УДК 339.1
МУЛЬТИАГЕНТНЫЕ СИСТЕМЫ ДЛЯ УПРАВЛЕНИЯ ПОТОКОВЫМИ ПРОЦЕССАМИ В ЛОГИСТИКЕ
Анастасия Юрьевна Семченко
Сибирский государственный университет геосистем и технологий, 630108, Россия, г. Новосибирск, ул. Плахотного, 10, магистрант кафедры прикладной информатики и информационных систем, тел. (913)014-68-62, e-mail: anastasiya_semchenko@mail.ru
Анастасия Дмитриевна Болховская
Сибирский государственный университет геосистем и технологий, 630108, Россия, г. Новосибирск, ул. Плахотного, 10, магистрант кафедры прикладной информатики и информационных систем, тел. (913)459-13-55, e-mail: bolhovskaya@mail.ru
Амридон Гемзаевич Барлиани
Сибирский государственный университет геосистем и технологий, 630108, Россия, г. Новосибирск, ул. Плахотного, 10, кандидат технических наук, доцент кафедры прикладной информатики и информационных систем, тел. (983)319-99-31, e-mail: amridon_barliani@mail.ru
В статье рассматривается возможность использования мультиагентных технологий для управления потоковыми процессами в логистики. Мультиагентный подход кардинально отличается от традиционных способов оптимизации, применяемых в логистике, так как основан на распределенном способе решения задач. План, построенный на основе децентрализованных решений, в большей степени гибок и адаптивен к динамично изменяющимся условиям среды.
Ключевые слова: мультиагентные системы, агент, интеллектуальные системы, оптимизация, логистика.
MULTI-AGENT SYSTEM FOR MANAGEMENT OF FLOW PROCESSES IN LOGISTICS
Anastasia Yu. Semchenko
Siberian State University of Geosystems and Technologies, 630108, Russia, Novosibirsk, 10 Plakhotnogo St., undergraduate of the Department of Applied Informatics and Information Systems, tel. (913)014-68-62, e-mail: anastasiya_semchenko@mail.ru
Anastasia D. Bolkhovskaya
Siberian State University of Geosystems and Technologies, 630108, Russia, Novosibirsk, 10 Plakhotnogo St., undergraduate of the Department of Applied Informatics and Information Systems, tel. (913)459-13-55, e-mail: bolhovskaya@mail.ru
Amridon G. Barliani
Siberian State University of Geosystems and Technologies, 630108, Russia, Novosibirsk, 10 Plakhotnogo St., Ph. D., associate Professor of the Department of Applied Informatics and Information Systems, tel. (983)319-99-31, е-mail: amridon_barliani@mail.ru
The article discusses the possibility of using multi-agent technology for the management of flow processes in logistics. Multi-agent approach fundamentally differs from the traditional optimization techniques used in logistics, as it is based on a distributed way of solving problems. The plan
is built on the basis of decentralized decisions, more flexible and adaptive to dynamically changing environmental conditions.
Key words: multiagent system, agent, intelligent systems, optimization, and logistics.
В настоящее время задача планирования перевозок является актуальной и значимой задачей для многих современных компаний, действующих в условиях неопределенности и высокой динамики изменений спроса и предложения.
Предлагаемый в данной работе мультиагентный подход позволяет описать предметную область в модели существенно более подробно за счет того, что описание производится на уровне каждого отдельного объекта. Такой подход позволяет более гибко и эффективно описать модель транспортной системы, поскольку, во-первых, появляется возможность достаточно подробно описать как структуру объекта, так и логику его поведения, а во-вторых, логика отделена от программного кода и может быть легко изменена.
Сложность решения этой задачи связана с большим объемом и разнообразием предметных знаний, которые надо учесть при решении задачи, и отсутствием методов решения задач, учитывающих особенности современного бизнеса.
В настоящей работе мы проанализируем различные области возможного применения мультиагентного подхода на примере задач транспортной логистики с целью выявления сильных и слабых сторон мультиагентного подхода как средства решения транспортных задач.
В настоящее время известен ряд компаний, которые обеспечивают решение задачи планирования в логистике: Paragon, CAPS, Manugistics. В основе этих систем лежит традиционные математические алгоритмы, базирующиеся на методах динамического программирования и constraint-программинга [2].
