Оно повседневно используется для управления транспортными сетями. Однако растущие количественные и качественные требования делают необходимостью постоянное исследование подходов к мультиагентному управлению. Уже известно, что хорошее сочетание инженерных суждений и анализа может быть использовано для разумного определения структуры управления динамической системой. Однако вместо специальных структур управления нас интересуют структурированные подходы, применимые к различным областям транспортных сетей. Важными аспектами являются способ декомпозиции сети на подсистемы, способ формулировки задач управления для этих подсистем и способ общения агентов друг с другом для принятия решений.
Автором статьи рассматривается модельное прогнозирующее управление (MPC) для управления транспортными сетями. В последние десятилетия MPC в одноагентной среде успешно применяется в обрабатывающей промышленности, а в настоящее время все больше внимания уделяется таким областям, как электрические сети, и транспортные сети. MPC основана на оптимизационной задачи с учетом динамики системы, объективной функции и ограничений на состояния, действия и выходы [4].
На каждом шаге принятия решения оптимизация дает последовательность действий, оптимизирующих ожидаемое поведение системы. Действия выполняются до следующего шага, после чего процедура повторяется. Успех MPC обусловлен в основном явным способом обработки ограничений, возможностью работать без вмешательства в течение длительных периодов времени и встроенными свойствами устойчивости. Основные вопросы, например, стабильность и устойчивость, были подробно изучены для случая одного агента [5, 6].
1. Структура сетевого моделирования и управления
Модель сети на основе подсистем. Для описания интересующих нас транспортных сетей мы будем использовать модель сети на основе подсистем, которая следует из подхода «снизу вверх», при котором определяются взаимосвязи между меньшими подсистемами, ведущие к общей сети. Такой способ моделирования сетей позволяет нам абстрагироваться от динамики конкретных подсистем, подчеркивая при этом модульность всей сети [7, 8].
Рассмотрим n подсистем, например, подсетей. Каждая из подсистем i 6 {1,..., n} имеет свою динамику, моделируемую дискретными динамическими и алгебраическими соотношениями, т. е
4+i=fi( xk > yk > uk ), 0 = g ( 4 > yk > 4 ),
0 < h (xk, yk, и'к ),
где на временном шаге к, для подсистемы i, xlk - это динамические состояния, угк - выходы и алгебраические состояния, а игк - это входы.
Эти переменные называются локальными переменными.
Функция fl представляет динамические переходы состояний, а функции g1 и h1 формируют алгебраические ограничения и ограничения неравенства [9].
Формулировка проблемы многоагентного управления
Учитывая описание подсистем и взаимосвязей между ними, предполагается, что для каждой подсистемы существует агент управления, который выбирает, входы посылать на исполнительные
механизмы этой подсистемы. Каждый агент управления имеет прямой доступ только к датчикам и исполнительным механизмам внутри своей подсистемы, и косвенный доступ к внешним переменным соседей через коммуникации.
Управляющие агенты должны выбирать свои действия таким образом, чтобы получить желаемое поведение. Это поведение задается через целевые функции и ограничения. Поведение, заданное с помощью целевой функции подразумевает желания, которые должны быть достигнуты настолько хорошо, насколько это возможно, но не обязательно. Этот тип поведения основан на стоимости траекторий локальных переменных и внешних переменных участвующих в эволюции подсистемы за горизонт N.
В централизованной системе существует только одно описание системы описание системы, одна функция цели, один набор желаемых ограничений и никаких взаимосвязанных ограничений. Используя стратегия MPC сводится к решению проблемы оптимизации проблемы, реализации входов для временного шага к и перехода к следующему шагу принятия решения. Агент может делать относительно адекватные прогнозы относительно эволюции системы в течение всего времени со всей информацией, к которой он имеет доступ, и поэтому он может адекватно определить оптимальные входы. В противоположность этому, в мультиагентной среде существует множество подсистем, объективных функций и ограничений, эволюция каждой из которых зависит от взаимосвязанных ограничений и, следовательно, от соседних внешних переменных. В следующем разделе мы обсудим, как мультиагентные MPC подходы решают эту проблему.