Вместе с тем, для этих систем характерен набор проблем. В первую очередь, данные системы имеют встроенную «жесткую» модель логистических операций (например, развоз грузов из центра), которую трудно или невозможно модифицировать или дополнять. Например, при планировании расписания для перевозок составитель должен учесть множество ограничений и требований, включая: законодательные ограничения для рабочего дня водителя; требования к последовательности загрузки-разгрузки; совместимость грузов, грузовиков и складов; рабочее время складов и многое другое. Учет всех этих ограничений, зачастую нечетко заданных, делает задачу достаточно трудоемкой и ограничивает применимость к ней классических математических алгоритмов.
Во-вторых, системы рассчитаны исключительно на батч-режим, в котором система накапливает заказы, которые в определенный момент (например, в 8:00 утра), вводятся в систему и распределяются по транспортным средствам, что затрудняет применение расписания в реальном времени или учет непредвиденных событий. Например, поломка, опоздание, отзыв принятого заказа и т. д. Особым случаем являются встречные (backhaul) заказы, позволяющие ощутимо увеличить доходы от перевозок за счет подхвата заказов на порожних (чаще всего обратных) рейсах.
В-третьих, расписание, построенное в данных системах, требует обязательной ручной доводки, что представляет собой весьма сложную задачу. Для внесения даже небольших изменений в расписание, необходимо изменять исходные данные и заново с самого начала запускать программу, что может требовать несколько часов.
В-четвертых, в упомянутых системах не учитываются индивидуальные особенности (стратегии, ограничения, предпочтения) всех транспортных средств флота, особенностей клиентов и реализуемых заказов и т. д.
В-пятых, не реализуются «человеческие эвристики» - подходы к построению расписаний, основанные на житейском опыте оператора. Как отдельный момент стоит выделить невозможность машинного преодоления ограничений модели, которые можно было бы обойти в силу их необязательности. Например, время отгрузки может быть сдвинуто по договоренности с оператором, грузовики могут обмениваться фурами для ускорения процесса погрузки, в грузовик часто можно загрузить немного больше заявленной емкости. Поскольку при построении расписания традиционными методами не сохраняется информация о непреодоленных ограничениях, планировщик не возвращается к отвергнутым вариантам даже в тех случаях, если нарушение ограничения было минимально.
В основе мультиагентного подхода лежит понятие мобильного программного агента, который реализован и функционирует как самостоятельная специализированная компьютерная программа или элемент искусственного интеллекта.
Суть мультиагентных технологий заключается в принципиально новом методе решения задач. В отличие от классического способа, когда проводится поиск некоторого четко определенного (детерминированного) алгоритма, позволяющего найти наилучшее решение проблемы, в мультиагентных технологиях решение получается автоматически в результате взаимодействия множества самостоятельных целенаправленных программных модулей - так называемых программных агентов.
Зачастую классические методы решения задач либо неприменимы к реальной жизни (нетрудно представить себе, что значит попытаться решить задачу управления предприятием в непредсказуемой динамичной обстановке современного бизнеса, даже с помощью высшей математики и самых продвинутых экономических моделей), либо они требуют огромных объемов расчетов (для которых не хватит мощности всех современных компьютеров), либо они вовсе отсутствуют. Традиционно в классическом подходе построение расписания «с нуля» предполагает процесс последовательного планирования, вырождающегося в перебор вариантов в определенном направлении. Однако в сложных моделях транспортной логистики количество расписаний очень велико, и для того, чтобы построить расписание в разумное время, необходимо ограничить глубину поиска, в результате чего полученное расписание оказывается неэффективным.
Полный перебор вариантов в таких условиях невозможен, поэтому большинство систем использует подход последовательного применения ограничений. Например, в первую очередь планируется оптимальное распределение
направлений перевозок. Затем на полученные варианты распределяются по существующим грузовикам, и часть вариантов отбрасывается после наложений ограничений совместимости и грузоподъемности. И, наконец, на последней стадии система планирует расписание для водителей. Такой способ, хоть и приемлем, все же малоэффективен, поскольку подразумевает перебор очень большого количества вариантов, которые в конечном итоге отсеиваются в результате наложения ограничений. Полученное расписание обязательно требует доработки, причем в первую очередь - на предмет обхода ограничений, которые были объявлены в математической модели как обязательные.