2. Мультиагентные MPC
Расширение одноагентной MPC до многоагентной MPC предполагает следующее. Заранее знать, что модель подсистемы агента управления по своей природе ограничена определенной частью общей сети, что непосредственно следует из предположения, что агенты в многоагентной схеме управления не имеют глобального обзора и могут получить доступ только к относительно небольшому количеству датчиков и исполнительных механизмов. Поэтому предсказания о будущей эволюции внешних переменных соседей могут быть неточными и целесообразность может быть даже потеряна при использовании более длинных процессов прогнозирования [10].
Коммуникация является средством для улучшения ситуации в многоагентном MPC, и является частью практически каждого подхода. Общий сценарий многоагентной MPC для агента i на временном шаге к выглядит следующим образом, см. также рис. 1:
1) Произвести измерение текущего состояния локальной подсистемы xik и получить информацию от соседних агентов посредством коммуникации.
2) Решить задачу оптимизации, чтобы найти последовательность входов uik на горизонте, которая минимизирует локальную объективную функцию с учетом желаемых ограничений, локальной динамики, взаимосвязи между агентами и прогнозов внешних переменных соседей Wik на основе переданной информации. Во время этой оптимизации также может происходить коммуникация с другими агентами.
3) Реализовать первый вход uik из этой последовательности.
4) Возможно, общение с другими агентами.
5) Переходим к следующему временному шагу k+1.
13_
CtHitrol AjKTir
( >pl И.1-Л.Т
Рис. 1. Схематическая иллюстрация примера мультиагентной MPC
Прогнозирование эволюции внешних переменных основано на информации, передаваемой с соседними агентами. Предсказатель внешних переменных обрабатывает эту информацию, чтобы прийти к предсказаниям на горизонт. Существует несколько вариантов, в которых внешний внешняя переменная-предсказатель может определять предсказания обобщенные следующим образом:
1) Игнорировать влияние внешней переменной.
2) Предполагать постоянное значение на всем горизонте на основе на основе локального измерения, сделанного или полученного от соседнего агента.
3) Предполагать прогнозы на весь горизонт, полученные от соседнего агента.
4) Предполагать верхние и нижние границы для внешних переменных, полученные от соседнего агента.
5) Предполагается модель, которая предсказывает значения внешних переменных на основе динамики соседних агентов-переменных на основе динамики соседних подсистем.
6) Выучить модель эволюции внешних переменных, учитывая имеющуюся информацию от соседних агентов-переменных, учитывая доступную информацию от соседних агентов.
7) Использовать знания о целевой функции соседних агентов вместе с моделями динамики соседних подсистем-агентов вместе с моделями динамики соседней системы.
Каждый из этих вариантов дает различную информацию, которую необходимо передавать, и требует различных типов встроенных навыков.
Заключение
Управление транспортными сетями, которое можно встретить в трафике, энергетики и управления водными ресурсами, требует много-агентных подходов к управлению. В такой многоагентной системе каждый агент управления использует MPC для управления своей подсистемой, делая прогнозы об эволюции своей подсистемы за определенный горизонт. Необходимо использовать коммуникацию между агентами, чтобы улучшить прогнозы и впоследствии улучшить принятие решений [11]. Какую информацию передавать, когда это делать, и когда принимать решение о том, какие действия предпринять, являются основными вопросами в многоагентной MPC.
Благодарность
Исследования, выполненные по данной тематике, проводились при финансовой поддержке госбюджетной темы FFZF-2022-0004.
Список литературы
1. Lukinskiy V., Panova Y. Analysis and synthesis of the designed logistics systems // Логистика: современные тенденции развития: материалы XVI Междунар. науч.-практ. конф. 6, 7 апреля 2017 г. / Отв. ред.: В. С. Лукинский. - СПб.: ГУМРФ имени адмирала С.О. Макарова, 2017. - С. 249-252.
2. Мультиагентные технологии для управления распределением производственных ресурсов в реальном времени / Скобелев П.О. и др. // Механика, управление и информатика. - 2011. - № 5. - С. 110-122.
3. Лукинский В.С., Искандеров Ю.М., Соколов Б.В., Некрасов А.Г. Проблемы и перспективы использования интеллектуальных информационных технологий в логистических системах // В сборнике: Информационные технологии в управлении (ИТУ-2018). - Материалы конференции, 2018. - С. 80-89.
4. Хасанов Д.С., Свистунова А.С. Оценка эффективности обслуживания пассажиров в аэровокзальном комплексе. // В кн. Транспорт России: Проблемы и перспективы, 2020. - 32 с.
5. Искандеров Ю.М., Свистунова А.С., Хасанов Д.С., Чумак А.С. Интеллектуальная поддержка принятия решений в логистических системах // Морские интеллектуальные технологии, 2021. - Т.1. №2. - 145 с.
6. Искандеров Ю.М. Мультиагентные системы для управления логистическими функциями в цепях поставок. В сборнике: Логистика: современные тенденции развития. Материалы XVIII Международной научно-практической конференции. СПб, ГУМРФ им. С.О. Макарова, 2019. С .219 -221.
7. Искандеров Ю.М., Ласкин М.Б., Чумак А.С., Хасанов Д.С. Особенности моделирования управления информационными ресурсами транспортных систем. В сборнике: Системный анализ в проектировании и управлении. сборник научных трудов XXIV Международной научной и учебно-практической конференции: в 3 ч. Санкт-Петербургский политехнический университет Петра Великого. Санкт-Петербург, 2020. - С. 250 -257.
8. Свистунова, А.С. Возможности автоматических транспортеров-погрузчиков и их использование при создании имитационной модели развития контейнерного терминала / А. С. Свистунова, Д. С. Хасанов // Морские интеллектуальные технологии. - 2020. - № 4-1(50). - С. 169-174. - DOI 10.37220/MIT.2020.50.4.023.
9. Concept and Models of Information Application for Actions in Systems / A. Gey-da, L. Fedorchenko, I. Lysenko [et al.] // Conference of Open Innovations Association, FRUCT. - 2022. - No 31. - P. 407-415.
10. Svistunova, A.S. Improving the efficiency of traffic management in a metropolis based on computer simulation / A. S. Svistunova, D. S. Khasanov // Computing, Telecommunications and Control. - 2021. - Vol. 14. - No 3. - P. 33-42. - DOI 10.18721/JCSTCS.14303.
11. Хасанов, Д.С. Технология сбора данных в логистике / Д. С. Хасанов, А. С. Свистунова // Системный анализ в проектировании и управлении : сборник научных трудов XXV Международной научной и учебно-практической конференции : в 3 ч., Санкт-Петербург, 13-14 октября 2021 года. - СПб.: Политех-Пресс, 2021. - С. 275279. - DOI 10.18720/SPBPU/2/id21-377.
УДК 656.6, 656.02 doi:10.18720/SPBPU/2/id23-68
Хасанов Дмитрий Салимович,
младший научный сотрудник
КИБЕРФИЗИЧЕСКАЯ МОДЕЛЬ КОНТЕЙНЕРНОГО
ТЕРМИНАЛА
Россия, Санкт-Петербург, Санкт-Петербургский Федеральный исследовательский центр Российской академии наук, dkhasanovsuai@yandex .ru
Аннотация. При значительном увеличении объёма контейнерного рынка, вопросы скорости обработки контейнеров на всех этапах становятся более актуальными. Увеличение грузооборота влечет за собой изменение во всех точках перевалки контейнеров, основными из которых являются контейнерные терминалы. Следовательно, такая тенденция порождает потребность в модернизации и