В мультиагентной модели каждому объекту ставится в соответствие программный агент, который представляет интересы данного объекта [3]. Каждый объект, будь то груз, склад или грузовик, стремится к определенной цели, и обладает определенными стратегиями, описывающими, как этой цели можно достичь. Например, груз имеет цель быть перевезенным точно в срок. Если есть грузовик, который его перевезет - проблемы нет. Но в ситуации, когда нет ни одного свободного грузовика, который мог бы его взять, груз должен искать варианты решения этой проблемы. Одна из стратегий, позволяющих данную проблему решить - это переговоры с грузами, которые могли бы «подвинуться» во времени и уступить данному грузу свое место.
Другая стратегия предполагает вести переговоры с грузовиками, которые могли бы специально скорректировать свой путь так, чтобы доставить данный груз. Грузовик, в свою очередь, стремится к максимальному использованию своей грузовместимости, и, возможно, согласится на такую сделку.
Как мы видим, в мультиагентной системе каждый объект стремится достичь поставленной перед ним цели, и использует различные стратегии для достижения этой цели. В качестве базовых агентов используются на два типа: «заказы» и «ресурсы». Каждый заказ должен найти ресурс, который его исполнит максимально подходящим для него способом, и наоборот, каждый ресурс стремится найти наиболее выгодный для себя заказ. В процессе построения расписания«с нуля» все ресурсы свободны и все ни один заказ не обслужен, поэтому каждый заказ выбирает себе тот ресурс, который ему больше подходит. Однако скоро свободные ресурсы заканчиваются, и заказы начинают конфликтовать. Для разрешения конфликтов заказы и ресурсы вступают в переговоры с целью найти компромиссный вариант. Особо следует отметить, что условия формирования и разрешения конфликтов построены на правилах модели, вследствие чего объединение индивидуальных интересов объектов в конечном итоге отражает интересы всей системы, т. е. формируется расписание, удовлетворяющее условиям системы и, пусть необязательно оптимальное, но находящееся в состоянии внутренней гармонии, поскольку построено на взаимном сочетании интересов.
Таким образом, планирование не представляет собой последовательный перебор вариантов - поиск идет «со всех сторон», в результате чего полученное расписание не страдает «однобокостью». Кроме того, такой подход позволяет на уровне стратегий поддержать «человеческие» эвристики, которые невозможно учесть при последовательном переборе вариантов:
1. Начинать распределение ресурсов следует с тех, которые являются наиболее требовательными в отношении совместимости. Например, если известно, что замороженный груз может быть размещен только на грузовике, оснащенном холодильником, то, следовательно, грузовики с холодильником являются более ценным ресурсом, и следует в первую очередь рассмотреть варианты целесообразного наполнения этих ресурсов.
2. При планировании маршрута грузовика необходимо учитывать возможность того, что в силу непредвиденных обстоятельств ему придется возвращаться на базу, не закончив маршрута. Исходя из этого, разумнее всего планировать маршрут так, чтобы первая точка, которую посетит грузовик, была наиболее удаленной от базы, чтобы после нее грузовик естественным путем возвращался на базу.
3. Предпочитать варианты планирования заказов на грузовики, для которых уже запланированы операции погрузки/разгрузки в точках, близких к точкам погрузки/разгрузки данного заказа. Такие варианты должны «выигрывать» даже если они более дороги в реализации, чем вариант планирования на новый грузовик.
4. Не вовлекать в операцию обмена грузом те грузовики, загрузка которых уже близка к полной. Риск разрушить уже устоявшийся набор грузов на перевозку достаточно велик и не оправдывает преимуществ операции обмена, ориентированной на разрешение непредвиденных конфликтных ситуаций.
Таким образом, уже на этапе батч-режима мультиагентные системы помогают составлять более реалистичные расписания за счет учета стратегий поведения и предпочтений каждого объекта в отдельности.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Виттих В. А., Скобелев П. О. Мультиагентные модели взаимодействия для построения сетей потребностей и возможностей в открытых системах. - М. : Автоматика и телемеханика, №1, 2003. - 185 с.
2. Анализ эффективности применения мультиагентной системы управления региональными перевозками в реальном времени / А. В. Иващенко, А. Лада, И. Майоров, П. Скобелев, А. Царев. - М. : ТТИ ЮФУ, 2011. - 356 с.
3. Каляев И. А., Капустян С. Г., Гайдук А. Р. Самоорганизующиеся распределенные системы управления группами интеллектуальных роботов, построенные на основе сетевой модели // Управление большими системами. Специальный выпуск 30.1 «Сетевые модели в управлении». - М. : ИПУ РАН, 2010. - 639 с.
© А. Ю. Семченко, А. Д. Болховская, А. Г. Барлиани, 2017